人工智能正在给电网带来压力：数据中心将如何供电

人工智能革命以空前的速度消耗电力，支持它的基础设施正接近临界点。随着ChatGPT、Gemini和无数其他AI模型在海量数据集上进行训练并每天处理数十亿个查询，数据中心——这一数字化转型的物理支柱预计到2030年将占美国电力总需求的9%，几乎是当前消耗的三倍。这一激增发生在一个关键时刻，北美、欧洲和亚洲的电网已经因极端天气事件、老化基础设施和向可再生能源转型而承受压力。

人工智能对计算能力的无尽需求与电网有限的容量之间的冲突造成了一个紧迫的困境：要么由于电力不足，人工智能的繁荣停滞，要么数据中心运营商开创创新解决方案来生成、存储和优化自己的电力。答案在于根本性地重塑这些大型设施获取能源的方式，从现场可再生能源设施和先进的电池系统到战略电网合作伙伴关系和下一代冷却技术，以减少整体消耗。

人工智能与云计算的不同之处

人工智能（AI）和云计算是不同的技术，服务于不同的目的，尽管它们通常一起使用。人工智能是一个专注于创建能够执行通常需要人类智能的任务的智能系统的领域，而云计算则提供通过互联网按需访问计算资源的能力。

主要区别在于它们的功能：人工智能分析数据以提供洞察和自动化流程，而云计算提供基础设施，如存储和处理能力，以运行应用程序和管理数据。

人工智能与云计算之间的协同作用

人工智能（AI）和云计算并不是竞争技术，而是深度交织在一起的共生关系。每种技术都显著增强了另一种技术的能力，形成了推动各行业创新的强大组合。云计算为人工智能提供了必要的基础设施，使其能够大规模运行，而人工智能则为优化和保护云环境带来了智能。

云计算作为人工智能的基础

开发、训练和部署复杂的人工智能模型所需的大量计算能力和庞大的数据存储由云平台提供。云作为基础层，使大规模人工智能对各种组织既可行又经济可行。

• 庞大的计算资源： 人工智能，特别是深度学习，依赖于通过复杂算法处理巨大的数据集，这一任务需要显著的计算能力，通常由专用硬件如图形处理单元（GPU）和张量处理单元（TPU）提供。像亚马逊网络服务（AWS）、微软Azure和谷歌云这样的云服务提供商提供按需访问这种强大基础设施的服务，使组织能够在不进行高昂的本地硬件投资的情况下训练模型。
• 可扩展的数据存储和管理： 人工智能模型对数据的需求极大，需要大量的信息进行训练和验证。云服务提供几乎无限、经济高效且耐用的存储解决方案，如亚马逊S3或谷歌云存储，能够处理PB级的数据。这使得企业能够聚合和处理构建准确预测模型所需的广泛数据集。
• 民主化和可扩展性： 通过消除前期硬件投资的需求，云计算的按需付费模式使人工智能得以民主化。初创公司、研究机构和个人开发者可以访问与大型企业相同的尖端资源。此外，云的弹性使用户能够为密集的训练任务扩展资源，并在推理时缩减资源，确保最佳的资源利用和成本效率。
• 托管的人工智能平台： 领先的云服务提供商提供集成的端到端机器学习（ML）平台，如亚马逊SageMaker、谷歌Vertex AI和Azure机器学习。这些服务简化了整个机器学习生命周期，从数据标记和准备到模型构建、训练、部署和监控。例如，公司使用这些平台加速从个性化客户推荐到欺诈检测系统的应用开发。

人工智能增强云服务

虽然云使人工智能成为可能，但人工智能反过来又使云计算变得更智能、更高效和更安全。人工智能算法越来越多地集成到云服务的核心中，以自动化管理、优化性能和增强安全协议。

• 自动化和智能操作 (AIOps): 人工智能用于自动化云基础设施的管理和优化。AIOps平台持续监控系统，分析性能指标，并在潜在问题导致停机之前预测这些问题。这些系统可以自动调整资源分配，管理工作负载，并执行自我修复操作，以维护系统的健康和可靠性，从而显著减少人工干预的需要。
• 成本优化和资源管理: 人工智能算法分析云使用模式，以识别低效之处并提供可操作的成本节约建议。例如，人工智能可以找出未充分利用的虚拟机，建议更具成本效益的资源配置（这一过程称为“权 sizing”），或建议购买保留实例以应对可预测的工作负载，帮助组织控制和减少云支出。
• 高级安全性和威胁检测: 在网络安全领域，人工智能是保护云环境的重要工具。人工智能驱动的安全系统可以实时分析网络和应用程序中的数十亿个事件，以检测异常并识别可能逃避传统基于规则的安全措施的复杂威胁。例如，人工智能可以识别异常的数据访问模式或网络流量，这可能表明安全漏洞，从而实现更快和更有效的响应。

云人工智能与边缘人工智能

云人工智能与边缘人工智能之间的主要区别在于数据处理和人工智能计算发生的位置。云人工智能利用集中式云数据中心，而边缘人工智能则在数据生成的设备上或附近进行本地计算。每种方法都有其独特的优势，适用于不同的应用。

云人工智能

云人工智能涉及将数据从设备发送到远程集中式云服务器进行处理。这些云环境配备了巨大的计算能力和广泛的存储能力，使其成为资源密集型人工智能任务的理想平台。所有繁重的工作，例如训练复杂的机器学习模型或分析海量数据集，都在数据中心进行。结果随后被发送回最终用户设备。该模型对于那些不敏感于时间但需要大量处理能力的应用非常有效。

• 关键特征: 它依赖于稳定的互联网连接来传输数据到云端和从云端传输数据。集中式的特性允许从多个来源聚合数据，这可以随着时间的推移提高模型的准确性。
• 理想用例: 这种方法非常适合训练大规模语言模型，进行复杂的大数据分析，为电子商务提供推荐引擎，以及进行科学模拟。例如，一个翻译整个文档的自然语言处理服务依赖于云人工智能来处理复杂的计算。

边缘人工智能

在边缘人工智能模型中，人工智能算法直接在网络“边缘”的本地硬件上运行。这可以是智能手机、物联网 (IoT) 传感器、智能摄像头或车辆的车载计算机。通过本地处理数据，边缘人工智能避免了往返于遥远云服务器的旅程。这种方法对于速度、隐私和操作连续性至关重要的应用至关重要。

• 关键特征： 边缘人工智能显著降低延迟，使实时决策成为可能。它还增强了数据隐私和安全性，因为敏感信息可以在本地处理和存储，而无需通过网络传输。此外，它允许应用程序在间歇性或没有互联网连接的情况下继续运行。
• 理想使用案例： 该模型对必须做出瞬时决策的自动驾驶汽车、实时分析生物特征数据的可穿戴健康监测器、在生产线上检测产品缺陷的智能制造系统以及使用摄像头进行实时库存跟踪的零售商店至关重要。

云人工智能与边缘人工智能