گسترش سریع هوش مصنوعی، مراکز داده را به دوران جدیدی از چگالی توان سوق داده است. رکهای ابری سنتی حدود ۵ تا ۱۵ کیلووات را میکشیدند، اما رکهای آموزش هوش مصنوعی امروزی که بر اساس شتابدهندههای GPU متراکم ساخته شدهاند، به طور معمول به ۴۰ کیلووات، ۱۰۰ کیلووات یا حتی بیشتر نیاز دارند. این افزایش، اپراتورها را مجبور میکند تا هر لایه از سیستم توزیع الکتریکی را دوباره مورد بررسی قرار دهند - و باسوی (کانال باس) به سرعت به ستون فقرات انتخابی برای مرکز محاسباتی مدرن هوش مصنوعی تبدیل شده است.
برای دههها، مراکز داده برق را از طریق کابلهای زیر کف و سینیهای کابل بالای سر توزیع میکردند. این رویکرد هنگام افزایش چگالی رک با مشکل مواجه میشود. نصب کابل نیازمند نیروی کار زیادی است، پیکربندی مجدد آن دشوار است و هر شاخه باید به طور جداگانه مهندسی و خاتمه یابد. هنگامی که یک ردیف واحد از رکها ناگهان نیاز به جهش از ۱۰ کیلووات به ۸۰ کیلووات در هر کابینت دارد، طرحهای مبتنی بر کابل به جای یک مزیت، به یک گلوگاه تبدیل میشوند.
یک مرکز داده هوش مصنوعی با طراحی خوب معمولاً باسوی بالای سر را برای توزیع برق رک با باسوی جریان بالا در مسیر توزیع اصلی ترکیب میکند. ساختار ساده شده زیر نحوه جریان برق از ترانسفورماتور به رک GPU را نشان میدهد.
| لایه | تجهیزات | امتیاز معمول |
|---|---|---|
| تاسیسات و ترانسفورماتور | ترانسفورماتور MV/LV | ۲ تا ۵ مگاولت آمپر |
| توزیع اصلی | باسوی جریان بالا | ۱۰۰۰ تا ۵۰۰۰ آمپر |
| توزیع ردیف | باسوی بالای سر | ۲۵۰ تا ۱۰۰۰ آمپر |
| تغذیه رک | جعبه انشعاب + سیم | تا ۱۰۰ کیلووات در هر رک |
همه باسویها برای نیازهای هوش مصنوعی طراحی نشدهاند. هنگام مشخص کردن یک سیستم، اپراتورها باید بر رتبهبندیهای بالای مقاومت در برابر اتصال کوتاه، افت ولتاژ کم در مسیرهای طولانی، عایقبندی قوی و مجموعهای از جعبههای انشعاب با رتبهبندی بار بالا و مداوم اصرار داشته باشند. خنککننده مایع، مبدلهای حرارتی درب عقب و کانکتورهای جریان بالا همگی باید از روز اول با مسیر برق هماهنگ شوند.
با ادامه تمرکز بارهای کاری هوش مصنوعی بر روی رکهای متراکمتر، باسوی از یک گزینه راحت به یک ضرورت استراتژیک تبدیل شده است. این سیستم ظرفیت، انعطافپذیری و سرعت مورد نیاز مراکز محاسباتی هوش مصنوعی را فراهم میکند - و این کار را با تلفات کمتر و مسیر ارتقاء واضحتر نسبت به کابلکشی سنتی انجام میدهد. برای اپراتورهایی که نسل بعدی زیرساخت هوش مصنوعی را برنامهریزی میکنند، باسوی دیگر یک جزئیات نیست؛ بلکه اساس آن است.
گسترش سریع هوش مصنوعی، مراکز داده را به دوران جدیدی از چگالی توان سوق داده است. رکهای ابری سنتی حدود ۵ تا ۱۵ کیلووات را میکشیدند، اما رکهای آموزش هوش مصنوعی امروزی که بر اساس شتابدهندههای GPU متراکم ساخته شدهاند، به طور معمول به ۴۰ کیلووات، ۱۰۰ کیلووات یا حتی بیشتر نیاز دارند. این افزایش، اپراتورها را مجبور میکند تا هر لایه از سیستم توزیع الکتریکی را دوباره مورد بررسی قرار دهند - و باسوی (کانال باس) به سرعت به ستون فقرات انتخابی برای مرکز محاسباتی مدرن هوش مصنوعی تبدیل شده است.
برای دههها، مراکز داده برق را از طریق کابلهای زیر کف و سینیهای کابل بالای سر توزیع میکردند. این رویکرد هنگام افزایش چگالی رک با مشکل مواجه میشود. نصب کابل نیازمند نیروی کار زیادی است، پیکربندی مجدد آن دشوار است و هر شاخه باید به طور جداگانه مهندسی و خاتمه یابد. هنگامی که یک ردیف واحد از رکها ناگهان نیاز به جهش از ۱۰ کیلووات به ۸۰ کیلووات در هر کابینت دارد، طرحهای مبتنی بر کابل به جای یک مزیت، به یک گلوگاه تبدیل میشوند.
یک مرکز داده هوش مصنوعی با طراحی خوب معمولاً باسوی بالای سر را برای توزیع برق رک با باسوی جریان بالا در مسیر توزیع اصلی ترکیب میکند. ساختار ساده شده زیر نحوه جریان برق از ترانسفورماتور به رک GPU را نشان میدهد.
| لایه | تجهیزات | امتیاز معمول |
|---|---|---|
| تاسیسات و ترانسفورماتور | ترانسفورماتور MV/LV | ۲ تا ۵ مگاولت آمپر |
| توزیع اصلی | باسوی جریان بالا | ۱۰۰۰ تا ۵۰۰۰ آمپر |
| توزیع ردیف | باسوی بالای سر | ۲۵۰ تا ۱۰۰۰ آمپر |
| تغذیه رک | جعبه انشعاب + سیم | تا ۱۰۰ کیلووات در هر رک |
همه باسویها برای نیازهای هوش مصنوعی طراحی نشدهاند. هنگام مشخص کردن یک سیستم، اپراتورها باید بر رتبهبندیهای بالای مقاومت در برابر اتصال کوتاه، افت ولتاژ کم در مسیرهای طولانی، عایقبندی قوی و مجموعهای از جعبههای انشعاب با رتبهبندی بار بالا و مداوم اصرار داشته باشند. خنککننده مایع، مبدلهای حرارتی درب عقب و کانکتورهای جریان بالا همگی باید از روز اول با مسیر برق هماهنگ شوند.
با ادامه تمرکز بارهای کاری هوش مصنوعی بر روی رکهای متراکمتر، باسوی از یک گزینه راحت به یک ضرورت استراتژیک تبدیل شده است. این سیستم ظرفیت، انعطافپذیری و سرعت مورد نیاز مراکز محاسباتی هوش مصنوعی را فراهم میکند - و این کار را با تلفات کمتر و مسیر ارتقاء واضحتر نسبت به کابلکشی سنتی انجام میدهد. برای اپراتورهایی که نسل بعدی زیرساخت هوش مصنوعی را برنامهریزی میکنند، باسوی دیگر یک جزئیات نیست؛ بلکه اساس آن است.