- Почему рабочие нагрузки искусственного интеллекта меняют правила игры в периферийных вычислениях
- Проблема плотности: больше кВт на стойку, чем когда-либо
- Варианты охлаждения для периферийных узлов искусственного интеллекта
- Энергоснабжение: настоящее «узкое место»
- Что это означает для спроса на периферийные центры обработки данных
- Практические рекомендации для операторов
- Роль VERHI в развертывании систем искусственного интеллекта на периферии
- Часто задаваемые вопросы
Почему рабочие нагрузки искусственного интеллекта меняют правила игры в периферийных вычислениях
Рабочие нагрузки ИИ больше не ограничиваются только гипермасштабируемыми облачными средами. Все чаще они выполняются там, где генерируются данные — на заводах, в больницах, торговых центрах и даже на базовых станциях сотовой связи. Этот сдвиг меняет ландшафт периферийный центр обработки данных спрос, и дело здесь не только в том, чтобы просто добавить больше стоек. Речь идет о плотности размещения, задержке и физических аспектах тепловыделения.
Представьте себе полигон для испытаний автономных транспортных средств или «умную» больницу, в которой проводится диагностика в режиме реального времени. Невозможно ждать 50 миллисекунд, пока данные дойдут до центрального облачного хранилища и вернутся обратно. Вычисления должны производиться локально, а это означает, что на периферийных объектах растет нагрузка на системы искусственного интеллекта — и усугубляются проблемы с энергоснабжением и охлаждением.
Проблема плотности: больше кВт на стойку, чем когда-либо
Традиционные периферийные шкафы потребляли 5–10 кВт на стойку. Узлы инференции ИИ, даже в периферийных средах, зачастую требуют 20–40 кВт на стойку. Кластеры обучения в региональных пограничных узлах могут потреблять 100 кВт и более на каждый стойковый шкаф. Это не линейный скачок — это кардинальное изменение в подходе к проектированию помещения.
Более высокая плотность означает больше тепла. Стойка мощностью 30 кВт может выделять около 100 000 БТУ/ч. Если вы по-прежнему используете периферийные блоки CRAC, рассчитанные на стойки мощностью 8 кВт, у вас возникнут «горячие точки» и отказы оборудования. Краткий ответ заключается в том, что периферийные центры обработки данных нуждаются в охлаждении, масштабируемом в зависимости от плотности — будь то системы, ориентированные на ряды или на стойки.
Вот конкретный пример: розничная сеть, внедряющая ИИ для отслеживания запасов, может установить небольшой периферийный узел в каждом распределительном центре. Каждый узел может иметь четыре стойки мощностью 25 кВт. Это 100 кВт ИТ-нагрузки в помещении, которое раньше рассчитывалось на 30 кВт. Без пересмотра схемы воздушных потоков и холодопроизводительность, вы перегреете серверы.
Варианты охлаждения для периферийных узлов искусственного интеллекта
Воздушное охлаждение по-прежнему работает до определённого предела. Для стоек мощностью до 25 кВт достаточно хорошо спроектированной системы локализации горячего прохода и прецизионного кондиционирования. Но при мощности выше этого уровня приходится рассматривать варианты жидкостного охлаждения — с прямым контактом с чипом или с использованием теплообменников, установленных на задней панели. Жидкость более эффективно отводит тепло от процессора.
