Ce sa întâmplat
Meta a publicat un explicator pe 27 august în care descrie modul în care răcește serverele AI de înaltă densitate. Compania spune că cele mai noi centre de date optimizate cu inteligență artificială folosesc în principal răcirea lichidă în buclă închisă, în timp ce învățarea prin consolidare este utilizată în simulări și pilot pentru a optimiza operațiunile de răcire.
Meta spune că puterea și căldura în creștere ale hardware-ului AI fac răcirea convențională cu aer mai puțin eficientă pentru implementările dense de servere. Compania contrastează infrastructura AI mai nouă cu un exemplu anterior de centru de date din Altoona, Iowa, unde rafturile care conțineau 16 GPU-uri Nvidia H100 au fost răcite în întregime cu aer și au folosit puțină apă. Potrivit Meta, modelele hardware mai noi au crescut nevoia unei abordări diferite. Afirmația centrală a articolului este că răcirea este o parte importantă a infrastructurii AI, nu doar un detaliu privind serviciile de clădire.
Sistemul descris de Meta circulă un amestec de apă și glicol direct prin hardware-ul serverului pentru a transporta căldura departe de rafturi. Schimbătoarele de căldură transferă apoi căldura din lichidul de răcire înainte ca același amestec să revină la servere într-o buclă continuă. Meta spune că lichidul nu este expulzat din instalație și se așteaptă ca lichidul de răcire să rămână în funcțiune până la un deceniu fără înlocuire. Acolo unde o clădire nu are infrastructură integrată de răcire cu lichid, compania spune că folosește răcirea lichidă asistată de aer: rafturi distribuite care conțin pompe și schimbătoare de căldură care asigură același proces de bază în buclă închisă la o scară mai mică.
Meta susține, de asemenea, că răcirea cu lichid poate îmbunătăți densitatea fizică. Explicatorul său spune că răcirea cu aer a acelorași servere ar necesita aproape de două ori spațiul în tava server din cauza echipamentului suplimentar de răcire. Răcirea lichidă direct-to-chip, prin contrast, poate permite mai multor GPU-uri să se potrivească în același rack, reducând numărul de rack-uri necesare pentru o unitate cu o anumită capacitate de calcul. Meta mai spune că un centru de date obișnuit optimizat cu inteligență artificială, care utilizează răcire cu circuit închis și răcitoare uscate, consumă mai puțină apă anual decât câteva restaurante cu servicii complete, dar nu oferă volumele anuale de bază sau o bază precisă pentru acea comparație.
Articolul adaugă o componentă software. Meta spune că inginerii au construit un simulator de centru de date bazat pe fizică care modelează vremea, încărcarea serverului și comportamentul echipamentului de răcire. Învățarea prin consolidare poate testa deciziile de răcire în acel mediu simulat în loc să experimenteze mai întâi pe o instalație live. Meta spune că abordarea a fost extinsă de la un experiment la centrele de date răcite cu aer din flota sa și că un pilot la un loc a redus energia utilizată de ventilatorii de alimentare cu răcire cu aer cu o medie de 20%, reducând în același timp utilizarea apei cu 4% în diferite condiții meteorologice. Sursa nu identifică situl pilot, durata acestuia, consumul său de referință sau numărul de facilități implicate în lansarea mai largă.
De ce contează
Răcirea devine o constrângere practică, deoarece hardware-ul AI generează mai multă căldură și necesită implementări mai dense. Raportul lui Meta sugerează că răcirea cu lichid și optimizarea bazată pe software ar putea afecta cerințele de energie, apă, spațiu și infrastructură ale marilor unități de calcul AI, deși rezultatele raportate provin de la Meta și un pilot.
Infrastructura AI este adesea discutată în termeni de cipuri și electricitate, dar sursa evidențiază un blocaj fizic mai puțin vizibil: eliminarea căldurii din echipamentele de calcul strâns. Dacă răcirea cu lichid permite mai multe GPU-uri în același rack, operatorii pot fi capabili să mărească capacitatea de calcul fără a extinde amprenta clădirii în același ritm. Acest lucru ar putea influența proiectarea și costul instalațiilor utilizate pentru antrenarea și rularea sistemelor AI.
Utilizarea apei este o preocupare publică în jurul centrelor de date, dar sursa o prezintă corect ca fiind dependentă de designul de răcire, mai degrabă decât de o caracteristică automată a calculului AI. Descrierea în buclă închisă a lui Meta indică faptul că apa poate funcționa în principal ca lichid de răcire cu recirculare în loc să fie consumată sau descărcată continuu. Această distincție este practic importantă pentru comunitățile care evaluează facilitățile propuse, deși comparația restaurantului din articol nu este suficientă pentru a stabili impactul total asupra apei al flotei de centre de date a Meta.
