AGI時(shí)代算力基礎(chǔ)架構(gòu)面臨的挑戰(zhàn)與機(jī)遇

目前，人工智能按照進(jìn)化階段分為了弱人工智能（ANI）、通用人工智能（AGI）和超人工智能（ASI）三個(gè)階段。自1956年麥卡錫、明斯基等科學(xué)家首次提出“人工智能（Artificial Intelligence，簡(jiǎn)稱AI）”這一概念，標(biāo)志著人工智能學(xué)科的誕生；到2017年，谷歌Transformer模型的發(fā)布顛覆了傳統(tǒng)的自然語言處理模型，奠定了生成式AI的基礎(chǔ)；再到2022年，OpenAI正式發(fā)布 ChatGPT并在短短2個(gè)月內(nèi)實(shí)現(xiàn)了用戶數(shù)破億，大量類ChatGPT的通用人工智能隨之涌現(xiàn)，正式揭開了AGI時(shí)代的序幕。

正如微軟CEO薩提亞 · 納德拉所說，“AI的黃金時(shí)代正在到來，并將重新定義我們對(duì)工作的全部認(rèn)識(shí)”。在各個(gè)行業(yè)中，必將涌現(xiàn)出無數(shù)基于類似GPT-4這樣的通用AGI平臺(tái)的創(chuàng)新應(yīng)用，重構(gòu)行業(yè)的產(chǎn)品、服務(wù)和流程，進(jìn)而影響我們每一個(gè)人的工作、生活和學(xué)習(xí)。

人工智能的三要素包括數(shù)據(jù)、算法及算力。作為AI原料的數(shù)據(jù)是十分有限的，可利用的公域數(shù)據(jù)在2026年之前就會(huì)被大模型全部訓(xùn)練完成。場(chǎng)景化AI訓(xùn)練、微調(diào)的數(shù)據(jù)來源將尤其依賴于有價(jià)值的私域數(shù)據(jù)，但私域數(shù)據(jù)往往是不開放的，隱私計(jì)算和聯(lián)邦學(xué)習(xí)則將成為打破數(shù)據(jù)孤島極為可行的方案，同時(shí)合成數(shù)據(jù)技術(shù)的應(yīng)用也將成為必然。

此外，算法復(fù)雜度呈指數(shù)級(jí)增長(zhǎng)，模型層數(shù)、參數(shù)規(guī)?？焖倥蛎浀耐瑫r(shí)也在不斷突破。當(dāng)下，三要素中的算力成為了很多應(yīng)用落地的最大瓶頸。那么，AI算力基礎(chǔ)架構(gòu)具體面臨哪些挑戰(zhàn)與機(jī)遇？

挑戰(zhàn)

在AGI時(shí)代，數(shù)據(jù)大模型的參數(shù)規(guī)模呈現(xiàn)出快速增長(zhǎng)的態(tài)勢(shì)。GPT從2018年的1.17億發(fā)展到2020年的1750億，文心一言3.0參數(shù)規(guī)模達(dá)到了2600億，Google的Palm 2參數(shù)量也超過3400億。隨著參數(shù)模型的日益龐大、摩爾定律陷入瓶頸。對(duì)計(jì)算效率精盡的追逐，使得馮?諾依曼模型的先天性不足被成倍放大。計(jì)算墻、內(nèi)存墻、通信墻、能耗墻成為了AGI算力基礎(chǔ)架構(gòu)的四大挑戰(zhàn)。

首先談?wù)凙I計(jì)算的主角GPU：大模型并行計(jì)算量巨大，以GPU/TPU代替CPU進(jìn)行大量簡(jiǎn)單重復(fù)計(jì)算，雖然計(jì)算效率有了明顯的提升，但單卡算力和大模型所需總算力之間仍然存在巨大差距。以GPT-3為例，每進(jìn)行一次訓(xùn)練迭代需要消耗4.5ExaFlops算力，而主流GPU卡單卡算力只能達(dá)到TFlops級(jí)別，百萬級(jí)別的算力差距便產(chǎn)生了算力墻。分布式訓(xùn)練在一定程度上解決了算力墻問題，但綜合考慮TOC及不同的AI場(chǎng)景，使用專業(yè)的芯片和異構(gòu)計(jì)算架構(gòu)將成為突破算力墻的另一個(gè)必要方向。

