在几乎每一个数据中心中,机架和机柜是必不可少的两大部件,但是它们的重要性却常常被人忽视。要是你选错了用来容纳设备的机架和机柜的类型,无异于 自找麻烦,具体表现为:热量、灰尘和温度给设备造成损坏;冷却成本过高;线缆凌乱不堪;噪声过大;以及安全泄密。采购机架和机柜时,要牢记下列考量因素。
知道自己的设备。你可能知道机架和机柜将用来容纳什么样的设备,但是也要知道该设备会带来什么影响。比如说,知道机架/机柜必须多高或多宽以便容得 下该设备,这必不可少。BlackBox网络服务公司的产品经理GinaDickson说,说到高度方面,“42U是标准高度,但是45U变得更加流行; 像38U这种比较低的高度对需要架空布线的老式机房来说可能很必要。”至于宽度方面,当前的机柜标准是24英寸宽,不过30英寸宽的机柜日渐流行。而在深 度方面,“如果你安装深度不同的设备,甚至可能需要考虑使用多套导轨或分离导轨,以容纳不同深度的设备。”总的来说,Rackmount解决方案公司的客 户经理SusanWynne建议购买容纳得下“最大规格尺寸”设备的机柜。
搞清机房。Wynne表示,与场地方面的考量有关的是,分析将来放置机架/机柜的机房。她说:“机柜是不是很容易运送到目的地?它可以通过标准高度 的门吗?门和侧板是不可以拆卸、以便安装?产品是不是结实耐用?有没有场地为另外购买的产品腾出空间?”Dickson补充说,考虑到活动地板和天花板高 度也很重要,它们会影响机架/机柜的高度有多高。她说:“说到选择机柜,总是尺寸越大越好,那样可以容纳更多的设备和线缆等部件。但是,如果你的场地面积 有限,那么48英寸深、30英寸宽的机柜也许不是个选择。”
保持冷却。最重要的考量因素之一是热量。评估设备会生成多少热量,将有助于确定什么样的冷却方法对于你购买的机架/机柜来说绰绰有余。 Dickson表示,比如说,使用传统的热通道/冷通道方法将影响所需的机柜门,因为你需要网状门。Dickson说:“你需要确保冷空气输送到机柜正 面,确保热空气从背面散发出来。”
在其他地方,用户忍不住想使用敞开的机架与机柜以便散热,但是这会导致整个机房热量上升。Dickson说:“如果生成的热量比较低,这可能没问 题。但是一旦机房里面有数量足够多的设备,那么让设备保持在可以接受的温度变得不可能。”她表示,一种日渐流行的方法就是采用遏制系统的、经过改动的热通 道/冷通道。“所有冷空气都被迫进入到冷通道,冷通道用门隔离起来,确保里面的冷空气不跑到外面。然后,热空气被重新输送到机房,或者使用机柜上面的烟囱 被输送到充气室。”这种方法的确需要机柜提供隔门和烟囱这些附件。
其他因素。你在采购机架和机柜时还需要考虑其他方面,比如确定设备是不是需要遵守欧洲电信标准协会(ETSI)标准;检查机架是不是预先钻孔、是否 可以调节;知道导轨宽度方面的限制和随附的安装硬件;采取防范地震的措施;了解办公楼的空调系统在夜间和周末的运行情况;还要考虑到噪声这个因素。
采购清单
√线缆管理功能是不是已内置?还是机架或机柜留出了足够的空间,以便合理布线?
√机架/机柜是否提供配电装置(PDU)安装选件?
√许多机柜现在随带标准的PDU安装支架。
√你安装的设备是不是需要螺纹孔或M6孔?
√你需要拆卸机架/机柜才能将运送到机房吗?
√机柜是不是可以上锁,防止潜在的安全问题?
主要术语:
M6孔:机架设备和服务器机柜中很常见的方形孔;借助锁紧螺帽,它们就可以适应圆形孔。
机架单位(RMU):机柜和机架以机架单位来衡量,每个RMU或U相当于1.75英寸。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。