آینده دیتاسنترها در سال ۲۰۲۶: نوآوریهای هوش مصنوعی، انرژی و سیستمهای خنککننده
هوش مصنوعی در حال بازتعریف اساسی آینده دیتاسنترهاست. صنعتی که زمانی تا حد زیادی قابل پیشبینی و مبتنی بر رایانش ابری و ذخیرهسازی سازمانی بود، اکنون با سرعت زیادی به رقابتی برای ایجاد زیرساختهای هوش مصنوعی با تراکم بالا تبدیل شده است.
در سال ۲۰۲۶، ارائهدهندگان بزرگ زیرساخت ابری (Hyperscalers)، اپراتورهای مراکز داده کولوکیشن (Colocation)، دولتها و سازمانها همگی در حال رقابت برای ساخت تأسیسات آماده برای هوش مصنوعی هستند؛ تأسیساتی که بتوانند تقاضای بیسابقه برای توان پردازشی را پشتیبانی کنند.اما این تحول با چالشهای جدی همراه است. بارهای کاری هوش مصنوعی به میزان قابلتوجهی برق بیشتری مصرف میکنند، گرمای بسیار بیشتری تولید میکنند و به رویکردهای کاملاً جدیدی در طراحی زیرساخت نیاز دارند.
دیتاسنترهای سنتی که برای رکهایی با توان مصرفی ۱۰ تا ۲۰ کیلووات طراحی شدهاند، اکنون برای پشتیبانی از کلاسترهای هوش مصنوعی با توان بیش از ۱۰۰ کیلووات و حرکت به سمت تراکمهای ۳۰۰ کیلووات و بیشتر با چالش مواجه هستند.در نتیجه، تأمین توان و بهرهوری سیستمهای خنککننده به مهمترین مسائل زیرساخت دیجیتال مدرن تبدیل شدهاند.
بر اساس گزارش Deloitte، توان مصرفی رکهای نسل جدید هوش مصنوعی ممکن است در سال ۲۰۲۶ به ۳۷۰ کیلووات برسد؛ موضوعی که باعث میشود استفاده از خنکسازی مایع و معماریهای پیشرفته تأمین و توزیع توان، دیگر یک گزینه اختیاری نباشد و به یک ضرورت تبدیل شود.
همزمان، گزارش CBRE نشان میدهد که دسترسی به توان الکتریکی اکنون در انتخاب محل احداث دیتاسنتر، اهمیت بیشتری نسبت به اتصالپذیری دارد. اپراتورها مناطقی را در اولویت قرار میدهند که بتوانند ظرفیت توان بیش از ۳۰۰ مگاوات را در بازههای زمانی فشرده برای استقرار زیرساخت فراهم کنند.
بنابراین، آینده صنعت دیتاسنتر به میزان موفقیت اپراتورها در حل سه چالش بههمپیوسته زیر وابسته خواهد بود:
- توسعه زیرساخت انرژی دیتاسنترها
- استقرار فناوریهای مقیاسپذیر خنکسازی دیتاسنترهای هوش مصنوعی
- تسریع استقرار زیرساختهای ماژولار دیتاسنتر
این مقاله بررسی میکند که صنعت چگونه در حال پاسخگویی به این چالشهاست و نسل بعدی دیتاسنترها در سال ۲۰۲۶ و سالهای پس از آن چه شکلی خواهند داشت.
آینده دیتاسنترها مبتنی بر هوش مصنوعی است
ظهور هوش مصنوعی مولد (Generative AI) اقتصاد و الزامات مهندسی زیرساختهای دیجیتال را بهشدت تغییر داده است.آموزش مدلهای بزرگ زبانی (LLM)، اجرای بارهای کاری Inference و پشتیبانی از برنامههای کاربردی مبتنی بر هوش مصنوعی، به توان پردازشی بسیار بیشتری نسبت به سیستمهای سنتی سازمانی نیاز دارند.
برخلاف بارهای کاری متداول Cloud، سیستمهای هوش مصنوعی وابستگی زیادی به کلاسترهای GPU دارند که بهصورت مداوم و با نرخ بهرهبرداری بسیار بالا فعالیت میکنند.
این زیرساختها به موارد زیر نیاز دارند:
- پیکربندیهای متراکم رک
- شبکههای با Throughput بالا
- سیستمهای پیشرفته مدیریت و دفع حرارت
S&P Global اعلام کرده است که عرضه ChatGPT موجب تسریع رقابت جهانی برای ساخت زیرساختهای هوش مصنوعی شده و در نتیجه، تقاضا برای برق و سیستمهای خنککننده کارآمدتر افزایش یافته است؛ در حالی که همزمان گلوگاههای مهمی در زیرساخت ایجاد شدهاند.این صنعت همچنین شاهد حرکت از محیطهای متمرکز Cloud به سمت اکوسیستمهای Hybrid AI است.