參數(shù)量是衡量模型大小的最關(guān)鍵指標(biāo)，參數(shù)越多對(duì)內(nèi)存的需求越大。以1750億參數(shù)的GPT-3為例，參數(shù)量（FP16精度）需要350GB內(nèi)存（175B*2Bytes），梯度（FP16精度）需要350GB內(nèi)存（175B*2Bytes），優(yōu)化器狀態(tài)（FP32精度）需要2100GB內(nèi)存（175B*12Bytes），總計(jì)需要2800GB內(nèi)存（350GB+350GB+2100GB），而主流的GPU卡僅能夠提供80GB顯存，單個(gè)GPU無法裝下如此龐大的參數(shù)量。此外，現(xiàn)有的計(jì)算架構(gòu)以CPU為中心，CPU主內(nèi)存與GPU本地內(nèi)存無法統(tǒng)一尋址，內(nèi)存資源相互隔離，GPU無法高效的使用CPU主內(nèi)存資源，最終導(dǎo)致產(chǎn)生內(nèi)存墻。

我們?cè)诶么笮头植际接?xùn)練解決算力墻和內(nèi)存墻問題的同時(shí)，又產(chǎn)生了通信墻。不同的并行訓(xùn)練方式下，服務(wù)器內(nèi)及服務(wù)器間會(huì)分別引入AllReduce、AlltoAll、梯度數(shù)據(jù)聚合與分發(fā)等通信需求，通信性能強(qiáng)弱將影響整體計(jì)算速度的快慢。以千億級(jí)參數(shù)規(guī)模的大模型訓(xùn)練為例，單次計(jì)算迭代內(nèi)梯度同步需要的通信量就達(dá)到了百GB量級(jí)。此外，AI大模型訓(xùn)練是一種帶寬敏感的計(jì)算業(yè)務(wù)，測(cè)試數(shù)據(jù)表明，采用200G網(wǎng)絡(luò)相對(duì)于100G網(wǎng)絡(luò)，會(huì)帶來10倍以上的性能提升?；谝陨蟽煞矫妫粡埬軌?yàn)闄C(jī)間通信提供高吞吐、低時(shí)延服務(wù)的高性能網(wǎng)絡(luò)十分重要，服務(wù)器的內(nèi)部網(wǎng)絡(luò)連接以及集群網(wǎng)絡(luò)中的通信拓?fù)渫瑯有枰M(jìn)行專門設(shè)計(jì)，實(shí)現(xiàn)算網(wǎng)的高效協(xié)同。

大模型的訓(xùn)練和推理是兩頭能量怪獸，勢(shì)必帶來極大的功耗。當(dāng)前業(yè)界主流的8卡GPU服務(wù)器最大系統(tǒng)功耗達(dá)到6500W，用于GPU服務(wù)器之間互聯(lián)的128口400G以太網(wǎng)交換機(jī)的功耗也接近3500W。假設(shè)ChatGPT要滿足每天2.5億的咨詢量，需要使用3萬張GPU卡，那么，僅僅在推理環(huán)節(jié)每天消耗的電費(fèi)超過就超過50萬（按照每度電0.8元計(jì)算），因此能耗墻是每個(gè)運(yùn)營(yíng)者都要面對(duì)的現(xiàn)實(shí)問題。

算力墻、內(nèi)存墻、通信墻和能耗墻這四大挑戰(zhàn)之間存在一定的關(guān)聯(lián)性，這也決定了我們不能靠簡(jiǎn)單的堆砌來解決問題，產(chǎn)品架構(gòu)的系統(tǒng)性設(shè)計(jì)顯得更為重要。紫光股份旗下新華三集團(tuán)在計(jì)算、網(wǎng)絡(luò)、存儲(chǔ)方面都有長(zhǎng)期的積累和沉淀，能夠系統(tǒng)性地研究和考慮以上的問題，并提出相應(yīng)解決方案。

