Спустя несколько месяцев после запуска, энергоэффективная оркестровка демонстрирует как перспективы, так и ограничения на фоне резкого роста спроса на ИИ.

В условиях растущего спроса на инфраструктуру для ИИ в 2026 году, объявленное в январе партнерство между Pado и Vessl вновь привлекает внимание благодаря попытке решить одну из самых больших проблем отрасли: энергопотребление.

В рамках сотрудничества технология оркестрации вычислительных ресурсов Pado с учетом энергосети и платформа MLOps от Vessl позволяют согласовывать рабочие нагрузки ИИ с условиями энергоснабжения в реальном времени, ценами и доступностью возобновляемых источников энергии, сохраняя при этом целевые показатели производительности и доходов, заявляют компании. Вместе этот подход позволяет интегрировать интеллектуальные функции управления энергопотреблением в оркестрацию рабочих нагрузок в гибридных и мультиоблачных средах без необходимости существенных изменений инфраструктуры.

С января эта работа позволила увидеть более масштабные изменения: энергопотребление становится критически важным фактором при планировании и масштабировании рабочих нагрузок ИИ.

Компания Pado, дочернее предприятие LG, разрабатывает программное обеспечение, использующее данные о состоянии энергосети в реальном времени, ценовые сигналы и телеметрию инфраструктуры для оптимизации времени и места выполнения вычислительных задач. Vessl предоставляет полнофункциональную платформу MLOps для развертывания и управления рабочими нагрузками ИИ в локальных, гибридных и мультиоблачных средах. Цель объединенной системы — направлять задачи в места или время, где электроэнергия дешевле или доступнее, что потенциально снижает затраты, уменьшает нагрузку на энергосеть и повышает эффективность использования возобновляемых источников энергии по мере масштабирования развертывания. 

Генеральный директор Pado Ванни Парк заявил, что цель не сводится к традиционной стратегии повышения эффективности. «Гибкость и экономия энергии не являются приоритетными задачами для операторов центров обработки данных», — сказал Парк изданию Data Center Knowledge . «Упущенная выгода от неиспользования доступной энергии слишком высока. Мы сосредоточены на максимизации вычислительных мощностей, а не на минимизации потребления».

Пак добавил: «Если вы можете обеспечить тот же уровень производительности, но более эффективно, именно здесь гибкость и эффективность начинают совпадать».

Ограничения по вместимости остаются в силе

«Я думаю, что это партнерство интересно, и на бумаге их продукт выглядит многообещающе», — сказал Владимир Галабов, старший директор по корпоративной инфраструктуре компании Omdia. «Меня беспокоит, что на практике в нем есть некоторые недостатки».

Главное ограничение: доступные вычислительные ресурсы. «Большинство кластеров с графическими процессорами сегодня имеют высокую загрузку», — отметил Галабов. «Даже если в одном регионе есть свободные ресурсы, остается очень мало неиспользуемых графических процессоров, которые могли бы этим воспользоваться».

Парк отметил, что уровень использования варьируется в зависимости от сегмента. «Мы не ориентируемся на гипермасштабные компании, работающие с почти идеальной эффективностью», — сказал он. «В среднем сегменте рынка использование графических процессоров часто составляет около 30-40%. Наша цель — довести этот показатель до 60% без ущерба для соглашений об уровне обслуживания».

По словам Пака, такая гибкость достигается за счет более точного прогнозирования и приоритизации рабочей нагрузки. «В сфере ИИ формируется своего рода „утиная кривая“, — сказал Пак. — Мы можем переносить менее приоритетные задачи или распределять их по облаку, оставляя при этом высокоприоритетные задачи в локальной среде».

Мнения аналитиков расходятся относительно влияния на реальный мир

По мнению Энди Лоуренса из Uptime Institute, эта концепция направлена ​​на решение реальной проблемы, но ее внедрение может идти медленно.

«Мое первое впечатление таково, что это определенно проблема, которую необходимо решить», — сказал Лоуренс изданию Data Center Knowledge . «Использование аналитики для моделирования рабочих нагрузок, стабильности сети и затрат на энергию — это правильный подход, это проблема больших данных».

Однако подобные инициативы с трудом набирают обороты.

«С технической точки зрения подобные решения могут быть очень эффективными, — сказал Лоуренс. — Проблема в том, что руководители предприятий и ИТ-специалисты обычно не уделяют приоритетного внимания вопросам энергоснабжения или электросетей… Если я запускаю большой кластер для обучения ИИ, я не уверен, что буду перепланировать рабочие нагрузки в зависимости от цен на электроэнергию… Люди сосредоточены на выполнении работы».

Даже при наличии данных, они часто не меняют поведение, добавил он.

Тем не менее, Лоуренс видит потенциал, если оптимизация будет происходить в фоновом режиме. «Если это будет работать незаметно, не влияя на производительность или пользователей, это станет привлекательным вариантом», — сказал он. «Но доказательство эффективности — в том, насколько хорошо это будет работать на практике».

Энергетическая устойчивость против координации

Между тем, операторы также напрямую решают проблему нехватки электроэнергии.

«Развитие систем хранения энергии на основе аккумуляторов, способных обеспечивать работу центров обработки данных в автономном режиме в течение нескольких часов, просто поразительно», — сказал Галабов.

Парк рассматривает хранение данных и управление энергосистемой как взаимодополняющие процессы. «Хранение данных, взаимодействие с энергосетью и управление энергосистемой работают вместе», — сказал он. «Мы оптимизируем работу системы с точки зрения времени безотказной работы, экологичности и стоимости на основе данных в реальном времени».

Суверенитет и географические границы

Нормативно-правовые и геополитические факторы еще больше ограничивают гибкость. 

«Движение за суверенный ИИ очень сильно», — сказал Галабов. «Многие организации не хотят, чтобы их рабочие нагрузки покидали страну или регион».

«Сегодня можно ограничить место выполнения работы, — добавил Лоуренс, — но это снижает реальную гибкость, которую вы можете использовать».

Пак сказал, что платформа разработана для работы в этих условиях. «Речь не идет о том, чтобы перенести все повсюду, — сказал он. — Речь идет об оптимизации в рамках существующих условий».

Почему это по-прежнему важно

Доступность электроэнергии все чаще определяет, где может масштабироваться инфраструктура искусственного интеллекта.

На ключевых рынках ограничивающим фактором для ввода новых мощностей является доступ к электроэнергии , а не земля или капитал. Этот сдвиг вынуждает операторов переосмыслить подход к использованию инфраструктуры.

Энергоэффективная оркестровка вносит гибкость в систему, которая исторически отличалась жесткостью.

Партнерство Pado-Vessl подчеркивает переломный момент: энергия становится одним из факторов планирования для инфраструктуры искусственного интеллекта.

Однако разрыв между концепцией и реальностью сохраняется. Дефицит графических процессоров, растущая устойчивость энергоснабжения на местах и ​​операционные приоритеты, отдающие предпочтение производительности, ограничивают возможности операторов по использованию гибкости уже сегодня. Именно это противоречие определяет открывающиеся возможности.

Если производственные мощности расширятся, а автоматизация достигнет зрелости, энергосберегающая оркестрация может обеспечить существенное повышение эффективности. В противном случае она рискует остаться второстепенным уровнем оптимизации на рынке, который по-прежнему определяется более насущным ограничением: доступом к графическим процессорам.