ما هو مركز بيانات الذكاء الاصطناعي؟ دليل البنية، والتبريد السائل، والطاقة، والنشر

ما هو مركز بيانات الذكاء الاصطناعي؟

أن مركز بيانات الذكاء الاصطناعي (AIDC) هي بنية تحتية حاسوبية متخصصة للغاية، مصممة خصيصًا لدعم متطلبات الكثافة والطاقة والحرارة الهائلة لتدريب الذكاء الاصطناعي والاستدلال وأحمال العمل عالية الأداء (HPC). من المهم فهم أن مركز بيانات الذكاء الاصطناعي (AIDC) ليس مجرد غرفة خوادم تقليدية مزودة ببعض خوادم وحدات معالجة الرسومات (GPU)، بل هو إعادة تصور جذرية لنظام مركز البيانات.

لتلبية المتطلبات الصارمة لمعالجات الجيل القادم، تم بناء مركز البيانات المتكامل (AIDC) على بنية شاملة من خمس طبقات: الحوسبة، والشبكة عالية السرعة، والتبريد السائل، والطاقة الذكية، والمرافق والإدارة المعيارية. يجب تصميم كل طبقة بتناغم تام لضمان أقصى استفادة من وحدة معالجة الرسومات (GPU)، والسلامة الحرارية، وكفاءة الطاقة.

لماذا لا تُبنى مراكز البيانات التقليدية لأحمال عمل الذكاء الاصطناعي؟

لعقود طويلة، صُممت مراكز بيانات المؤسسات التقليدية حول وحدات المعالجة المركزية (CPU) التي تتولى قواعد البيانات المعاملاتية، واستضافة المواقع الإلكترونية، وتطبيقات المؤسسات القياسية. إلا أن أحمال عمل الذكاء الاصطناعي تُغيّر هذه الأسس التصميمية القديمة. وبدلاً من اعتبار المرافق التقليدية مهملة، من الأدق القول إن أسس تصميم مراكز بيانات الذكاء الاصطناعي (AIDC) مُعايرة ببساطة لمجموعة مختلفة تماماً من الواقع المادي.

كيف يؤثر تدريب الذكاء الاصطناعي والاستدلال على متطلبات البنية التحتية

يُؤثر التمييز بين تدريب الذكاء الاصطناعي واستنتاجه بشكل كبير على تصميم البنية التحتية. يتضمن تدريب الذكاء الاصطناعي تغذية الشبكات العصبية بمجموعات بيانات ضخمة لتعليمها كيفية التعرف على الأنماط. تتطلب هذه العملية طاقة عالية مستمرة وغير منقطعة، وقدرة حسابية استثنائية، ووحدات معالجة رسومية (GPU) ذات زمن استجابة منخفض ونطاق ترددي عالٍ لمزامنة البيانات عبر آلاف المعالجات في وقت واحد.

في المقابل، غالبًا ما يُظهر استدلال الذكاء الاصطناعي - أي تطبيق النموذج المُدرَّب على بيانات جديدة - نمط نشر أكثر تنوعًا وتشتتًا. قد تتطلب أحمال عمل الاستدلال دفعات سريعة من الطاقة، وتتأثر بشدة بزمن استجابة المستخدم، مما يؤدي إلى عمليات نشر هجينة أو طرفية. ونتيجةً لذلك، لا يمكن لبنية الذكاء الاصطناعي التحتية التعامل مع الحوسبة والشبكة والتخزين والإدارة الحرارية كوحدات منفصلة؛ بل يجب تنسيقها ككيان واحد مترابط لمنع حدوث اختناقات تُؤدي إلى خمول وحدات معالجة الرسومات باهظة الثمن.

من رفوف منخفضة الكثافة إلى رفوف الذكاء الاصطناعي بقدرة 100 كيلوواط فأكثر

يُعد مفهوم "كثافة الخوادم" القوة الدافعة وراء هندسة المرافق الحديثة. في الماضي، كان الخادم القياسي يحتوي على 42 وحدة من الخوادم القياسية التي تستهلك 10 كيلوواط فقط. ومع تحوّل المؤسسات إلى أحمال عمل مختلطة، ارتفعت الكثافة إلى 20-30 كيلوواط.

