云栖科技评论第21期:Facebook绿色数据中心提供空前的能源使用效率

简介: 本周热点科技事件,是阿里云“ET”采用分布式爬虫收集全球海量互联网信息,利用文本挖掘和语义分析解析新闻关键词,使用深度神经网络将新闻分类,汇总而选择最新鲜的科技信息。 编辑制作:人民网研究院 内容提供:阿里云研究中心

1、Facebook绿色数据中心提供空前的能源使用效率


Facebook绿色数据中心提供空前的能源使用效率

【新闻摘要】Facebook的服务即将变得越来越复杂,需要消耗越来越多的电力。现在,它的数据中心电源使用效率已经达到了1.06—1.08的水平,甚至比Google的数据中心能效还要高。在瑞典吕勒奥的数据中心园区内,Facebook实现了其Open Compute Project(OCP,开放计算项目)勾勒的服务器和数据中心设计,在这里服务器、供电和UPS都是定制的设计。Facebook仍然致力于建设依赖绿色电力的数据中心网络。公司称预计到2018年采用50%的清洁和可再生能源。其计划是,在爱荷华州、德克萨斯州、爱尔兰、瑞典以及新墨西哥州的设施将100%利用风能、太阳能或者混合电力能源。新闻链接
【小云评论】5年前,我国数据中心的平均PUE(数据中心能源效率)是2.5以上。阿里云2016年张北机房落成时,平均PUE可以达到1.25,最低可到1.13。PUE是衡量一个数据中心电源使用效率的核心指标。为什么互联网行业对于PUE这个指标如此苛刻和纠结?一方面,将电源转换效率提升1%,每年节省的费用可能就是上百万元;另一方面,一个绿色的数据中心对于环境保护的意义更是毋庸置疑的。提高数据中心的节能效果是考验数据中心设计和建设技术能力的关键,数据中心需要实时感知温度、湿度、空气质量等细微的环境变化,实现自动化的控制;软件上来说,云数据中心的操作系统,虚拟机控制等等更是涉及到异常复杂的调度算法。从数据中心的节能效率到整个数据中心的全生命周期管理,一定程度上可以反映一个国家的基础设施水平。


2、行车记录仪显示 特斯拉无人驾驶先于司机预测到事故


行车记录仪显示 特斯拉无人驾驶先于司机预测到事故

【新闻摘要】在荷兰的高速公路上发生一起交通事故,事故发生之前,司机尚未发现任何异常,特斯拉的自动驾驶仪却已经发出了前方碰撞的警告。随着9 月特斯拉8.0新版本软件的发布,汽车制造商宣布了一项新的雷达处理技术,直接推送到配备第一代自动驾驶设备的所有车辆。新雷达处理技术带来的主要特点之一是雷达系统能够先于司机观察到前方汽车,行驶过程中可以跟踪定位前方的两辆车。雷达可以接受从车辆下方或周围反弹的信号,若前方车辆阻碍了视野,雷达可以预测驾驶员不能在何处行车。新闻链接
【小云评论】这则新闻里的司机是幸运的。尽管特斯拉2016年在美国和中国先后酿成两起因无人驾驶技术问题导致驾驶员死亡的事故,但是无人驾驶将在未来成为主流的论断几乎已无人质疑。“无人驾驶比有人驾驶更安全”论断的背后是大数据的应用和人工智能的突破,更为深层的驱动力可能是万亿美元的市场(2025年,麦卡锡预测)。有趣的是,众所周知,无人驾驶更为准确的说法是智能驾驶,而智能驾驶从辅助驾驶,到半自动驾驶,再到无人驾驶的三步走已经成为common sense;然而,特斯拉今年在道路上的一系列成功或失败的故事,是否预示着未来已经提前到来了呢?