算力墻應(yīng)對(duì)之道

面對(duì)AGI時(shí)代算力的爆發(fā)式增長(zhǎng)需求，單一處理器無法同時(shí)兼顧性能和靈活度。在此情況下，用最適合的專用硬件去承擔(dān)最適合的計(jì)算任務(wù)，并采用異構(gòu)計(jì)算架構(gòu)去整合這些多元算力，是突破算力墻的有效手段。

在當(dāng)前的AI訓(xùn)練場(chǎng)景，NVIDIA高端GPU是市場(chǎng)上的“硬通貨”，其2023年發(fā)布的Hopper架構(gòu)是NVIDIA GPU的集大成者，一經(jīng)推出便受到市場(chǎng)的青睞。

除了采用GPU外，為人工智能業(yè)務(wù)開發(fā)專用的AI芯片逐漸成為業(yè)界的新趨勢(shì)。

在AI芯片領(lǐng)域，最具代表性的是Google TPU（Tensor Processing Unit）。發(fā)布于2016年的第一代TPU成為了 AlphaGo 背后的算力擔(dān)當(dāng)，當(dāng)前已經(jīng)發(fā)展到了第四代的TPU v4。與 GPU 相比，TPU采用低精度計(jì)算，大幅降低了功耗、加快運(yùn)算速度。

Meta也發(fā)布了MTIA（Meta Training and Inference Accelerator）自研AI芯片，該芯片采用RISC-V開源架構(gòu)，可應(yīng)用在自然語言處理、計(jì)算機(jī)視覺、推薦系統(tǒng)等領(lǐng)域。

除了AI芯片日益多元化之外，AI芯片間的高速互聯(lián)技術(shù)也是突破算力墻的關(guān)鍵。

NVDIA首創(chuàng)了NVLink + NVSwitch技術(shù)，為多GPU系統(tǒng)提供更加快速的互聯(lián)解決方案。借助NVIDIA NVLINK技術(shù)，能最大化提升系統(tǒng)吞吐量，很好的解決了GPU互聯(lián)瓶頸。最新的NVIDIA Hopper架構(gòu)采用NVLINK4.0技術(shù)，總帶寬最高可達(dá)900GB/s。

2023 年 5 月 29 日，NVIDIA推出的DGX GH200 AI超級(jí)計(jì)算機(jī)，采用NVLink互連技術(shù)以及 NVLink Switch System 將256個(gè)GH200 超級(jí)芯片相連，把所有GPU作為一個(gè)整體協(xié)同運(yùn)行。

Google推出的OCS（Optical Circuit Switch）光電路交換機(jī)技術(shù)實(shí)現(xiàn)TPU之間的互聯(lián)，解決TPU的擴(kuò)展性問題。Google還自研了一款光路開關(guān)芯片Palomar，通過該芯片可實(shí)現(xiàn)光互聯(lián)拓?fù)涞撵`活配置，也就是說，TPU芯片之間的互聯(lián)拓?fù)洳⒎且怀刹蛔兊模梢愿鶕?jù)機(jī)器學(xué)習(xí)的具體模型來改變拓?fù)?，提升?jì)算性能及可靠性。借助OCS技術(shù)，可以將4096個(gè)TPU v4組成一臺(tái)超級(jí)計(jì)算機(jī)。

為了滿足AI加速芯片的互聯(lián)需求，OCP組織2019年成立了OAI開源項(xiàng)目組，通過OAM子項(xiàng)目定義業(yè)界通用形態(tài)的GPU/AI模塊、對(duì)外提供標(biāo)準(zhǔn)通信接口，建立OAI相關(guān)的技術(shù)架構(gòu)。芯片廠家只要將其GPU/AI加速芯片做成OAM模塊的形態(tài)，通過UBB來承載多個(gè)OAM模塊，就可以在任何支持OAM/UBB模塊的服務(wù)器上兼容使用。

