لماذا يغيّر كثافة وحدات معالجة الرسومات قرار التبريد

لم تعد مجموعات الذكاء الاصطناعي تتصرف مثل غرف الخوادم التقليدية. ومع ارتفاع قدرة الرفوف، تؤثر خيارات التبريد في الجاهزية التشغيلية وكفاءة الطاقة والتوسع المستقبلي في الوقت نفسه.

ولهذا السبب يجب أن تُطابق حلول تبريد مراكز بيانات الذكاء الاصطناعي الكثافة الفعلية لوحدات معالجة الرسومات، لا أن تُختار من معيار عام لمراكز البيانات.

عمليًا، ليس السؤال الحقيقي هو ما إذا كان التبريد مطلوبًا أم لا. بل أي بنية تبقى مستقرة عندما ترتفع الأحمال، وتتركز الحرارة، وتبقى تكاليف الكهرباء متقلبة.

بالنسبة إلى الشركات التي تركز على البنية التحتية الموفرة للطاقة، فهذه أيضًا قضية طاقة جديدة. فكلما تحسن التحكم الحراري، قلّ الهدر في الطاقة، وانخفض الضغط على PUE، ودُعم استخدام أكثر انضباطًا لموارد المياه المبردة.

في المشاريع الواقعية، تكون الكثافة مجرد نقطة البداية

قد يبلّغ مرفقان عن كثافة رفوف متشابهة، ومع ذلك يحتاجان إلى حلول تبريد مختلفة لمراكز بيانات الذكاء الاصطناعي.

قد يعمل أحدهما بأحمال تدريب مستقرة ذات حرارة يمكن توقعها. بينما قد يواجه الآخر حركة استدلال متقطعة، وتوزيعًا غير متساوٍ للرفوف، وقيودًا أشد على مساحة الأرضية.

لذلك ينبغي تقييم بنية التبريد وفق عدة عوامل:

• كمية الحرارة المركزة في كل رف وكل صف
• ما إذا كانت تغيرات الحمل تدريجية أم مفاجئة
• مدى البنية التحتية الموجودة بالفعل على جانب المياه
• ما إذا كان التوسع سيحدث داخل المساحة البيضاء نفسها
• مدى ارتباط الموقع بتكاليف الطاقة وأهداف الكربون

عادةً ما يفهم المصنعون ذوو الخبرة في CDU، والمشعبات، ووحدات المبادلات الحرارية، وأنظمة إمداد المياه هذا التفاعل بشكل أفضل، لأن معدات التبريد لا تعمل أبدًا كمنتج منفصل.

غرف الذكاء الاصطناعي منخفضة الكثافة ما زالت تحتاج إلى تحكم دقيق في تدفق الهواء

عندما تبقى كثافة وحدات معالجة الرسومات متوسطة، قد يكون التبريد الهوائي المحسن عمليًا. وهذا أكثر شيوعًا في المرافق متعددة الاستخدامات التي تُحدَّث انطلاقًا من غرف تقنية المعلومات التقليدية.

وتكمن الميزة في تقليل الاضطراب. فقد يُعاد استخدام أنظمة CRAH الحالية أو أنظمة المياه المبردة، مع تحسينات في الاحتواء، وتصميم مسار تدفق الهواء، وإدارة هواء العودة.

حتى في هذه الحالة، لا ينبغي اعتبار حلول تبريد مراكز بيانات الذكاء الاصطناعي مجرد ترقيات للمراوح. فالنقاط الساخنة حول مجموعات GPU عالية الكثافة غالبًا ما تظهر قبل أن تبدو درجة حرارة الغرفة المتوسطة مشكلة.

ومن الأخطاء الشائعة القياس وفق متوسط حرارة الغرفة بدلًا من حرارة العادم الموضعية للرفوف. وهذا يؤدي عادةً إلى درجات حرارة دخول غير مستقرة وإلى طاقة مراوح غير ضرورية.

مع ارتفاع قدرة الرفوف، يصبح التبريد السائل المسار الأكثر استقرارًا

بمجرد أن ترتفع كثافة الرفوف، يصبح التحكم في تدفق الهواء وحده أصعب من الناحية الاقتصادية. وهنا غالبًا ما يصبح التبريد السائل المباشر إلى الشريحة الخيار المفضل.

والسبب واضح. فالسائل ينقل الحرارة بكفاءة أعلى، ويتعامل مع الأحمال الحرارية المركزة بشكل أفضل، ويقلل الاعتماد على سرعات المراوح العالية جدًا.

في هذه المشاريع، تعتمد حلول تبريد مراكز بيانات الذكاء الاصطناعي بدرجة كبيرة على التصميم الهيدروليكي الداعم. فاختيار CDU، وجودة المياه، وتخطيط المشعبات، واستراتيجية التكرار، وإمكانية الوصول إلى الصيانة كلها تؤثر في الموثوقية.