سازمانها بهطور فزایندهای در حال استقرار زیرساختهای Edge AI هستند تا تأخیر (Latency) را برای برنامههای کاربردی بلادرنگ مانند موارد زیر کاهش دهند:
- سیستمهای خودکار و خودران
- اتوماسیون صنعتی
- تشخیصهای پزشکی
- مدلسازی مالی
- تولید هوشمند
با افزایش بارهای کاری Inference، اپراتورها در حال توسعه استراتژیهای زیرساخت توزیعشدهای هستند که Campusهای Hyperscale را با تأسیسات منطقهای و Edge ترکیب میکنند.
چشمانداز CBRE در سال ۲۰۲۶ نشان میدهد که AI Inference به یکی از محرکهای اصلی تقاضا تبدیل شده است؛ بهویژه در استقرارهای Edge که قادر به پشتیبانی از برنامههای کاربردی هوش مصنوعی با تأخیر بسیار پایین هستند.این تحول، آینده دیتاسنترها را از محیطهایی صرفاً برای ذخیرهسازی و پردازش اطلاعات به اکوسیستمهای هوشمند پردازشی بهینهشده برای شتابدهی هوش مصنوعی تبدیل میکند.
چرا توان الکتریکی به بزرگترین محدودیت دیتاسنترها تبدیل شده است؟
- انفجار تراکم توان
یکی از مهمترین روندهایی که دیتاسنترهای نسل آینده را شکل میدهد، افزایش چشمگیر تراکم توان مصرفی رکها است.رکهای سنتی سازمانی معمولاً کمتر از ۱۰ کیلووات در هر رک مصرف میکردند. زیرساخت هوش مصنوعی این وضعیت را بهطور چشمگیری تغییر داده است.بر اساس گزارش Deloitte، رکهای نسل جدید هوش مصنوعی ممکن است در سال ۲۰۲۶ به تراکم توان ۳۷۰ کیلووات برسند.
این افزایش فشار بسیار زیادی بر زیرساخت انرژی دیتاسنتر وارد میکند، از جمله:
- پستهای برق
- شبکههای انتقال برق
- سیستمهای برق پشتیبان
- معماریهای توزیع توان
- ظرفیت اتصال به شبکه برق
تأمین برق به حدی حیاتی شده است که اپراتورها هنگام انتخاب محل احداث دیتاسنتر، دسترسی به برق را بر اتصال فیبر نوری ترجیح میدهند.بر اساس گزارش CBRE، توانایی تأمین ظرفیت بالای برق در یک بازه زمانی حداکثر ۳۶ ماهه، اکنون اهمیت بیشتری نسبت به مزایای مربوط به Connectivity دارد.
- محدودیتهای شبکه برق و گلوگاههای زیرساختی
با افزایش تقاضا برای هوش مصنوعی، شرکتهای ارائهدهنده خدمات برق برای همگام شدن با این تقاضا با مشکل مواجه شدهاند.Campusهای بزرگ هوش مصنوعی اغلب به چندین پست برق و زیرساخت اختصاصی انتقال برق با ولتاژ بالا نیاز دارند. این مسئله زمان اجرای پروژههای Hyperscale را بهطور قابلتوجهی افزایش داده است.CBRE اشاره میکند که زمان ساخت Campusهای بزرگ هوش مصنوعی اکنون در بسیاری از موارد به دلیل چالشهای مربوط به اتصال به شبکه و انتقال برق، از ۲۴ تا ۴۸ ماه فراتر میرود.پژوهشی که در arXiv منتشر شده است، پیشبینی میکند مصرف برق شرکتهای پیشرو در حوزه هوش مصنوعی از حدود ۱۱۸ تراواتساعت در سال ۲۰۲۴ به حداکثر ۲۹۵ تراواتساعت در سال ۲۰۳۰ افزایش یابد.
این مطالعه همچنین هشدار میدهد مناطقی که زیرساختهای هوش مصنوعی در آنها بهشدت متمرکز شدهاند، ممکن است با فشار شدید بر شبکه برق و آسیبپذیریهای محلی در تأمین انرژی مواجه شوند.
