Nvidia, Google и Emerald AI объявили о создании альянса по управлению энергией AI-ЦОД
Редакция ЦОД:Главное
По сообщению отраслевой публикации, Nvidia, Google и Emerald AI создали AI Energy Management Alliance. Инициатива ориентирована на динамическое управление нагрузкой дата-центров в периоды перегрузки региональных энергосетей.
- AI Energy Management Alliance, по сообщению источника, создан Nvidia, Google и Emerald AI.
- Предлагаемая модель включает остановку некритичных задач, перенос нагрузок между регионами, накопители энергии и собственную генерацию.
- Ограничения по электроснабжению, площадкам и сетевому присоединению становятся критичными для расширения AI-ЦОД.
- Гибкость нагрузки может повысить полезное использование доступной сетевой мощности, но не устраняет рост общего энергопотребления.
- Приведённые источником показатели по оптимизации LLM и отдельным корпоративным кейсам не являются универсальными для рынка.
Nvidia, Google и Emerald AI, по сообщению источника, объявили о создании AI Energy Management Alliance. Альянс продвигает модель динамического управления нагрузками дата-центров при перегрузках региональных электросетей.
Среди рассматриваемых механизмов — приостановка некритичных вычислений, перенос рабочих нагрузок между регионами, а также применение накопителей энергии и собственной генерации. Такая модель предполагает, что часть вычислительной нагрузки может быть адаптирована к ограничениям энергосистемы, а не только обеспечиваться за счёт постоянного расширения сетевого подключения.
Источник характеризует электроэнергию, площадки и доступ к сетям как основные ограничения для расширения AI-инфраструктуры. На этом фоне фокус рынка может смещаться от простого наращивания числа GPU и дата-центров к оптимизации вычислительной архитектуры и более гибкому управлению энергопотреблением.
Для операторов ЦОД это может означать рост спроса не только на новую электрическую мощность, но и на инструменты диспетчеризации нагрузки, межрегионального переноса задач, накопители и локальную генерацию. Конкурентоспособность AI-ЦОД, вероятно, будет всё сильнее зависеть от способности получить ограниченное электроснабжение и эффективно его использовать.
Публикация также приводит примеры оптимизации вычислительной инфраструктуры. По её данным, оптимизация точности промптов и сокращение повторных запросов способны снизить энергопотребление и углеродные выбросы LLM-инференса на 32–48%. Adobe, как утверждается, сократила архитектуру данных для динамических данных создателей с 48 узлов NoSQL до 3 узлов графовой базы данных. Marriott, по данным публикации, сократила среднее время обработки в системе ценообразования с более чем 4 минут до 13 секунд и вдвое снизила инфраструктурные затраты. Эти примеры не следует считать универсальными показателями для всех ЦОД или AI-нагрузок.
В качестве регионального контекста источник указывает, что Европейский союз остаётся нетто-импортёром AI-вычислений, а его доля составляет менее 5% мирового объёма; заметного улучшения до 2030 года публикация не ожидает.
Событие отражает усиление роли электроснабжения, сетевого присоединения и управляемости нагрузки как ключевых ограничений развития AI-инфраструктуры. Если предлагаемые подходы будут внедряться, они могут помочь операторам эффективнее использовать доступную сетевую мощность, однако не отменят роста совокупного спроса на электроэнергию.
- TechNews 科技新報 / КитайскийПервоисточник →
Материал подготовлен редакцией ЦОД: Главное на основе указанных первоисточников.