MIT 副教授 Christina Delimitrou 用 AI 提升数据中心能效

全球范围内耗电量巨大的数据中心建设热潮正在给电网带来压力，导致人们更加依赖污染性化石燃料提供的能源。

Christina Delimitrou 是麻省理工学院新近获得终身教职的副教授，她正通过重新思考这些数据中心内部计算机服务器和网络设备的运行方式来应对这一环境威胁。 

她和她的团队应用机器学习技术，使大规模数据中心更加高效、安全和可靠。他们重新设计过时的云计算系统，开发管理共享硬件资源的方法，并创建精简的服务器架构。 

这些进步使数据中心运营商能够从现有硬件中挖掘出更强的计算能力。

“如果数据中心没有得到充分利用，那么为了满足不断增长的用户需求，它们将消耗远超所需的电力，”Delimitrou 说道。她是电气工程与计算机科学系（EECS）通信与技术领域的 KDD 职业发展副教授，也是计算机科学与人工智能实验室（CSAIL）的成员。“这些系统存在大量臃肿，尤其是在软件方面。如果我们能在不损害性能的前提下消除这些臃肿，那么我们就不需要建造那么多新数据中心了。”

她还利用 AI 帮助程序员发现并修复基于云的应用程序中的问题，例如音乐流媒体服务或视频会议系统。这消除了影响性能并消耗计算资源的应用程序停机时间。

“通过在云中更有效地管理资源，最终用户可以从运行在智能手机上的应用程序获得更可预测的性能，”她补充道。

数学的起点

Delimitrou 在希腊北部广袤平原上的一个中等城镇长大。她对数学和科学的早期兴趣，部分源于她祖国的古老历史——2000 多年前，欧几里得和毕达哥拉斯曾在那里研究数学问题。 

“在希腊，有着悠久的几何学传统，”她说。

她还从父母那里汲取了科学灵感。她的母亲是一名化学工程师，父亲是一名药剂师——两人都鼓励女儿与生俱来的好奇心。

她对数学的早期亲和力促使她在雅典国立技术大学学习计算机工程，尽管她对该领域了解不多。她很快就被专注于工程应用科学的课程所吸引。

在她的文凭论文——所有学生都要在第五年即最后一年完成的项目——中，她研究了计算机在同时运行多个应用程序时的资源管理。 

“我当时研究的许多挑战，如果面对的不是单个系统，而是 10 万个这样的系统，就会变得困难得多。这个问题引起了我的兴趣，”她说。

为了作为研究者产生更大的影响，Delimitrou 在斯坦福大学攻读研究生学位。她开始着手解决云计算系统和大规模数据中心中的低效问题，这是一个快速发展的研究领域。 

通过这项工作，Delimitrou 和她的研究导师 Christos Kozyrakis——Leonard Bosack 和 Sandy K. Lerner 工程学教授——意识到许多大型计算系统并未得到充分利用。

“考虑到这些系统的巨大需求，你会以为它们应该接近100%的产能运行。但我们发现，大多数系统的运行产能只有约15%，”她说。“这不是一种资源高效或可持续的系统扩展方式。”

应用人工智能

为了将利用率推向接近100%，她开始研究机器学习解决方案，以简化繁琐的计算过程。机器学习可以自动化云中的资源管理操作，找出开发人员自己可能忽略的解决方案。

“在当时，应用机器学习来解决大规模系统问题是一种新颖的方法。这有点冒险，因为人们尚未证明这些技术会奏效，”Delimitrou说。“但经验方法需要大量专业知识，而系统的规模如此之大，用户难以管理。这就是为什么机器学习往往是最佳解决方案。”

获得博士学位后，Delimitrou在康奈尔大学担任助理教授，继续这一研究方向。

她的团队开发的一个工具Seer，利用深度学习来预测和预防Web应用程序中的问题，防患于未然。这避免了开发人员试图手动修复问题时可能出现的广泛减速。   

随着对云计算的深入研究，Delimitrou观察到云应用程序正在发生变化。开发人员现在将应用程序拆分成更小的部分，分散到多台服务器上，这提高了部署速度。

“但这些服务器并非为这种新的应用设计风格而构建。因此，我重新思考了之前的一些工作，为这类新应用构建机器学习系统，”她说。

为了应对这些新挑战，她发现自己更频繁地与拥有不同软件和硬件专业知识的教职员工合作。这些合作开辟了令人兴奋的新研究领域。

几年后，她决定加入MIT，因为有机会与硬件和软件工程领域顶尖的研究人员合作。她于2022年成为EECS的助理教授。

创造性方法

在MIT，Delimitrou也享受教学方面的工作。她最喜欢教的课程之一是6.191（计算结构），这是一门受欢迎的本科课程，每学期约有350名学生。 

尽管在这个领域不断演变的情况下保持课程内容新鲜具有挑战性，但她努力激发学生的创造力。

“我希望学生学会如何独立思考和自主学习。其中一部分涉及摆脱公式化的作业，让课程更加开放。我更愿意给学生一些能让他们更深入思考的东西，”她说。

在实验室里，创造性的思维方式帮助Delimitrou和她的团队找到其他人可能忽略的云计算问题的新颖解决方案。

例如，她将之前关于调试云应用程序问题的工作扩展到不仅包括代码中的错误，还包括可能使用户数据容易受到黑客攻击的安全问题。

她还利用AI重新设计软件系统，使其更好地适应现有硬件的性能。

“将 AI 应用于这些系统时面临的挑战之一是 AI 不可解释，”她说。“我们现在做的很多工作都涉及为这些 AI 工具增加可解释性，以便人们能从系统中获得有用的反馈。”

这不仅有助于开发者确保 AI 给出正确答案，还能为未来如何更好地设计系统提供洞见。

她发现，研究这些大规模云计算系统正变得越来越具有挑战性，因为运营数据中心的科技公司使用的是专有硬件，不同于早期云计算时代的通用设备，而且其软件系统也无法被学术团队访问。在实验室里可行的解决方案，在现实世界中未必行得通。

为此，Delimitrou 和她的团队创建了专有系统和应用程序的克隆。他们开发的一个名为 Ditto 的工具，能够模拟应用程序的结构和性能特征，从而支持广泛的研究。

她预计，随着机器学习模型变得越来越先进，她的工作也将继续转变，为提升应用性能和硬件效率开辟新的可能性。

“但你还是得谨慎使用 AI。虽然它能极大地加速应用开发这一侧，我们仍然需要审计它，并特别小心这些模型的应用方式，以免我们失去从 AI 给出的解决方案中获取洞见的能力，”她说。

在实验室之外，Delimitrou 喜欢与丈夫和 1 岁的女儿共度时光。

虽然如今她没那么多时间发展爱好，但她仍喜欢园艺，为女儿搭建电动玩具火车轨道，还喜欢弹古典钢琴和画自然风景。她在康奈尔大学时对绘画产生了兴趣，那时她常常画校园附近的许多瀑布。 

无论是在花园里劳作还是画画，Delimitrou 说，她发现花时间在户外既能让她从技术性工作中放松逃离，也提醒着她自己的研究在可持续发展中所扮演的角色。