Najbardziej widocznym skutkiem rozwoju AI jest wzrost zapotrzebowania na energię. Rozwój sztucznej inteligencji zmienia wymagania stawiane centrom danych znacznie szerzej niż tylko poprzez wzrost zapotrzebowania na energię elektryczną. Sztuczna inteligencja zwiększa apetyt centrów danych nie tylko na energię
Rozwój sztucznej inteligencji zmienia wymagania stawiane centrom danych znacznie szerzej niż tylko poprzez wzrost zapotrzebowania na energię elektryczną. Coraz większa gęstość mocy w szafach serwerowych wymusza rozwój systemów zasilania i chłodzenia, ale jednocześnie rośnie znaczenie infrastruktury wysokowydajnej pamięci masowej, która musi dostarczać ogromne zbiory danych do procesorów i akceleratorów GPU bez tworzenia kolejnego wąskiego gardła.
Polski rynek centrów danych znajduje się w fazie szybkiej rozbudowy. Według raportu „Gospodarczy wpływ sektora Data Center w Polsce”, przygotowanego przez PLDCA i PwC Polska, łączna moc działających w kraju tego typu placówek wyniosła w 2025 r. około 250 MW, a według prognoz EUDCA do 2031 r. ma przekroczyć 550 MW. Znaczna część infrastruktury, która pod koniec dekady będzie obsługiwać krajowe zasoby chmurowe, analitykę danych i rozwiązania AI, dopiero powstaje lub jest obecnie projektowana. Daje to operatorom możliwość uwzględnienia nowych profili obciążeń już na etapie budowy obiektów, zamiast późniejszego, kosztownego dostosowywania infrastruktury zaprojektowanej dla klasycznych środowisk IT.
Najbardziej widocznym skutkiem rozwoju AI jest wzrost zapotrzebowania na energię. Międzynarodowa Agencja Energetyczna (MAE) podała, że globalne zużycie energii elektrycznej przez centra danych wzrosło w 2025 r. o 17%, a w obiektach skoncentrowanych na AI aż o 50%. Jednocześnie gęstość mocy serwerów AI wzrosła między 2020 a 2025 r. jedenastokrotnie. Tak duże zagęszczenie mocy wymusza zmiany w architekturze zasilania oraz coraz częstsze wykorzystanie zaawansowanych metod chłodzenia. Skupienie uwagi wyłącznie na tych dwóch obszarach może jednak przesłonić kolejny element infrastruktury: dane muszą jeszcze wystarczająco szybko docierać do kosztownych systemów zapewniających moc obliczeniową.
AI zmienia profil obciążenia pamięci masowych
Systemy sztucznej inteligencji generują inny profil operacji wejścia-wyjścia w środowiskach pamięci masowych niż wiele tradycyjnych aplikacji biznesowych. Podczas trenowania modeli LLM następuje wielokrotny odczyt dużych zbiorów danych, a w rozbudowanych klastrach konieczne jest regularne zapisywanie punktów kontrolnych, które pozwalają wznowić pracę po awarii bez utraty wielu godzin obliczeń. Z kolei mechanizmy odpowiedzialne za wnioskowanie i udzielanie odpowiedzi mogą intensywnie korzystać z wyszukiwania wektorowego oraz funkcji cache, szczególnie gdy modele pracują na dodatkowych, stale aktualizowanych zasobach danych. W efekcie wydajność pamięci masowej ma wpływ nie tylko na czas dostępu do informacji, lecz także na stopień wykorzystania GPU i innych akceleratorów.
– Przy projektowaniu infrastruktury dla środowisk AI nie wystarczy patrzeć na deklarowaną maksymalną przepustowość nośnika. Znacznie ważniejsze jest jak zachowuje się on podczas długotrwałego obciążenia: czy utrzymuje niskie opóźnienia i przewidywalną liczbę operacji wejścia-wyjścia na sekundę, jaką ma wytrzymałość zapisu oraz jak zabezpiecza dane w przypadku utraty zasilania. Dlatego pamięć masową należy dobierać do konkretnego profilu obciążenia i testować w konfiguracji możliwie zbliżonej do środowiska produkcyjnego – mówi Robert Sepeta, Business Development Manager w firmie Kingston Technology.