3、亚马逊开发AFC航空物流中心 用无人机送货上门


亚马逊开发AFC航空物流中心 用无人机送货上门

【新闻摘要】近日,亚马逊公开了相关研究的专利文件,帮助实现无人机送货规模化运作,无人机送货规模运作的关键点在于“航空物流中心”,类似于一个可移动的空中站点,货物像是储存在齐柏林空中飞艇中。亚马逊要选择一个合适的位置安置飞艇,同时会根据用户需求进行转移,并悬停在空中大概45000英尺的位置,既能储存大量货物,又能在有需求的时候及时配送。此外,亚马逊还设想在这一系统中配备穿梭机,可以为 AFC(AFC,airborne fulfillment centers)补充库存、无人机、燃料等等,当然也可以在地面和AFC之间运送工作人员。新闻链接
【小云评论】在2016年Gartner发布的“Top 10 Strategic Technology Trends for 2017”报告中,无人机(Drone)被Gartner认为是2017年重要的战略技术之一,趋势上将从单一的无人机向多机协同发展。AWS(亚马逊云服务)推出的快递无人机就是非常典型的场景。AWS建设AFC就是在无人机规模化运营上的探索和尝试。当然,无人机相对于另一个具有相似智能的物体——机器人来说,应用场景要狭窄的多。这也可以解释为什么美的收购库卡可以吸引更多的眼球。不管怎样,这些Intelligent Things必将深刻改变人类的生产和生活,让我们拭目以待。


4、苹果公布首份人工智能报告:一篇关于机器学习的论文


苹果公布首份人工智能报告:一篇关于机器学习的论文

【新闻摘要】近日,苹果发布了公司的首份人工智能报告,阐述了一项最新的技术——如何通过计算机生成图像、而非真实图像来训练一种算法的图像识别能力。在机器学习研究中,使用合成图像来训练神经网络要比使用真实图像更有效。因为合成图像数据已经被标记和注释,而真实的图像数据需要有人耗费巨大的精力去标记计算机看到的每件事物。但合成图像也有弊端,有时因为合成图像不够真实,导致神经网络智能了解到合成图像中的细节,而对真实图像的认识有所不足。为了解决这个弊端,提高合成图像数据的训练效果,苹果研究人员推出了“模拟+无监督”的学习方法,以提高模拟图像的真实感。新闻链接
【小云评论】苹果终于将“第一只靴子”扔在了地板上。这份关于计算机视频(Computer vision)的S+U(Simulated + Unsupervised)报告的水准的确是非常高的,体现了苹果在AI上的技术积累。事实上,苹果在SIRI以及无人驾驶上都有深厚的研究。那么接下来的问题是,苹果什么时候会扔下“另一只靴子”呢?而“另一只靴子”是否正像苹果说的那样,是关于视频的算法吗?2017年,AI会有哪些振奋人心的突破呢?


5、福特展示新一代无人驾驶汽车


福特展示新一代无人驾驶汽车

【新闻摘要】福特公司发布新一代福特Fusion Hybrid的自动驾驶测试车,搭载最新且更精良集成的感测器组。针对系统改进的部分,福特公司表示:新一代汽车使用现有的福特自动驾驶平台,但电力程序方面有新的计算机硬体升级。电子控制已更接近生产就绪,并且感测器技术(包含位置)的调整,让汽车能更清楚看到它的周围环境。最新一代汽车使用4个LiDAR光学感测器(前一代仅2个),拥有3倍多的感测范围(600呎vs200呎),它们同时搭载3个相机及3个雷达天线。福特将会在一月份于CES(国际消费类电子产品展览会)及北美国际汽车大展展出,并预计在2021年将共乘服务带入市场。新闻链接
【小云评论】在2016年Gartner发布的新兴技术成熟度曲线报告(Hype Cycle for Emerging Technologies, 2016)中,无人驾驶/自动驾驶(Autonomous Vehicles)恰恰处于泡沫峰值(Peak of inflated Expectations)和回归理性(Though of Disillusionment)的交界处。对比2015年的位置,不难发现,无人驾驶在2015年处于市场炒作周期的峰值,而2016年也只是稍稍地向理性位移了一点。这说明无人驾驶仍旧是市场炒作的热点;同时也可以看出,无人驾驶正在走向理性,而也只有回归理性的技术,才可能稳步发展和被大规模工业化生产。


