谷歌利用人工智能優化數據中心效率已經進入了一個新階段，機器學習算法現在可以實時自動調整冷卻設備設置，系統建立在谷歌之前透露的工作基礎之上基于推薦的引擎，新系統可自動微調冷卻。
大多數數據中心運營商并不認為企業的監視時段是開始調整冷卻系統設置以實現邊際節能的最佳時間。通常希望其效果繼續存在。人類有自己的優先事項。
但是人工智能算法旨在尋找每個機會削減能耗，如果能實現它，無論天氣如何，都會抓住機會。
在最近的一次龍卷風的觀測中，管理谷歌公司位于美國中西部數據中心之一的制冷設備的人工智能系統改變了工廠的設置，使得該設施的人工操作員發現違反直覺。然而，經過仔細審查后，它確實需要做些什么才能在這些具體情況下節約能源。
在可能形成嚴重雷暴的天氣條件中，其中包括大氣壓力大幅下降以及劇烈的溫度和濕度變化。天氣在調整一些更加復雜的數據中心冷卻系統的方式中起著重要作用，運行谷歌冷卻系統的軟件重新校準它以利用這些變化，而無論優勢多么小。
這與谷歌公司2014年數據中心副總裁JoeKava的系統不完全相同，當時他首次透露該公司正在使用人工智能來提高數據中心的能源效率。該系統由谷歌公司當時的數據中心工程師JimGao開發，并作為推薦引擎實現。
“我們會運行一個獨立的模型，這個模型會提供一些建議，然后數據中心設施中的工程師和操作員將改變冷卻器，熱交換器和泵的設定點，域名注冊，以及所有這些與人工智能系統所說的相符，而這些是人工操作的。”Kava表示。
最近，使用人工智能管理谷歌數據中心的能源效率進入了一個新階段。該公司現在正在積極推出Kava所稱的“二級自動控制系統”。這個二級系統不是簡單地提出建議，而是實時地連續實時地對所有冷卻設備進行調整。
第一個系統由JimGao開發的“20％項目”，之后由谷歌的DeepMindAI團隊參與，可以將數據中心設施冷卻系統的總能耗降低40％。Kava說，其新的迭代次數再減少15％。這是一級系統估計節省之后剩余的冷卻能源開銷的15％。
自動控制系統建立在JimGao和DeepMind的原創作品之上。根據Kava的說法，JimGao已經加入了DeepMind團隊。該公司正在考慮相同的輸入變量：外部氣溫、氣壓、濕球溫度、干球溫度、露點、數據中心的電力負荷、空氣熱空氣出來的服務器后面的壓力等共21個變量。
“它壓縮了所有數據，并根據天氣狀況和數據中心的負載，優化了PUE（電源使用效率）。”Kava說。
很多小調整
龍卷風觀測的例子很好地說明了谷歌公司用于數據中心管理的機器學習算法可以節省能源超出工作人員的能力。整體效益是通過不斷進行的小調整實現的邊際節省的總和。“它正在進行比通常作為人類更精細調整的調整。”Kava說。
例如，如果外部溫度從早上72華氏度變為下午76度，濕球溫度保持不變，那么操作人員就不會改變冷卻設備的設置來調整溫度的很小變化。即使他們知道要做出哪些改變以減少能源使用，“他們可能會說它不會產生那么大的差別，”Kava解釋道。
當谷歌公司推出新的數據中心時，該系統的表現尤其出色（最近，由于它擴大了云計算服務業務的規模，它已經做了很多工作）。在通常情況下，新推出的數據中心運行效率最低，因為它沒有利用大部分底層基礎設施的容量。
谷歌公司可能會在第一天在數據中心新建筑中部署一些服務器群集。然而，無論填充多少機架，跨越整個數據中心的網絡結構都需要電力。“我們必須擁有所有行的能力，即使它們還沒有部署滿。”Kava說，“機器學習確實幫助我們提高了效率，即使在輕負載條件下也是如此。”
他表示，新推出的輕載谷歌數據中心的典型PUE介于1.3和1.2之間。由人工智能控制的冷卻系統可以降至1.1或1.09。“盡管聽起來并不多......但在鑒于我們的規模，實際上節省了大量能源。”
通過機器學習算法控制一些最關鍵任務的基礎設施需要一些工作。
企業積累的運行時間越多，收集的數據越多，機器學習算法就越好，并且可以更靈活地獲得更多控制權。“企業開始進行防護以確保不會發生壞事，然后開始啟動全自動系統而不是半自動化系統，”Kava說。“如果全自動系統真正開始運行得更好，那么就開始部署更多這些系統。”
這種防護很重要，“如果要告訴機器優化PUE，機器可能會告訴人產關閉所有服務器，”他幽默地說。