شرکتهای خدمات برق نیز با برنامههای سرمایهگذاری گسترده در حال واکنش به این شرایط هستند. بر اساس گزارش Reuters، شرکتهای خدمات برق انتظار دارند بین سالهای ۲۰۲۵ تا ۲۰۲۹ بیش از ۱.۱ تریلیون دلار برای ارتقای شبکه برق و پاسخگویی به رشد تقاضای ناشی از هوش مصنوعی و برقیسازی سرمایهگذاری کنند.
راهکارهای نوظهور زیرساخت انرژی دیتاسنتر
برای غلبه بر این چالشها، اپراتورها در حال بررسی رویکردهای جدید در زمینه زیرساخت انرژی دیتاسنتر هستند.
سیستمهای انرژی پشت کنتور (Behind-the-Meter)
بر اساس گزارش CBRE، استراتژیهای Behind-the-Meter، بهویژه در بازارهای برق آزادشده از محدودیتهای سنتی، در حال گسترش هستند.
این استراتژیها شامل موارد زیر میشوند:
- تولید برق خورشیدی در محل
- توربینهای گاز طبیعی
- سیستمهای ذخیرهسازی انرژی مبتنی بر باتری (BESS)
- سیستمهای ترکیبی انرژی تجدیدپذیر
- Microgridها یا ریزشبکهها
هدف این استراتژیها کاهش وابستگی به زیرساخت محدود شبکه برق و در عین حال افزایش سرعت استقرار و قابلیت اطمینان زیرساخت است.
انرژی هستهای و منابع جایگزین تأمین برق
با افزایش تقاضای هوش مصنوعی، علاقه به راکتورهای مدولار کوچک (SMR) و منابع جایگزین انرژی نیز افزایش یافته است.Reuters اخیراً گزارش داده است که تجمیع شرکتهای خدمات برق و سرمایهگذاریهای جدید در زمینه تولید برق، مستقیماً تحت تأثیر افزایش تقاضای برق ناشی از هوش مصنوعی قرار گرفتهاند.اپراتورها بهتدریج تولید انرژی را بهعنوان یکی از اجزای اصلی استراتژی دیتاسنتر در نظر میگیرند، نه صرفاً یک وظیفه جداگانه متعلق به شرکتهای خدمات برق.
معماریهای تأمین توان با ولتاژ بالاتر
زیرساخت هوش مصنوعی همچنین باعث شده است سیستمهای تأمین توان داخلی دیتاسنترها نیازمند بازطراحی شوند.Deloitte اشاره میکند که معماریهای سنتی ۵۴ ولتی رک برای بارهای کاری آینده هوش مصنوعی کافی نیستند. به همین دلیل، استفاده از سیستمهای توزیع توان با ولتاژ بالاتر که برای رکهای دارای توان در مقیاس مگاوات طراحی شدهاند، در حال گسترش است.
این تحول، طراحی الکتریکی تأسیسات نسل آینده را بهصورت اساسی تغییر خواهد داد.
خنکسازی دیتاسنترهای هوش مصنوعی وارد عصر جدیدی میشود
خنکسازی به یکی از فوریترین چالشها در زیرساخت هوش مصنوعی تبدیل شده است.با فعالیت کلاسترهای GPU در تراکمهای بسیار بالا، سیستمهای سنتی خنکسازی با هوا به محدودیتهای عملی خود نزدیک شدهاند.محیطهای AI با تراکم بالا، بارهای حرارتی بسیار متمرکزی ایجاد میکنند که سیستمهای استاندارد جریان هوا نمیتوانند آنها را بهصورت کارآمد دفع کنند.
نتیجه این وضعیت عبارت است از:
- افزایش ریسک عملیاتی
- افزایش مصرف انرژی
- کاهش بهرهوری زیرساخت
در میان نوآوریهای حوزه خنکسازی، فناوری خنکسازی غوطهوری (Immersion Cooling) بهعنوان یکی از رویکردهای تحولآفرین مطرح است؛ زیرا ضمن فراهم کردن بهرهوری انرژی بالاتر، امکان پشتیبانی از تراکم بسیار زیاد تجهیزات را نیز فراهم میکند.برای سازمانهایی که در حال ارزیابی سرمایهگذاریهای زیرساختی در سال ۲۰۲۶ هستند، درک مزایا و نحوه پیادهسازی Immersion Cooling اهمیت بسیار زیادی دارد.
چرا خنکسازی سنتی با هوا دیگر کافی نیست؟
خنکسازی سنتی با هوا برای بارهای کاری سازمانی با تراکم پایینتر طراحی شده بود. سیستمهای هوش مصنوعی گرمای بسیار بیشتری تولید میکنند و در نتیجه، نقاط داغ (Hotspot) و ناکارآمدی در جریان هوا ایجاد میشود.پژوهشهای انجامشده درباره پایداری سرورهای هوش مصنوعی نشان میدهند که طراحی سیستم خنکسازی اکنون از نظر تأثیرات زیستمحیطی، تقریباً به اندازه بهرهوری خود سختافزار اهمیت پیدا کرده است.