Вместе с тем жидкостное охлаждение усложняет систему. Требуются трубопроводы, коллекторы и системы обнаружения утечек. Для небольшого периферийного объекта, не имеющего специального технического персонала, это может стать настоящей головной болью. Некоторые операторы выбирают гибридный подход: воздушное охлаждение для большинства стоек и жидкостное — для нескольких стоек, на которых в основном размещено оборудование искусственного интеллекта.
| Метод охлаждения | Максимальная плотность размещения в стойке | Типичный показатель PUE | Идеально подходит для |
|---|---|---|---|
| Периметр CRAC | 10 кВт | 1.5–2.0 | Устаревшая, низкой плотности |
| Точный переменный ток с строковым управлением | 25 кВт | 1.3–1.5 | Вычисления ИИ средней интенсивности |
| В одном ряду с ограничителем | 35 кВт | 1.2–1.4 | Край высокой плотности |
| Жидкость, подаваемая непосредственно на чип | более 100 кВт | 1.1–1.2 | Центры подготовки специалистов в области искусственного интеллекта |
PUE — не единственный показатель, но это удобный ориентир. Снижение показателя с 1,5 до 1,2 при нагрузке 100 кВт позволяет сэкономить около 30 кВт на накладных расходах — а это реальные деньги в годовом исчислении. Стоит также учитывать местный климат: естественное охлаждение более эффективно работает в прохладных регионах.
Энергоснабжение: настоящее «узкое место»
Охлаждение — это только половина дела. Рабочие нагрузки ИИ потребляют много энергии, а на периферийных объектах мощность электросети зачастую ограничена. Типичный периферийный объект может иметь мощность 200 кВА. Если вы добавляете 100 кВт вычислительной мощности для ИИ, вы приближаетесь к пределу. Необходимо продумать мощность ИБП, размер генератора и систему распределения электроэнергии.
Важна и резервированность. Узел вычислений ИИ для больницы не должен выходить из строя. Это означает использование ИБП по схеме «N+1» и, возможно, двойных путей питания. Однако нельзя просто брать оборудование с запасом по мощности — в периферийных системах ограничены как средства, так и место. Нужны модульные системы, масштабируемые в зависимости от спроса.
Одной из тенденций является использование постоянного тока для стоек с оборудованием искусственного интеллекта. Некоторые производители графических процессоров продвигают системы распределения постоянного тока напряжением 48 В или даже 400 В с целью сокращения потерь. Эта тенденция пока находится на ранней стадии, но за ней стоит следить. На данный момент большинство периферийных объектов по-прежнему используют переменный ток, но дискуссия постепенно меняется.
Что это означает для спроса на периферийные центры обработки данных
Итак, каков итоговый результат? Спрос на периферийные центры обработки данных растёт, но уже не по прежним причинам. Дело не только в задержках при потоковой передаче видео. Речь идет о вычислениях искусственного интеллекта непосредственно у источника данных. Это означает не только большее количество объектов, но и увеличение мощности каждого из них.
Некоторые аналитики прогнозируют, что инфраструктура периферийного ИИ будет расти темпами более 30% в год до 2030 года. Это означает появление огромного количества новых объектов. Однако более перспективным направлением может оказаться модернизация существующих периферийных объектов. Многие из них не обладают достаточной мощностью и системой охлаждения для обработки ИИ-нагрузок. Их модернизация зачастую обходится дешевле, чем строительство новых объектов.
Есть ещё и аспект, связанный с цепочкой поставок. Нехватка памяти, начавшаяся в 2025 году, по-прежнему сказывается на доступности серверов. Серверам искусственного интеллекта требуется память с высокой пропускной способностью, а её не хватает. Поэтому даже если у вас есть необходимые мощности и системы охлаждения, вам, возможно, придётся ждать поставки оборудования несколько месяцев. Планируйте заранее.
Практические рекомендации для операторов
Если вы управляете периферийным сайтом и планируете использовать ИИ-рабочие нагрузки, обратите внимание на следующие моменты:
- Проведите анализ текущей плотности размещения оборудования в стойках и мощности системы охлаждения. Определите свои ограничения, прежде чем внедрять ИИ.
- Проверьте мощность сетевого питания и запас мощности ИБП. Сможете ли вы выдержать скачок нагрузки на 20 кВт на каждый стойку?
- Рассмотрите возможность использования модульной системы охлаждения. При необходимости можно добавлять блоки охлаждения по рядам, а не заменять всю систему целиком.
