AI Optical Networking là gì? Tại sao Goldman Sachs dự đoán thị trường sẽ đạt 154 tỷ USD vào năm 2028?
Trong phần lớn thời gian của làn sóng AI, các nhà đầu tư đã tập trung vào một câu hỏi: các công ty công nghệ có thể triển khai bao nhiêu GPU? Nhưng khi các cụm AI trở nên lớn hơn và mạnh mẽ hơn, một điểm nghẽn khác đang chuyển đến trung tâm của cuộc đua hạ tầng—tốc độ mà các bộ xử lý đó có thể giao tiếp với nhau.
Sự chuyển dịch đó đang đưa mạng quang vào Spotlight. Nghiên cứu của Goldman Sachs mô tả mạng quang là “xu hướng vĩ đại tiếp theo” trong cơ sở hạ tầng AI và ước tính rằng sự gia tăng công suất tính toán trên mỗi kệ cùng với việc triển khai rộng rãi hơn cơ sở hạ tầng AI có thể mở ra thị trường tiềm năng lớn hơn chín lần, đưa cơ hội này lên khoảng 154 tỷ USD.
Luận điểm này phản ánh một sự thay đổi rộng hơn trong cơ sở hạ tầng AI. Các bộ tăng tốc nhanh hơn tạo ra nhiều dữ liệu hơn, các cụm lớn hơn yêu cầu nhiều giao tiếp hơn giữa các bộ xử lý, và các kết nối điện truyền thống ngày càng khó mở rộng một cách hiệu quả. Do đó, quang sợi, quang học silic và quang học đóng gói cùng nhau có thể trở nên quan trọng không kém với giai đoạn tiếp theo của cơ sở hạ tầng AI so với GPU, bộ nhớ và hệ thống nguồn điện đối với giai đoạn đầu tiên.
AI Optical Networking là gì?
Mạng quang học AI đề cập đến việc sử dụng các công nghệ truyền thông dựa trên ánh sáng để chuyển dữ liệu giữa các bộ xử lý, máy chủ, công tắc, kệ và cụm trung tâm dữ liệu. Thay vì hoàn toàn dựa vào tín hiệu điện di chuyển qua đồng, các hệ thống quang học chuyển đổi dữ liệu thành ánh sáng và truyền tải nó qua sợi quang.
Cách dễ nhất để hiểu vai trò của nó là nghĩ đến một trung tâm dữ liệu AI như một nhà máy. Các GPU và các bộ tăng tốc khác là những máy móc thực hiện công việc, trong khi mạng lưới là hệ thống vận chuyển kết nối chúng. Một nhà máy đầy những máy móc cực kỳ mạnh mẽ vẫn sẽ hoạt động kém nếu nguyên vật liệu không thể di chuyển nhanh đủ giữa các máy móc đó. Nguyên lý tương tự cũng áp dụng cho AI: các bộ xử lý phải liên tục trao đổi các tham số mô hình, kích hoạt, gradient và các dữ liệu khác trong quá trình huấn luyện hoặc phục vụ các mô hình lớn.
Điều này khiến mạng trở thành một phần của hệ thống tính toán hiệu quả thay vì một thành phần phụ trợ. Goldman Sachs cho rằng mạng mở khóa khả năng tính toán của các chip AI cá nhân bằng cách cho phép nhiều bộ xử lý hoạt động cùng nhau với độ trễ thấp. Khi các cụm AI phát triển, số tiền chi cho việc di chuyển dữ liệu do đó có thể tăng cùng với số tiền chi cho việc tạo ra tính toán.
Tại sao AI cần các mạng nhanh hơn
Việc tính toán doanh nghiệp truyền thống thường bao gồm các tác vụ có thể hoạt động tương đối độc lập trên các máy chủ. Các mô hình AI lớn thì khác biệt. Việc huấn luyện thường yêu cầu hàng ngàn bộ xử lý tăng tốc phối hợp tính toán, trao đổi lượng thông tin lớn và duy trì đồng bộ. Nếu việc truyền thông bị chậm trễ, các bộ xử lý đắt tiền có thể dành một phần thời gian để chờ thay vì tính toán.