新華三集團(tuán)作為OAI 2.0規(guī)范的主要起草單位，在國(guó)產(chǎn)化OAM方面多有相應(yīng)的落地實(shí)踐。那么如何在AI算力日益多元化的情況下，如何有效整合這些多元化算力？采用異構(gòu)計(jì)算技術(shù)是最佳選擇。在異構(gòu)計(jì)算領(lǐng)域，新華三開展了廣泛的實(shí)踐，H3C Uniserver R5500 G6踐行異構(gòu)計(jì)算設(shè)計(jì)理念，可搭載Intel或AMD CPU，機(jī)箱天然兼容NVIDIA Hopper架構(gòu)GPU以及OAI架構(gòu)，同時(shí)提供對(duì)多家廠商DPU的支持能力，為不同的應(yīng)用場(chǎng)景提供了澎湃算力。

未來，還采用類似XPU Direct RDMA的異構(gòu)芯片通信技術(shù)，實(shí)現(xiàn)異構(gòu)計(jì)算平臺(tái)互聯(lián)。XPU通信時(shí)不再需要CPU中轉(zhuǎn)，大幅減少數(shù)據(jù)拷貝的次數(shù)，提升了通信性能，有效整合了多元算力。

內(nèi)存墻應(yīng)對(duì)之道

隨著服務(wù)器向異構(gòu)計(jì)算架構(gòu)轉(zhuǎn)型，傳統(tǒng)的PCIe互聯(lián)模式已經(jīng)無法滿足高速緩存一致性和內(nèi)存一致性的需求。GPU加速卡無法使用Host主機(jī)自帶的內(nèi)存資源，無法很好的解決AI大模型訓(xùn)練場(chǎng)景遇到的內(nèi)存墻問題。為此，迫切需要在服務(wù)器內(nèi)使用新興的互聯(lián)架構(gòu)，突破內(nèi)存墻的限制。

NVIDIA Grace Hopper架構(gòu)中，完美的解決了大模型訓(xùn)練的內(nèi)存墻問題。在該架構(gòu)中，Grace CPU和Hopper GPU使用帶寬高達(dá)900 GB/s NVLink C2C鏈路互聯(lián)，GPU可以通過NVLink C2C透明地訪問CPU上的512GB內(nèi)存資源。

NVIDIA通過Grace Hopper向業(yè)界展現(xiàn)了突破內(nèi)存墻問題的解決方案。此外，AMD推出的 Instinct MI300，英特爾推出Falcon Shores也采用了類似的解決方案來突破內(nèi)存墻問題。但這些都屬于私有技術(shù)。有沒有一種開源方案既能解決大容量?jī)?nèi)存問題和內(nèi)存一致性問題，又能避免對(duì)現(xiàn)有協(xié)議體系完全顛覆？Intel聯(lián)合其他8家科技巨頭于2019年成立的CXL（Compute Express Link）聯(lián)盟就致力于解決該問題。

CXL是一種開源的互聯(lián)技術(shù)標(biāo)準(zhǔn)，其能夠讓CPU與GPU、FPGA或其他加速器之間實(shí)現(xiàn)高速互聯(lián)，并且維持CPU內(nèi)存空間和加速器設(shè)備內(nèi)存之間的一致性，以滿足資源共享、內(nèi)存池化和高效運(yùn)算調(diào)度的需求。CXL組織已經(jīng)發(fā)布CXL3.0版本，其數(shù)據(jù)傳輸速率提升至 64 GT/s，并引入了Fabric功能和管理、改進(jìn)的內(nèi)存池、增強(qiáng)的一致性以及對(duì)等通信等重要功能。放眼未來，CXL4.0基于PCI-Express 7.0標(biāo)準(zhǔn)，擁有更高的容量（512GB/S）和更低的延遲，將在性能上實(shí)現(xiàn)另一個(gè)層級(jí)的躍升。