- Задумайтесь о жидкостном охлаждении заранее. Даже если оно вам сейчас не нужно, предусмотрите его в проекте. Модернизация — дело хлопотное.
- Обратитесь к своему поставщику электроэнергии. На удаленных объектах зачастую приходится сталкиваться с длительными сроками поставки новых трансформаторов.
Не забывайте об основах. Регулирование воздушных потоков — это недорогой и эффективный способ. Устраните утечки воздуха, установите заглушки — и вы сможете увеличить охлаждающую способность на 10–15%, не потратив ни цента.
Роль VERHI в развертывании систем искусственного интеллекта на периферии
VERHI предлагает решения в области прецизионного кондиционирования, источников бесперебойного питания (ИБП) и микромодульных центров обработки данных, оптимизированные для периферийных инфраструктур. Наши системы рассчитаны на высокую плотность размещения и переменные нагрузки — именно такие, с которыми приходится сталкиваться при работе с искусственным интеллектом. Мы сотрудничаем с операторами, чтобы адаптировать системы охлаждения и электропитания к фактической потребности, а не просто к номинальным показателям.
Тем не менее, каждый объект уникален. Технические характеристики, наличие на складе и детали установки могут изменяться. Перед оформлением заказа покупателям следует уточнить актуальные варианты у компании VERHI или из официального источника.
Часто задаваемые вопросы
Что будет стимулировать спрос на периферийные центры обработки данных в 2026 году?
Основным движущим фактором являются рабочие нагрузки в области искусственного интеллекта. Для инференции в режиме реального времени в сфере автономных транспортных средств, интеллектуального производства и здравоохранения требуется низкая задержка, поэтому вычислительные ресурсы перемещаются ближе к источнику данных. Это приводит к увеличению количества периферийных узлов и плотности мощности на каждом из них.
Какую мощность в кВт на одну стойку обычно требуют периферийные ИИ-рабочие нагрузки?
Это зависит от конкретного случая. Потребность в энергии при выполнении вычислений с использованием ИИ на периферии часто составляет 20–40 кВт на стойку, тогда как у кластеров для обучения она может превышать 100 кВт. Традиционные периферийные стойки потребляли 5–10 кВт. Этот скачок весьма значителен и влияет на проектирование систем охлаждения и электроснабжения.
Сможет ли воздушное охлаждение справиться с рабочими нагрузками ИИ на периферии?
Да, до примерно 25 кВт на стойку при наличии надлежащей системы локализации и прецизионного охлаждения. При более высоких нагрузках жидкостное охлаждение оказывается более эффективным. Многие операторы используют гибридный подход: воздушное охлаждение для большинства стоек, жидкостное — для стоек с высокой нагрузкой на ИИ.
Каков типичный показатель PUE для периферийного ЦОД с ИИ?
При эффективном охлаждении можно достичь показателя PUE на уровне 1,2–1,3. У устаревших конструкций этот показатель составляет 1,5 или выше. Более низкий показатель PUE означает более низкие эксплуатационные расходы, однако это зависит от климатических условий и технологии охлаждения.
Как подготовить мой периферийный узел к работе с ИИ-нагрузками?
Начните с аудита ваших мощностей по электроснабжению и охлаждению. Изучите варианты модульного охлаждения, оцените готовность к внедрению жидкостного охлаждения и обсудите сроки поставки с вашим энергоснабжающим предприятием. Кроме того, предусмотрите меры на случай проблем с доступностью серверов, связанных с продолжающимся дефицитом оперативной памяти.
Планируете внедрение ИИ на периферии? Компания VERHI поможет вам рассчитать потребности в электропитании и охлаждении с учетом особенностей ваших рабочих нагрузок. Свяжитесь с нашей командой уже сегодня.
Опираясь на инженерный опыт компании VERHI в области прецизионного охлаждения и модульных решений для центров обработки данных, предназначенных для периферийных систем и приложений искусственного интеллекта.
