用 AI 缓解数据中心日益严峻的环境压力
摘要
MIT 新晋副教授 Christina Delimitrou 通过机器学习优化数据中心的软硬件资源管理,力图在不牺牲性能的前提下消除系统冗余,从而减少新建数据中心的需求。
核心要点
- Christina Delimitrou 是 MIT 电气工程与计算机科学系(EECS)新晋终身副教授,同时任职于计算机科学与人工智能实验室(CSAIL),持有 KDD 职业发展教席。
- 她的研究用机器学习让大规模数据中心更高效、安全和可靠,具体手段包括重新设计过时的云计算系统、管理共享硬件资源、构建精简的服务器架构,从而在既有硬件上榨取更多算力。
- 她认为当前系统特别是软件层面存在大量冗余(bloat),若能无损性能地去除,就不必新建那么多数据中心。
- 她还用 AI 帮助程序员发现并修复音乐流媒体、视频会议等云应用中的问题,以消除造成性能下降和资源消耗的应用停机。
- 她成长于希腊北部平原的中型城镇,受母亲(化学工程师)与父亲(药剂师)鼓励走上科研道路,本科就读于雅典国立技术大学计算机工程专业。
原文佐证
- The global building boom of power-hungry data centers is straining electrical grids, causing greater reliance on energy from polluting fossil fuels.
- If data centers are not utilized to the best of their capabilities, then they will burn much more power than they need to meet growing user demand
- If we can remove that bloating in a way that doesn’t compromise performance, then we won’t need to build as many new data centers.
AI 洞察
在算力扩张被普遍视为能源与电网难题的当下,这条思路把焦点从"建更多机房"转向"把已有机器用满",属于与芯片能效、清洁电力并列的第三条减排路径。若软件层冗余真能被系统性消除,云厂商的资本开支曲线与数据中心的选址博弈都可能被改写。不过该方向目前仍以研究愿景和个案优化为主,缺乏可规模化的量化收益证据,短期更像是对"算力无限扩张"叙事的补充而非替代。