當(dāng)前，各大上游廠商都在開發(fā)或已推出支持CXL協(xié)議的部件，實(shí)現(xiàn)GPU顯存與主機(jī)內(nèi)存的統(tǒng)一尋址，解決內(nèi)存墻問題已經(jīng)近在眼前。暢想未來，隨著CXL Switch等關(guān)鍵部件的進(jìn)一步發(fā)展，我們可以實(shí)現(xiàn)CPU、GPU、內(nèi)存等資源的進(jìn)一步池化，各資源池通過CXL Switch互訪互通，在集群層面實(shí)現(xiàn)全局內(nèi)存一致性。

新華三集團(tuán)在2019年4月正式加入了CXL組織，并于2022年升級(jí)為Contributor會(huì)員。新華三在CXL技術(shù)研究上進(jìn)行了持續(xù)的投入，目前正在開展基于CXL技術(shù)的內(nèi)存池化、異構(gòu)互聯(lián)方面的研究。

通信墻應(yīng)對(duì)之道

在集群網(wǎng)絡(luò)方面，大模型訓(xùn)練優(yōu)化過的無損網(wǎng)絡(luò)解決方案可提供高吞吐和低延時(shí)的網(wǎng)絡(luò)服務(wù)，確保在大規(guī)模訓(xùn)練時(shí)集群的性能。

端網(wǎng)融合的RoCE無損網(wǎng)絡(luò)

RoCE網(wǎng)絡(luò)是基于以太網(wǎng) RDMA技術(shù)實(shí)現(xiàn)的，它比IB更加開放。RoCE可以基于現(xiàn)有的以太網(wǎng)基礎(chǔ)設(shè)施進(jìn)行部署，網(wǎng)絡(luò)管理更加簡(jiǎn)化。但RoCE也面臨著一些挑戰(zhàn)，比如ECMP負(fù)載不均、哈希沖突、PFC死鎖等?；贗P協(xié)議的開放性，出現(xiàn)了多種針對(duì)RoCE的優(yōu)化方案，其核心思想即將服務(wù)器、網(wǎng)卡、交換機(jī)作為一個(gè)整體，結(jié)合創(chuàng)新的擁塞控制算法，實(shí)現(xiàn)端網(wǎng)協(xié)同。

Google數(shù)據(jù)中心使用的TIMELY算法，由網(wǎng)卡進(jìn)行端到端的RTT時(shí)延測(cè)量，根據(jù)RTT時(shí)延數(shù)據(jù)調(diào)整發(fā)送速率，實(shí)現(xiàn)高性能的RoCE網(wǎng)絡(luò)。TIMELY算法使用谷歌自研網(wǎng)卡實(shí)現(xiàn)，主要應(yīng)用在Google內(nèi)部。

阿里團(tuán)隊(duì)提出的HPCC擁塞控制算法，它使用可編程交換機(jī)，通過INT遙測(cè)攜帶網(wǎng)絡(luò)擁塞數(shù)據(jù)，然后由智能網(wǎng)卡動(dòng)態(tài)調(diào)整發(fā)送速率，獲得高帶寬和低時(shí)延的高性能網(wǎng)絡(luò)。

EQDS（edge-queued datagram service）是目前被廣泛討論的另一種擁塞控制解決方案。它將網(wǎng)絡(luò)中的絕大部分排隊(duì)操作從交換機(jī)轉(zhuǎn)移到發(fā)送端網(wǎng)卡上，使得交換機(jī)可以采用很小的緩存設(shè)計(jì)。EQDS由接收端網(wǎng)卡驅(qū)動(dòng)，通過Credit機(jī)制，來指導(dǎo)數(shù)據(jù)包發(fā)送。另外EQDS使用Packet Spray實(shí)現(xiàn)逐包的負(fù)載均衡，以解決負(fù)載不均和哈希沖突的問題。如果交換機(jī)支持DCN（Drop Congestion Notification）技術(shù)，可以由交換機(jī)實(shí)現(xiàn)數(shù)據(jù)包修剪（Packet Trimming），僅將擁塞報(bào)文的報(bào)文頭發(fā)送給接收端，接收端接收到報(bào)文頭后，可以要求發(fā)送端快速重傳數(shù)據(jù)包。實(shí)驗(yàn)表明，EQDS在測(cè)試中表現(xiàn)出色，能夠顯著提高數(shù)據(jù)中心網(wǎng)絡(luò)的性能。

