AtumAI：基於智能體生成的資料中心控制面策略系統化框架

数据中心作为现代数字基础设施的核心，其运行效率极大程度上取决于控制面策略的质量与优化程度。然而，随着硬件与软件栈的迅速扩张，控制面策略的设计空间变得极其庞大且各要素间存在复杂的相互依赖关系。传统上，设计并验证一个单一的策略往往需要耗费数月时间，这不仅效率低下，而且高度依赖资深工程师的经验。尽管智能体人工智能（Agentic AI）为自动化这一搜索过程带来了希望，但直接应用现成的智能体方法面临三大瓶颈：首先是缺乏形式化，由于没有结构化的问题陈述，搜索过程缺乏结构支撑，难以保证硬约束的满足；其次是缺乏可迁移性，每个任务都从零开始解决，导致在一个任务上学到的知识无法复用到下一个任务；最后是缺乏系统性，过度依赖大语言模型作为唯一的候选生成源，使得搜索局限于设计空间的狭窄切片，容易陷入局部最优。针对这些痛点，本研究提出了 AtumAI，一个旨在使策略生成过程形式化、可迁移且系统化的框架。AtumAI 的核心贡献在于它能够将用自然语言陈述的目标，自主地转化为候选策略，并通过迭代测试与优化，直到找到满足请求的策略，从而将新任务的工程上手时间从数月大幅缩短为编写描述的时间。

在技术实现层面，AtumAI 框架由两个紧密协作的关键组件构成，共同解决了上述挑战。第一个组件是数据中心任务编译器（Datacenter Task Compiler），它负责自动化问题形式化过程。该编译器接收用户的自然语言需求，并将其编译为形式化的、机器可检查且可搜索的任务规范。这一规范明确定义了任务的目标、约束条件、决策变量以及评估方法论，为后续的搜索过程提供了坚实的结构基础。第二个组件是进化设计发现循环（Evolutionary Design Discovery Loop），它在形式化规范的指导下执行搜索。为了突破大语言模型生成能力的局限，该循环引入了扩散模型、进化算法和代理模型。

扩散模型用于在潜在空间中生成多样化的候选策略，进化算法通过选择、交叉和变异操作在大规模设计空间中探索，而代理模型则用于快速评估候选策略的性能，从而加速收敛。这种组合策略不仅扩展了搜索范围，超越了仅依赖 LLM 的局限，还确保了搜索过程的系统性和效率，使得框架能够在保证约束满足的同时，找到全局更优的策略解。为了验证 AtumAI 的有效性，研究团队在三个具有不同问题范围、设计空间和权衡关系的控制面任务上进行了广泛评估，具体包括工作负载放置（workload placement）、资源扩展（resource scaling）以及电源管理（power management）。这些任务涵盖了数据中心运营中的关键挑战，具有高度的代表性。实验结果显示，AtumAI 生成的策略在所有三个任务上均一致地优于专家设计的基线策略。这一结果不仅证明了框架在生成高质量策略方面的能力，也展示了其在处理不同复杂度和类型任务时的鲁棒性。

此外，通过消融实验和对比分析，研究进一步揭示了形式化规范、扩散模型和进化算法在提升搜索质量和效率方面的关键作用。例如，形式化规范显著提高了策略对硬约束的满足率，而进化算法与扩散模型的结合则有效避免了局部最优，扩大了有效设计空间的探索范围。这些发现为后续研究提供了宝贵的见解，表明结合形式化方法与生成式 AI 是解决复杂系统优化问题的有效途径。从行业意义与潜在影响来看，AtumAI 框架的提出对数据中心自动化运维领域具有深远的影响。首先，它极大地降低了控制面策略设计的门槛，将原本需要数月工程经验的复杂任务简化为自然语言描述，使得非专家用户也能参与策略优化，从而加速了数据中心的迭代与创新。其次，框架的形式化和可迁移特性为开源社区提供了标准化的策略描述语言，促进了不同数据中心之间策略知识的共享与复用，有助于构建更加开放和协作的生态系统。在工业落地方面，AtumAI 有望被集成到现有的数据中心管理平台中，实现策略的自动生成与动态优化，显著提升运营效率并降低能源消耗。对于后续研究而言，AtumAI 展示了智能体 AI 在复杂系统控制中的巨大潜力，激励研究者探索更多结合形式化验证、生成式模型与进化计算的创新方法，以解决其他领域的复杂优化问题，如网络配置、云资源调度等，推动人工智能在基础设施管理中的深度应用。