Sztuczna inteligencja zastosowana do chłodzenia centrów danych stanowi jedną z najważniejszych innowacji w dziedzinie optymalizacji energii przemysłowej.

‍

Autonomiczny system opracowany przez Google DeepMind, który działa od 2018 roku, zademonstrował, w jaki sposób sztuczna inteligencja może przekształcić zarządzanie termiczne infrastrukturą krytyczną, osiągając konkretne wyniki w zakresie wydajności operacyjnej.

‍

Innowacje przekształcające centra danych

‍

Kwestia efektywności energetycznej

Według Jonathana Koomeya, globalnego eksperta w dziedzinie efektywności energetycznej, nowoczesne centra danych są ogromnymi konsumentami energii, a chłodzenie odpowiada za około 10 procent całkowitego zużycia energii elektrycznej. Co pięć minut oparty na chmurze system sztucznej inteligencji Google rejestruje migawkę systemu chłodzenia z tysięcy czujników Pierwsza sztuczna inteligencja bezpieczeństwa do autonomicznego chłodzenia centrów danych i sterowania przemysłowego - Google DeepMind, analizując złożoność operacyjną, która jest sprzeczna z tradycyjnymi metodami sterowania.

‍

System chłodzenia Google AI wykorzystuje głębokie sieci neuronowe do przewidywania wpływu różnych kombinacji działań na przyszłe zużycie energii, identyfikując, które działania zminimalizują zużycie przy jednoczesnym spełnieniu solidnych ograniczeń bezpieczeństwa DeepMind AI Redukuje rachunki za chłodzenie centrum danych Google o 40% - Google DeepMind

‍

Konkretne i wymierne wyniki

Wyniki uzyskane w zakresie optymalizacji chłodzenia są znaczące: system był w stanie konsekwentnie osiągać 40% redukcję energii wykorzystywanej do chłodzenia DeepMind AI Reduces Google Data Center Cooling Bill by 40% - Google DeepMind. Biorąc jednak pod uwagę, że chłodzenie stanowi około 10 procent całkowitego zużycia, przekłada się to na około 4 procent ogólnej oszczędności energii w centrum danych.

‍

Zgodnie z oryginalnym artykułem technicznym Jima Gao, sieć neuronowa osiąga średni błąd bezwzględny 0,004 i odchylenie standardowe 0,005, co odpowiada błędowi 0,4% dla PUE 1,1 DeepMind AI zmniejsza rachunki za chłodzenie centrum danych Google o 40% - Google DeepMind.

‍

Gdzie to działa: centra danych potwierdzone

Zweryfikowane wdrożenia

Wdrożenie systemu AI zostało oficjalnie potwierdzone w trzech konkretnych centrach danych:

Singapur: Pierwsze znaczące wdrożenie w 2016 r., w którym centrum danych wykorzystuje odzyskaną wodę do chłodzenia Strona główna - Google Data Centers i wykazało 40% redukcję energii chłodzącej.

‍

Eemshaven, Holandia: Centrum danych wykorzystuje wodę przemysłową i zużyło 232 miliony galonów wody w 2023 r. Strona główna - Centra danych Google. Marco Ynema, kierownik obiektu, nadzoruje działalność tego zaawansowanego obiektu.

‍

Council Bluffs, Iowa: MIT Technology Review specjalnie zaprezentował centrum danych Council Bluffs podczas dyskusji na temat lokalizacji centrów danych Google Cloud: regiony i strefy dostępności - Dgtl Infra. Firma Google zainwestowała 5 miliardów dolarów w dwa kampusy w Council Bluffs, które w 2023 roku zużyły 980,1 miliona galonów wody China Powers AI Boom with Undersea Data Centers | Scientific American.

‍

Oparty na chmurze system kontroli AI jest już operacyjny i zapewnia oszczędność energii w wielu centrach danych Google Smart Liquid Cooling: Beating Google on Efficiency | ProphetStor, ale firma nie opublikowała pełnej listy obiektów korzystających z tej technologii.

‍

Architektura techniczna: jak to działa

Głębokie sieci neuronowe i uczenie maszynowe

‍

Zgodnie z patentem US20180204116A1, system wykorzystujearchitekturę głębokiego uczenia się o precyzyjnej charakterystyce technicznej:

• 5 ukrytych warstw z 50 węzłami na warstwę
• 19 znormalizowanych zmiennych wejściowych, w tym obciążenia cieplne, warunki pogodowe, stan urządzeń
• 184 435 próbek treningowych w rozdzielczości 5 minut (ok. 2 lata danych operacyjnych)
• Parametr regularyzacji: 0,001, aby zapobiec nadmiernemu dopasowaniu

Architektura wykorzystuje Model Predictive Control z liniowymi modelami ARX zintegrowanymi z głębokimi sieciami neuronowymi. Sieci neuronowe nie wymagają od użytkownika wstępnego definiowania interakcji między zmiennymi w modelu. Zamiast tego sieć neuronowa wyszukuje wzorce i interakcje między funkcjami, aby automatycznie wygenerować optymalny model DeepMind AI zmniejsza rachunki za chłodzenie centrum danych Google o 40% - Google DeepMind.

