Centra danych AI uczą się sztuczki zasilania, którą jako pierwsi opanowali górnicy Bitcoin

Każda odpowiedź, którą otrzymujesz od czatu AI, zaczyna się od energii elektrycznej. Słowa pojawiają się na twoim ekranie, ale rzeczywista praca odbywa się w odległym budynku wypełnionym chipami komputerowymi. Te chipy pobierają energię, przesyłają dane i wytwarzają wystarczająco dużo ciepła, aby wymagać intensywnego chłodzenia w centrach danych AI.

Kiedy pomnożysz ten proces przez miliony zapytań, żądań obrazów i zadań biznesowych, zaczynasz rozumieć, dlaczego szybka odpowiedź na pytanie, które wydaje się bezciężkie, staje się fizycznym zapotrzebowaniem na elektrownie i przewody.

Zakłady energetyczne są proszone o dostarczenie tego zapotrzebowania w ogromnych, skoncentrowanych blokach. Przeciętny duży kampus centrum danych może zużywać tyle energii, co małe miasto, a firmy mogą planować i budować jedno znacznie szybciej, niż zakład energetyczny może to pomieścić.

Zakład energetyczny musi również przygotować się na godziny, w których klienci zużywają najwięcej energii, nawet jeśli część tej pojemności pozostaje niewykorzystana w zwykłych okresach. Krótko mówiąc, centra danych chcą energii szybciej, niż sieć może ją dostarczyć.

Jednym z rozwiązań jest budowa nowych elektrowni. Ale to bardzo kosztowne, czasochłonne rozwiązanie, które może kosztować miliardy dolarów i zająć lata, aby stać się operacyjnym.

Jednak innym rozwiązaniem jest przeniesienie części pracy komputerowej na inny czas.

Odpowiedź czatu zazwyczaj musi pojawić się natychmiast, ale wewnętrzny eksperyment lub nocna kolejka przetwarzania wideo mogą poczekać. Oprogramowanie, które potrafi rozróżnić te różnice, mogłoby spowolnić pracę, która może poczekać, gdy energia jest ograniczona, a następnie pozwolić jej nadrobić, gdy więcej energii jest dostępne.

Mały eksperyment w Teksasie pokazuje, jak mogłoby to wyglądać.

Luxor Energy, firma z korzeniami w górnictwie Bitcoin, połączyła siły z Bentaus, który produkuje oprogramowanie kontrolujące, ile energii zużywają chipy komputerowe. Razem kontrolowali pojedynczy chip Nvidia B200, potężny chip stworzony do pracy z AI.

Chip wykonywał inferencję, co po prostu oznacza użycie wytrenowanego modelu AI do wygenerowania odpowiedzi, gdy oprogramowanie nakazało mu pobierać mniej energii.

Firmy twierdzą, że pobór energii przez chip spadł do około 25% normy w ciągu pół sekundy, a w czasie ograniczenia przetwarzał mniej zapytań.

Ethan Vera, dyrektor operacyjny Luxor, powiedział CryptoSlate, że żadne zadanie nie nie powiodło się i żadna praca już w toku nie została utracona. Chip powrócił do pełnej prędkości, gdy ograniczenie się zakończyło.

Luxor i Bentaus powiedzieli, że ich publiczna demonstracja nie spowodowała "żadnych zakłóceń", ale to stwierdzenie wymaga pewnego tłumaczenia. Z perspektywy operatora zadanie przetrwało i wznowiło pełną prędkość.

Jednak klienci mogli nadal czekać dłużej na odpowiedź, ponieważ chip wykonał mniej pracy podczas ograniczenia. Jakiekolwiek plany, aby uczynić AI elastycznym, będą zależały od tego, jak często występuje to opóźnienie, kto je doświadcza i co obiecano tym klientom.

Eksperyment był sukcesem, ale dotyczył tylko jednego chipa. Duże centra danych zawierają dziesiątki tysięcy chipów, a także serwery, systemy chłodzenia, urządzenia do przechowywania i sprzęt sieciowy.

Test ułatwia dostrzeganie szerszego pomysłu: centrum danych AI mogłoby sortować pracę według pilności i od czasu do czasu prosić sieć o mniej.

