Dell PowerEdge服务器其中的一类产品，就是用于AI加速计算，它们通常提供类似GPU的异构加速芯片支持。PowerEdge服务器自身也有集成AI技术用于比如监控和系统管理，像CloudIQ软件是通过AI技术对服务器的运行状态进行主动监控和预防性维护，通过AI机器学习技术对风扇转速及声学特性进行智能调节 等。

Dell服务器的CPU、内存、硬盘、是否需要GPU这些选项，都可以按照需求灵活配置。

除了AI，数字孪生、工业互联网、工业大数据都是目前制造行业数字化转型的比较热门的技术方向与技术手段。

AI异构计算，我们通常是指除了CPU计算芯片外，采用其他计算芯片来加速AI计算的计算架构，我们目前可以支持的AI异构加速芯片包括GPU、FPGA以及戴尔科技参与投资的Graphcore IPU AI专用加速芯片。

例如在AI领域，我们在应用AI技术在工业产品缺陷检测、良品率提升、预测性维护等工业生产领域，戴尔自身的工厂也在应用AI机器学习技术在自动化生产及质检等环节。

在制造行业，我们一般建议在传统IT基础架构（虚拟化、数据库加速、数据存储、数据保护等），通过增加对新型IT技术基础设施的支持，比如工业AI、工业大数据、工业IoT等，来扩展对新业务的支持能力，而不是完全摒弃原有的基础架构及运维经验。我们为制造行业用户提供的例如AI平台解决方案，也尽量可以做到对现有行业习惯使用的软件及硬件工具的延续性支持。

AI在制造行业场景化落地，我们建议一是针对具体场景选择最适合的AI技术手段和算法，二是针对AI选择技术匹配，可以为企业带来比较高的投入产出成效的场景。

施耐德电气在AI方面的优势主要是对行业的理解和数十年的行业积累。同时，施耐德电气在机器学习和运筹学领域有非常丰富的实际经验，无论是在自己工厂中的实践，还是和客户共创的项目，都是经过了时间的考验。

首先，AI和OT的结合面临的最大挑战依然是如何找到最适合的AI技术去支持OT场景，我们在生产工艺上应用AI的场景一般会比较具体，比如说某种食品的生产工艺中，对于盐度的设定要准确到千分之几的误差，那么AI技术如何去控制繁杂的设备来达到这个目标？ 其次，数据采集依然是AI和OT结合的挑战，因为，AI需要大量的数据支持，相比to C的场景，工业领域的数据类型更加复杂，使用的协议各不相同，数据的质量参差不齐，采集的频率到秒级甚至毫秒级，这些都是会影响AI和OT完美结合的困难点。

仿真计算通常采用单机或多机HPC集群计算架构，之前主要是采用CPU计算，现在Ansys、Altair的工业仿真软件，也越来越多使用GPU来计算。具体使用CPU或者GPU来加速仿真计算，取决于仿真软件及具体的求解器。

如果是渲染场景，在硬件不变的前提，减少模型的面数，减少drawcall。或者通过美术方面的优化。

如果针对Deep learning的优化，我们有Tensor和RT core的优化。

1. Dell正在提供面向边缘计算的服务器以及Edge Gateway产品，像我们已经发布的XR4000、XR12、XR11等，它们的机箱更加紧凑，对环境适应能力更强；2. 戴尔即将会发布的一个软件运营平台解决方案叫Frontier，旨在帮助企业大规模安全管理和协调边缘计算基础设施；3. 我们正在联合更多的行业应用合作伙伴生态，为我们的用户提供边缘应用场景化解决方案，如面向制造企业的AI边缘产品质检方案。在下个月，我们将会在上海揭牌戴尔中国边缘计算展示中心。

在服务器设计上，我们选择提供更高转换效率的电源设施；在内部主板风道设计上，通过改变电源位置，增加机箱背部开孔，建立更加流畅的热空气通道，来提升散热性能降低运行功耗。我们采用智能冷却技术套件来提升气流，风扇功耗最高可以降低52%。Dell OpenManage Power Manager软件，可以实时管理服务器的制冷策略与功率上限，对于僵尸虚拟机进行制动关闭；可以提供服务器碳排放检测报告。对于有液冷需求的用户，戴尔还可以提供冷板式和浸没式两种服务器液冷解决方案。

可以采用A800和H800的集群训练，如果使用程序比如ChatGPT，那就没有限制。

首先可以设想到的应用场景是客服系统；ChatGPT也提供代码生成的功能，未来经过充分良好的Prompting 提示工程优化的类ChatGPT应用，可能也会应用到工业软件的代码生成。另外AI与RPA机器人流程自动化的结合，未来在制造行业也会有不少的应用场景。

戴尔提供的动态矢量散热技术，针对GPU这样PCIe的部件，可以根据实际运行功耗动态条件冷却风的强度及风扇声学特性。另外，在机箱设计，GPU的布局，以及风扇的选型上，我们也针对GPU有额外的优化设计。比如高密度（4卡及更高密度的GPU加速服务器），我们通常会采用GPU前置方式，这样GPU散热效果更好。

目前比较集中的是三类：1. 采用深度学习、强化学习技术的AI训练及推理计算场景；2. 图形计算场景，如VDI、渲染、云游戏、视频转码等；3. 部分HPC科学计算，比如生命科学、分子动力学等。

在设备内部，我们的计算服务器与数据存储设备采用Zero Trust零信任的机制来设计我们服务器的安全特性；在系统解决方案，戴尔有专门的数据保护解决方案团队，提供“本地备份+异地容灾+数据避风港”三位一体的解决方案；戴尔“数据避风港”解决方案，是专门针对勒索病毒攻击的数据保护方案。

Omniverse需要用到GPU加速服务器，在GPU选型上和AI服务器的不同是，要求GPU需要有图形计算功能，比如像A40这样的GPU卡

AI与HPC有很大的交集，但不完全重叠。AI主要是服务于人工智能应用的计算平台，可以是HPC集群计算（AI GPU分布式训练，通常在较大模型的训练计算场景），如果对算力要求不高的比如小模型训练或者AI推理计算可以是单机计算；HPC高性能计算，目前有相当部分的研究和算力投入是在AI领域，特别是大模型训练上，但是HPC也有很多其他的科学计算场景，比如分子动力学、生命科学的基因测序、蛋白质结构、分子筛选，新材料结构计算，工业领域的CAE仿真计算，芯片领域的EDA电子设计自动化等。

在国内还是处于领先的地方，但是能源管理细分领域很多，比如低压，中压，高压，行业又细分为楼宇，工业自动化等，所以要看具体细分领域。