Merk
Tilgang til denne siden krever autorisasjon. Du kan prøve å logge på eller endre kataloger.
Tilgang til denne siden krever autorisasjon. Du kan prøve å endre kataloger.
AI kan bidra til å løse mange av menneskehetens største problemer. Men ved siden av sitt løfte anerkjenner organisasjoner ressursintensiteten til AI-programmer og behovet for å håndtere deres miljømessige konsekvenser samtidig som de balanserer bærekraftekspertise med strategiske forretningsmål. Viktige prioriteringer inkluderer:
- Forstå hvordan du bruker kunstig intelligens til bærekraftige løsninger, og hvor du gjør avveininger.
- Identifiser brukstilfellene av kunstig intelligens med størst innvirkning på bærekraft, verktøyene og løsningene som effektiviserer dem, og pålitelige leverandører av kunstig intelligens.
- Reduser risikoen ved bærekraftløsninger basert på kunstig intelligens, inkludert kostnads- og utslippspåvirkning, virkninger på bærekraftvurderinger og negative reaksjoner fra interessenter.
Som alltid er Microsoft forpliktet til ansvarlig kunstig intelligens og dets ambisiøse bærekraftmål. Selskapet er fast bestemt på å takle denne utfordringen slik at verden kan utnytte de fulle fordelene med AI. Hvis du vil ha mer informasjon, kan du laste ned rapporten om miljømessig bærekraft.
Optimalisering av energi- og vanneffektivitet i datasentre
Microsoft presiserer kontinuerlig sin tilnærming på tvers av datasenteroperasjoner for å forbedre energieffektiviteten uten å gå på bekostning av ytelse eller pålitelighet. Selskapet reduserer også vannforbruket, etterfyller vann i kritiske områder, forbedrer global vanntilgang og sanitær, driver innovasjon innen vannforvaltning og fremmer effektiv vannpolitikk. Denne tilnærmingen reduserer vannstress, sikrer kritiske vannskiller og støtter global motstandskraft.
Energi
Følgende funksjoner fremhever hvordan Microsoft fremmer energieffektivitet i sine datasentre, inkludert innovasjoner innen kraftstyring, innkjøp av fornybar energi og bruk av lavere karbonmaterialer i konstruksjonen:
| Funksjonalitet | Detaljer |
|---|---|
| Maksimal strømreduksjon | Project Forge bruker maskinlæring til å planlegge opplæring av og slutninger fra kunstig intelligens i perioder med ledig kapasitet, som forbedrer utnyttelsesratene til 80–90 % i stor skala. |
| Energibevaring | Omfordeler ubrukt energi fra underutnyttede arbeidsbelastninger for å øke den totale energieffektiviteten. |
| Karbonfri elektrisitet | I 2024 avtalte Microsoft 19 gigawatt (GW) ny fornybar energi via kraftskjøpsavtaler i 16 land/områder, og la til et leverandørmål med 100 % karbonfri elektrisitet innen 2030, som bidrar til å redusere utslipp i område 2. |
| Fornybare energikilder | Avtalte ytterligere 19 gigawatt (GW) fra fornybare energikilder i 2024 på tvers av 16 land/områder, som diversifiserer energiporteføljen. |
| Lokalsamfunnsstøtte | Gjør det mulig for datasentre å bidra til lokal energiforsyning i perioder med høy etterspørsel. For eksempel, ved hjelp av datasenter avløpsvarme i Danmark for å varme ca 6000 boliger. Microsoft støtter også retningslinjer for å utvide CFE, karbonfjerningsmarkeder og interoperabel rapportering. |
Vann
Følgende funksjoner fremhever hvordan Microsoft fremmer vanneffektivitet i sine datasentre, inkludert innovasjoner innen vannbehandling, bevaring og etterfylling:
| Funksjonalitet | Detaljer |
|---|---|
| Vannpositiv | Microsoft leverer rent vann og sanitære forhold til 1,5 millioner mennesker. Selskapet er i rute til å fylle opp mer vann enn det forbruker på tvers av globale operasjoner og forbedre vannbrukseffektiviteten i datasenteret. |
| Beskyttelse | Microsoft reduserer vannforbruket gjennom flytende kjølesystemer, vann gjenbruksteknologier og ettermonteringer på tvers av nye og eksisterende datasentre og campusbygninger. |
| Prediktiv modellering | Microsoft distribuerer AI-drevet presisjonsvanning ved hjelp av jordfuktighetstester, satellitt- og værdata og agronomveiledning for å levere skreddersydde vanningsplaner. |
| Innovasjoner | Microsoft går over fra tradisjonelle luftkjølte datasentre til væskekjølingsdesign på chipnivå på eide datasentre. |
| Etterfylling | Finansierte etterfyllingsprosjekter økte med 50 % i RÅ24 (27 prosjekter) og anslås å gi i overkant av 50 millioner kubikkmeter vannbesparelser. Programkontrakter til dags dato anslås å gi i overkant av 100 millioner kubikkmeter i løpet av levetiden. |
Bruk av materialer med lavere karbonutslipp
Stål og sement produserer omtrent 13,5 prosent av de globale karbonutslippene. Totale karbonutslipp reduseres betydelig når karbonavtrykkene deres minimeres. Hos Microsoft fremmer selskapet bruken av lavkarbonbyggematerialer ved datasentrene.