وهنا تبرز أهمية التفكير في النظام المتكامل. إذ تعمل Shandong Liangdi Energy Saving Technology Co., Ltd. في مجالات CDU، ومشعب توزيع المياه، ووحدات المبادلات الحرارية، ومعدات تبريد مراكز البيانات ذات الصلة، وهو ما يتماشى مع هذا المتطلب على مستوى النظام.

أين تصبح البنى الهجينة أكثر منطقية

لا تحتاج بعض قاعات الذكاء الاصطناعي إلى انتقال كامل إلى التبريد السائل منذ اليوم الأول. ويمكن للتبريد الهجين أن يناسب المواقع التي تقع فيها بضعة صفوف GPU عالية الكثافة إلى جانب مجموعات دعم منخفضة الكثافة.

في هذه الحالة، يتولى التبريد السائل أكثر الرفوف سخونة، بينما تدعم أنظمة الهواء المحسنة المعدات المجاورة. وهذا يقلل الضغط على التعديل اللاحق ويحافظ على مرونة التوسع.

تؤدي ظروف التشغيل المختلفة إلى اختيارات مختلفة

يوضح الجدول أدناه لماذا يجب أن تُطابق حلول تبريد مراكز بيانات الذكاء الاصطناعي سلوك التشغيل، لا مجرد قيم لوحة الاسم الخاصة بالمعدات.

تُعد استراتيجية الطاقة مهمة بقدر أهمية إزالة الحرارة

في كثير من مرافق الذكاء الاصطناعي، أصبحت مسألة التبريد مرتبطة الآن مباشرة بجدولة الطاقة. وهذا صحيح بشكل خاص عندما تتغير أسعار المرافق بشكل حاد على مدار اليوم.

ومن الأمثلة العملية استخدامخزان التخزين البارد ضمن أنظمة التكييف لتخزين طاقة التبريد خلال ساعات انخفاض الطلب ثم إطلاقها خلال ذروة الطلب.

وهذا لا يستبدل حلول تبريد مراكز بيانات الذكاء الاصطناعي الأساسية. بل يعززها من خلال تحسين إدارة الحمل، وتقليل الضغط الكهربائي في أوقات الذروة، وجعل إنتاج المياه المبردة أكثر اقتصادًا.

وينسجم هذا النهج مع الاتجاه الأوسع للبنية التحتية الحديثة الموفرة للطاقة في مراكز البيانات، حيث يُخطط للمرونة الحرارية وتحسين الطاقة معًا.

ما الذي يُساء تقديره قبل النشر

تتكرر عدة أخطاء عند اختيار حلول تبريد مراكز بيانات الذكاء الاصطناعي.

• اعتبار نماذج GPU المتشابهة أحمالًا حرارية متطابقة تحت جميع أنواع العمل
• مقارنة تكلفة الاستثمار فقط مع تجاهل إمكانية الصيانة وترقيات جانب المياه
• افتراض أن كثافة الرفوف المستقبلية ستبقى قريبة من خطط النشر الحالية
• إغفال زمن الاستجابة المطلوب أثناء دفعات التدريب المفاجئة
• التركيز على تبريد الخوادم مع إهمال كفاءة الطاقة على مستوى المنظومة

تنشأ هذه الأخطاء عادةً من تقييم المعدات بشكل منفصل. وتعتمد الأداءات الحقيقية على الحلقة الكاملة، من لوح الشريحة إلى أنابيب التوزيع وصولًا إلى طرح الحرارة.

طريقة عملية لمطابقة البنية مع الكثافة

عادةً ما تكون عملية اتخاذ القرار قابلة للتطبيق وأبسط مما تبدو، بشرط أن تكون بيانات الموقع واضحة.

• رسم خريطة للكثافة الحالية والمخططة للرفوف حسب المنطقة، لا حسب متوسط الغرفة
• قياس سلوك الحمل، بما في ذلك الارتفاعات المفاجئة، ودورة العمل، والتكتل الحراري
• التحقق مما إذا كانت أنظمة المياه المبردة الحالية وCDU وتخطيطات المشعبات قادرة على التوسع بسلاسة
• تقييم التعرض لأسعار الكهرباء في أوقات الذروة وما إذا كان التخزين الحراري يمكن أن يحسن الجدوى الاقتصادية
• تحديد قواعد الصيانة، والتكرار، وجودة المياه قبل تحديد حجم المعدات النهائي

نادراً ما تكون أفضل حلول تبريد مراكز بيانات الذكاء الاصطناعي هي الأكثر هجومية على الورق. بل هي الحلول التي تناسب الكثافة الفعلية، وتدعم التوسع، وتحافظ على استهلاك الطاقة تحت السيطرة بمرور الوقت.

قبل تثبيت البنية، يجدر مقارنة ظروف الموقع، ومسارات التبريد، وقيود التشغيل طويلة الأجل ضمن إطار واحد. وهذا يؤدي عادةً إلى قرار أكثر موثوقية وكفاءة.