تضمّ رفوف الذكاء الاصطناعي المصممة خصيصًا اليوم مجموعات متراصة من معالجات تسريع عالية الأداء تُغيّر جذريًا الخصائص الحرارية للغرفة. ورغم شيوع الحديث في هذا المجال عن رفوف بقدرة 100 كيلوواط أو أكثر، فمن المهم الإشارة إلى أن ليس كل مشاريع الذكاء الاصطناعي تتطلب هذه القدرة القصوى فورًا. فكثافة الرفوف تعتمد في نهاية المطاف على منصة وحدة معالجة الرسومات (GPU) المحددة، وحجم المجموعة، ومتطلبات التكرار، وأهداف النشر الشاملة. يجب أن تتمتع البنية التحتية بالمرونة الكافية لدعم عمليات نشر رفوف الذكاء الاصطناعي عالية الكثافة في نطاق 60-150 كيلوواط، وذلك وفقًا للأجهزة المختارة ونظام التبريد.

بنية مركز بيانات الذكاء الاصطناعي ذات الطبقات الخمس

بناء بيانات التعريف التلقائي الموثوقة يتطلب الأمر نهجًا منهجيًا. يمكن تقسيم البنية إلى خمس طبقات مترابطة، تلعب كل منها دورًا حاسمًا في دعم الحوسبة المستمرة عالية الأداء.

1. الحوسبة الذكية: مجموعات وحدات معالجة الرسومات كجوهر الذكاء الاصطناعي والتعرف على البيانات

تُعدّ طبقة الحوسبة بمثابة القلب النابض للمنشأة. وعلى عكس الخوادم التقليدية التي تعمل بشكل مستقل إلى حد ما، تعتمد حوسبة الذكاء الاصطناعي على مجموعات ضخمة من وحدات معالجة الرسومات (GPU). تتطلب هذه المجموعات وصلات متخصصة بين وحدات معالجة الرسومات لمعالجة حجم هائل من البيانات المتدفقة بين الخوادم، متجاوزةً بذلك اختناقات الشبكة التقليدية.

من أبرز الأمثلة على هذا التطور بنية الخوادم المدمجة في منصات متطورة مثل GB300 NVL72، والتي تجمع عشرات وحدات معالجة الرسومات في وحدة واحدة عالية الطاقة ومبردة بالسوائل. وهذا يوضح مبدأً أساسياً: يجب تصميم بنية المنشأة من مستوى الخوادم إلى الخارج لتتوافق تماماً مع الخصائص الحرارية والكهربائية لمنصة الحوسبة.

2. شبكة عالية السرعة

توزع نماذج الذكاء الاصطناعي عمليات حسابية ضخمة على آلاف المعالجات. إذا فقدت الشبكة حزم البيانات أو تسببت في تأخيرات تصل إلى أجزاء من الثانية، فإن المجموعة بأكملها تنتظر، مما يهدر الطاقة والوقت. تتطلب طبقة الشبكة بنى تحتية غير مانعة وغير فاقدة للبيانات (مثل InfiniBand أو RoCE Ethernet المتخصصة) بالإضافة إلى أجهزة إرسال واستقبال ضوئية قوية، وكلها تولد حرارة كبيرة وتتطلب توجيهًا دقيقًا للكابلات لتجنب إعاقة تدفق الهواء.

3. لماذا أصبح التبريد السائل ضروريًا

لا يُمكن للتبريد الهوائي إزالة الحرارة الناتجة عن خزانة بقدرة 100 كيلوواط بكفاءة. وبينما يُمكن لمبادلات الحرارة الخلفية (RDHx) سدّ هذه الفجوة في الخزائن متوسطة الكثافة، فقد أصبح التبريد السائل المباشر إلى الشريحة (D2C) المعيار الصناعي للذكاء الاصطناعي عالي الكثافة.

تستخدم تقنية D2C ألواح تبريد مثبتة مباشرة على المعالجات. يمتص سائل التبريد الحرارة وينقلها عبر مشعب إلى وحدة توزيع سائل التبريد (CDU). تقوم وحدة توزيع سائل التبريد بنقل الحرارة من دائرة التبريد الثانوية لتقنية المعلومات إلى دائرة التبريد الرئيسية للمنشأة. ووفقًا لإرشادات ASHRAE، تستفيد سيناريوهات الذكاء الاصطناعي عالية الكثافة بشكل كبير من بنية D2C. عند تطبيقها بشكل صحيح، يمكن للتبريد السائل أن يقلل من استهلاك الطاقة اللازمة للتبريد ويحسن كفاءة المنشأة مقارنةً ببنى التبريد الهوائي التقليدية؛ وتعتمد الوفورات الفعلية على البنية التحتية الأساسية وظروف التشغيل.

