Компания Sungrow, мировой гигант в области солнечных инверторов и систем хранения энергии, выпустила на рынок коммерческие твердотельные трансформаторы, предназначенные для центров обработки данных (ЦОД) с искусственным интеллектом. Эти трансформаторы используют архитектуру постоянного тока 800V, что позволяет сократить площадь распределения электроэнергии на 50% и достичь пиковой эффективности на уровне 98,5%.
Запуск этого решения состоялся 9 июля, и мероприятие привлекло представителей крупных технологических компаний, включая Microsoft, AWS, Alibaba Cloud, Tencent, ByteDance и Baidu, что свидетельствует о широком интересе отрасли. По мере того как кластеры ИИ-вычислений расширяются до уровня потребления в гигаватты, традиционные схемы распределения электроэнергии сталкиваются с тремя серьезными ограничениями.
Во-первых, соотношение площади пола между оборудованием электропитания и ИТ-оборудованием изменилось с менее чем 1:1 до 10:1, что значительно увеличивает затраты на инфраструктуру. Во-вторых, годовые счета за электроэнергию для ЦОД гигаваттного масштаба могут достигать миллиардов юаней. В-третьих, время ввода в эксплуатацию объектов мощностью в сотни мегаватт часто превышает один-два месяца, что негативно сказывается на возврате инвестиций (ROI).
Традиционная переменная архитектура, основанная на трансформаторах сетевой частоты, системах бесперебойного питания (UPS) и множестве преобразовательных ступеней, страдает от чрезмерных потерь меди, большого габаритов и сложности координации оборудования от разных поставщиков. Подход Sungrow SST заменяет это средненапряженным прямым подключением и высокочастотным преобразованием, предлагая архитектуру 800V DC. Эта архитектура обеспечивает пиковую эффективность 98,5% и уменьшает занимаемую площадь распределения электроэнергии на половину. Плотность мощности достигает 312 кВт на квадратный метр, покрывая мощность от 1,5 МВт до 4,5 МВт на единицу.
Ожидается, что 2026 год станет первым годом коммерциализации SST. Конкуренты, такие как Delta Electronics, Wei Guang Energy и Tgood, также представили продукты SST. Аналитики прогнозируют, что мировой рынок SST может достигнуть 100 миллиардов юаней к 2030 году. Преимущество Sungrow заключается в ее полной экосистеме, которая выходит за рамки самих SST и включает блоки питания 800V DC, преобразователи DC-DC для интерфейсов батарей и инверторы DC-AC для нагрузки переменного тока, причем все они работают на одной архитектуре 800V.
Компания заключила соглашения о стратегическом закупке с Dongyunguang на мощность 30 МВт и с Zhonglian Data Group на 100 МВт. Sungrow планирует начать малосерийное тестирование и валидацию с гиперскейлерами Северной Америки в 2026 году, объемные заказы ожидаются в 2027 году, а крупномасштабное внедрение запланировано на 2028 год, что соответствует расширению чипов ИИ следующего поколения. Производственные базы в Китае, Таиланде, Индии и Польше уже готовы к производству SST, и в разработке находятся модели с сертификацией UL, уличные версии и продукты SST напряжением 35 кВ.
Агенты искусственного интеллекта (ИИ) считаются одним из самых значимых обещаний этой области, однако их продвижение к более сложным задачам вызывает серьезные опасения по поводу энергопотребления. Исследователи обнаружили, что эти новые системы могут требовать до 136,5 раз больше электроэнергии на запрос по сравнению с традиционным генеративным ИИ, что вынуждает сделать энергоэффективность центральной темой будущих технологических дискуссий.
Агенты ИИ представляют собой эволюционный скачок по сравнению с большими языковыми моделями (LLM). В отличие от просто предоставления ответов, они обладают способностью планировать действия, использовать внешние ресурсы, выполнять код и принимать последовательные решения на протяжении нескольких этапов. Именно это продвинутое поведение побудило исследователей из Корейского института передовых наук и технологий (KAIST) провести первое измерение вычислительных и энергетических затрат этих систем в реальных рабочих условиях.
Исследование показало, что энергопотребление может быть до 136,5 раз выше, чем зарегистрировано в традиционных системах вопросов и ответов. Этот рост происходит потому, что агент ИИ должен многократно обращаться к LLM во время выполнения одной задачи, что требует гораздо более интенсивной обработки. Основные выводы включают потребление энергии, которое в 136,5 раз выше на запрос, увеличение задержки до 153,7 раз и тот факт, что графические процессоры простаивают до 54,5% времени выполнения. Кроме того, было зафиксировано среднее потребление в 348,41 ватт-часа на запрос в модели с 70 миллиардами параметров.
Это новаторское исследование дает четкую количественную оценку не только того, как ИИ становится все более сложным, но и того, сколько электроэнергии и какие затраты сопряжены с внедрением и обслуживанием этого интеллекта. Минсу Рху, профессор факультета электротехники KAIST, прокомментировал результаты.
Исследователи также смоделировали гипотетический сценарий, включающий 13,7 миллиардов ежедневных запросов от агентов ИИ, что сопоставимо с объемом исследований, проводимых в настоящее время в Google. При этом прогнозе центры обработки данных будут потреблять около 198,9 гигаватт, что эквивалентно примерно половине среднего потребления энергии в Соединенных Штатах. Исследование также указало на еще одну критическую проблему: в то время как внешние инструменты выполняют определенные этапы, высокопроизводительные графические процессоры остаются неактивными в течение части времени, что снижает общую эффективность системы.
Для команды KAIST прогресс ИИ будет зависеть от скоординированной эволюции моделей, чипов ИИ, центров обработки данных и энергетической инфраструктуры. Минсу Рху подчеркнул необходимость принятия интегрированной стратегии совместного проектирования (codesign) для оптимизации как инфраструктуры ЦОД для ИИ, так и самих моделей агентов ИИ и энергетической сети по мере распространения агентов ИИ.
Кроме того, исследователи опубликовали в открытом доступе реализации агентов ИИ и бенчмарки, использованные в исследовании, что должно стимулировать новые исследования и способствовать разработке более устойчивой инфраструктуры.
