聚焦AI的智能數(shù)據(jù)中心

聚焦AI的智能數(shù)據(jù)中心數(shù)據(jù)中心發(fā)展趨勢聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第1頁。市場概況——未來的數(shù)據(jù)中心商品化數(shù)據(jù)中心服務(wù)——增加外包模式將推動數(shù)據(jù)中心服務(wù)變得商品化，市場變得越來越價格驅(qū)動。工作溫度——在數(shù)據(jù)中心大廳內(nèi)提升工作溫度是一種提高能源效率的措施。

最終用戶的感知會增加。數(shù)據(jù)中心未來發(fā)展趨勢橫向短期中期長期混合模式：云+傳統(tǒng)——利用云技術(shù)的場景越來越多，但不可能從傳統(tǒng)數(shù)據(jù)中心徹底轉(zhuǎn)變。

然而采用混合模式是很可行的。新興經(jīng)濟體的主導地位——中大型新數(shù)據(jù)中心的建設(shè)將集中在新興經(jīng)濟體。

亞太地區(qū)將成為焦點。可替代的制冷和電源——越來越多采用創(chuàng)新的、節(jié)能的、先進的電力和制冷的解決方案，同時我們看到越來越多數(shù)據(jù)中心使用可再生能源供電。未來全球數(shù)據(jù)中心，2017–2024高影響：中低Source:Frost&

Sullivan2-27聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第2頁。市場概況——未來的數(shù)據(jù)中心（續(xù)）數(shù)據(jù)中心未來發(fā)展趨勢橫向短期中期長期增加功率密度——數(shù)據(jù)中心日益增長的工作負載和IT設(shè)備的整合將提升功率密度。

平均功率密度/機架將超過2018年10~12千瓦（kW）閾值。模塊化設(shè)計——快速部署即插即用數(shù)據(jù)中心有助于技術(shù)演進和成本控制。從而縮短了技術(shù)的生命周期。邊緣計算和5G

——

5G的到來將進一步加速時延相關(guān)應(yīng)用的增長，從而使數(shù)據(jù)中心更接近網(wǎng)絡(luò)邊緣。

快速部署小型邊緣數(shù)據(jù)中心，使計算更接近終端用戶。下一代DCIM——增加數(shù)據(jù)中心基礎(chǔ)設(shè)施管理（DCIM）將產(chǎn)生更多下一代基于數(shù)據(jù)建模的DCIM解決方案的需求。

北美和歐洲最早使用這一解決方案。人工智能——人工智能將改變數(shù)據(jù)中心在未來幾年的運作方式。人工智能技術(shù)的進步將使數(shù)據(jù)中心真正智能化；一個能夠自我學習和自我優(yōu)化的數(shù)據(jù)中心。來源：Frost&Sullivan報告高影響：中低Source:Frost&

Sullivan3-27聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第3頁。數(shù)據(jù)中心投資趨勢234.1255.5280.6308.5340.5374.28.08.59.09.510.010.5400.0350.0300.0250.0200.0150.0100.050.00.0201720182022Investment($

Billion)2019 2020 2021Rev($

B) GR

(%)增長率（%）2017~2022年全球總數(shù)據(jù)中心市場和投資預測23.240.2175.0155.0135.0115.095.075.055.035.015.0-5.020172022Investment

($B)2012&2016年全球數(shù)據(jù)中心市場、區(qū)域投資預測（不含企業(yè)細分）CAGR：9.8%23.6%40.6%35.8%Colocation,25%Enterprise,53%2017年全球總數(shù)據(jù)中心投資（按數(shù)據(jù)中心類型劃分）Colocation,21%Hyper-ScaleCloud,

18%Enterprise,61%2017EMEA APAC AMERICAS2022年全球總數(shù)據(jù)中心投資（按數(shù)據(jù)中心類型劃分）4-272022Hyper-ScaleCloud,

22%來源：Frost&Sullivan報告聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第4頁。Returnto

contents5-27AI——為智能數(shù)據(jù)中心鋪平道路聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第5頁。推動全球AI產(chǎn)業(yè)發(fā)展的關(guān)鍵趨勢推動AI進步的自動化需求技術(shù)演進智能應(yīng)用需求技術(shù)的增長大數(shù)據(jù)、云計算等技術(shù)的發(fā)展隨著工業(yè)4.0的興起，每個行在機器學習、深度學習、人工用戶需要高度定制和個性化的推動了AI技術(shù)的進步，為AI引業(yè)越來越多的自動化需求促使神經(jīng)網(wǎng)絡(luò)、遺傳算法、蒙特卡應(yīng)用，機器可以單獨識別并與擎訓練提供了大量數(shù)據(jù)集。數(shù)字化的發(fā)展和先進技術(shù)的使洛模擬、優(yōu)化和博弈論等方面用戶交互，滿足用戶的需求。此外，神經(jīng)網(wǎng)絡(luò)等支持高效并用。