Thử thách này trở nên nghiêm trọng hơn khi các hệ thống AI mở rộng. Một cụm chứa hàng trăm GPU yêu cầu một mức dung lượng mạng nhất định; một hệ thống chứa hàng chục nghìn—hoặc cuối cùng là hàng trăm nghìn—tạo ra một vấn đề kết nối hoàn toàn khác biệt. NVIDIA hiện mô tả mạng lưới là yếu tố nhân lên quan trọng của sức mạnh tính toán trong các nhà máy AI quy mô gigascale, với kiến trúc Spectrum mới nhất được thiết kế để kết nối các cụm GPU cực lớn.
Kết quả là sự chuyển dịch từ quan điểm tập trung vào chip sang quan điểm hệ thống. Các GPU nhanh hơn vẫn quan trọng, nhưng giá trị kinh tế của chúng ngày càng phụ thuộc vào khả năng của bộ nhớ, điện năng, làm mát và mạng để duy trì hiệu suất hoạt động của chúng. Khi mật độ tính toán tăng lên, chi phí của một mạng không đủ mạnh cũng tăng lên vì các bộ xử lý ngày càng đắt tiền đang bị sử dụng không hiệu quả.
Đồng so với sợi quang: Tại sao công nghệ quang học đang dần chiếm ưu thế
Đồng đã lâu trở thành yếu tố thiết yếu trong các trung tâm dữ liệu. Nó rẻ tiền, được hiểu rõ và hiệu quả cao trong khoảng cách ngắn. Đối với nhiều kết nối, đồng sẽ tiếp tục mang lại lợi ích về mặt kinh tế. Vấn đề là việc truyền tín hiệu điện ở tốc độ ngày càng cao trở nên ngày càng khó khăn khi băng thông và khoảng cách tăng lên.
Ở tốc độ dữ liệu cao hơn, các liên kết điện gặp phải tổn thất tín hiệu, giới hạn về công suất và nhiệt. Các kỹ sư có thể bù đắp bằng cách sử dụng retimer, xử lý tín hiệu số và thiết kế cáp cải tiến, nhưng những giải pháp này cũng tiêu tốn năng lượng. Giao tiếp quang có thể truyền tải băng thông rất cao trên khoảng cách dài hơn với mức suy giảm tín hiệu thấp hơn, khiến nó ngày càng trở nên hấp dẫn khi các mạng AI trở nên lớn hơn và nhanh hơn. Goldman Sachs Asset Management đã lưu ý vào tháng Bảy rằng các trung tâm dữ liệu dự kiến sẽ chuyển nhiều liên kết truyền dẫn từ đồng sang quang học khi yêu cầu về tốc độ và khả năng kết nối tăng lên.
Điều này không có nghĩa là sợi quang sẽ loại bỏ hoàn toàn đồng trong toàn bộ trung tâm dữ liệu AI. Sự chuyển đổi có khả năng xảy ra hơn là từng bước: đồng vẫn duy trì tính cạnh tranh cho nhiều kết nối khoảng cách ngắn, trong khi quang học ngày càng tiến gần đến các công tắc và bộ xử lý khi nhu cầu băng thông khiến việc truyền tải điện trở nên ngày càng khó khăn. Do đó, biến số then chốt không phải là đồng có biến mất hay không, mà là bao nhiêu phần của mỗi thế hệ cơ sở hạ tầng AI mới yêu cầu nội dung quang học.
Phóng to theo chiều dọc so với Phóng to theo chiều ngang: Hai thị trường mạng AI
Hiểu được cơ hội quang học cũng yêu cầu phân biệt giữa mạng mở rộng quy mô và mạng mở rộng quy mô ngang. Mở rộng quy mô kết nối các bộ tăng tốc đủ gần để chúng có thể hoạt động như một hệ thống tính toán duy nhất. Các liên kết này ưu tiên băng thông cực cao và độ trễ cực thấp vì các GPU có thể cần trao đổi thông tin liên tục trong quá trình xử lý.