新華三集團(tuán)正在研究基于自研服務(wù)器、智能網(wǎng)卡和高性能交換機(jī)，實(shí)現(xiàn)端網(wǎng)融合的RoCE無損網(wǎng)絡(luò)解決方案，為AI業(yè)務(wù)提供高性能無損通信網(wǎng)絡(luò)。

在網(wǎng)計(jì)算

除了通過增加網(wǎng)絡(luò)帶寬、提升鏈路利用率、優(yōu)化擁塞控制算法外，在網(wǎng)計(jì)算（In-Network Computer）是另一種優(yōu)化通訊開銷的重要手段。在網(wǎng)計(jì)算（In Network Computing）可以將AI分布式訓(xùn)練的集合通信操作卸載到網(wǎng)絡(luò)設(shè)備上，讓網(wǎng)絡(luò)設(shè)備參與計(jì)算，減少計(jì)算節(jié)點(diǎn)之間的消息交互，大幅縮減AI分布式訓(xùn)練的時(shí)間。

以集合通信中使用頻率最高的AllReduce規(guī)約運(yùn)算為例，從各節(jié)點(diǎn)收集梯度，將訓(xùn)練過程中的匯總規(guī)約卸載到集成了計(jì)算引擎單元的網(wǎng)絡(luò)交換機(jī)中進(jìn)行，然后再更新至每一個(gè)節(jié)點(diǎn)。通過在網(wǎng)計(jì)算技術(shù)，加速了整個(gè)Allreduce的過程，可以有效的減少網(wǎng)絡(luò)擁塞和降低通信延遲。

新華三集團(tuán)積極投入在網(wǎng)計(jì)算技術(shù)的研發(fā)，借助可編程交換芯片或在傳統(tǒng)交換機(jī)中引入FPGA芯片實(shí)現(xiàn)在網(wǎng)計(jì)算，提升AI訓(xùn)練的整體性能。

高速以太網(wǎng)及光互聯(lián)

算力需求的爆發(fā)式增長(zhǎng)推動(dòng)了數(shù)據(jù)中心網(wǎng)絡(luò)向800G、1.6T及更高速率快速演進(jìn)。光模塊作為網(wǎng)絡(luò)互聯(lián)的關(guān)鍵部件，隨著速率的提升其功耗也一路攀升，在整機(jī)系統(tǒng)的占比已經(jīng)遠(yuǎn)超ASIC加風(fēng)扇功耗之和。另外，高速光模塊在數(shù)據(jù)中心網(wǎng)絡(luò)建設(shè)中的成本占比也在大幅提升。為了應(yīng)對(duì)由此帶來的功耗、成本和時(shí)延挑戰(zhàn)，業(yè)界出現(xiàn)了兩種最具潛力的解決方案。

LPO線性直驅(qū)技術(shù)去掉了光模塊中功耗最高的DSP芯片，由交換機(jī)ASIC芯片來對(duì)高速信號(hào)進(jìn)行補(bǔ)償和均衡，在實(shí)現(xiàn)成本下降的同時(shí)，大幅降低了光模塊的功耗和延遲，非常適合應(yīng)用在短距大帶寬、低功耗低延時(shí)的AI/ML場(chǎng)景。

傳統(tǒng)可插拔光模塊到交換機(jī)ASIC芯片電信號(hào)連接距離較長(zhǎng)，途經(jīng)點(diǎn)較多，累積損耗大。通過CPO/NPO等封裝技術(shù)的引入，顯著縮短了交換芯片和光引擎間的距離，同時(shí)能夠提供更高密度的高速端口，更適合在1.6T速率后實(shí)現(xiàn)高算力場(chǎng)景下的低能耗、高能效。