智能自動化支持新的基的持續(xù)進步以及和模糊邏輯的AI正在向這些智能應(yīng)用提供所行處理的處理技術(shù)的不斷演進于AI的技術(shù)和應(yīng)用的發(fā)展，可結(jié)合使得對真實世界的仿真更需的智能，使工作更容易、更也有助于AI的發(fā)展。以大大提高業(yè)務(wù)流程的效率。加準確。

增強模式識別技術(shù)安全、更明智和更快捷。在加快具有優(yōu)秀預測能力的智能應(yīng)用的使用。來源：Frost&Sullivan報告6-27低高人工智能：2018年全球關(guān)鍵趨勢影響聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第6頁。全球AI應(yīng)用情況美國擁有最多AI技術(shù)專利（35.15%），其次是日本和韓國。

AI中最大的專利技術(shù)是人工神經(jīng)網(wǎng)絡(luò)（ANN），其次是模式識別、機器學習、模糊邏輯、支持向量機（SVM）、深度學習和認知計算。北美是AI技術(shù)市場領(lǐng)導者。

這可能是因為微軟、谷歌和IBM等全球最大的信息和通信技術(shù)（ICT）公司的存在，以及許多愿意投資這項技術(shù)的資助機構(gòu)。目前，AI技術(shù)正在醫(yī)療、制造、汽車和金融市場等不同的垂直行業(yè)中推廣。歐洲的AI市場仍處于起步階段，目前在該地區(qū)歐洲委員會和政府機構(gòu)撥款資助了幾項AI研究活動。

他們通過與研究機構(gòu)和AI公司的合作伙伴關(guān)系和協(xié)作，在促進AI創(chuàng)新方面起到了關(guān)鍵作用。在亞太地區(qū)，中國、日本和韓國在AI領(lǐng)域比較領(lǐng)先。

這些國家的政府已經(jīng)意識到AI的潛力，并在研發(fā)方面投入了數(shù)十億美元。

目前，美國和中國在爭奪AI市場的主導地位。除了美國和日本，韓國是第三個擁有AI技術(shù)專利最多的國家。印度AI市場尚處于起步階段，隨著政府推動數(shù)字化進程AI市場也會逐步增長。來源：Frost&Sullivan報告7-27聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第7頁。AI行業(yè)應(yīng)用情況低中高金融服務(wù)來源：Frost&Sullivan報告8-27ICT行業(yè)汽車能源建設(shè)與采礦教育旅游醫(yī)療零售媒體&娛樂不同垂直行業(yè)的AI應(yīng)用情況AI是工業(yè)4.0的關(guān)鍵驅(qū)動因素，可能會打亂幾個垂直行業(yè)。AI在類似人類的認知功能和基于模擬做決策方面的能力不斷推動其大規(guī)模應(yīng)用。AI將對不同的業(yè)務(wù)領(lǐng)域產(chǎn)生巨大影響，因為各行業(yè)正在改變其核心流程和商業(yè)模式，以充分利用計算技術(shù)以及機器學習和深度學習算法。該圖描述了目前在不同行業(yè)中AI應(yīng)用情況。AI已經(jīng)改變了金融、ICT、醫(yī)療和汽車行業(yè)，即將改變能源、零售和其他行業(yè)。人工智能：2018年全球各行業(yè)應(yīng)用情況聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第8頁。數(shù)據(jù)中心挑戰(zhàn)最緊迫的挑戰(zhàn)是意外停機/停電$1.02M$2.41M2.52.01.51.00.50.020102016Cost

($Million)2010~2016年美國數(shù)據(jù)中心意外停機造成的平均最大成本人為錯誤，電力和制冷故障58%網(wǎng)絡(luò)安全22%發(fā)電機故障6%天氣相關(guān)10%IT設(shè)備4%美國數(shù)據(jù)中心意外停電的根因UPS故障，25%水、發(fā)熱或制冷，22%人為錯誤，11%人為錯誤直接導致的數(shù)據(jù)中心停電占總停電次數(shù)的22%

