如果您的公司正在寻求改善数据中心的可持续性,一个选择是投资先进的冷却和水资源管理技术。
还有另一个选择——这可能更简单、更快速、成本更低:迁移到托管设施,即多个企业共享的数据中心。总体而言,托管数据中心往往提供私有数据中心难以实现的可持续发展机会。
托管数据中心为何更具可持续性
与私有数据中心(即仅由一家公司拥有和使用的数据中心)相比,托管设施具有几个可持续发展优势:
规模效应:由于多个企业在托管数据中心内共享空间,这些设施规模往往更大。这带来规模效益,能够提升可持续性。例如,在一个数据中心内为十万台服务器提供冷却,通常比为分散在100个不同小型数据中心的相同数量服务器提供冷却更加节能。
更可持续的技术:托管为企业提供了受益于可持续解决方案的途径——如浸没式冷却或可再生能源——这些方案对于在自有数据中心安装可能过于昂贵或复杂。
高效利用:使用托管数据中心托管服务器的企业通常可以快速扩展或缩减租用空间。从可持续性角度看,这是有益的,因为它减少了未充分利用的数据中心空间,这意味着投资于建设和运营数据中心的碳足迹可以得到更有效的利用。
位置灵活性:托管使得在可再生能源丰富的地区部署IT设备变得容易。相比之下,为了利用更可持续的能源供应而在特定区域建设私有数据中心往往不太可行,因为建设新设施需要大量成本和时间。
托管设施的潜在可持续性缺陷
总体而言,托管数据中心在可持续性方面并不总是占优势。并非所有托管设施都提供更高效的冷却和水资源管理解决方案。一些设施在这些领域的效率与典型私有数据中心一样低。也不能保证所有托管设施都能提供可再生能源接入,当然不是持续性的。
因此,能够承担在自有数据中心投资可持续友好解决方案的企业,可能会发现这比使用托管来改善可持续性是更好的方法。考虑总成本也很重要。托管提供商以盈利为目标定价,从长远来看,企业投资自有可持续数据中心可能比付费给托管公司更具成本效益。
公有云替代方案
值得注意的是,公有云数据中心通常也比私有数据中心更可持续。这主要归因于这些设施的巨大规模经济(它们被称为"超大规模数据中心"是有原因的),以及通过IaaS模式向数万个不同客户租用IT基础设施所实现的高利用率。
然而,对于专注于可持续性的公司来说,有理由选择托管设施而非公有云。除了托管提供更多控制权这一显而易见的事实(因为它允许企业部署和管理自己的服务器,而不是从公有云租用服务器)外,在托管设施内追踪效率指标也更容易。
此外,托管数据中心通常提供关于能源来源的更明确保证。在公有云中,您通常不知道特定工作负载托管在哪个数据中心,更不用说为工作负载主机服务器供电的电力来源了。托管提供商有时确实提供这种电力来源的透明度。
托管作为可持续性解决方案
在将工作负载迁移到托管设施时,可持续性不应是公司的唯一考量。成本、安全性和托管硬件管理等因素也应考虑。
尽管如此,可持续性是托管被低估的优势。当然存在例外情况,但总体而言,托管设施比私有专用数据中心更可能提供更好的可持续性结果。
Q&A
Q1:托管数据中心相比私有数据中心有哪些可持续性优势?
A:托管数据中心主要有四个优势:规模效应带来更高能效、可使用更先进的可持续技术如浸没式冷却、空间利用更高效减少浪费、位置选择更灵活可就近使用可再生能源。
Q2:托管数据中心在可持续性方面有什么缺点?
A:不是所有托管设施都提供高效的冷却和水资源管理,有些效率与私有数据中心相当。也不能保证所有设施都能持续提供可再生能源接入,长期成本可能高于自建可持续数据中心。
Q3:为什么托管数据中心比公有云更适合注重可持续性的企业?
A:虽然公有云也很可持续,但托管提供更多控制权,让企业能管理自己的服务器;更容易追踪效率指标;对电力来源有更明确的透明度保证,而公有云通常无法确定工作负载具体位置和电力来源。
好文章,需要你的鼓励
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
AI代码编辑器开发商Cursor完成23亿美元D轮融资,估值达293亿美元。Accel和Coatue领投,Google、Nvidia等参与。公司年化收入已突破10亿美元。Cursor基于微软开源VS Code打造,集成大语言模型帮助开发者编写代码和修复漏洞。其自研Composer模型采用专家混合算法,运行速度比同等质量模型快四倍。公司拥有数百万开发者用户,将用新资金推进AI研究。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。