Teksas brakuje energii, aby zasilić komputery czekające

Najlepszym przykładem tego, co się dzieje, gdy nowe centra danych powstają szybciej niż nowa infrastruktura energetyczna, jest Teksas.

Electric Reliability Council of Texas (ERCOT) zarządza siecią, która obsługuje większość stanu. 22 lipca zużycie energii osiągnęło wstępny rekord 91 089 megawatów, liczba ta jest nieoficjalna, dopóki dane nie zostaną sfinalizowane.

ERCOT twierdzi, że jeden megawat może obsłużyć około 250 gospodarstw domowych w godzinach szczytu. Przy tym przybliżonym porównaniu rekord odpowiadał potrzebom ponad 22 milionów gospodarstw domowych jednocześnie.

Gubernator Greg Abbott powiedział w sierpniu, że ERCOT przegląda wnioski o podłączenie ponad 474 gigawatów nowego zużycia energii, z czego około 90% pochodzi z centrów danych. Jeden gigawat to 1 000 megawatów, więc na papierze kolejka wniosków dotyczy więcej niż pięciokrotności mocy używanej podczas rekordowej godziny ERCOT.

Abbott nakazał regulatorom audyt projektów przed ich realizacją.

Wstępny przegląd z 28 lipca wykazał, że około 205 gigawatów miało wystarczające badania wspierające, aby zakwalifikować się do pierwszej partii badań, co stanowi mniej niż połowę z 474-gigawatów. Audyt Abbota przerwał ten przegląd.

Regulatorzy dali ERCOT więcej czasu 20 sierpnia, a agencja ogłosiła, że wyśle decyzje o warunkowej kwalifikacji do 31 sierpnia. Deweloperzy mogą składać pokrywające się propozycje, rezerwować miejsca dla projektów, które nigdy nie uzyskają finansowania, lub prosić o kilka lokalizacji, aby dostarczyć energię dla jednego przyszłego kampusu.

Teksas przeprowadza audyt częściowo dlatego, że lista stała się zbyt oderwana od fizycznej możliwości, aby samodzielnie kierować planowaniem sieci.

Jednak nawet z tym zastrzeżeniem, 474 gigawaty pokazują pośpiech w zdobywaniu gruntów z dostępem do dużych ilości energii elektrycznej. Proponuje się znacznie więcej maszyn, niż przewidziano linii, które mogą je obsłużyć.

Aktualizacja opublikowana w tym roku przez Lawrence Berkeley National Laboratory szacuje, że centra danych mogą konsumować 11,8% energii elektrycznej w USA w 2030 roku. Jego niski szacunek wynosi 9,5%, a wysoki 15,3%. Międzynarodowa Agencja Energetyczna przewiduje, że centra danych będą odpowiadać za około połowę wzrostu zużycia energii elektrycznej w USA do końca tej dekady.

Jednak nawet przy takim popycie, linie przesyłowe w rozwiniętych gospodarkach mogą zająć od czterech do ośmiu lat na zakończenie budowy. Agencja informuje, że czas oczekiwania na kluczowy sprzęt, w tym transformatory i kable, podwoił się w ciągu ostatnich trzech lat.

Firmy zajmujące się AI mają tendencję do mówienia w chipach, ale systemy elektryczne muszą myśleć w miastach. Pojedynczy B200 może pobierać nawet 1 000 watów. Nvidia podaje maksymalne zużycie energii na poziomie około 14,3 kilowatów dla pełnego serwera DGX B200 z ośmioma GPU. Jeden megawat to 1 000 kilowatów, a nowe zasady Teksasu dla bardzo dużych użytkowników energii zaczynają się od 75 megawatów.

Według porównania klientów mieszkalnych ERCOT, ta ilość mogłaby obsłużyć około 18 750 klientów w godzinach szczytu. Mogłaby również zasilać 75 000 jednego kilowata GPU, przynajmniej przed dodaniem procesorów, chłodzenia, sieci, baterii i strat elektrycznych.

Zatem nauczenie się, jak kontrolować i ograniczać zużycie energii przez jeden z tych chipów, to pierwszy z wielu, wielu kroków w kierunku zrozumienia, jak zarządzać zużyciem energii w całym centrum danych.

