Kas ir mākslīgā intelekta datu centrs?

Mākslīgā intelekta datu centrs ir specializēta iekārta, kurā atrodas datortehnika, kas nepieciešama mākslīgā intelekta sistēmu izstrādei, ieviešanai un ekspluatācijai. Tas var nodrošināt modeļu apmācību, secinājumu izdarīšanu, datu apstrādi, meklēšanas palīgus, attēlu ģenerēšanu, ieteikumu sistēmas vai uzņēmuma mākslīgā intelekta lietojumprogrammas.

Vārds „datu centrs” var radīt iespaidu, ka infrastruktūra ir abstrakta, taču tas ir fiziskas ēkas, kas savienotas ar elektrotīkliem, optiskajiem tīkliem, dzesēšanas sistēmām un ūdens vai siltuma novadīšanas infrastruktūru. Mākslīgais intelekts var šķist kā programmatūra, taču tas ir atkarīgs no reālām iekārtām reālās vietās.

Parastais mākoņdatu centrs spēj apstrādāt daudzveidīgas darba slodzes. Mākslīgā intelekta datu centrs parasti ir optimizēts ļoti intensīvām aprēķinu operācijām, jo īpaši GPU vai paātrinātāju klasteriem, kas veic milzīgu skaitu paralēlu matemātisko operāciju.

Redzamā kodola pamatā ir serveru plaukti. Mākslīgā intelekta iekārtās daudzi no šiem serveriem ir aprīkoti ar GPU, mākslīgā intelekta paātrinātājiem, atmiņu ar lielu joslas platumu un specializētām tīkla kartēm. Šīs iekārtas ir paredzētas, lai ātri pārvietotu datus un efektīvi veiktu matricas aprēķinus.

Aplēkšanas aparatūru papildina plašāka atbalsta sistēma: datu kopu un modeļu kontrolpunktu uzglabāšanas sistēmas, tīkla komutatori, optiskie savienojumi, enerģijas pārveides iekārtas, rezerves sistēmas, uzraudzības sistēmas, ugunsdzēsības sistēmas un fiziskā drošība.

Dzesēšana ir tikpat svarīga kā aprēķini. Blīvi izvietota AI aparatūra nepārtraukti rada siltumu, tāpēc iekārtās atkarībā no konstrukcijas un vietējiem apstākļiem izmanto gaisa dzesēšanu, šķidruma dzesēšanu, dzesēšanas iekārtas, sūkņus, dzesēšanas torņus vai siltummainīgus.

Galvenā atšķirība ir intensitāte un darba slodzes raksturs. Mākslīgā intelekta apmācība var ilgstoši nodarbināt tūkstošiem paātrinātāju, savukārt secināšanas sistēmām ir jāreaģē ātri uz lietotāju pieprasījumiem, API izsaukumiem, ieteikumiem vai ģenerētiem attēliem.

AI klasteriem ir nepieciešama arī ārkārtīgi ātra saziņa starp iekārtām. Apmācības laikā GPU nepārtraukti apmainās ar gradientiem un modeļu datiem. Secinājumu izdarīšanas laikā serveriem ir jāielādē modeļu svari, jāapstrādā konteksts un jāatgriež rezultāti ar mazu kavēšanos.

Šī blīvo mikroshēmu, lielā enerģijas patēriņa, ātrdarbīgo tīkla savienojumu un siltuma pārvaldības kombinācija padara mākslīgā intelekta infrastruktūru prasīgāku nekā daudzas tradicionālās tīmekļa vai uzņēmuma darba slodzes.

Apmācība ir posms, kurā modelis mācās no datiem. Tam var būt nepieciešami lieli datu kopumi, ilgstoša darbība, atkārtoti aprēķini un kopā strādājošu GPU kopas. Šis bieži vien ir visredzamākais mākslīgā intelekta aprēķinu veids, jo tas rada lielu un koncentrētu infrastruktūras pieprasījumu.