‍

Efektywność zużycia energii (PUE): Kluczowy wskaźnik

PUE reprezentuje podstawową efektywność energetyczną centrów danych:

PUE = całkowita energia centrum danych / energia sprzętu IT

• PUE dla całej floty Google: 1,09 w 2024 r. (według raportów środowiskowych Google)
• Średnia przemysłowa: 1,56-1,58
• Idealny PUE: 1,0 (teoretycznie niemożliwe)

Google posiada certyfikat ISO 50001 w zakresie zarządzania energią, który gwarantuje surowe standardy operacyjne, ale nie weryfikuje konkretnie wydajności systemu AI.

‍

Sterowanie predykcyjne modelem (MPC)

Sercem innowacji jest sterowanie predykcyjne, które przewiduje przyszłą temperaturę i ciśnienie w centrum danych w ciągu następnej godziny, symulując zalecane działania, aby zapewnić, że żadne ograniczenia operacyjne nie zostaną przekroczone DeepMind AI zmniejsza rachunki za chłodzenie centrum danych Google o 40% - Google DeepMind

‍

‍

Korzyści operacyjne ze sztucznej inteligencji w chłodzeniu

Najwyższa dokładność przewidywania

Po próbach i błędach modele są obecnie w 99,6 procentach dokładne w przewidywaniu PUE Machine Learning Applications for Data Center Optimisation. Dokładność ta umożliwia optymalizację niemożliwą przy użyciu tradycyjnych metod, jednocześnie obsługując złożone nieliniowe interakcje między systemami mechanicznymi, elektrycznymi i środowiskowymi.

‍

Ciągłe uczenie się i adaptacja

Jednym z istotnych aspektów jest ewolucyjna zdolność uczenia się. W ciągu dziewięciu miesięcy wydajność systemu wzrosła z 12-procentowej poprawy przy początkowym uruchomieniu do około 30-procentowej poprawy Optymalizacja centrum danych Jim Gao, Google - DocsLib.

Dan Fuenffinger, operator Google, zauważył: "To było niesamowite widzieć, jak sztuczna inteligencja uczy się wykorzystywać zimowe warunki i produkować zimniejszą wodę niż zwykle. Reguły nie poprawiają się z czasem, ale sztuczna inteligencja tak". Chłodzenie centrum danych z wykorzystaniem sterowania predykcyjnego.

‍

Optymalizacja wielu zmiennych

System zarządza jednocześnie 19 krytycznymi parametrami operacyjnymi:

• Całkowite obciążenie IT serwerów i sieci
• Warunki pogodowe (temperatura, wilgotność, entalpia)
• Status sprzętu (agregaty chłodnicze, wieże chłodnicze, pompy)
• Wartości zadane i sterowanie operacyjne
• Prędkość wentylatora i systemy VFD

Bezpieczeństwo i kontrola: gwarancja niezawodności

Weryfikacja wielopoziomowa

Bezpieczeństwo operacyjne jest zapewniane przez nadmiarowe mechanizmy. Optymalne działania obliczone przez sztuczną inteligencję są sprawdzane pod kątem wewnętrznej listy ograniczeń bezpieczeństwa zdefiniowanych przez operatora. Po wysłaniu do fizycznego centrum danych, lokalny system kontroli ponownie sprawdza instrukcje DeepMind AI zmniejsza zużycie energii do chłodzenia centrów danych Google o 40 procent.

‍

Operatorzy zachowują kontrolę przez cały czas i mogą wyjść z trybu AI w dowolnym momencie, płynnie przechodząc do tradycyjnych zasad DeepMind AI zmniejsza zużycie energii do chłodzenia centrów danych Google o 40%.

‍

Ograniczenia i kwestie metodologiczne

‍

Wskaźniki PUE i ograniczenia

Branża uznaje ograniczenia wskaźnika efektywności wykorzystania energii. Badanie Uptime Institute z 2014 roku wykazało, że 75% respondentów uważa, że branża potrzebuje nowego wskaźnika efektywności. Problemy obejmują tendencyjność klimatyczną (niemożność porównania różnych klimatów), manipulację czasem (pomiary w optymalnych warunkach) i wykluczenie komponentów.