Sama złożoność tego przedsięwzięcia, zarówno w zakresie wymagań sprzętowych, jak i programowych, jest powodem, dla którego planiści sieci traktują centra danych jako "stałe obciążenia", co oznacza, że energia elektryczna musi być dostępna zawsze, gdy o nią poproszą.

Operatorzy centrów danych chcą, aby drogie GPU działały nieprzerwanie, ponieważ każda minuta bezczynności opóźnia pracę, za którą klienci płacą. Tysiące chipów pracujących nad jednym dużym zadaniem AI są ze sobą ściśle powiązane.

W pewnych momentach jedna grupa może musieć czekać na zakończenie pracy innej, zanim będzie mogła kontynuować. Jeśli spowolnisz wybraną grupę, opóźnienie może rozprzestrzenić się na pobliskie maszyny.

Jednak nie wszystkie prace obliczeniowe w centrum danych muszą odbywać się natychmiast ani działać z pełną prędkością. Niektóre zadania są wrażliwe na czas, podczas gdy inne mogą być opóźnione lub wykonywane wolniej z niewielkimi konsekwencjami. Niektóre można nawet przenieść do innego centrum danych, gdzie energia jest bardziej dostępna.

Każdy wybór wiąże się z kompromisami, ale każdy z nich może zmniejszyć moc, jakiej centrum danych potrzebuje z lokalnej sieci w danym momencie.

Górnicy Bitcoin nauczyli komputery, jak uzyskiwać zyski

Precedens pochodzi z wydobycia Bitcoin na sieci w Teksasie. Górnicy Bitcoin konkurują, aby zdobyć nagrody, uruchamiając maszyny, które nieprzerwanie wykonują obliczenia. Kiedy maszyna się wyłącza, górnik traci szansę na zarobienie pieniędzy w tym okresie.

Ale gdy moc wraca, maszyna może wznowić pracę niemal natychmiast. Żaden klient nie czeka na odpowiedź, a żadne niedokończone zadanie obliczeniowe nie musi być zachowywane.

Teksas odkrył, że podstawowa idea nazywa się odpowiedzią na popyt: gdy energia elektryczna staje się rzadka i droga, duzi użytkownicy mają powód, aby jej używać mniej.

Górnicy Bitcoinów byli niezwykle dobrze dopasowani do tej umowy. Mogli się wyłączyć, gdy ceny hurtowe wzrastały, otrzymywać zapłatę za ograniczenie mocy w sytuacjach awaryjnych i zmniejszać opłaty za przesył, nie pracując przez kilka krytycznych letnich godzin.

Przegląd ERCOT w kwietniu opisał górników kryptowalut jako głównych uczestników wrażliwych na ceny w jednym z programów awaryjnych. Dla górnika obliczenia są proste: gdy megawat staje się bardziej wartościowy niż Bitcoin, który maszyny mogą z niego zarobić, wyłącz maszyny. Obciążenie wydobycia Bitcoinów pozostaje bliskie pełnej pojemności, gdy energia elektryczna jest tania, a następnie spada, gdy ceny przekraczają próg ograniczenia. Wyższa cena hash podnosi ten próg. Źródło: Subir Majumder, na podstawie danych ERCOT

Luxor dostarcza górnikom Bitcoinów oprogramowanie, usługi energetyczne i produkty finansowe, więc podszedł do AI z instynktem do obliczeń, które można przerwać. Eksperyment pyta, czy maszyny obsługujące klientów mogą odziedziczyć część posłuszeństwa górnictwa wobec cen energii.

To pytanie staje się coraz bardziej pilne, gdy górnicy przekształcają miejsca bogate w energię w kampusy AI. Jeśli sieć wymienia kopalnię Bitcoinów, która może się wyłączyć na żądanie, na centrum danych, które działa przez całą dobę, może rezygnować z cennego hamulca awaryjnego.

Jak elastyczne może być centrum danych, w dużej mierze zależy od tego, co robią jego maszyny.

Szkolenie to długi, wymagający obliczeń proces uczenia modelu, wielokrotne dostosowywanie go w miarę przetwarzania ogromnych ilości danych. Wnioskowanie to to, co dzieje się później, gdy ktoś pyta gotowy model o odpowiedź, obraz, tłumaczenie lub prognozę. Oba tworzą różne możliwości ograniczenia mocy.