Følgende funksjoner fremhever noen av Microsofts investeringer og innovasjoner i lavere karbonmaterialer:
| Funksjonalitet | Detaljer |
|---|---|
| Bruk av og effektivisering av markeder | Microsoft investerer $1 milliarder via klimainnovasjonsfondet for å sette fart på innovasjon innenfor materialer med lavere karbonutslipp. |
| Stål nesten uten karbonutslipp | Microsoft utvikler nesten nullkarbonstålprodukter. |
| Konstruksjonsmaterialer med lavere karbonutslipp | Microsoft integrerer nye lavkarbonmaterialer i datasenterkomponenter (for eksempel oppvarming, ventilasjon og klimaanlegg (HVAC) systemer), inkluderer lave karbonkrav i byggekontrakter, og søker muligheter for å forbedre driftseffektiviteten. |
| Forsterking av betong som et karbonabsorberingsmiddel | Microsoft bidrar til å fremme lavere karbon betong teknologier som injiserer fanget karbondioksid i betong, hvor CO2 umiddelbart mineraliserer og er permanent innebygd som nanosized bergarter i det fysiske produktet. |
| Datasenterkonstruksjon med massivtre | Microsoft bygger de første datasentrene ved hjelp av hybrid massetømmer, stål og ultralett tre – anslått til å redusere nedfelt karbon med om lag 35 prosent sammenlignet med stål og om lag 65 prosent sammenlignet med forhåndsstøpt betong for to nye datasentre. |
Forbedring av energieffektiviteten til kunstig intelligens
Datasentre gjør kunstig intelligens og databehandling i skyen mulig. Det er viktig å håndtere ressursintensiteten til datasentre i denne nye epoken med KUNSTIG INTELLIGENS. Hos Microsoft omdefinerer selskapet datasenterbygging og -operasjoner for å møte utfordringen. Ved å integrere avanserte byggematerialer, fornybare energiløsninger og innovative teknologier som kraftoptimalisering, termisk effektivitet og gjenoppretting av avfallsvarme, setter selskapet en ny standard for en mer bærekraftig og robust datasenterinfrastruktur.
Programvareutvikling med høyere effektivitet
Følgende funksjoner fremhever hvordan Microsoft fremmer programvareutviklingspraksis for å forbedre energieffektiviteten til kunstig intelligens:
| Funksjonalitet | Detaljer |
|---|---|
| Samarbeid om standarder | Som et grunnleggermedlem av Green Software Foundation og medlem av FinOps Foundation hjelper Microsoft å forme standarder og utvikle anbefalte fremgangsmåter for energieffektivitet i programvare og optimalisering av skyressurser. |
| Smartere programvareutvikling |
Azure Well-Architected Framework for Sustainability og tilhørende veiledning fremmer karbonbevissthet, ressursoptimalisering, arbeidsbelastningsplanlegging, enhetens levetid, og bruk av Software Carbon Intensity (SCI) Specification Microsofts klimatiltaksplan for utviklere støtter over 60 000 klimafokuserte programvareprosjekter med åpen kildekode. |
| Innebygde utslippsverktøy | Karbonoptimalisering i Azure gir kundene innsyn i utslipp fra sine Azure ressurser og gir anbefalinger for å forbedre beregningseffektivitet og bærekraft. |
Bygg og optimaliser modeller for kunstig intelligens for komplekse KI-scenarioer
Følgende funksjoner fremhever hvordan Microsoft fremmer effektivitet i modeller for kunstig intelligens for å redusere energiintensiteten til kunstig intelligens:
| Funksjonalitet | Detaljer |
|---|---|
| Småspråkmodeller i stedet for storspråkmodeller | Småspråkmodeller kan oppnå lignende resultater med færre ressurser. Microsofts Phi-småspråkmodeller utvider alternativene blant effektive modeller for kunstig intelligens og har ofte bedre ytelse enn større storspråkmodeller for mange oppgaver. |
| Effektiviteten til slutninger fra storspråkmodeller | Fasedeling skiller slutning fra storspråkmodeller i to faser på ulike maskiner for å forbedre effektiviteten. Splitwise muliggjør fasespesifikk planlegging og ressursbruk, og leverer omtrent 2,35x gjennomstrømming under samme strøm- og kostnadsbudsjetter og opptil 1,4x høyere gjennomstrømming på ca. 20% lavere kostnader sammenlignet med gjeldende utforminger. |
Muliggjør presis strømstyring
Følgende funksjoner fremhever hvordan Microsoft fremmer strømstyring for å forbedre energieffektiviteten til kunstig intelligens:
| Funksjonalitet | Detaljer |
|---|---|
| Tildeling av arbeidsbelastning | Bruk energitelemetri på silisiumnivå til å tildele arbeidsbelastninger til de mest egnede serverne, prosessorene og lagringsressursene, som forbedrer den totale effektiviteten. |
| Energiintensitet ved databehandling | Innover for å redusere databehandlingsenergiintensiteten, selv om forbruket per brikke øker. Eksempler inkluderer AI-drevet virtuell planlegging av arbeidsbelastninger, sikker høsting av ubrukt kraft på tvers av datasentre, og utvidelse av fornybar energi for å akselerere overgangen til karbonfri elektrisitet. |
Utvikling av bransjestandarder for KI-dataformater
Følgende funksjoner fremhever hvordan Microsoft fremmer bransjesamarbeid for å utvikle og standardisere neste generasjons datatyper for effektiv KI-opplæring og -slutninger:
| Funksjonalitet | Detaljer |
|---|---|
| Bransjesamarbeid | Samarbeider med andre bransjeledere for å opprette og standardisere neste generasjons datatyper for effektiv (mindre energikrevende) AI-opplæring og -inferencing. Samarbeidet fokuserer på smalere formater som gjør det mulig for silisium å utføre mer effektive og mer kostnadseffektive AI-beregninger. Ved å arbeide med Open Compute Project samarbeidet Microsoft med andre bransjeledere for å danne Microscaling Formats (MX)-alliansen med mål om å opprette og standardisere neste generasjons 6-biters og 4-biters datatyper for ai-opplæring og -inferencing. |