——其中部分最大威脅是由簡單的錯誤引起的，如將溫度調(diào)整為華氏溫度而不是攝氏度，或拔錯電源線。人為錯誤非直接導致的數(shù)據(jù)中心停電占60%~65%。

這些導致停電的錯誤通常由高級管理人員的糟糕決定引起的，他們似乎不了解發(fā)生停電事件站點的情況。美國單個數(shù)據(jù)中心停電的平均成本約為73萬美元。每次事故每分鐘一次意外停電的費用是9000至17000美元。來源：波耐蒙研究所、Frost&Sullivan報告9-27聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第9頁。數(shù)據(jù)中心意外停電真實案例真實案例場景分析——數(shù)據(jù)中心意外停電人/意外錯誤主要涉及的關(guān)鍵基礎(chǔ)設(shè)施相關(guān)問題根因公司名稱影響1.5億美元公司成本問題持續(xù)三天數(shù)據(jù)中心停電影響約2000航班預計停電成本1.77億美元來源：Frost&Sullivan報告10-27預訂系統(tǒng)離線，并影響了全國航班

航班取消三天1.12億美元公司成本停電導致超過400航班被取消，75000名乘客滯留停電成本未披露調(diào)試一個計費系統(tǒng)的問題導致大量服務(wù)器被無意關(guān)閉。聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第10頁。AI在應(yīng)對這些挑戰(zhàn)中的作用提升關(guān)鍵基礎(chǔ)設(shè)施效率機器學習驅(qū)動的智能為關(guān)鍵電力基礎(chǔ)設(shè)施提供基于條件觸發(fā)的維護，最終提高效率和降低成本。關(guān)鍵器件包括：智能電源智能制冷智能數(shù)據(jù)中心基礎(chǔ)設(shè)施管理機器學習使用算法來解析數(shù)據(jù)，從數(shù)據(jù)中學習，并根據(jù)它所學到的信息做出明智的決策。深度學習組合不同層次算法，建立可以自主學習和做出明智決策“人工神經(jīng)網(wǎng)絡(luò)”。來源：Frost&Sullivan報告11-27檢測和消除停電AI通過改進的停電健康能影響現(xiàn)有的數(shù)據(jù)中心服務(wù)提供商。它提供了先進的預測分析，更容易和更可靠地監(jiān)控電力水平和潛在的麻煩領(lǐng)域。提升安全性數(shù)據(jù)中心一直得為網(wǎng)絡(luò)安全威脅做好準備。與人類不同，AI系統(tǒng)可提供7x24監(jiān)控服務(wù)，留意所有數(shù)據(jù)威脅。

AI能夠以更徹底和更快的速度對安全威脅進行篩選和分析。服務(wù)器優(yōu)化AI的預測分析也可以協(xié)助數(shù)據(jù)中心更有效地分配工作負載，減少對機器的壓力，幫助整個中心更高效運作。聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第11頁。戰(zhàn)略需求：AI與數(shù)據(jù)中心效率AI對數(shù)據(jù)中心的最大好處是大幅減少能耗；對于小型或大數(shù)據(jù)中心，基于AI的數(shù)據(jù)中心系統(tǒng)和解

決方案勢必要提升能源效率。動態(tài)電力優(yōu)化：AI允許實現(xiàn)對所有設(shè)備的供電策略，以保證整個數(shù)據(jù)中心的最高效率和負載均衡。例如：監(jiān)控UPS系統(tǒng)中電池的溫度和放電情況。

智能系統(tǒng)能識別在更熱環(huán)境中運行并且可能會比其他系統(tǒng)更常放電的UPS系統(tǒng)，然后將它指定為備份UPS而不是主UPS系統(tǒng)。數(shù)據(jù)中心的AI：戰(zhàn)略需求動態(tài)制冷優(yōu)化：數(shù)據(jù)中心管理人員可以根據(jù)環(huán)境條件監(jiān)控設(shè)備的制冷設(shè)施。

當設(shè)備移動或達到計算流量高峰時，建筑中的熱負載也會發(fā)生變化。

通過動態(tài)調(diào)整制冷輸出到轉(zhuǎn)換熱負載，可以消除不必要的制冷量，降低運營成本。智能DCIM——隨著AI的集成，數(shù)據(jù)中心基礎(chǔ)設(shè)施管理（DCIM）可以將許多數(shù)據(jù)中心任務(wù)轉(zhuǎn)移到智能系統(tǒng)中，這樣操作人員可以把注意力集中在策略等方面。