این مطالعات برآورد میکنند که سیستمهای خنکسازی پیشرفته میتوانند مصرف انرژی مربوط به خنکسازی را تا ۵۰ درصد کاهش دهند.به همین دلیل، صنعت با سرعت زیادی در حال حرکت به سمت فناوریهای خنکسازی مبتنی بر مایع است.
مهمترین راهکارهای خنکسازی دیتاسنتر در سال ۲۰۲۶
- خنکسازی مستقیم تراشه (Direct-to-Chip Liquid Cooling)
خنکسازی مایع مستقیم تراشه یکی از سریعترین فناوریهای در حال رشد در زمینه خنکسازی دیتاسنترهای هوش مصنوعی است.در این روش، سیال خنککننده مستقیماً در مجاورت پردازندهها و GPUها گردش میکند و گرما را بسیار کارآمدتر از سیستمهای مبتنی بر هوا دفع میکند.
مزایای این فناوری عبارتاند از:
- بهرهوری حرارتی بالاتر
- کاهش مصرف انرژی فنها
- پشتیبانی بهتر از تراکم بالاتر رک
- کاهش هزینههای عملیاتی
Deloitte خنکسازی مایع را بهعنوان یک ضرورت رو به رشد برای تأسیسات هوش مصنوعی با تراکم فوقالعاده بالا معرفی میکند.
- خنکسازی غوطهوری (Immersion Cooling)
خنکسازی غوطهوری یکی دیگر از نوآوریهای مهم در حوزه خنکسازی دیتاسنترهای هوش مصنوعی است.در این روش، سرورها درون یک مایع غیررسانا قرار میگیرند. این مایع گرمای تولیدشده توسط تجهیزات را مستقیماً جذب و دفع میکند.
خنکسازی غوطهوری مزایای متعددی دارد:
- بهرهوری حرارتی بسیار بالا
- مصرف کمتر انرژی برای خنکسازی
- کاهش فضای فیزیکی مورد نیاز
- پشتیبانی از کلاسترهای فوقمتراکم هوش مصنوعی
اگرچه میزان استفاده از Immersion Cooling در مقایسه با سیستمهای Direct-to-Chip همچنان محدودتر است، اما این فناوری برای محیطهای تخصصی هوش مصنوعی و تأسیسات HPC (High-Performance Computing) توجه فزایندهای را به خود جلب کرده است.
- مدیریت خنکسازی بهینهشده با هوش مصنوعی
خود هوش مصنوعی نیز در حال استفاده برای بهینهسازی عملیات خنکسازی است.فناوریهای Digital Twin و تحلیلهای پیشبینانه به اپراتورها کمک میکنند بهرهوری حرارتی را بهصورت بلادرنگ افزایش دهند.
یک مطالعه منتشرشده در arXiv در سال ۲۰۲۶ درباره بهینهسازی خنکسازی مبتنی بر Digital Twin نشان داد که با استفاده از راهکارهای پیشرفته کنترل خنکسازی، امکان دستیابی به صرفهجویی انرژی نزدیک به ۳۰ درصد وجود دارد.
سیستمهای خنکسازی مبتنی بر هوش مصنوعی میتوانند بهصورت پویا اقدامات زیر را انجام دهند:
- تنظیم جریان هوا
- بهینهسازی دمای مایع خنککننده
- پیشبینی نقاط داغ حرارتی
- جابهجایی بارهای کاری برای متعادلسازی حرارتی
با حرکت دیتاسنترها به سمت محیطهایی با رکهایی در مقیاس مگاوات، این فناوریها اهمیت روزافزونی پیدا خواهند کرد.
زیرساخت ماژولار دیتاسنتر با استقبال بیشتری مواجه میشود
با افزایش سرعت تقاضا، اپراتورها دیگر نمیتوانند صرفاً به روشهای سنتی ساختوساز متکی باشند.Campusهای بزرگ هوش مصنوعی پرهزینه و زمانبر هستند و بهطور فزایندهای تحت تأثیر کمبود نیروی متخصص و تأخیر در صدور مجوزها قرار میگیرند.
Reuters گزارش میدهد که کمبود نیروی انسانی در حوزه زیرساخت انرژی و ساختوساز به یکی از گلوگاههای اصلی توسعه زیرساخت هوش مصنوعی تبدیل شده است.این شرایط موجب افزایش علاقه به زیرساخت ماژولار دیتاسنتر (Modular Data Center Infrastructure) شده است.
