生成式人工智能不仅改变了组织开展业务的方式，还改变了它们消耗计算资源的方式。这些大型语言模型(LLM)以及数字孪生、扩展现实和元宇宙等其他人工智能工具，需要大量图形处理单元(GPU)来训练数据集或处理图形密集型任务。
然而，这其中也有一个问题。GPU价格昂贵、供应不足，而且消耗大量能源。因此，首席信息官（CIO）和其他业务和IT领导者，越来越面临着如何使用它们以及在何处使用它们的问题。了解所需任务并平衡处理能力需求和成本至关重要。
所有这些都直接与数据中心相关。随着人工智能成为主流，组织必须适应，仅仅了解GPU在哪里带来战略收益是不够的，CIO必须做出关键决策，决定何时使用GPU或CPU，以及是否在本地或云端处理训练、推理和其他任务。
峰值性能
尽管最近GenAI备受关注，但GPU进入数据中心已有十多年了。图形处理器在科学研究、深度学习、机器学习以及机器视觉、机器人技术和自动化等众多其他任务中发挥着关键作用。它们已成为处理复杂模拟和海量数据挑战的宝贵工具。
然而，2022年11月，情况发生了巨大变化。在ChatGPT公开发布以及随后出现的MicrosoftCopilot和GoogleGemini等GenAI框架之后，组织开始积极探索将LLM投入使用的方法。很快人们就发现，AI定制对于实现特定任务至关重要，包括聊天机器人、内容创建、设计迭代、市场研究、网络安全、欺诈检测、产品原型设计以及各种其他用例。
如今，数据中心对GPU的需求正在飙升。预计到2027年，数据中心的平均机架密度将达到每机架50kW，超过目前的平均36kW。人工智能和机器学习的迅猛发展正在推动数据中心设计、选址和投资策略的变革浪潮。
与此同时，GPU的价格越来越高。例如，NVIDIAGeForceRTX4090是一款广泛部署的顶级型号，于2022年推出，起价约为每台1,600美元。价格较低、显存较少的GPU仍需数百美元。但硬件的前期投资只是一个起点。GPU的耗电量通常是CPU的两倍或三倍，同时需要强大的冷却和更复杂的布线。
许多数据中心都没有足够的空间和电力来运行GPU。因此，首席信息官必须就如何处理人工智能做出一些艰难的决定以及GPU何时能带来明显的优势。对于一些大规模并行任务（如人工智能训练工作负载），GPU实际上可以通过更快地执行计算来降低总体TCO。然而，对于其他工作负载（如人工智能推理），CPU通常可以提供足够的性能，同时降低每瓦运营成本。
首先要确定具体用例以及所需的性能和准确度水平。此时，可以考虑成本和碳排放等因素，并确定使用哪种硬件以及处理应在云端还是在本地进行。基础模型训练需要GPU，但推理则不同。在某些情况下，甚至可以在笔记本电脑或手持设备上进行推理。
数据中心的发展
所有主要的云提供商如今都提供预装GPU的虚拟机，或租用支持GPU的服务器的选项。因此，无需投资物理硬件。这些云也不会忽视可管理性。它们提供GPU直通工具，可直接管理GPU硬件上的性能因素。
这使得CIO能够配置和管理复杂的环境，包括涉及GPU和CPU的混合情况。它包括用于扩展和利用资源、配置GPU内存以及为机器学习或视频编辑等特定任务建立实例类型的工具。
通过清晰地了解关键因素（包括训练数据集的大小和广度、谁将使用它、系统上的查询或点击量预计是多少、以及GPU和CPU的堆叠方式），可以做出明智的决策。例如，在某些情况下，可能需要不同类型的GPU来推理和运行系统，或者带有加速器的CPU可能更适合处理较小的模型。
还可以从可持续性和碳性能权衡的角度来看待GPU和CPU。我们将看到对AI的需求不断增长，企业对GPU的需求也不断增长。但我们也可能看到GPU和CPU的更多混合，因为许多任务在成本和碳排放方面仍然更高效。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