4. بنية الطاقة للبنية التحتية للذكاء الاصطناعي عالية الكثافة

تتطلب أحمال عمل الذكاء الاصطناعي سعةً أكبر وإمدادًا أكثر قابلية للتنبؤ بالطاقة. يجب أن تراعي بنية الطاقة الأحمال المفاجئة الهائلة - أي الارتفاعات المفاجئة في استهلاك الطاقة عند بدء عملية التدريب.

تشمل هذه الطبقة تصميمات قضبان التوصيل المزدوجة، ومسارات التوجيه A/B، ووحدات تزويد الطاقة غير المنقطعة (UPS) عالية السعة، ومولدات الطاقة الاحتياطية، ووحدات توزيع الطاقة الذكية المتخصصة. من الضروري التمييز بين حمل تكنولوجيا المعلومات (الطاقة التي تغذي الخوادم مباشرةً) وحمل المرافق (الطاقة اللازمة للتبريد والإضاءة) عند تخطيط سعة الميغاواط. على الرغم من شيوع نماذج التكرار N+1 و2N، إلا أنه لا ينبغي أن يكون مستوى التكرار المُختار معيارًا ثابتًا، بل يجب أن يعتمد على أهمية عبء العمل وميزانية الإنفاق الرأسمالي.

5. نشر المرافق المعيارية: من المصنع إلى الموقع

يُعدّ بناء مراكز البيانات التقليدية القائمة على المباني بطيئًا جدًا مقارنةً بالوتيرة السريعة للابتكار في مجال الذكاء الاصطناعي. يعتمد النشر المعياري على التصنيع المسبق لتجميع واختبار وحدات الطاقة والتبريد وتكنولوجيا المعلومات في بيئة المصنع قبل شحنها إلى الموقع.

لا يقتصر الأمر على مجرد وضع الخوادم في حاويات الشحن، بل هو منهجية هندسية متطورة. يمكن للتصنيع المسبق والاختبار في المصنع (FAT) أن يقلل بشكل كبير من أعمال التكامل في الموقع ويسرع جداول النشر مقارنةً بالمشاريع التقليدية التي تُبنى في الموقع. وبمجرد وصولها إلى الموقع، تتيح الواجهات القياسية إجراء اختبار قبول الموقع (SAT) وتشغيلها بسرعة.

إدارة مراكز البيانات، والمراقبة، والعمليات الجاهزة للذكاء الاصطناعي

تُعدّ أنظمة إدارة البنية التحتية لمراكز البيانات (DCIM) وأنظمة إدارة المباني (BMS) بمثابة العقل المدبر لعمليات المنشأة. وفي نظام إدارة الهوية والوصول الآلي (AIDC)، يتجاوز الرصد مجرد التحقق من اتصال الخادم بالإنترنت.

يجب على المشغلين ربط استهلاك الطاقة لأنظمة تكنولوجيا المعلومات، ودرجة حرارة سائل التبريد، وضغط السائل، ومعدلات التدفق، وإنذارات كشف التسرب في الوقت الفعلي. ونظرًا لتقلب أحمال عمل الذكاء الاصطناعي باستمرار، لا يمكن للبنية التحتية أن تعمل بشكل ثابت بناءً على معايير التصميم القصوى. تُمكّن منصات إدارة مراكز البيانات المتقدمة من الضبط المستمر، باستخدام التوائم الرقمية والتحكم التنبؤي لمطابقة خرج التبريد ديناميكيًا مع حمل تكنولوجيا المعلومات، مما يضمن أعلى كفاءة ويمنع الاختناق الحراري.

كيفية تقييم أداء مراكز بيانات الذكاء الاصطناعي

يتطلب تقييم نظام جمع البيانات الآلي (AIDC) النظر إلى ما هو أبعد من المقاييس التقليدية. يضمن نظام المقاييس الشامل الكفاءة التشغيلية والاستدامة على حد سواء.