Mạng mở rộng kết nối các nhóm máy chủ, tủ hoặc miền tính toán lớn hơn để cụm AI tổng thể có thể mở rộng. Giao tiếp quang học về mặt lịch sử đã được áp dụng rộng rãi hơn trên các liên kết dài này. Sự thay đổi lớn là quang học bắt đầu di chuyển vào bên trong các môi trường mở rộng khi mật độ bộ xử lý và yêu cầu băng thông tăng lên.
Sự phân biệt này giúp giải thích tại sao thị trường tiềm năng có thể mở rộng nhanh hơn nhiều so với số lượng trung tâm dữ liệu riêng lẻ. Phân tích của Goldman Sachs xem xét cả cơ hội mở rộng quy mô và mở rộng quy mô theo chiều ngang, cũng như sự thay đổi trong cơ cấu của các dây đồng, mô-đun quang có thể cắm, quang học tích hợp và các thành phần kết nối khác. Nói cách khác, AI không chỉ đơn thuần là xây dựng thêm các mạng lưới—mà còn làm tăng số tiền và độ phức tạp của các kết nối mạng cần thiết bên trong mỗi hệ thống tính toán.
Co-Packaged Optics là gì?
Quang học tích hợp, thường được viết tắt là CPO, là một trong những công nghệ quan trọng nhất đằng sau cuộc thảo luận hiện nay về mạng AI. Trong kiến trúc truyền thống, chip chuyển mạch giao tiếp bằng điện trên bo mạch trước khi tín hiệu đến bộ thu phát quang có thể tháo rời, nơi nó được chuyển đổi thành ánh sáng và truyền qua sợi quang.
CPO di chuyển các động cơ quang học gần với silicon chuyển mạch hơn, tích hợp quang học với gói chip thay vì đặt toàn bộ chuyển đổi quang ở cạnh hệ thống. Đường dẫn điện ngắn hơn có thể giảm tổn thất tín hiệu và tiêu thụ điện năng, đồng thời cho phép mật độ băng thông cao hơn. Điều này trở nên đặc biệt có giá trị khi tốc độ mạng tăng lên và chi phí năng lượng để truyền dữ liệu ngày càng trở nên quan trọng.
CPO đã và đang vượt ra ngoài phòng thí nghiệm. Broadcom cho biết vào tháng Ba rằng danh mục cơ sở hạ tầng AI của họ bao gồm một công tắc Ethernet tốc độ 102,4 terabit/giây với quang học tích hợp, cùng với công nghệ DSP quang 400G mỗi kênh và các sản phẩm kết nối tốc độ cao khác. NVIDIA cũng đang tích hợp CPO vào nền tảng Ethernet Photonics Spectrum-X của mình, biến công nghệ này thành một phần của kiến trúc AI thương mại, thay vì chỉ là một khái niệm nghiên cứu dài hạn.
Tại sao Goldman Sachs nhìn thấy một thị trường 154 tỷ USD
Con số tiêu đề trong luận điểm về mạng quang của Goldman Sachs là thị trường tiềm năng lên tới 154 tỷ USD. Ngân hàng ước tính rằng sự tăng trưởng của cơ sở hạ tầng AI và công suất tính toán ngày càng tăng trên mỗi khay có thể tạo ra sự mở rộng khoảng chín lần trong cơ hội ở các cấu hình mạng khác nhau. Phân tích của nó bao gồm các hệ thống mở rộng quy mô và mở rộng ra, cũng như cáp đồng, mô-đun quang có thể cắm vào, CPO và bảng mạch trung gian.
Điểm quan trọng là dự báo này bị thúc đẩy bởi hai lực lượng cùng lúc. Thứ nhất, ngành AI đang triển khai thêm cơ sở hạ tầng tính toán. Thứ hai, mỗi thế hệ cơ sở hạ tầng mới có thể yêu cầu nhiều nội dung mạng hơn trên mỗi đơn vị tính toán. Việc bổ sung thêm GPU tạo ra thêm các kết nối, trong khi tăng băng thông của từng kết nối làm tăng giá trị của thiết bị mạng cần thiết để kết nối chúng.