6、三星升级Gear VR浏览器 开始支持WebVR


三星升级Gear VR浏览器 开始支持WebVRWebVR

【新闻摘要】三星在近日升级了Gear VR里的浏览器。其中最大的改变就是增加了对WebVR 1.0的支持,这是由谷歌和Mozilla共同开发的实验性VR浏览器标准的第一次迭代后的版本,这个特性使得在Gear VR上浏览3D图片以及播放VR内容变得更加容易。根据三星的开发日志,在更新4.20版本(上个月发布)之后,Gear VR里的浏览器能够让用户像在电影院一样,在一个更大的虚拟屏幕上浏览网页、观看视频和图片。而且它还支持网页版的180°的流视频,使得用户能够更方便的欣赏YouTube上的3D VR视频。新闻链接
【小云评论】VR浏览器对WebVR 1.0的支持将极大提升三星Gear VR的竞争力,特别是在面对诸如Google Daydream这样强有力的竞争对手的时候,尽管WebVR 1.0本身就是Google主导制定的。大家还都记得互联网的突破是在Netscape推出真正商业化的浏览器之后,而三星在VR浏览器上发力恰恰是打算掌握核心科技。只是今天的三星和Google,是否会复现20年前Netscape navigator和Microsoft Internet Explore之战,现在还不好断言。VR作为一项颠覆性技术,将在不远的将来进入战国时代。


7、澳大利亚科学家打印出可以跳动的心脏细胞 离3D打印心脏梦想又近一步


澳大利亚科学家打印出可以跳动的心脏细胞 离3D打印心脏梦想又近一步

【新闻摘要】3D打印人类器官的目标虽然还很遥远,但是每前进一步这个梦想就会更靠近现实一点。在澳大利亚,悉尼心脏研究所( Sydney-based Heart Research Institute ,HRI)开发了一种可以打印人类细胞的生物打印机,可以用来修复受损的心脏组织。研究的效果也很神奇,这些心脏细胞可以跳动,就像一颗真正的心脏一样。患者只需要给医务人员提供他们的表皮细胞,用它们生成干细胞,再进一步生成心脏细胞。除了创建可植入的心脏细胞,3D生物打印机(Bio-Printer)还可以创建特定器官用于药物测试。新闻链接
【小云评论】都是3D打印技术,打印一个房子和打印心脏组织的意义不可同日而语。心脏病是人类生命No.1的威胁,如果没有了生命,房子又有何意义?澳大利亚科学家此番成功通过3D生物打印机打印出心脏组织细胞,意味着在未来的某一天,一个心脏病突发的病人可以拥有更多的选择去维系生命。我们不知道这个过程要多久,5年或是10年,但是今天的突破对于无数心脏病患者来说,将愈加坚定其面对死神时的信念。


8、IBM今年获7000多项专利 AI专利数超1000连续24年称霸


IBM今年获7000多项专利 AI专利数超1000连续24年称霸

【新闻摘要】IBM宣布:他们今年有望再次成为全美获得专利数最多的科技公司,专利数超7000项,其中人工智能和认知计算方面的专利高达1000多项,从而连续称霸24年。单是1000项人工智能专利就已远远超过 Facebook 整个 2015 年的总专利,与亚马逊在2015年的专利数持平。而IBM2015年共获7335项专利,2014年为7534项。去年IBM 31%的专利属于认知解决方案和云计算类别,而IBM 在云计算和人工智能等战略领域的投资达到了总投资130亿美元的54%,累计增长26%,与此同时,两者为IBM的 290 亿美元总收入贡献了35%。新闻链接
【小云评论】7000个专利是一个令人震惊的数字,事实上“蓝色巨人”在过去20年里,专利数量超过了88000个。专利的意义也越来越被中国企业所重视。专利是一个企业的战略,不仅意味着市场上更大的话语权和对友商设立更高的竞争门槛,还意味着直接的专利授权收入。与此同时,IBM单独在AI上的专利就超过1000个,意味着Watson/认知计算已经成为IBM绝对的战略方向。


