Data center
Jak działa
Serwery i akceleratory (GPU/TPU) montowane są w szafach rack połączonych szybką siecią o niskich opóźnieniach. Energia z sieci energetycznej przechodzi przez rozdzielnie, zasilacze UPS (podtrzymanie przy zaniku) i generatory zapasowe, a następnie zasila sprzęt IT. Ciepło odprowadzają systemy chłodzenia (powietrzne, cieczowe lub bezpośrednie do chipów), które przy klastrach AI stają się kluczowe ze względu na gęstość mocy. Efektywność energetyczną ocenia PUE; w wydajnych obiektach hyperscale chłodzenie to ok. 7% zużycia energii, w centrach enterprise często ponad 30%. Dostępność i redundancję klasyfikuje się m.in. systemem Tier I–IV Uptime Institute. Operacyjnie centra dzielą się na enterprise, kolokacyjne, hyperscale i edge; według raportu LBNL z 2024 r. obiekty hyperscale i kolokacyjne mieściły 74% serwerów w USA w 2023 r.
Rozwiązany problem
Nowoczesne obliczenia — zwłaszcza trening i inferencja dużych modeli AI — wymagają gęsto upakowanej, niezawodnej mocy obliczeniowej, stałego zasilania i intensywnego odprowadzania ciepła, czego nie zapewni pojedynczy serwer czy biurowa serwerownia. Centrum danych rozwiązuje ten problem, dostarczając kontrolowane środowisko z redundantnym zasilaniem, chłodzeniem, szybką siecią i zabezpieczeniami w skali przemysłowej.
Komponenty
Jednostki obliczeniowe montowane w szafach rack, realizujące główne zadania przetwarzania.
Specjalizowane układy do treningu i inferencji modeli AI; główny czynnik gęstości mocy w centrach dla AI.
Macierze dyskowe (SSD/HDD) i systemy przechowywania danych na potrzeby aplikacji i zbiorów treningowych.
Przełączniki, routery i okablowanie o wysokiej przepustowości i niskich opóźnieniach łączące serwery oraz obiekt z internetem.
Rozdzielnie, zasilacze UPS podtrzymujące pracę przy zaniku prądu oraz generatory zapasowe zapewniające ciągłość działania.
Systemy chłodzenia powietrznego, cieczowego lub bezpośredniego do chipów; przy klastrach AI kluczowe ze względu na gęstość mocy.
Stosunek całkowitej energii obiektu do energii dostarczonej do sprzętu IT; wartość idealna 1,0. Standard ISO/IEC 30134-2:2016, opracowany przez The Green Grid.
Implementacja
Operatorzy bywają kuszeni, by pomijać część zużycia (np. oświetlenie) i raportować niższy PUE; metryka nie uwzględnia też klimatu lokalizacji.
Ograniczenia sieci energetycznej i lokalny sprzeciw opóźniają lub blokują projekty; Data Center Watch odnotował 64 mld USD zablokowanych lub opóźnionych inwestycji (V 2024 – III 2025).
Intensywne chłodzenie może znacząco obciążać lokalne zasoby wody, co budzi sprzeciw środowiskowy.
Ewolucja
Pierwsze komputery (np. ENIAC, 1945) zajmowały całe sale — prototypy centrów danych.
Rozwój WWW napędza dedykowane serwerownie i wczesną kolokację.
Start Amazon EC2 — model chmurowy w centrach operatorów (AWS, Azure, GCP).
Operatorzy chmury budują gigantyczne obiekty; Open Compute Project (Facebook, 2011).
Klastry GPU do treningu i inferencji napędzają rekordowy pobór mocy; IEA szacuje ~415 TWh (~1,5% globalnej energii) w 2024 r.
Wąskie gardło obliczeniowe
W centrach danych dla AI wiążącym ograniczeniem jest dostarczenie mocy (przyłącze do sieci energetycznej, nierzadko ponad 3 000 MW dla największych obiektów) oraz odprowadzenie ciepła od gęsto upakowanych akceleratorów, a nie sama liczba układów.
Wymagania sprzętowe
Klastry GPU z rdzeniami tensorowymi są dziś głównym obciążeniem centrów danych dla AI (trening i inferencja).
Centra danych operatorów chmury (np. Google) wykorzystują TPU do obciążeń AI.
Serwery CPU obsługują obciążenia ogólnego przeznaczenia, usługi chmurowe i część inferencji.
Centrum danych jako obiekt mieści dowolny sprzęt obliczeniowy, niezależnie od typu akceleratora.