人工智能与采矿数据中心融合

HodlX 客座文章 提交您的帖子

近几个月来，人工智能 (AI) 的工作量已经从理论基准变成了对全球基础设施的实时经济压力。

从每小时处理数百万次查询的语言模型到需要大量 GPU 集群进行推理的扩散模型，电网和计算资源的压力正在加速增大。

令人惊讶的是，最适合吸收这种负载的基础设施并不位于硅谷或超大规模服务器群–而是在采矿数据中心。

从 PoW（工作量证明）到生成式人工智能

加密货币挖矿中心建立在高密度、高功耗计算的前提上–针对效率、正常运行时间和热控制进行了优化。

这些与现代人工智能所需的基础相同。

但有一个关键的区别–虽然采矿过程相对具有突发性，并且可以中断而不会造成业务损失，但人工智能工作负载是持续的、精确驱动的和对延迟敏感的。

这种对比呈现出机会.

通过升级冷却系统–特别是通过浸没和基于液体的技术–和优化配电基础设施、采矿数据中心可以成为混合环境。

他们可以在能源成本较低时运行加密挖掘，并在 GPU 需求激增时切换到 AI 推理工作。

新兴的编排平台与特定于 AI 的调度工具相结合，允许任务之间动态切换。

这些工具已证明可将作业完成时间提高 27% 至 33%，并将减少排队延误。

经济层面同样引人注目–如果人工智能需求通过推理市场货币化，那么挖矿业务可能会发现租用计算能力比挖掘某些资产更有利可图。

一些采矿中心已经实验 和 基于FPGA设置，具有抗 ASIC 特性，并且本身适用于人工智能训练.

这为全面互操作打开了大门–同一基础设施同时处理 PoW 区块和变压器模型，取决于市场情况。

当规模成为负担时

尽管美国在人工智能投资方面处于领先地位，但它面临着迫在眉睫的基础设施壁垒。弗吉尼亚州，数据中心消耗超过25%该州的电力。

在圣克拉拉，50个数据中心现在消耗了全市 60% 的电力，迫使硅谷力量急剧地扩张其传输系统–提高工业和居民用户的费率。

很多的 研究表明全球电力需求到 2030 年可能会增加两倍以上，主要是由于人工智能.

如果这些预测成立，美国不仅需要额外的电力，还需要更智能的负载平衡策略 –传统的超大规模 AI 设施受严格的正常运行时间 SLA 约束，不太适合。

为了满足这一不断增长的需求，美国必须迅速实现能源来源多元化。

扩大可再生能源–包括公用事业规模的太阳能、风能和水力发电–将发挥关键作用。

然而，这些能源本质上是间歇性的，会造成电网波动。而这正是挖矿数据中心提供惊人稳定性优势的地方。

它们采用需求灵活的架构设计，可以根据电网负荷暂停或限制运行，在可再生能源发电高峰期吸收多余的发电量，并在低产量期间缩减规模。

在德克萨斯州，这种灵活性已经促成了采矿业务和电网运营商之间的合作负荷削减协议，使得这些设施在下一代电力管理中具有极高的价值。

替代战略也正在涌现。电力从加拿大进口尤其是通过 HVDC（高压直流）线路接入水力发电，积极探索.

在国内方面，SMR（小型模块化反应堆）代表着一条有希望的道路。

SMR 由多家公司开发，并已获得美国监管机构的批准，可提供安全、分散的核电–非常适合搭配与区域人工智能中心和计算密集型设施.

下一个人工智能前沿

比特币采矿业是这一趋势的先行者。然而，真正的故事不仅仅关乎采矿业–而是关于接下来会发生什么。

采矿基础设施正在为人工智能的大规模计算铺平道路。

这些设施是试验场–培训当地人才、完善运营流程并探索监管途径。

通过适度的硬件升级和改善的连接性，许多采矿中心可以转向支持人工智能工作负载，为全球模型推理提供低延迟、经济高效的主干。

实现完全互操作性的大门

我们需要重新构建人工智能时代的数据中心基础设施。

未来可能不再是默认的超大规模，而是模块化、灵活和地理分布的，由懂得如何管理热负荷、优化每瓦成本和实时转变运营模式的混合中心主导。

---

Batyr 是尤米纳斯是一家全周期挖矿基础设施提供商。他在数据中心开发、加密货币挖矿和人工智能技术方面拥有深厚的背景。

特色图片：Shutterstock/iurii/Vladimir Sazonov