9、松下集团投资 2.6 亿美元 与特斯拉联手生产光伏电池


松下集团投资 2.6 亿美元 与特斯拉联手生产光伏电池

【新闻摘要】目前,松下是特斯拉锂离子电池的主要供应商。2014年,松下集团曾同意对特斯拉超级电池工厂的设备、机械以及其他制造工具进行投资。如今,两家公司又开启了新的合作。据报道,双方已经确定将从2017年起在纽约州的工厂生产光伏电池及部分组件。双方表示,公司计划从2017年夏季起在纽约州的布法罗工厂中生产光伏组件,目标是在2019年将产能提升到一千兆瓦。据了解,特斯拉表示,将在布法罗创造超过1400个就业岗位,其中包括超过500个制造岗位。而松下集团将在布法罗工厂投资300亿日元(大约合2.6亿美元)。新闻链接
【小云评论】松下和Tesla合作的背后是全球新能源迅猛的发展趋势。松下,作为一个老牌的消费者电器制造厂商,在迎击来自中国和韩国等国家电器厂商的挑战时越来越力不从心。因此,此番松下和Tesla的合作,与其说是Tesla的一次成功引资,不如说是松下的重大转变。事实上不仅是松下,新能源已经成为许多传统制造企业谋求新生的重要方向。对于国家也一样。这里必须要问一下,为什么是松下?因为新能源已经成为安倍政府的重要战略。离开了能源,经济无从发展。而类似风能、太阳能这样的可再生同时取之不尽用之不竭的能源,势必在未来经济发展中占据举足轻重的地位。


10、微软发布“Office 365 美国政府计划”


微软发布“Office 365 美国政府计划”

【新闻摘要】在IT行业的大环境下,很多公司的存储和软件都开始转向云端。虽然整体还需很长的路要走,但目前已有许多公司已经逐步转移到云上。根据预测,到2018年将有超过一半的存储、服务器和软件支出将在公共云的IT部门。微软发布了一份电子书,其重点是“Office 365美国政府”如何帮助客户保持数据安全。“Office 365美国政府”是具有先进IT需求的政府机构的理想选择,希望灵活地按照自己的步伐迁移到云。主要从以下6个层面来解决应用层大规模信息泄露的问题:第一,应用访问控制;第二,帮助政府客户满足合规需求;第三,客户锁箱功能;第四,移动设备管理;第五,信息加密和权限管理;第六,提供数据丢失防护技术安全功能。新闻链接
【小云评论】针对最近出现的大规模信息泄露以及数据被窃取的安全事件频发,例如雅虎邮箱、领英等,微软这次发布了“Office 365美国政府计划”,提供了应用安全的解决方案。从安全合规、用户访问控制、移动设备管理、对信息加密和权限的管理以及数据丢失防护技术等方面进行了管控。正所谓魔高一尺、道高一丈,考虑到网络威胁不断发展,大多数安全故障背后的主要原因是保护措施已过时,所以需要在合规方面不断完善。关于客户锁箱功能,微软允许用户决定谁可以访问他/她的IT资产和水平,最小化Microsoft员工访问用户数据的任何需要。即使在极少数情况下,例如执法环境下,仍可能需要得到用户的同意才能拿到数据。这块从隐私保护方面,做得还是比较到位。总体看有一些值得国内云服务提供商借鉴的内容。

