全球数据中心的快速增长导致电网负荷加重，依赖化石燃料的能源比例上升。MIT 新晋副教授 Christina Delimitrou 通过机器学习重新设计服务器和网络设备的运行方式，以提升大规模数据中心的效率、可靠性和安全性。她的团队重构传统云计算系统，研发共享硬件资源的管理方法，并提出精简的服务器架构，使得在现有硬件上挤出更多算力。Delimitrou 认为，软件层面的臃肿是导致资源利用率低的主要原因，若能在不牺牲性能的前提下削减这些冗余，就能避免新建大量数据中心。
在科研历程中，她从希腊的几何传统走向计算机工程，早期在雅典理工大学的毕业设计就关注多任务资源管理。随后在斯坦福与导师 Christos Kozyrakis 发现，大型计算系统的实际利用率仅约 15%，远低于期望的 100%。为提升利用率，她探索机器学习在资源调度中的自动化潜力，能够发现开发者难以自行捕捉的优化方案。
她在 Cornell 开发的工具 Seer 使用深度学习提前预测并阻止 Web 应用的故障，避免了手动排查导致的性能下降。随着云应用拆分为更小的微服务，传统服务器已不适配，她再次利用机器学习为新型应用设计调度系统。MIT 期间，她将教学与科研结合，鼓励学生通过开放式作业培养创新思维。
在安全方面，她将调试技术扩展到检测代码和数据泄露风险，并致力于为 AI 模型加入可解释性，使开发者能够获得有意义的反馈。面对商业数据中心使用专有硬件和软件的挑战，她构建了 Ditto，克隆专有系统的结构和性能，以在学术环境中进行实验。
Delimitrou 强调，AI 能显著提升应用开发和硬件利用效率，但必须审慎使用并保持可审计性，以免失去对解决方案的洞察。工作之外，她喜欢园艺、为女儿搭建电动火车轨道、弹钢琴和写生，认为亲近自然有助于保持对可持续研究的初心。
点评