Điều này tạo ra hiệu ứng nhân tiềm năng. Doanh thu từ mạng AI không cần phải tăng chỉ vì có thêm nhiều trung tâm dữ liệu được xây dựng; nó cũng có thể tăng vì mỗi kệ, siêu nút hoặc cụm chứa các kết nối đắt tiền hơn. Con số 154 tỷ USD do đó nên được hiểu là ước tính dựa trên các kiến trúc hệ thống và giả định về mức độ áp dụng trong tương lai—không phải doanh thu đảm bảo—but nó minh họa cách chi tiêu cho cơ sở hạ tầng AI có thể mở rộng đáng kể vượt ra ngoài chính các bộ tăng tốc.
Tại sao NVIDIA Vera Rubin lại quan trọng
Nền tảng Vera Rubin của NVIDIA cung cấp một trong những dấu hiệu rõ ràng nhất cho thấy mạng quang đang trở nên quan trọng về chiến lược. Vào tháng 5 năm 2026, NVIDIA cho biết Vera Rubin đã bắt đầu sản xuất hàng loạt và ra mắt Spectrum-X Ethernet Photonics, một hệ thống mạng dựa trên CPO được thiết kế để hỗ trợ các nhà máy AI triệu GPU trong tương lai.
Theo NVIDIA, Spectrum-X Ethernet Photonics có thể mang lại hiệu suất tiết kiệm điện năng tốt hơn năm lần so với các mạng sử dụng bộ chuyển đổi truyền thống, cùng với những cải tiến về thời gian hoạt động của ứng dụng và tốc độ triển khai. Những con số này là so sánh sản phẩm do NVIDIA tự thực hiện, nhưng chúng minh họa lý do tại sao năng lượng mạng đã trở thành mối quan tâm thiết kế lớn. Mỗi watt điện tiêu thụ để truyền dữ liệu là một watt không còn sẵn có cho các bộ xử lý thực hiện các phép tính AI.
Ý nghĩa này rộng hơn một thế hệ sản phẩm duy nhất. Khi một nhà cung cấp bộ tăng tốc AI thống trị tích hợp mạng quang học vào lộ trình nền tảng của mình, quang học trở thành một phần của kiến trúc hệ thống xung quanh tính toán tương lai. Điều này củng cố lập luận rằng kết nối có thể trở thành một phần lớn hơn trong chi tiêu cho cơ sở hạ tầng AI, ngay cả khi các công nghệ mạng cá nhân tiếp tục phát triển.
CPO có thay thế các mô-đun quang có thể thay thế không?
CPO có những lợi thế nổi bật, nhưng điều đó không có nghĩa là các mô-đun quang có thể thay thế truyền thống sẽ biến mất. Các bộ thu-phát có thể thay thế có lợi thế vận hành lớn: chúng mang tính mô-đun. Các nhà vận hành trung tâm dữ liệu có thể thay thế, nâng cấp hoặc bảo trì chúng độc lập với công tắc, và chuỗi cung ứng toàn cầu trưởng thành đã hỗ trợ kiến trúc này.
CPO đánh đổi một phần tính mô-đun để đạt được sự tích hợp chặt chẽ hơn. Việc đưa quang học lại gần silicon chuyển mạch có thể cải thiện hiệu suất năng lượng và mật độ băng thông, nhưng việc đóng gói, quản lý nhiệt, tỷ lệ sản xuất và khả năng bảo trì trở nên phức tạp hơn. Những sự đánh đổi này có nghĩa là giải pháp tối ưu có thể thay đổi tùy theo khoảng cách, yêu cầu băng thông, kiến trúc hệ thống và chi phí do thời gian ngừng hoạt động gây ra.
Tương lai có khả năng xảy ra do đó sẽ tinh vi hơn một cuộc cạnh tranh đơn giản giữa CPO và các thiết bị có thể cắm vào. Thị trường mạng AI đang mở rộng nhanh chóng có thể hỗ trợ cả hai công nghệ này ở các phần khác nhau của mạng lưới. Ngay cả khi CPO chiếm ngày càng nhiều thị phần trong các môi trường có băng thông cao nhất, tổng nhu cầu về quang học có thể cắm vào vẫn có thể tiếp tục tăng nếu tổng số liên kết quang học tăng đủ nhanh.
Những công ty nào có thể hưởng lợi từ sự bùng nổ của quang học AI?