Długi proces szkoleniowy czasami może zatrzymać się w zapisanym punkcie kontrolnym i wznowić później, chociaż zatrzymanie tysięcy maszyn w synchronizacji nie jest trywialne. Wnioskowanie może składać się z milionów mniejszych zapytań, niektóre od ludzi oczekujących natychmiastowej odpowiedzi, a inne od zautomatyzowanych zadań, które mogą czekać w kolejce, aż energia stanie się łatwiejsza lub tańsza do uzyskania.

Google od lat sortuje swoje obliczenia w ten sposób. W 2023 roku firma opisała, jak mogła opóźnić pracę, taką jak przetwarzanie filmów na YouTube, gdy lokalna sieć była obciążona, lub wysłać tę pracę do innego regionu z większą dostępnością energii. Wyszukiwanie, Mapy i inne usługi, które ludzie oczekują, że będą działać natychmiast, pozostawały online.

Google później wprowadził tę samą ideę do obciążeń związanych z uczeniem maszynowym. Do marca 2026 roku powiedział, że umieścił jeden gigawat odpowiedzi na popyt w centrach danych w długoterminowych umowach z użytecznościami w kilku regionach USA.

Niektóre z tych umów mogą również pomóc nowym centrom danych szybciej połączyć się z siecią.

Naukowcy pokazują teraz, że to może działać poza symulacjami. W recenzowanym artykule w Nature Energy zespół opisał eksperyment w obiekcie chmurowym Oracle w Phoenix. Oprogramowanie zmniejszyło zużycie energii przez klaster 256-GPU o 25% przez trzy godziny, nie przesuwając priorytetowych zadań poza obiecane poziomy wydajności.

Kluczem było zdecydowanie, gdzie absorbować spowolnienie. Oprogramowanie, które określa, które zadania są wykonywane i kiedy, nazywane harmonogramem, chroniło pilne prace i czerpało oszczędności energii z zadań o bardziej elastycznych terminach. Obciążenie górnictwa Bitcoin spada, gdy wzrasta szansa na interwał 4CP. Odpowiedź osłabia się, gdy przychody z górnictwa są wyższe. Źródło: Subir Majumder, na podstawie danych ERCOT.

Emerald AI, firma, która prowadziła te prace, ogłosiła 25 sierpnia rundę finansowania w wysokości 150 milionów dolarów, która wyceniła ją na ponad 1 miliard dolarów. Powiedziała również, że jej oprogramowanie działa komercyjnie w całych centrach danych, pobierając wiele megawatów.

Niezależne dane dotyczące wydajności dla każdego miejsca nie są dostępne, ale mimo to finansowanie pokazuje, że elastyczna AI przeszła z badań naukowych do działalności komercyjnej.

Inni badacze próbowali oszacować, ile energii elektrycznej obiekt AI mógłby niezawodnie obiecać oddać w trudnej godzinie.

Praca robocza Uniwersytetu Chicagowskiego wykorzystała cztery lata cen energii elektrycznej i 49,4 miliona rzeczywistych zapytań o wnioskowanie, aby modelować odpowiedź. Autor oszacował, że obiekt skoncentrowany na wnioskowaniu mógłby zobowiązać się do zmniejszenia 40% swojego zapotrzebowania. Obiekt prowadzący mieszankę wnioskowania i szkolenia mógłby zobowiązać się do 24,6%.

Te procenty spadły tylko nieznacznie, gdy model rozszerzono na flotę 10-gigawatową. Główne ograniczenia wynikały z umów z klientami, ograniczeń w przenoszeniu pracy i pośpiechu maszyn wracających do pełnej mocy.

Badacze z Uniwersytetu Alberty modelowali, co się dzieje z siecią, gdy zadania AI mogą być opóźnione lub przenoszone między centrami danych. W najbardziej stresującym scenariuszu modelu ta elastyczność zmniejszyła potrzebną moc elektrowni o ponad 21%. W innym scenariuszu, gdzie lokalna sieć była zatłoczona, zmniejszyła całkowity koszt dostarczania energii elektrycznej o 3,5%, mimo że wydatki na nową produkcję wzrosły o 7,1%.

