
Cat 6A 的以太网供电 (PoE)
根据美国市场研究公司 Grand View Research 的预测,截止 2025 年,全球 PoE 市场规模将达到 37.7 亿美元。随着室内外部署的有源传感器、设备和控制器越来越多,以太网供电(PoE)的重要性也在不断提升。一方面,更多的网络设备如 IP 安全摄像头、Wi-Fi 接入点、室内无线网络、楼宇管理系统和 LED 照明等开始让以太网供电的传输距离增加。截至目前,当代 PoE++ 系统可提供高达 90 W 的功率,足以运行最新、耗电量更高的网络设备。超六类(Cat 6A)正是能为 PoE++ 应用提供更加优异供电性能与距离的布线之选,且具备更强的散热性。
导致温度升高和火灾隐患的部分原因是单个导体中的热量增加。导体越小,热量增加越多。承载 400 mA 电流的 Cat 5 线缆温度升高约 10℃,而承载同样电流的 Cat 6A 线缆温度升高 6℃。热量累积还取决于线束中的线缆数量。您可以部署合理的策略来减轻这个问题的影响。
影响不大。热负荷影响成束线缆的主要原因在于线缆的长度和密度。机架中优化的理线方式可提供良好通风和散热。因此,机架内的影响可以忽略不计。
不确定。电力传输不会受到影响,但会影响数据传输。为了防止出现这种情况,建议参考我们的 PoE 实施指南。
如果没有明火,可能性极低。成束线缆会发热,但不会达到酿成火灾的水平。热负荷的影响仅限于电气性能。
好文章,需要你的鼓励
CPU架构讨论常聚焦于不同指令集的竞争,但实际上在单一系统中使用多种CPU架构已成常态。x86、Arm和RISC-V各有优劣,AI技术的兴起更推动了对性能功耗比的极致需求。当前x86仍主导PC和服务器市场,Arm凭借庞大生态系统在移动和嵌入式领域领先,RISC-V作为开源架构展现巨大潜力。未来芯片设计将更多采用异构计算,多种架构协同工作成为趋势。
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
Vast Data与云计算公司CoreWeave签署了价值11.7亿美元的多年期软件许可协议,这标志着AI基础设施存储市场的重要转折点。该协议涵盖Vast Data的通用存储层及高级数据平台服务,将帮助CoreWeave提供更全面的AI服务。业内专家认为,随着AI集群规模不断扩大,存储系统在AI基础设施中的占比可能从目前的1.9%提升至3-5%,未来五年全球AI存储市场规模将达到900亿至2000亿美元。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。