Pilotul de învățare-întărire raportat este relevant, deoarece conectează metodele AI la funcționarea infrastructurii AI. Modelul nu este descris ca controlând un sistem cu scop general sau luând decizii nesupravegheate cu privire la serviciile publice; este folosit pentru a testa strategiile de răcire într-un simulator care reprezintă condițiile fizice. Meta spune că politica rezultată a redus energia ventilatorului cu 20% în medie și consumul de apă cu 4% în cadrul pilotului. Dacă este replicată, o astfel de optimizare ar putea reduce costurile de operare și cererea de resurse fără a necesita o modificare a volumului de lucru AI subiacent.
Sursa descrie, de asemenea, o cale de partajare a industriei. Meta spune că Proiectul său Open , fondat în 2011, are scopul de a face infrastructura centrelor de date mai eficientă, scalabilă și durabilă și observă că compania a anunțat platforma de rack de rețea răcită cu lichid IcePack în 2025 pentru partajare gratuită prin intermediul acestui proiect. Acest anunț anterior este mai degrabă un fundal decât o știre nouă în acest articol. Noua contribuție, în timp util, este explicația detaliată a arhitecturii de răcire a lui Meta și relatarea acesteia cu privire la rezultatele învățării prin consolidare, nu o lansare de produs nou sau un standard la nivel de industrie verificat independent.
Mecanism interactiv: cum funcționează de fapt
Explorați tehnologia care stau la baza acestei dezvoltări în mod interactiv.
Which component of an AI application is the machine-learning model itself?
Ce să urmărești în continuare
Întrebările cheie sunt dacă economiile raportate de Meta sunt valabile pentru mai multe locații, climate și sarcini de lucru și câtă apă și energie folosesc sistemele în termeni absoluti. Urmăriți validarea independentă, detalii despre scara de implementare și dovezi că proiectele deschise și metodele de învățare prin consolidare sunt utile dincolo de propriile facilități ale Meta.
Cea mai importantă limitare este verificarea. Toate cifrele de performanță din sursă sunt afirmațiile proprii ale lui Meta, iar articolul nu citează un audit independent, un studiu revizuit de colegi sau măsurători din afara companiei. Prin urmare, reducerea cu 20% a energiei ventilatorului și reducerea cu 4% a apei ar trebui tratate ca rezultate pilot raportate, nu rezultate stabilite pentru centrele de date AI în general. Raportările viitoare ar trebui să caute site-ul pilotului, durata, intervalul de vreme, profilul sarcinii de lucru, măsurătorile de referință și variația statistică.
Utilizarea absolută a resurselor rămâne necunoscută. Meta oferă reduceri relative și o comparație cu două restaurante cu servicii complete, dar nu precizează consumul anual de apă al centrului de date, consumul de energie electrică, sarcina de răcire sau numărul total de GPU. De asemenea, comparația nu explică dacă include apa folosită în altă parte a instalației sau în generarea de energie electrică. Fără aceste cifre, cititorii nu pot calcula amploarea economiilor sau nu pot compara sistemul cu alte modele de răcire.
Domeniul de implementare este o altă întrebare deschisă. Meta spune că majoritatea dintre cele mai noi centre de date optimizate pentru inteligență artificială folosesc răcirea lichidă în buclă închisă și că abordarea de întărire-învățare a fost extinsă la centrele de date răcite cu aer din flota sa, dar nu identifică câte facilități sunt acoperite sau dacă sistemele funcționează continuu. Compania mai spune, de asemenea, că lichidul de răcire poate dura până la un deceniu, o așteptare care poate depinde de întreținere, controale de contaminare, proiectarea echipamentelor și condițiile locale de operare pe care sursa nu le discută.
Testul mai larg va fi dacă abordarea se transferă dincolo de Meta. Performanța în buclă închisă poate varia în funcție de climă, designul clădirii, generarea hardware-ului, configurația rack-ului și volumul de lucru. Sistemele asistate de aer pot fi utile pentru modernizari, dar sursa nu oferă date comparative privind costurile, fiabilitatea sau întreținerea. Urmăriți măsurători independente, dezvăluiri din partea organizațiilor care folosesc IcePack sau modele similare și dovezi că politicile de răcire instruite prin simulare rămân sigure atunci când condițiile nu se încadrează în scenariile modelate. De asemenea, nu este clar dacă hardware-ul AI viitor, mai dens de putere, va păstra câștigurile de eficiență raportate sau va crea noi cerințe de răcire.