كيفية التخطيط لمشروع مركز بيانات الذكاء الاصطناعي

التخطيط الناجح لـ مركز بيانات الذكاء الاصطناعي يتطلب الأمر اتباع نهج منهجي وتدريجي لمواءمة البنية التحتية المادية مع أحمال العمل الرقمية:

1. تحديد عبء العمل: هل التركيز الأساسي هو تدريب نموذج اللغة الكبير (LLM)، أو الاستدلال في الوقت الحقيقي، أو الحوسبة عالية الأداء الهجينة؟ (السؤال الرئيسي: ما هي النتيجة التجارية المحددة ومدى تحمل زمن الاستجابة؟)
2. حجم الحساب: حدد منصة وحدة معالجة الرسومات (GPU) وبنية الشبكة ونسبة التخزين المطلوبة بدقة. (السؤال الرئيسي: ما هو الحد الأقصى لسحب الطاقة بالكيلوواط لعقدة محملة بالكامل؟)
3. تقييم قوة الموقع: تقييم مدى توافر الشبكة، وقدرة المحطات الفرعية، وخيارات الطاقة المتجددة. (السؤال الرئيسي: هل يمتلك الموقع سعة كافية بالميغاواط لكل من النشر في اليوم الأول والتوسع المستقبلي؟)
4. اختر بنية التبريد: قم بمطابقة تصميم التبريد مع متطلبات الشريحة (على سبيل المثال، D2C + هواء مساعد). (السؤال الرئيسي: ما هي درجة حرارة مياه الإمداد المطلوبة للمنشأة للحفاظ على عمليات رقائق آمنة؟)
5. تصميم ذو سعة معيارية: خطط لتنفيذ عمليات طرح تدريجية باستخدام وحدات مسبقة الصنع للتحكم في النفقات الرأسمالية. (السؤال الرئيسي: ما مدى سهولة توسيع نطاق البنية التحتية للطاقة والتبريد مع إضافة مجموعات جديدة؟)
6. التكليف والتحسين: قم بإجراء اختبارات صارمة على بنك الأحمال وقم بتنفيذ نظام إدارة مركز البيانات المدعوم بالذكاء الاصطناعي. (السؤال الرئيسي: كيف سيقوم المشغلون بتعديل تدفق التبريد بشكل ديناميكي مع تقلب أحمال الحوسبة أثناء العمليات؟)

الأسئلة الشائعة حول مركز بيانات الذكاء الاصطناعي

نبذة عن حلول مراكز البيانات المدعومة بالذكاء الاصطناعي من SOETECK

في شركة SOETECK، ندرك أن نشر مجموعات الذكاء الاصطناعي عالية الكثافة يتطلب أكثر من مجرد تجميع المكونات؛ بل يتطلب نهجًا هندسيًا شاملًا ومتكاملًا للغاية. نساعد عملاءنا على تجاوز تعقيدات بنية الذكاء الاصطناعي التحتية من خلال توفير حل متكامل من خمس طبقات، مصمم بدءًا من مستوى الشريحة الإلكترونية وصولًا إلى محطة تبريد المياه.

صُممت حلول البنية التحتية لدينا لتتكامل تمامًا مع منصات الحوسبة المتطورة واسعة النطاق (مثل GB300 NVL72)، مما يضمن عدم وجود أي قيود على قوة المعالجة الهائلة بسبب محدودية المرافق المادية. ندعم نشر أنظمة الذكاء الاصطناعي عالية الكثافة في نطاق 60-150 كيلوواط، وذلك حسب منصة وحدة معالجة الرسومات، ونظام التبريد، وظروف المياه في المنشأة، ومتطلبات التكرار الخاصة بمشروعك.

تُشكّل وحدة توزيع الحرارة AICoolit عالية الكفاءة جوهر استراتيجيتنا لإدارة الحرارة، حيث تربط بسلاسة بين حلقات التبريد الثانوية المباشرة للرقاقة وأنظمة المياه في المنشأة. وبفضل دمجها مع نظام توزيع الطاقة الذكي ثنائي المسار ومنصات مراقبة DCIM القوية، صُممت أنظمتنا لدعم التشغيل ذي مؤشر كفاءة استخدام الطاقة المنخفض (PUE)، مع التحقق من صحة أهداف مؤشر كفاءة استخدام الطاقة على مستوى المشروع وفقًا للمناخ المحلي، وملف تعريف الحمل، وحدود القياس.

بفضل اعتمادنا على تقنيات التصنيع المسبق المتقدمة والتكامل المصنعي، صُممت منشآتنا المعيارية لتناسب الظروف المناخية وشبكات الطاقة المختلفة، وذلك من خلال اختيار أنظمة طرد الحرارة والتحكم المناسبة. إن الشراكة مع SOETECK تعني تسريع دورة النشر من شهور إلى أسابيع، مما يضمن توسع مبادرات الذكاء الاصطناعي الخاصة بك بشكل آمن وفعال وموثوق في أي مكان في العالم.