Cơ hội tiềm năng mở rộng xa hơn cả các nhà sản xuất GPU vì mạng quang là chuỗi cung ứng đa lớp. Các hệ thống tính toán tạo ra nhu cầu, các chip mạng định tuyến lưu lượng, các thành phần quang chuyển đổi tín hiệu điện thành ánh sáng, sợi quang truyền tải các tín hiệu đó, và thiết bị mạng kết nối các thành phần lại với nhau.
| Đoạn | Vai trò trong mạng lưới AI | Ví dụ |
| Hệ thống tính toán AI | Tạo nhu cầu về kết nối tốc độ cao | NVIDIA |
| Chuyển đổi và chip mạng | Chuyển hướng lưu lượng qua các cụm AI | Broadcom, NVIDIA |
| Các thành phần quang học | Các tia laze, bộ thu-phát và các linh kiện liên quan | Coherent, Lumentum |
| Cơ sở hạ tầng sợi quang | Chuyển tín hiệu quang | Corning |
| Hệ thống mạng | Xây dựng các mạng quang tốc độ cao | Ciena |
Do đó, luận điểm đầu tư rộng hơn là chi tiêu vốn vào AI có thể lan tỏa ra ngoài. Làn sóng đầu tiên đã ưu tiên các công ty bán thiết bị tính toán. Các làn sóng sau này đã tăng cường sự chú ý vào bộ nhớ, nguồn điện và làm mát, và mạng lưới có thể đại diện cho một lớp mở rộng khác. Danh mục sản phẩm hiện tại của Broadcom là một ví dụ hữu ích: hiện nay nó bao gồm XPUs, switch Ethernet, quang học, SerDes, DSP và các công nghệ PCIe cho các cụm AI quy mô lớn.
Tuy nhiên, sự tiếp xúc với ngành công nghiệp không tự động biến mọi công ty quang học thành người chiến thắng. Sự kết hợp sản phẩm, mức độ tập trung khách hàng, năng lực sản xuất, giá cả và các chuyển đổi công nghệ có thể tạo ra những kết quả rất khác nhau dọc theo chuỗi cung ứng.
Điều gì có thể ngăn chặn sự bùng nổ 154 tỷ USD?
Rủi ro lớn nhất là khá rõ ràng: chi tiêu vốn cho AI có thể tăng trưởng chậm hơn dự kiến. Các dự báo về mạng quang cuối cùng phụ thuộc vào tốc độ mà các nhà cung cấp quy mô lớn, các phòng thí nghiệm AI và doanh nghiệp tiếp tục xây dựng cơ sở hạ tầng máy tính. Việc giảm số lượng triển khai bộ tăng tốc cũng sẽ làm giảm nhu cầu về các kết nối xung quanh những bộ tăng tốc đó.
Công nghệ cũng có thể thay đổi dự báo. Các cáp điện tích cực được cải tiến, các bộ retimer và các công nghệ đồng khác có thể kéo dài kết nối điện xa hơn so với các dự đoán hiện tại. CPO có thể đối mặt với các thách thức về sản xuất, đóng gói hoặc khả năng bảo trì làm chậm quá trình áp dụng. Các kiến trúc AI trong tương lai cũng có thể tổ chức tính toán khác đi, thay đổi số lượng liên kết quang cần thiết trên mỗi rack hoặc cụm.
Cuối cùng, hiệu quả là một sự không chắc chắn thực sự. Các mô hình, phần mềm và kỹ thuật suy luận tốt hơn có thể cho phép các nhà cung cấp AI thực hiện nhiều công việc hơn với cùng một phần cứng. Con số 154 tỷ USD của Goldman Sachs do đó nên được xem như một kịch bản về quy mô cơ hội có thể đạt được dưới các giả định cơ sở hạ tầng nhất định. Thuyết bền vững hơn không phải là con số chính xác—mà là việc di chuyển dữ liệu đang trở thành một phần ngày càng lớn và có giá trị hơn trong tính toán AI.
Liệu Mạng quang học có phải là xu hướng hạ tầng AI lớn tiếp theo?