容災和法規(guī)遵從也將通過AI-DCIM交互來執(zhí)行。采集：從服務(wù)器、電源和冷卻、HVAC、建筑物監(jiān)控軟件、PDU等所有分布式來源中抓取數(shù)據(jù)。分析：先進的內(nèi)容分析使數(shù)據(jù)中心管理人員不僅了解發(fā)生了什么，還了解了怎么發(fā)生和為什么。來源：Frost&Sullivan報告12-27行動：將數(shù)據(jù)細化為可執(zhí)行的想法，使數(shù)據(jù)中心運營商能夠快速了解當前的情況，采取行動提高運營效率，從而節(jié)省成本。聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第12頁。數(shù)據(jù)中心的AI：真實案例一目標是100%由可再生能源驅(qū)動減少能源使用已成為主要焦點2016年，通過將DeepMind的機器學習應(yīng)用到其數(shù)據(jù)中心，谷歌設(shè)法將其用于冷卻的能量減少了40%。

反思：即使是微小的改進也能節(jié)省大量能源，減少二氧化碳排放。在數(shù)據(jù)中心內(nèi)使用基于不同運營場景和參數(shù)進行訓練的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，建立一個更高效和適應(yīng)性更強的框架來理解數(shù)據(jù)中心的動態(tài)和優(yōu)化效率。2018年將這個系統(tǒng)升級一個層次：系統(tǒng)的AI系統(tǒng)直接控制數(shù)據(jù)中心制冷（在我們的數(shù)據(jù)中心運營商的專家監(jiān)控下），而不是人工控制。算法有效地執(zhí)行了控制，這種算法管理了幾個數(shù)據(jù)中心的制冷。

該算法獨立運行，由一個人管理。如果算法似乎做了有風險的事情，人工可以進行干預。來源：Google、Frost&Sullivan13-27聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第13頁。數(shù)據(jù)中心的AI：真實案例二利用AI模型，讓有經(jīng)驗的工程師訓練他們的“AI用戶角色”，用一種簡單的監(jiān)控學習方式來識別機器的視覺、聲音和振動。傳感器成為一種自然延伸，代替技術(shù)人員在數(shù)據(jù)中心行走、聆聽、觀察和感受。

AI系統(tǒng)提醒工程師存在噪音，他們反過來識別這些噪音.

下次出現(xiàn)類似噪聲時，系統(tǒng)就會知道它是什么意思，并據(jù)此進行診斷。關(guān)鍵在于,它是人類洞察力和機器學習的疊加.

運營知識庫隨著時間不斷增長，使系統(tǒng)越來越智能化。這不僅能夠識別和解決問題，而且能夠在基礎(chǔ)設(shè)施事故和故障發(fā)生之前進行預測和預防。ROOT是世界上第一個實現(xiàn)人工智能的數(shù)據(jù)中心之一。

這家公司運營著加拿大最大的批量數(shù)據(jù)中心。來源：ROOT數(shù)據(jù)中心、Frost&Sullivan14-27聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第14頁。數(shù)據(jù)中心的AI：真實案例三來源：世邦魏理仕（CBRE）、Frost&SullivanCBRE目前代表其電信、銀行、金融機構(gòu)、醫(yī)療、媒體等領(lǐng)域的企業(yè)客戶管理800多個設(shè)施。CBRE正在部署類似于蘋果的Siri或亞馬遜的Alexa的AI驅(qū)動的數(shù)據(jù)中心維護工具，實現(xiàn)部分數(shù)據(jù)中心管理流程的自動化。AI人物角色被稱為風險暴露規(guī)避智能（REMI）。

它將被訓練為可以和公司員工一起工作。REMI最終能夠檢測數(shù)據(jù)中心樓層的機械和電氣基礎(chǔ)設(shè)施和環(huán)境情況，并能實現(xiàn)預測性維護。利用所有可以訪問到的運營數(shù)據(jù)，CBRE結(jié)合數(shù)千名技術(shù)人員的專業(yè)知識和數(shù)百萬臺機器，致力于創(chuàng)造世界上最大的可操作的機器操作數(shù)據(jù)AI存儲庫。15-27聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第15頁。Returnto

contents16-27Frost&Sullivan獎聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第16頁。Frost&Sullivan卓越獎恭喜！!!!!Frost&Sullivan很榮幸把"2017年技術(shù)領(lǐng)導力獎"全球智能數(shù)據(jù)中心行業(yè)的17-27聚焦AI的智能數(shù)據(jù)中心全文共19頁，當前為第17頁。Frost&Sulliv