在高速互聯(lián)技術(shù)領(lǐng)域，22年新華三集團(tuán)發(fā)布了采用NPO技術(shù)的400G硅光融合交換機(jī)S9825-32D32DO， MPO光引擎接口支持2KM傳輸距離，端口功耗降低40%以上。

2023年，新華三集團(tuán)進(jìn)一步推出了采用共封裝技術(shù)的CPO交換機(jī)，對(duì)外提供64個(gè)800G接口或128個(gè)400G接口，并計(jì)劃今年內(nèi)支持LPO線性驅(qū)動(dòng)光模塊的128口400G，64口800G端口的交換機(jī)產(chǎn)品。未來，新華三將通過持續(xù)的技術(shù)創(chuàng)新為AI業(yè)務(wù)提供高性能、低延遲、低能耗的通信網(wǎng)絡(luò)，破解通信墻的難題。

能耗墻應(yīng)對(duì)之道

降低AI模型整體能耗的主要方式依然是提高數(shù)據(jù)中心的散熱效率，液冷散熱方案因其低能耗、高散熱、低噪聲、低 TCO 等優(yōu)勢(shì)，有著巨大的發(fā)展?jié)摿Α?/p>

其中，浸沒式液冷散熱是典型的直接接觸型液冷，發(fā)熱元件與冷卻液直接接觸，散熱效率更高，噪音更低。目前，浸沒式液冷方案已由初期的單相式液冷進(jìn)化為相變式液冷，充分利用冷卻液的蒸發(fā)潛熱,滿足散熱極端要求,保證IT設(shè)備滿功率運(yùn)行。

目前，新華三集團(tuán)在浸沒式液冷方案方面完成了全面布局，緊跟互聯(lián)網(wǎng)業(yè)務(wù)發(fā)展步伐，秉承產(chǎn)學(xué)研一體理念，從冷板式液冷到浸沒式液冷，從單相式液冷到相變式液冷，從3M冷卻液到國(guó)產(chǎn)冷卻液，積極研究跟進(jìn)推出新華三液冷系統(tǒng)一體化解決方案，包含液冷交換機(jī)、液冷服務(wù)器、熱交換單元、外冷設(shè)備等，并且在液冷方案方面持續(xù)進(jìn)行方案迭代和前沿技術(shù)探索。

展望

本文主要從基礎(chǔ)架構(gòu)角度去討論如何應(yīng)對(duì)AGI時(shí)代的挑戰(zhàn)。隨著數(shù)據(jù)、算力及算法取得不斷的突破，人工智能將會(huì)重塑整個(gè)經(jīng)濟(jì)、社會(huì)、產(chǎn)業(yè)和人們生活的方方面面。這就需要互聯(lián)網(wǎng)企業(yè)應(yīng)整合各類資源打造垂直的生態(tài)，借助生態(tài)伙伴的力量實(shí)現(xiàn)科技成果轉(zhuǎn)化，更好地賦能百行百業(yè)。作為數(shù)字化解決方案領(lǐng)導(dǎo)者，新華三集團(tuán)具備百行百業(yè)的解決方案能力，通過把互聯(lián)網(wǎng)公司的大模型能力融入到新華三解決方案中，可以開展面向政府、企業(yè)、金融、醫(yī)療、教育等場(chǎng)景的N項(xiàng)業(yè)務(wù)合作，共同應(yīng)對(duì)快速場(chǎng)景化落地的挑戰(zhàn)。

生成海報(bào)

免責(zé)聲明：此文內(nèi)容為第三方自媒體作者發(fā)布的觀察或評(píng)論性文章，所有文字和圖片版權(quán)歸作者所有，且僅代表作者個(gè)人觀點(diǎn)，與極客網(wǎng)無關(guān)。文章僅供讀者參考，并請(qǐng)自行核實(shí)相關(guān)內(nèi)容。投訴郵箱：editor@fromgeek.com。

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。