To właśnie przewidywalność pracy odróżnia dyski dla centrów danych od nośników konsumenckich, które mogą osiągać wysokie wyniki chwilowe, ale nie są projektowane do całodobowej pracy pod stałym obciążeniem. W środowiskach serwerowych znaczenie mają m.in. stabilność liczby operacji wejścia-wyjścia na sekundę (IOPS), kontrolowane opóźnienia w dostępie do danych, odpowiednia trwałość komórek układów pamięci NAND podczas zapisu, ochrona ścieżki transferu danych oraz zabezpieczenie przed utratą informacji znajdujących się w buforze podczas zaniku zasilania.
W najbardziej wymagających systemach interfejs NVMe wykorzystujący PCIe pozwala dodatkowo ograniczać bariery przepustowości i opóźnień charakterystyczne dla starszych interfejsów. Nie oznacza to jednak, że każdy serwer wymaga najszybszych dostępnych dysków SSD – architektura komputera powinna odpowiadać rzeczywistemu udziałowi odczytów i zapisów, wymaganej pojemności oraz założonemu poziomowi niezawodności.
Należy projektować cały łańcuch, a nie pojedynczy komponent
W centrum danych przystosowanym do obsługi środowisk sztucznej inteligencji poszczególnych warstw infrastruktury nie można optymalizować w oderwaniu od siebie. MAE szacuje, że systemy pamięci masowej odpowiadają przeciętnie za około 5-6 proc. zużycia energii w centrum danych, a więc zdecydowanie mniej niż serwery czy chłodzenie. Ich znaczenia nie należy jednak mierzyć wyłącznie bezpośrednim poborem mocy, ponieważ niewystarczająca wydajność warstwy danych może ograniczyć wykorzystanie sprzętu obliczeniowego pochłaniającego więcej energii i kapitału. Efektywność infrastruktury AI należy więc rozpatrywać jako zdolność całego systemu do utrzymania wysokiej użytecznej wydajności, a nie jako sumę parametrów poszczególnych urządzeń.
– Koszt obsługi platformy AI jest w dużej mierze związany z akceleratorami, dlatego z punktu widzenia TCO szczególnie niekorzystna jest sytuacja, w której drogie układy GPU są niedostatecznie wykorzystywane z powodu ograniczeń w innych obszarach środowiska IT. Dlatego warto badać zachowanie pamięci masowej na własnych danych, przy rzeczywistych kolejkach operacji wejścia-wyjścia i w konfiguracji serwerowej, która ma trafić do środowiska produkcyjnego – radzi ekspert Kingston Technology.
W przypadku nowych inwestycji oznacza to potrzebę pozostawienia przestrzeni nie tylko na wzrost mocy obliczeniowej, lecz również na ewolucję sposobu przesyłania i przechowywania danych. Kolejne generacje akceleratorów mogą zmieniać wymagania wobec przepustowości sieci i pamięci masowych szybciej niż cykl życia całej infrastruktury centrum danych, dlatego znaczenia nabierają skalowalność oraz możliwość stopniowej modernizacji infrastruktury IT.
Dotyczy to zarówno przechodzenia na szybsze interfejsy, jak i dostosowywania klas nośników do zmieniających się proporcji pomiędzy procesami treningu, wnioskowania i pozostałymi obciążeniami. W szybko rosnącej polskiej branży centrów danych możliwość takiej ewolucji może stać się jednym z ważnych kryteriów oceny czy infrastruktura rzeczywiście jest przygotowana na rozwój AI w perspektywie następnych kilku lat.
Obserwuj nas na Google News
Zobacz również:
- Kingston IronKey D500S: pendrive klasy wojskowej
- Recenzja Baseus Ambilight 65W | Power Bank 30000 mAh, który po prostu warto mieć przy sobie
- Recenzja Xblitz R6 Power – inteligentny zasilacz dla kamer samochodowych
- Recenzja Ugreen Nexode: gdy szukasz ładowarki GaN nie(tylko) do smartfona
- Test dysku SSD Kingston XS1000: Elegancja i prędkość w jednym
Źródło: Informacja prasowa Kingston
Źródło zdjęć: Kingston