Większość korzyści z opóźniania zadań pojawiła się w ciągu pierwszych trzech godzin, więc czekanie dłużej nie przyniosło większych korzyści. Chociaż żadne z tego nie wyeliminowało potrzeby budowy nowych elektrowni i linii przesyłowych, pokazało, że sieć może zaspokoić większe zapotrzebowanie AI przy mniejszej infrastrukturze i niższych całkowitych kosztach.

Cztery ukryte momenty mogą wycenić cały rok

Pieniądze za eksperyment Luxora pochodzą z niezwykłej cechy rynku energii elektrycznej w Teksasie. Duzi klienci pomagają opłacać sieć przesyłową wysokiego napięcia, a część tej opłaty może zależeć od tego, ile energii zużywają w ciągu zaledwie czterech 15-minutowych okienek przez cały rok.

Te okna to momenty najwyższego zapotrzebowania w systemie w czerwcu, lipcu, sierpniu i wrześniu, znane jako Cztery Zbieżne Szczyty, lub 4CP.

Haczyk polega na tym, że nikt nie wie dokładnie, kiedy następuje 4CP, aż miesiąc się skończy. Dlatego duzi użytkownicy energii zatrudniają prognozujących, aby obserwowali sieć, pogodę i zapotrzebowanie na energię elektryczną oraz przewidywali, kiedy prawdopodobnie wystąpi szczyt.

Jeśli prawdopodobieństwo wydaje się wystarczająco wysokie, ograniczają swoje zużycie energii w tym 15-minutowym oknie. Jeśli zgadną wystarczająco często, oszczędności na opłatach przesyłowych mogą być znaczne. To przekształciło 4CP w powtarzającą się grę w przewidywanie i cięcia energii dla fabryk, kopalni Bitcoin, baterii, a teraz potencjalnie dla centrów danych AI.

Ten potencjalny zysk sprawia, że wiele fałszywych alarmów jest warte tolerowania. Najnowsze dane PUCT z 2026 roku szacują koszty przesyłowe ERCOT na około 6 miliardów dolarów, rozłożone na średnie zapotrzebowanie 4CP wynoszące 80 859,8 megawatów.

To daje około 74,89 dolarów za kilowat rocznie. Przy tej stawce 100 megawatów zapotrzebowania w ciągu czterech szczytowych okienek reprezentuje około 7,49 miliona dolarów rocznych kosztów przesyłowych.

Podczas gdy rzeczywista ustawa będzie się różnić w zależności od terytorium użyteczności i umowy, finansowa zachęta jest dość jasna. Duże centrum danych może mieć miliony dolarów związane z zaledwie jedną godziną zużycia energii rozłożoną na całe lato. Odcięcie zasilania na kilka dodatkowych godzin, aby uchwycić tę godzinę, może być bardzo korzystną wymianą. Obciążenie górników Bitcoin spada, gdy zwiększa się szansa na interwał 4CP. Reakcja osłabia się, gdy przychody z wydobycia są wyższe. Źródło: Subir Majumder, na podstawie danych ERCOT

Luxor postanowił ograniczyć sam proces GPU, wykorzystując dane z sieci w czasie rzeczywistym, aby zdecydować, kiedy działać. Vera powiedziała, że firma obserwowała oznaki, że może się formować okno 4CP, a następnie wysłała własne polecenie do chipu. ERCOT nigdy nie powiedział GPU, aby zwolnił, a żaden program awaryjny sieci nie był zaangażowany.

Była to zasadniczo prywatna zakładka na temat tego, kiedy popyt na energię osiągnie szczyt, mająca na celu obniżenie rachunku za przesył energii. ERCOT klasyfikuje ten rodzaj samodzielnego ograniczenia 4CP oddzielnie od programów reakcji na popyt, które prowadzi.

To również stawia w perspektywie czas reakcji wynoszący pół sekundy. Okno 4CP trwa 15 minut, więc to, czy GPU osiągnie niższy poziom mocy w pół sekundy, czy w kilka sekund, ma prawie żadną różnicę dla oszczędności przesyłowych.

Program awaryjny ERCOT zazwyczaj daje uczestniczącym klientom 10 lub 30 minut na dostarczenie obiecanego zmniejszenia mocy. Niektóre inne usługi sieciowe działają szybciej, wymagając od klientów natychmiastowego rozpoczęcia ograniczania mocy i osiągnięcia pełnego zmniejszenia w ciągu 10 minut.