Tình hình kỹ thuật ngày càng vững chắc. Các cụm GPU đang trở nên lớn hơn, nhu cầu về băng thông đang tăng lên, và ngày càng có nhiều sự chú ý dành cho số tiền năng lượng tiêu thụ chỉ để di chuyển dữ liệu. Cả NVIDIA và Broadcom hiện đều có lộ trình sản phẩm thương mại đặt các công nghệ quang học tiên tiến vào trong các hệ thống mạng AI quy mô lớn.
Tuy nhiên, câu hỏi quan trọng không phải là liệu thị trường có đạt chính xác 154 tỷ USD vào một ngày cụ thể hay không. Các dự báo sẽ thay đổi khi các kiến trúc AI phát triển. Một chỉ số hữu ích hơn là số tiền cần thiết cho mạng và nội dung quang học trên mỗi đơn vị tính toán AI. Nếu tỷ lệ này tiếp tục tăng trong khi tổng lượng triển khai tính toán AI cũng mở rộng, mạng quang học có thể tăng trưởng nhanh chóng ngay cả khi các công nghệ hoặc giả định về thị phần cá nhân thay đổi.
Điều đó khiến kết nối trở thành một trong những lĩnh vực quan trọng nhất cần theo dõi trong giai đoạn tiếp theo của việc xây dựng AI. Các GPU có thể tạo ra trí tuệ, nhưng ngày càng cần những mạng lưới tinh vi hơn để kết hợp các bộ xử lý này thành các hệ thống máy tính đủ lớn để huấn luyện và vận hành thế hệ mô hình tiếp theo.
Kết luận: AI đang trở thành một câu chuyện về kết nối
Giai đoạn đầu tiên của làn sóng đầu tư vào hạ tầng AI sinh thành do compute chi phối. Các GPU trở thành nguồn tài nguyên khan hiếm, và các công ty đua nhau đảm bảo các bộ tăng tốc, bộ nhớ, điện năng và dung lượng trung tâm dữ liệu. Khi các hệ thống này mở rộng, thách thức ngày càng chuyển sang việc kết nối hiệu quả toàn bộ lượng compute đó.
Mạng quang học giải quyết thách thức này bằng cách cung cấp băng thông, phạm vi và hiệu quả năng lượng cần thiết để truyền lượng dữ liệu khổng lồ giữa các bộ xử lý và cụm máy. CPO và quang học silicon có thể đưa công nghệ quang học gần hơn nữa với chip AI, trong khi các hệ thống thế hệ tiếp theo như NVIDIA Vera Rubin cho thấy quá trình chuyển đổi đã bắt đầu đi vào cơ sở hạ tầng thương mại.
Dự báo 154 tỷ USD của Goldman Sachs có thể đúng hoặc không. Xu hướng lớn hơn mới quan trọng hơn: giai đoạn tiếp theo của cuộc đua hạ tầng AI có thể ngày càng phụ thuộc không chỉ vào tốc độ xử lý của bộ xử lý, mà còn vào tốc độ truyền thông tin giữa chúng.
Câu hỏi thường gặp
Công nghệ quang học silic có giống với quang sợi không?
Không. Sợi quang chủ yếu đề cập đến việc truyền ánh sáng qua sợi quang, trong khi quang học silic sử dụng các kỹ thuật sản xuất bán dẫn để tích hợp các chức năng quang học như bộ điều chế và bộ phát hiện ánh sáng lên các thiết bị dựa trên silic. Hai công nghệ này có thể hoạt động cùng nhau: các thành phần quang học silic tạo ra, điều chỉnh hoặc tiếp nhận tín hiệu quang, sau đó tín hiệu này di chuyển qua sợi quang.
Một bộ thu phát quang trong trung tâm dữ liệu AI là gì?
Bộ thu phát quang chuyển đổi dữ liệu điện từ máy chủ hoặc chip mạng thành tín hiệu quang để truyền qua sợi quang và chuyển đổi ánh sáng đầu vào trở lại thành tín hiệu điện. Các mô-đun này là những điểm kết nối quan trọng trong các mạng trung tâm dữ liệu hiện đại, đặc biệt khi tốc độ liên kết tăng lên và sợi quang được triển khai sâu hơn vào hạ tầng AI.