چرا زیرساخت ماژولار دیتاسنتر در حال رشد است؟
زیرساخت ماژولار به اپراتورها اجازه میدهد اجزای از پیش ساختهشده را در محل پروژه با سرعت بیشتری مونتاژ و راهاندازی کنند.
این سیستمها مزایای متعددی دارند:
- چرخه استقرار سریعتر
- کاهش ریسک ساختوساز
- مقیاسپذیری
- استانداردسازی بهتر
- توسعه و گسترش آسانتر
ماژولهای پیشساخته میتوانند شامل موارد زیر باشند:
- سیستمهای برق
- سیستمهای خنکسازی
- زیرساخت IT
- سیستمهای ذخیرهسازی باتری
- تجهیزات شبکه
این رویکرد در مقایسه با روشهای ساختوساز سنتی، زمان استقرار زیرساخت را بهطور قابلتوجهی کاهش میدهد.
طراحیهای ماژولار آماده برای هوش مصنوعی
زیرساخت ماژولار برای استقرار AI جذابیت ویژهای دارد؛ زیرا امکان مقیاسدهی انعطافپذیر را فراهم میکند.اپراتورها میتوانند با افزایش تقاضا، ماژولهای آماده برای هوش مصنوعی را بهصورت مرحلهای اضافه کنند و در نتیجه از سرمایهگذاری اولیه بسیار سنگین جلوگیری کنند.رشد محبوبیت پلتفرمهای GPU-as-a-Service نیز موجب تقویت استراتژیهای توسعه ماژولار شده است؛ استراتژیهایی که سرعت و انعطافپذیری را در اولویت قرار میدهند.
CBRE اشاره میکند که تقاضا برای استقرارهای متصل و یکپارچه با تراکم بالا بهسرعت در حال افزایش است و اپراتورها بهطور فزایندهای دیتاسنترهای خود را بهطور اختصاصی برای بارهای کاری هوش مصنوعی طراحی میکنند.
معماری ماژولار به ارائهدهندگان امکان میدهد با سرعت بیشتری خود را با تغییرات نیازهای زیرساختی هوش مصنوعی تطبیق دهند.
پایداری و تحول چشمانداز دیتاسنترها
چالشهای مربوط به پایداری (Sustainability) نقش مهمی در نحوه تکامل دیتاسنترها خواهند داشت.
در حوزه زیرساخت هوش مصنوعی، چهار موضوع زیستمحیطی بیش از سایر موارد اهمیت دارند:
- مصرف برق
- مصرف آب
- انتشار کربن
- استفاده از زمین
پژوهشهای انجامشده درباره پایداری سرورهای هوش مصنوعی پیشبینی میکنند که تقاضای جهانی برق دیتاسنترها ممکن است تا سال ۲۰۳۰ به حدود ۹۴۵ تراواتساعت برسد.همین مطالعه برآورد میکند که در صورت اجرا نشدن اقدامات لازم برای افزایش پایداری، سیستمهای خنکسازی مرتبط با هوش مصنوعی میتوانند موجب افزایش چشمگیر مصرف آب و انتشار گازهای کربنی شوند.
در نتیجه، اپراتورها بیش از گذشته بر موارد زیر تمرکز میکنند:
- تأمین انرژی تجدیدپذیر
- سیستمهای خنکسازی کممصرف از نظر آب
- استفاده مجدد از گرمای تلفشده
- طراحی Campusهای کربنخنثی
- بهینهسازی جغرافیایی محل استقرار دیتاسنتر
برخی تأسیسات جدید همچنین در حال بررسی یکپارچهسازی تبدیل پسماند به انرژی (Waste-to-Energy) و سیستمهای بازیابی حرارت (Heat Recovery) هستند تا بهرهوری کلی زیرساخت را افزایش دهند.پایداری دیگر صرفاً یک برنامه در حوزه مسئولیت اجتماعی و زیستمحیطی شرکتها نیست؛ بلکه اکنون به یکی از ارکان اصلی استراتژی زیرساخت دیتاسنتر تبدیل شده است.
تیم تخصصی شرکت کوشا فناوران مبتکر، آمادگی خود را برای ارائه هرگونه مشاوره و همکاری در پروژه های شبکه و امنیت فضای سایبری اعلام می دارد.
کوشا فناوران مبتکر را در مطالب آموزشی و مجله مبتکر با جدیدترین اخبار فناوری اطلاعات و مقالات علمی دنبال کنید.