Jeśli sprzęt AI ostatecznie weźmie udział w tych rynkach, kontrola sub-sekundowa może stać się bardziej użyteczna. Dla Luxor, każda dodatkowa sekunda, którą GPU spędza na ograniczeniu, to sekunda, którą mogłoby spędzić na zarabianiu pieniędzy przez obliczenia.

Bentaus już przetestował ten sam podstawowy pomysł na większą skalę. W lutym CPower, Bentaus i Supermicro opisali demonstrację w Kalifornii, wykorzystując klaster serwerów wyposażonych w GPU B200.

Firmy powiedziały, że klaster zareagował na sygnał związany z hurtowym rynkiem energii stanu w mniej niż 20 milisekund i zmniejszył swoje zużycie energii o nawet 75%, jednocześnie spełniając obiecane poziomy wydajności.

Eksperyment w Teksasie jest mniejszy i znacznie węższy: jeden GPU reagujący na konkretną zachętę do rozliczenia przesyłowego. Ale dodaje kolejny test w rzeczywistych warunkach do pomysłu, który już przeszedł od pojedynczych chipów do klastrów serwerowych i programów użyteczności.

Ważne luki pozostają w tym, co wiemy o teście w Teksasie. Firmy nie ujawniły, jaki model AI działał ani jak długo GPU pozostawał na obniżonej mocy. Nie powiedziały, ile energii zużywał wcześniej, jak bardzo spadła jego wydajność obliczeniowa ani jak długo trwały prośby o zakończenie.

Przedstawiciel Luxor na rynku energii w Teksasie potwierdził zmniejszenie mocy, ale nie opublikowano żadnej niezależnej analizy testu.

Test pokazał, że jeden B200 działający na obciążeniu inferencyjnym mógł przyjąć znaczne ograniczenie mocy bez utraty już trwającej pracy. Nie jest pewne, co to zrobiło z czasami oczekiwania użytkowników, czy inne obciążenia inferencyjne lub treningowe zareagowałyby w ten sam sposób, ani ile energii technika mogłaby zaoszczędzić w całym centrum danych.

GPU to tylko jedna część rachunku za energię budynku. Systemy chłodzenia, sprzęt sieciowy, pamięć masowa, pompy i konwersja energii również zużywają energię. Więc ograniczenie mocy chipu o 75% nie oznacza, że centrum danych pobiera o 75% mniej energii z sieci.

Zmniejszenie mierzone na liczniku budynku może być znacznie mniejsze.

Luxor już przygotowuje się do swojego następnego testu, tym razem z grupą GPU Nvidia H100 w Teksasie. Vera powiedziała, że zwiększenie skali oznacza budowanie oprogramowania, które potrafi określić, które zadania mogą bezpiecznie zwolnić, a następnie koordynować maszyny pracujące nad nimi. Musi również respektować wszelkie obietnice dotyczące wydajności, które zostały złożone klientom.

Każdy skok w skali, od jednego GPU do serwera, szafy, a ostatecznie całego centrum danych, dodaje kolejną warstwę złożoności. Więcej sprzętu pobiera energię, więcej maszyn musi poruszać się razem, a więcej obciążeń klientów może tolerować lub nie spowolnienie.

Teksas zaczyna wymagać pewnej elastyczności. Ustawa Senacka 6, uchwalona w 2025 roku, wymaga od niektórych dużych użytkowników energii, którzy będą się łączyć od 2026 roku, aby zmniejszyli zużycie podczas poważnych kryzysów w sieci. Wzywa również do programu, który płaciłby obiektom wykorzystującym co najmniej 75 megawatów za zmniejszenie popytu, gdy przewiduje się problemy.

Jednocześnie stan przemyśla również 4CP. Jego cztery letnie szczyty mogą nie obejmować godzin wieczornych i zimowych, gdy sieć jest pod większym stresem. Regulatorzy zaproponowali zastąpienie go 12CP, które oparte byłoby na jednym 30-minutowym szczycie każdego miesiąca.

