Över hela världen 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 sett använder datacenterbranschen Power Usage Effectiveness (PUE) och Water Usage Effectiveness (WUE) som primära mått på resurseffektivitet. Dessa mått har tjänat branschen väl i åratal – de är enkla, intuitiva indikatorer på hur effektivt en anläggning använder energi och vatten.

Men dagens AI-arbetsbelastningar, avancerade chip och vätskekylningsarkitekturer förändrar ekvationen. Nästa generations chip, utformade för AI och accelererad databehandling, fungerar enligt helt andra termiska profiler och prestandaegenskaper än traditionella CPU:er. De genererar betydligt högre värmebelastningar, är mer beroende av vätskekylning och levererar dramatiskt olika beräkningskapacitet beroende på driftstemperatur.

I takt med att beräkningskraften blir den dominerande drivkraften bakom energiförbrukningen i datacenter har ytterligare effektivitetsmått börjat dyka upp, vilka syftar till att på ett helhetsmässigt sätt återspegla effektivitet, hållbarhet och driftsprestanda.

Varför PUE inte räcker för att mäta effektiviteten hos AI-datacenter
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 mått 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 – övervägs alternativa mätvärden som kombinerar energi- och vattenmätvärden med beräkningscentrerade KPI:er.

Nedan följer ett exempel på några avancerade mätvärden som syftar till att ge en mer fullständig och skalbar bild av prestandan:

- Performance Per Watt (PPW) mäter beräkningsprestanda 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 beräkning ( 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 hållbarhetsinriktade beslut
- 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 alternativa mått kan göra det möjligt för intressenter att utvärdera inte bara anläggningens resurseffektivitet utan också det värde som genereras per kilowatt, liter och kilowatt kylkapacitet. De förändrar hur operatörer bedömer designbeslut, kylarkitektur, chipstemperaturer och hållbarhetsstrategier.

Denna utökade verktygslåda medför dock också ökad komplexitet. Samverkan 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 med djupgående 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 databehandlingspotentialen samtidigt som vi anpassar oss till lokalsamhällets behov, miljöförväntningar och hållbarhetsprioriteringar. Prata med en av våra datacentrexperter!

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