目录
相关文章
|
6月前
|
机器学习/深度学习 监控 算法
探索现代数据中心的绿色革命
随着信息技术的飞速发展,数据中心作为数字基础设施的核心,其能源消耗和环境影响日益成为全球关注的焦点。本文将深入探讨现代数据中心在实现能效优化与环保目标方面所采取的创新技术与策略,包括最新的冷却解决方案、能源管理系统以及可持续能源的利用等。通过分析这些技术的实际应用案例,揭示数据中心行业如何平衡效率与生态责任,推动着一场静悄悄的绿色革命。
65 4
|
6月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心的能源效率
【2月更文挑战第27天】 在数据中心管理和运营中,能源效率已成为关键性能指标之一。随着人工智能技术的进步,特别是机器学习(ML)算法的发展,出现了新的机会来优化数据中心的能源消耗。本文探讨了如何通过应用机器学习模型对数据中心的能源使用进行实时监控和预测,进而实施节能策略。文中详细分析了不同类型的机器学习算法,并提出了一套基于预测分析的动态能源管理框架。通过仿真实验验证了所提出方法的有效性,结果表明,与传统管理手段相比,该框架能够显著提高数据中心的能源效率,降低运营成本。
102 3
|
6月前
|
机器学习/深度学习 数据挖掘 物联网
【专栏】机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效
【4月更文挑战第27天】随着信息技术发展,数据中心能耗问题日益突出,占全球电力消耗一定比例。为提高能效,业界探索利用机器学习进行优化。本文讨论了机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效。然而,数据质量、模型解释性和规模化扩展是当前挑战。未来,随着技术进步和物联网发展,数据中心能效管理将更智能自动化,机器学习将在实现绿色高效发展中发挥关键作用。
126 5
|
3月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心的能源效率
【8月更文挑战第30天】 在信息技术不断进步的今天,数据中心作为支撑云计算、大数据分析和人工智能等技术的核心基础设施,其能源效率已成为衡量运营成本和环境可持续性的关键指标。本文旨在探讨如何通过机器学习技术对数据中心进行能源效率优化。首先,文中介绍了数据中心能耗的主要组成部分及其影响因素。其次,详细阐述了机器学习模型在预测和管理数据中心能源消耗方面的应用,并通过案例分析展示了机器学习算法在实际环境中的效果。最后,文章讨论了机器学习优化策略实施的潜在挑战与未来发展方向。
|
6月前
|
机器学习/深度学习 算法 大数据
利用机器学习优化数据中心的能源效率
【5月更文挑战第5天】 在本文中,我们探索了如何通过应用机器学习技术来改善数据中心的能源效率。传统的数据中心能源管理依赖于静态阈值和规则,这限制了它们在动态环境中优化能效的能力。我们提出了一个基于机器学习的框架,该框架能够实时分析数据中心的能耗模式,并自动调整资源分配以降低功耗。我们的方法结合了历史数据学习和实时预测模型,以实现更精细化的能源管理策略。实验结果表明,我们的机器学习模型相比传统方法在能源节约方面取得了显著的提升。
|
6月前
|
数据中心 虚拟化
探索现代数据中心的绿色革命
【4月更文挑战第29天】 在本文中,我们将深入探讨现代数据中心如何通过采用绿色技术和可持续策略来优化能效并减少环境影响。随着全球对能源消耗和气候变化问题的日益关注,数据中心行业面临着转型的压力。文章将分析当前实施的节能措施,包括最新的冷却技术、服务器虚拟化、以及使用可再生能源的实践案例。我们还将讨论这些技术如何不仅帮助公司实现环境目标,同时也提升经济效益。
|
6月前
|
机器学习/深度学习 算法 数据处理
利用机器学习优化数据中心的能源效率
【5月更文挑战第20天】 在数据中心管理和运营中,能源效率的优化是降低运营成本和减少环境影响的关键因素。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来提高数据中心的能效。本文将探讨如何通过应用机器学习算法对数据中心的能源消耗进行建模、预测和实时管理,以实现更高的能源节省。我们将分析不同ML模型在处理大规模数据集时的性能,并讨论实施过程中的挑战与潜在解决方案。
58 0
|
6月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心的能源效率
【2月更文挑战第27天】 在数据中心管理和运营的众多挑战中,能源效率优化是一项持续的关键课题。随着人工智能技术的不断进步,特别是机器学习(ML)方法的应用,为精确预测和动态调整数据中心的能源消耗提供了新的可能性。本文将探讨如何通过机器学习模型来分析历史能耗数据,实现对冷却系统、服务器利用率和其他关键因素的智能调控,从而达到降低整体能耗的目的。我们还将讨论这些技术实施过程中可能遇到的挑战以及潜在的解决方案。
|
6月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心的能源效率
【2月更文挑战第19天】 在本文中,我们将探讨如何通过应用机器学习技术来优化数据中心的能源效率。随着云计算和大数据的迅猛发展,数据中心作为其基础设施的核心,其能源消耗问题日益凸显。传统的能源管理方法已难以应对持续增长的能耗挑战。因此,我们提出了一种基于机器学习的方法,能够实时监控并调整数据中心的运行状态,以达到节能减排的目的。该方法包括数据收集、特征工程、模型训练及部署等步骤,并在真实环境中进行了测试验证。实验结果表明,采用机器学习优化策略后,数据中心的PUE(Power Usage Effectiveness)得到显著改善,能源利用效率提升。
|
6月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心的能源效率
【2月更文挑战第16天】 在本文中,我们探讨了如何应用机器学习技术来优化数据中心的能源效率。数据中心作为现代信息技术的基础设施,其能源消耗一直是业界关注的焦点。通过机器学习算法,我们可以实现智能调度和资源管理,从而减少能源浪费,提升整体运行效率。文中首先介绍了数据中心能耗的主要来源,随后详细阐述了机器学习在此领域的应用方法,包括预测模型建立、智能控制系统设计以及自适应算法的开发。最后,文章通过案例分析展示了机器学习在提升数据中心能源效率方面的实际成效,并讨论了未来可能的发展方向。