I hela Europa och Mellanöstern ökar införandet av AI i en aldrig tidigare skådad takt. Hyperscalers, colocation-operatörer, företagsdatacenter och nya AI-fabriker utökar snabbt sin IT-infrastruktur för att hantera allt mer komplexa modeller och enorma datamängder. Denna kraftiga ökning leder till ett ökat energibehov, vilket i sin tur driver kylningskraven till nya ytterligheter.

Traditionellt har operatörerna förlitat sig på Power Usage Effectiveness (PUE) och Water Usage Effectiveness (WUE) som sina främsta mått på driftseffektivitet. Dessa mått har tjänat branschen väl i åratal – enkla, intuitiva indikatorer på hur effektivt en anläggning använder energi och vatten.

Men dagens AI-arbetsbelastningar, avancerade chip och vätskekylningsarkitekturer förändrar ekvationen. I takt med att datorkraft blir den dominerande drivkraften bakom energiförbrukningen ifrågasätter datacenterbranschen om PUE och WUE ensamma fullt ut kan återspegla effektivitet, hållbarhet eller driftsprestanda.

Nästa generations chip, utformade för AI och accelererad databehandling, fungerar med helt andra termiska profiler och prestandaegenskaper än traditionella CPU:er. De genererar betydligt högre värmebelastningar, är starkt beroende av vätskekylning och levererar dramatiskt olika beräkningskapacitet beroende på driftstemperatur.

Detta skapar tre avgörande utmaningar för operatörerna

PUE bortser från beräkningskapaciteten
En anläggning kan uppvisa ett utmärkt PUE-värde men ändå leverera relativt låg beräkningskapacitet. Eftersom den globala efterfrågan på beräkningskapacitet förväntas tredubblas – från 82 GW år 2025 till mer än 220 GW år 2030 enligt McKinsey & Company – behöver organisationer mätvärden som tar hänsyn till nyttigt arbete, inte bara energi in kontra energi ut.

Variationer i klimat och kylning snedvrider mätningarna
AI-datacenter i varmare klimat eller regioner med vattenbrist står inför miljöförhållanden som i sig påverkar både PUE och WUE. En anläggning med högoptimerad kylning kan fortfarande framstå som ”ineffektiv” på grund av geografiska förhållanden snarare än tekniska lösningar.

AI-arbetsbelastningar förändrar förhållandet mellan kylning, temperatur och prestanda
Ett chip kan fungera ”tillräckligt bra” vid högre temperaturer – vilket förbättrar PUE genom att minska behovet av mekanisk kylning – men leverera överlägsen beräkningsprestanda vid lägre temperaturer. I detta fall försämras PUE, beräkningsprestandan ökar och systemets totala produktivitet stiger. Denna motsägelse belyser varför dagens mätvärden inte räcker till för AI-drivna miljöer.

För att utvärdera effektiviteten i moderna anläggningar – särskilt sådana som stöder AI, hyperscale och colocation-applikationer med hög densitet – måste operatörerna kombinera energi- och vattenmätvärden med beräkningscentrerade KPI:er. En växande uppsättning avancerade mätvärden ger en mer fullständig och skalbar bild av prestandan.

• Prestanda per watt (PPW) mäter beräkningskapaciteten per energienhet. Ett helhetsperspektiv för att anpassa IT-prestanda till anläggningens effektivitet.
• Datacentrets energiproduktivitet (DCeP) utvärderar hur mycket ”nyttigt arbete” (utförda uppgifter, bearbetade data osv.) som produceras per förbrukad energienhet.
• Beräkningskraftseffektivitet (CPE) uttrycker den beräkningskraft som levereras per energienhet. Perfekt för AI-intensiva verksamheter.
• Energiproportionell databehandling (EPC) bedömer hur effektivt ett system anpassar energianvändningen i förhållande till arbetsbelastningen. Ju bättre energiförbrukningen följer beräkningsbehovet, desto bättre.
• Grön effektivitet (GE) kopplar samman beräkningsprestanda med koldioxidpåverkan, vilket möjliggör hållbarhetsinriktat beslutsfattande.
• Prestanda per liter (PPL) kopplar samman vattenförbrukningen med beräkningsprestanda – avgörande för regioner som drabbas av vattenbrist eller står under sträng tillsyn.

Varför dessa mått är viktiga
Dessa nya mått gör det möjligt för intressenterna att utvärdera inte bara anläggningens resurseffektivitet utan också det värde som genereras per kilowatt, liter och ton kylkapacitet. De förändrar hur operatörerna bedömer designbeslut, kylarkitektur, chipstemperaturer och hållbarhetsstrategier.

Denna utökade verktygslåda medför dock också ökad komplexitet. Konvergensen mellan högdensitetskylning, elektrifiering, vattenstrategi, avancerade styrsystem, modellering och regionala skillnader i regelverk kräver ett mer integrerat tillvägagångssätt.

En helhetsorienterad partner för en AI-driven framtid
För att lyckas behöver organisationer en partner inom teknik och värmehantering som har gedigen erfarenhet av design på systemnivå, koldioxidminskning, prestandaoptimering och skalbara lösningar. Ett tidigt samarbete är avgörande – från koncept och design till integration och löpande drift.

Trane bidrar med oöverträffad expertis när det gäller att förstå hela datacentrets ekosystem, från tak till chip. Vårt rådgivande tillvägagångssätt omfattar modellering, testning, intelligenta styrsystem, energiåtervinning, värmelagring, realtidsanalys och förebyggande underhåll. Vi hjälper operatörer att maximera databehandlingskapaciteten samtidigt som de anpassar sig till lokalsamhällets behov, miljöförväntningar och hållbarhetsprioriteringar. Prata med en av våra datacenter-experter!

Din pålitliga innovatör inom kylning och värmehantering för datacenter i verksamhetskritiska miljöer
På Trane gör vi det möjligt för nästa generations datacenter att drivas mer effektivt, hållbart och intelligent – och därmed möta kraven från AI, arbetsbelastningar med hög densitet och global tillväxt. Genom integrerad utrustning, systemdesign, analysverktyg och löpande prestandatjänster hjälper vi till att säkerställa att din anläggning levererar maximal datorkapacitet med minimal miljöpåverkan.

Upptäck hur Trane kan stödja din helhetsstrategi för värmehantering:
https://trane.eu/data-center.html

Denna artikel baseras på en vitbok författad av Danielle Rossi, global chef för Mission Critical Cooling hos Trane Technologies.
Ladda ner hela vitboken.