Secināšana ir posms, kurā tiek izmantots apmācīts modelis. Katra čatbota atbilde, attēla ģenerēšana, meklēšanas palīga atbilde vai klasifikācijas pieprasījums ietver secināšanas procesu. Viens pieprasījums var būt neliels, taču globālā izmantošana rada nepārtrauktu pieprasījumu.

Daudzi mākslīgā intelekta datu centri atbalsta abas fāzes, lai gan ne vienmēr vienā un tajā pašā veidā. Mācīšanas procesā galvenā nozīme ir lieliem sinhronizētiem klasteriem, savukārt secinājumu izdarīšanā liela nozīme ir aizturei, pieejamībai, maršrutēšanai, partiju apstrādei un izmaksām par vienu pieprasījumu.

Mākslīgā intelekta aparatūrai ir nepieciešama elektrība, un gandrīz visa šī elektrība galu galā pārvēršas siltumā. Tāpēc iekārtai ir nepieciešams pietiekams enerģijas piegādes apjoms, lai nodrošinātu iekārtu darbību, kā arī pietiekama dzesēšanas jauda, lai uzticami novadītu siltumu.

Tāpēc par mākslīgā intelekta datu centriem bieži runā megavatos vai gigavatos, nevis tikai kvadrātmetros. Ierobežojošais faktors var būt nevis tikai zemes platība, bet gan pieslēgums elektrotīklam, transformatori, rezerves enerģijas ģeneratori, dzesēšanas ūdens, siltuma novadīšana vai vietējās atļaujas.

Labāki mikroshēmi, šķidruma dzesēšana un efektīvāks datu centra dizains var samazināt enerģijas patēriņu uz vienu uzdevumu, taču kopējais pieprasījums joprojām var pieaugt, ja mākslīgā intelekta izmantošana paplašināsies straujāk nekā uzlabosies efektivitāte.

AI datu centri tiek izveidoti vietās, kur operatoriem ir iespēja apvienot enerģijas piegādi, zemes resursus, optiskās šķiedras savienojumus, dzesēšanas risinājumus, nodokļu un atļauju izsniegšanas nosacījumus, darbaspēka pieejamību un tuvumu lietotājiem vai mākoņpakalpojumu reģioniem.

Dažas vietas publiski tiek dēvētas par mākslīgā intelekta superdatoru vai mākslīgā intelekta infrastruktūras vietām. Citas ir vispārīgi hipermēroga mākoņpakalpojumu reģioni, kuros var izpildīt mākslīgā intelekta darba slodzes, taču tie publiski netiek saistīti ar kādu konkrētu modeli vai produktu.

Lai iegūtu vispārīgu pārskatu, skatiet papildu sarakstu: Kur atrodas mākslīgā intelekta datu centri?.

Mākslīgā intelekta datu centri ir svarīgi, jo tie saista ikdienas mākslīgā intelekta izmantošanu ar fizisko infrastruktūru. Komanda, kas tiek ievadīta klēpjdatorā vai viedtālrunī, var izraisīt aprēķinus GPU serveros, kuru darbībai nepieciešama elektrība, dzesēšana, ūdens, mikroshēmas, zeme un tīkli.

Tām ir nozīme arī vietējām kopienām. Lielas iekārtas var piesaistīt investīcijas un radīt darbavietas, taču tās var izraisīt jautājumus par elektrotīkla jaudu, ūdens patēriņu, zemes izmantošanu, troksni, emisijām, pārredzamību un to, kas sedz izmaksas par atbalsta infrastruktūru.

Tādēļ nopietnā diskusijā par mākslīgā intelekta ietekmi ir jāraugās tālāk par abstraktām modeļu spējām. Tajā ir jāiekļauj jautājumi par to, kur atrodas infrastruktūra, kā tā tiek barota ar enerģiju, cik efektīvi tā tiek dzesēta un cik atklāti tās operatori ziņo par resursu izmantošanu.