在芯片战争愈演愈烈的背景下,数据中心运营者面临着日益严峻的挑战。随着地缘政治紧张局势升级,新的关税和限制措施迫在眉睫,供应链变得更加复杂,确保电子元件采购的透明度和可靠性变得前所未有的困难。
因此,数据中心运营商需要对其安装的系统有更深入的了解,甚至要细致到每一个组件。他们必须确保系统中只包含经过批准的组件,并且精确掌握组件的来源,以符合严格的经济和国家安全政策。
为了遵守这些现有和预期的法规,数据中心所有者不能再仅仅依赖并不总是准确可靠的物料清单。幸运的是,视觉 AI 技术可以确保对每个组件进行检查、记录和追踪,并能够以法务级的精确度追溯到其制造商和原产国。
随着 AI 的发展推动着对数据中心需求的持续增长,预计 2024 年数据中心资本支出将增长近 50%,这些数据中心的持续运营和合规性变得至关重要。在即将上任的特朗普政府承诺投资数十亿美元发展该行业的背景下,美国企业有望进一步扩大其 AI 基础设施,并为确保与美国为中心的创新方式保持一致而付出更多努力。
数据中心的核心
构建未来无缝且合规的数据中心,首先要从服务器开始,这些服务器运行在印刷电路板 (PCBA) 上。这些电路板由全球采购的各种电子元件组成和驱动,从昂贵复杂的处理器到微小的电阻、晶体管和电容器。
不幸的是,虽然数据中心运营商可以完全控制他们安装的系统,但对于这些系统核心组件的来源却几乎没有控制权或可见性。这正是最具影响力且经常被忽视的风险之一。
就像诗中所说"缺一颗钉子就会丢掉一个王国",威胁的影响往往远超其物理尺寸。一个损坏的、假冒的或恶意放置的有缺陷的电容器 - 仅 1 平方毫米,成本只有几分钱 - 就可能导致整个 PCBA 和整个系统完全无法运行。
没有对每个组件的深入了解,数据中心系统制造商无法为其买家 (数据中心运营商) 确保完整的网络物理安全。这些运营商必须认识到,他们面临的风险远超传统的质量保证或网络安全。
限制措施不断升级
随着美国继续鼓励减少对来自中国的半导体和矿物的依赖,能够提供单个组件来源以及其中任何缺陷或老化缺陷可见性的技术变得更加重要。
在第二届特朗普政府初期,数据中心业务向美国回迁导致对中国半导体征收高达 50% 的关税。作为对一系列经济限制的报复,中国计划禁止出口镓、锑和锗等材料和金属,这些都是生产半导体的关键组件。作为回应,美国又将 140 家中国公司添加到"实体清单"中,美国公司不得与这些受制裁的组织进行业务往来。
提供组件来源完全透明度的技术对于数据中心的发展至关重要,并将成为数据中心遵守原产地相关法规、防止使用未经授权组件以及识别任何危险篡改证据的主要手段。
合适的工具
数据中心可以通过利用视觉 AI 和 AI 驱动的数据分析等工具来自信地应对这些针锋相对的措施,满足监管和安全需求。这些工具旨在识别组件真实性、追踪供应商,并在组件和 PCBA 层面标记可能导致监管或安全风险的异常。
这种自动化安全控制不仅有助于降低有缺陷、假冒、未经批准或低质量电子元件被放置在电路板上的风险,还能确保组件确实来自其声称的地方,且未被篡改。
传统上,原始设备制造商 (OEM) 必须依赖自己的设计方案或合同制造商提供的设置报告来了解其电路板上组件的构成和来源。但这些报告往往容易出现人为错误,并不总能准确反映每个 PCBA 上组件的来源、完整性和安全性。
视觉 AI 工具的出现帮助弥补了这一差距,使制造商能够最大限度地减少人工操作的不准确性并改进运营。这些工具可以捕捉每个组件正反两面的图像,以检测本体缺陷或引脚弯曲,并能识别指向不合规或恶意干预的迹象。
更重要的是,这些解决方案还可以在组件被放置在 PCBA 上时捕获所有识别信息,以确保最大程度的可追溯性,直至单个组件级别。这可以产生 100% 准确的可追溯数据,无需再依赖"理论上"的物料清单。
数据中心所有者和系统制造商必须要求实施这些技术。为了支持下一代安全、合规的数据中心,在装配过程中对可疑组件发出实时警报、为每个 PCBA 提供法务报告以及为每块电路板提供详细的"履历表"必须成为常态。
结论
为数据中心运营商和制造商提供能够让他们以法务级别的细节了解数据中心内部情况的工具是一个重要的进步。事实上,依赖半导体和 PCBA 的数据中心能够深入理解 - 甚至保证 - 其运行所需的材料和组件的来源是至关重要的。
在贸易法规不确定的情况下,准确了解数据中心内部构成不仅仅是一个"锦上添花"的功能 - 这关系到是建立一个支持正常运作和合规系统的更稳定供应链,还是陷入芯片灾难的区别。
好文章,需要你的鼓励
来自耶路撒冷希伯来大学的研究团队开发了WHISTRESS,一种创新的无需对齐的句子重音检测方法,能够识别说话者在语音中强调的关键词语。研究者基于Whisper模型增加了重音检测组件,并创建了TINYSTRESS-15K合成数据集用于训练。实验表明,WHISTRESS在多个基准测试中表现优异,甚至展示了强大的零样本泛化能力。这项技术使语音识别系统不仅能理解"说了什么",还能捕捉"如何说"的细微差别,为人机交互带来更自然的体验。
这项研究提出了"力量提示"方法,使视频生成模型能够响应物理力控制信号。研究团队来自布朗大学和谷歌DeepMind,他们通过设计两种力提示——局部点力和全局风力,让模型生成符合物理规律的视频。惊人的是,尽管仅使用约15,000个合成训练样本,模型展现出卓越的泛化能力,能够处理不同材质、几何形状和环境下的力学交互。研究还发现模型具有初步的质量理解能力,相同力量对不同质量物体产生不同影响。这一突破为交互式视频生成和直观世界模型提供了新方向。
北京交通大学与西蒙弗雷泽大学联合研发的混合神经-MPM方法实现了实时交互式流体模拟。该方法巧妙结合神经物理学与传统数值求解器,在低时空分辨率下运行神经网络并设置保障机制自动切换到MPM,显著降低计算延迟同时保持高保真度。团队还设计了基于扩散模型的控制器,支持用户通过简单草图直观控制流体行为,为游戏、VR和设计领域提供了实用解决方案。
这项研究介绍了EgoZero,一种创新的机器人学习系统,能够仅通过Project Aria智能眼镜捕获的人类示范数据,训练出零样本迁移的机器人操作策略。研究团队提出了一种形态无关的状态-动作表示方法,使用点集来统一人类和机器人数据,并开发了从原始视觉输入中提取准确3D表示的技术。在没有任何机器人训练数据的情况下,EgoZero在7种真实世界操作任务上实现了70%的成功率,展示了强大的泛化能力,为解决机器人学习中的数据瓶颈问题提供了新思路。