800G và 1.6T có nghĩa gì trong mạng quang học?
Chúng mô tả dung lượng dữ liệu ước tính của một kết nối mạng. Một liên kết 800G có thể truyền tải lên tới khoảng 800 gigabit mỗi giây, trong khi 1.6T đề cập đến khoảng 1.6 terabit mỗi giây. Những con số này mô tả băng thông mạng, chứ không phải hiệu năng tính toán của GPU.
Việc suy luận AI có cần mạng quang học nhiều như việc đào tạo AI không?
Mô hình mạng có thể khác nhau. Việc huấn luyện các mô hình lớn thường yêu cầu đồng bộ hóa mạnh mẽ trên nhiều bộ xử lý, khiến các kết nối tốc độ cực cao trở nên thiết yếu. Việc suy luận đôi khi có thể được phân phối một cách độc lập hơn, nhưng các mô hình suy luận quy mô lớn, AI đại lý và các dịch vụ khối lượng cao cũng có thể yêu cầu giao tiếp đáng kể giữa các bộ xử lý và hệ thống.
Tại sao mức tiêu thụ điện năng của mạng lại quan trọng đối với các trung tâm dữ liệu AI?
Các trung tâm dữ liệu AI hoạt động trong các ngân sách điện và làm mát hữu hạn. Năng lượng tiêu thụ bởi các công tắc, bộ chuyển đổi và thiết bị xử lý tín hiệu làm giảm số tiền có sẵn cho GPU và các phần cứng tính toán khác. Khi các cụm AI mở rộng, việc giảm năng lượng cần thiết để di chuyển mỗi bit dữ liệu do đó có thể cải thiện cả hiệu quả hệ thống lẫn tính kinh tế của toàn bộ trung tâm dữ liệu.
🔥 KuCoin Mang Đến Một Tùy Chọn Ổn Định Hơn Trong Thị Trường Biến Động
Nếu bạn lo lắng về những biến động thường xuyên trên thị trường và tìm kiếm một lựa chọn ổn định hơn để kiếm tiền thụ động, KuCoin là nơi phù hợp để bạn đến:
Simple Earn: Nạp và rút token mọi lúc, nhận lợi nhuận ổn định.
KuCoin Earn: Kiếm lợi nhuận ổn định với quản lý tài sản chuyên nghiệp.
Nắm giữ để kiếm tiền: Nhận phần thưởng bằng cách nắm giữ tài sản trong các tài khoản Nguồn vốn, Giao dịch, Ký quỹ, Giao sau, Khai thác và Tài khoản hợp nhất.
Staking: Khai thác tiềm năng sinh lời từ các tài sản trên chuỗi.
Đầu tư Nâng cao: Đầu tư Nâng cao cung cấp nhiều sản phẩm có cấu trúc giúp tiền của bạn tăng trưởng trong mọi thị trường.
Shark Fin: Bảo vệ tiền vốn và lợi nhuận đảm bảo
Đầu tư kép: Mua thấp và bán cao với tính toán lợi nhuận minh bạch.
Snowball: Lợi nhuận cao, có bảo vệ giá.
Mua với ưu đãi: Mua tiền điện tử với giá ưu đãi.
KCS Loyalty: Nâng cấp cấp độ để tận hưởng các quyền lợi độc quyền bằng cách stakes ≥ 1 KCS.
KuCoin Wealth: Khám phá giá trị tương lai và bắt đầu hành trình đầu tư thông minh của bạn.
Lợi ích KCS: Giữ và stake KCS để truy cập các lợi ích trên toàn nền tảng.
KCS Staking 2.0: Tham gia quản trị trên chuỗi của KCS để kiếm lợi nhuận.
Thông báo miễn trừ trách nhiệm: Nội dung này chỉ mang tính chất thông tin và không cấu thành lời khuyên đầu tư. Đầu tư vào tiền điện tử tiềm ẩn rủi ro. Vui lòng tự nghiên cứu (DYOR).
Tuyên bố từ chối trách nhiệm: Trang này được dịch bằng công nghệ AI để thuận tiện cho bạn. Để biết thông tin chính xác nhất, hãy tham khảo bản gốc tiếng Anh.