ERCOT doszedł do podobnego wniosku w przeglądzie z kwietnia: Teksas ma wiele odpowiedzi na popyt, ale nie zawsze pojawiają się one, gdy sieć ich najbardziej potrzebuje. 4CP napędza większość tych cięć energii, ale jego letnie szczyty mogą nie obejmować godzin, gdy popyt jest wysoki, a produkcja energii wiatrowej i słonecznej jest niska.

ERCOT stwierdził, że ta niezgodność jest problemem. Nowe elektrownie i linie przesyłowe zajmują lata, ale elastyczny popyt można dodać w ciągu miesięcy. Teraz wyzwaniem jest upewnienie się, że ta elastyczność pojawia się w odpowiednim czasie.

Najtrudniejszą częścią jest udowodnienie, że centrum danych może niezawodnie zmniejszyć zużycie energii. Jeśli sieć liczy na zniknięcie 50 megawatów, musi wiedzieć, ile energii obiekt by zużył w przeciwnym razie, a następnie zweryfikować redukcję za pomocą danych z liczników.

Muszą również wiedzieć, jak długo cięcie może trwać i co się stanie, gdy GPU zaczną działać ponownie. Przywrócenie ich tysięcy jednocześnie może spowodować nowy szczyt mocy w centrum danych.

To sprawia, że umowy z klientami są istotną, ale niedocenianą częścią równania. Centrum danych mogłoby utrzymać interaktywne i wrażliwe na bezpieczeństwo prace w normalnym trybie, jednocześnie umieszczając zadania takie jak eksperymenty wewnętrzne, indeksowanie czy przetwarzanie nocne w elastycznej warstwie.

Klienci mogą płacić mniej za tę elastyczność, podczas gdy sieć płaci centrum danych za dostarczenie przewidywalnego, mierzalnego cięcia energii, gdy jest to potrzebne.

To sprawiłoby, że jeden fakt dotyczący AI byłby niemożliwy do zignorowania: nie każde obliczenie jest równie pilne. Branża już sortuje prace według ceny, szybkości i kosztów obliczeniowych, więc energia elektryczna mogłaby stać się kolejną zmienną w tym obliczeniu.

Gdy sieć staje się napięta, jeden obraz może zająć więcej czasu na renderowanie lub trening może przesunąć się na jutro, podczas gdy inne usługi będą kontynuowane. Zamiast traktować każdy cykl GPU jako równie ważny, centra danych mogłyby zacząć rozróżniać, co musi się wydarzyć teraz, a co może poczekać.

Półsekundowe cięcie energii Luxora było łatwą częścią. Zrobienie tego w przypadku tysięcy GPU, bez łamania obietnic złożonych klientom i dostarczania megawatów, na które sieć może naprawdę liczyć, będzie znacznie trudniejsze.

Ale to również sprawia, że pomysł staje się interesujący, ponieważ AI ma problem z energią, a sieć ma problem z elastycznością, a centra danych znajdują się dokładnie w środku. Są wypełnione maszynami wykonującymi prace, które czasami mogą przesuwać się o sekundy, minuty lub godziny, nie zauważając tego.

Jeśli operatorzy mogą przekształcić tę elastyczność w niezawodne oszczędności energii, ogromny apetyt AI na energię elektryczną może stać się czymś, z czym sieć może naprawdę współpracować. To mogłoby sprawić, że następna faza rozwoju AI będzie równie ważna w kwestii wykorzystywania energii w odpowiednim czasie, jak i znalezienia jej wystarczającej ilości w pierwszej kolejności.

Niniejsza treść ma charakter wyłącznie informacyjny i nie stanowi porady finansowej, inwestycyjnej, prawnej ani podatkowej. Wszelkie wydarzenia, nagrody, promocje online lub powiązane informacje, o których tu mowa, nie powinny być traktowane jako rekomendacja, zachęta ani zaproszenie do kupna, sprzedaży, wymiany lub innego rodzaju obrotu aktywami kryptograficznymi. Aktywa kryptograficzne charakteryzują się dużą zmiennością i mogą prowadzić do strat. Dostępność usług, produktów i powiązanych wydarzeń WEEX może się różnić w zależności od regionu. Użytkownik jest odpowiedzialny za upewnienie się, że jego udział jest zgodny z obowiązującymi lokalnymi przepisami i regulacjami.