超越PUE：重新思考人工智能时代的数据中心效率

随着人工智能工作负载的激增，效率问题需要更全面地看待。

随着人工智能工作负载的理解不断加深和应用范围的不断扩大，运营商正逐渐摒弃理论假设，转而根据实际应用场景进行设计。过去，基础设施决策主要基于额定功率或系统最大功率。 可以 （尽管这种情况很少发生）。但人工智能工作负载是动态的，使用量并不总是与容量相匹配。这种不匹配会扭曲效率指标，并导致系统过度构建或优化不足。.

更务实的做法是考虑工作负载的实际运行情况：何时出现峰值、如何扩展以及随着时间的推移在哪些方面出现效率低下。这种思路延伸到冷却策略、电力分配，甚至设施选址和配置。这也强调了灵活性的重要性，因为人工智能领域的变革步伐不太可能在短期内放缓。.

更全面地看待数据中心效率，不能仅仅局限于电源效率，还要考虑其他几个方面：

• 计算能力如何有效地转化为有用的工作
• 冷却需要多少水？
• 高密度硬件产生的热量会发生什么变化？
• 能源来源和运营的碳排放影响
• 该设施如何与电网交互

综合来看，这描绘出一幅更加真实、多方面的绩效图景，与所面临的要求更加契合。 人工智能时代的数据中心基础设施.

管理权衡取舍，而不仅仅是指标。

数据中心效率并非单一目标，而是一项平衡之举。补充指标可以扩展 PUE 指标的信息，并阐明针对其中一项指标的优化如何影响其他指标。有效管理这些权衡需要系统层面的视角，着眼于弹性以及在多个维度上的长期性能，包括：

用水效率（WUE）

水资源利用效率 (WUE) 强调冷却策略中能源和水资源利用之间的权衡。随着热负荷的增加，冷却方案的选择会直接影响资源消耗和可扩展性。由于水资源供应正迅速成为与电力供应一样制约数据中心容量的关键因素，WUE 成为 PUE 的必要补充。.

能源再利用效率（ERE）

能源再利用效率 (ERE) 关注数据中心产生的热量最终流向何处。它鼓励在设施、园区或社区内捕获并重新利用这些热量，而不是将其作为废物排放到大气中。人工智能数据中心比传统数据中心产生更高质量、更大规模的热量，因此能源再利用更具可行性。.

计算功率效率 (CPE)

计算能效 (CPE) 将讨论的焦点转移到生产力和业务成果上。它不再关注能源的输送方式，而是关注每单位能源（即每瓦特）能产生多少有效计算量。但 CPE 有时与 PUE 相冲突，这凸显了平衡多个目标和指标的必要性。.

碳利用效率（CUE）

碳利用效率 (CUE) 关注环境影响，并认识到并非所有能源都相同。两个 PUE 值相近的设施，其碳足迹可能截然不同，这取决于能源的生产方式，例如可再生能源与化石燃料。.

网格感知效率（GAE）

电网感知效率 (GAE) 是一套新兴的计算方法，它考虑数据中心如何与电网交互：何时消耗电力、如何应对需求波动以及如何为整体系统稳定性做出贡献。工作负载转移、使用存储能量以及参与需求响应计划都发挥着重要作用。.

从孤立到融合

数据中心运营商深知增长面临诸多限制，但他们仍然深陷于一场部署速度至上的竞赛，效率往往凌驾于一切之上。然而，这并非非此即彼的选择。构建高效、适应性强且符合人工智能计算实际情况的基础设施系统，可以将效率转化为竞争优势，而非制约因素。.

采用更广泛的效率衡量框架，并将其视为一个包含多重相互依存关系的系统级方程，能够更好地帮助运营商在提高利用率和性能的同时，实现可持续规模化发展并降低运营成本。此外，这还能帮助他们更快地适应不断变化的监管要求，并确保他们的发展目标不会忽视环境和社会问题。.

PUE 仍然是一个有用的基准，但它本身已不再足够。过度使用 PUE 会扭曲决策，并掩盖其他诸多方面的效率低下问题。一个多方面、相互关联的框架，将水资源、碳排放、计算能力、能源再利用和电网交互等因素纳入考量，对于顺利迈向下一个发展阶段至关重要。了解更多信息 超越 PUE： 人工智能时代的数据中心效率.