‍

Złożoność wdrożenia

Każde centrum danych ma unikalną architekturę i środowisko. Model dostosowany do jednego systemu może nie mieć zastosowania do innego, wymagając ogólnej struktury inteligencji DeepMind AI zmniejsza rachunki za chłodzenie centrum danych Google o 40% - Google DeepMind.

‍

Jakość i weryfikacja danych

Dokładność modelu zależy od jakości i ilości danych wejściowych. Błąd modelu ogólnie wzrasta dla wartości PUE powyżej 1,14 ze względu na niedobór odpowiednich danych szkoleniowych DeepMind AI zmniejsza rachunki za chłodzenie centrum danych Google o 40% - Google DeepMind.

Nie znaleziono żadnych niezależnych audytów przeprowadzonych przez duże firmy audytorskie lub krajowe laboratoria, a Google "nie przeprowadza audytów zewnętrznych" wykraczających poza minimalne wymagania federalne.

‍

‍

Przyszłość: ewolucja w kierunku chłodzenia cieczą

Transformacja technologiczna

W latach 2024-2025 Google radykalnie przesunął nacisk w kierunku:

• Systemy zasilania +/-400 VDC dla szaf o mocy 1 MW
• Jednostki dystrybucji chłodzenia "Project Deschutes"
• Bezpośrednie chłodzenie cieczą dla TPU v5p z "99,999% czasu pracy".

Zmiana ta wskazuje, że optymalizacja AI osiągnęła praktyczne granice dla obciążeń termicznych nowoczesnych aplikacji AI.

Pojawiające się trendy

• Integracja Edge Computing: rozproszona sztuczna inteligencja dla zmniejszenia opóźnień
• Cyfrowe bliźniaki: Cyfrowe bliźniaki do zaawansowanej symulacji
• Zrównoważony rozwój: optymalizacja pod kątem energii odnawialnej
• Chłodzenie hybrydowe: połączenie cieczy i powietrza zoptymalizowane pod kątem sztucznej inteligencji

Aplikacje i możliwości dla firm

Sektory zastosowań

Optymalizacja chłodzenia z wykorzystaniem sztucznej intelig encji wykracza poza centra danych:

• Zakłady przemysłowe: Optymalizacja produkcyjnych systemów HVAC
• Centra handlowe: inteligentne zarządzanie klimatem
• Szpitale: Kontrola środowiska sal operacyjnych i obszarów krytycznych
• Biura korporacyjne: inteligentne zarządzanie budynkami i obiektami

Zwrot z inwestycji i korzyści ekonomiczne

Oszczędność energii w systemach chłodzenia przekłada się na

• Redukcja kosztów operacyjnych podsystemu chłodzenia
• Poprawa zrównoważenia środowiskowego
• Wydłużenie żywotności sprzętu
• Zwiększona niezawodność operacyjna

Strategiczne wdrożenie dla firm

Mapa drogowa przyjęcia

Faza 1 - Ocena: Audyt energetyczny i mapowanie istniejących systemówFaza2 - Pilotaż: Testowanie w kontrolowanym środowisku na ograniczonym odcinkuFaza3 - Wdrożenie: Stopniowe wdrażanie z intensywnym monitorowaniemFaza4 - Optymalizacja: Ciągłe dostrajanie i zwiększanie wydajności

Uwagi techniczne

• Infrastruktura czujników: Kompletna sieć monitorowania
• Umiejętności zespołowe: nauka o danych, zarządzanie obiektami, cyberbezpieczeństwo
• Integracja: zgodność ze starszymi systemami
• Zgodność: przepisy bezpieczeństwa i ochrony środowiska

FAQ - Często zadawane pytania

‍

1. W których centrach danych Google system AI naprawdę działa?

Oficjalnie potwierdzone zostały trzy centra danych: w Singapurze (pierwsze wdrożenie w 2016 roku), Eemshaven w Holandii i Council Bluffs w stanie Iowa. System działa w wielu centrach danych Google Smart Liquid Cooling: Beating Google on Efficiency | ProphetStor, ale pełna lista nigdy nie została publicznie ujawniona.

‍

2. Jaką oszczędność energii rzeczywiście zapewnia w stosunku do całkowitego zużycia?

System osiąga 40% redukcję energii wykorzystywanej do chłodzenia DeepMind AI Reduces Google Data Center Cooling Bill by 40% - Google DeepMind. Biorąc pod uwagę, że chłodzenie stanowi około 10 procent całkowitego zużycia, ogólna oszczędność energii wynosi około 4 procent całkowitego zużycia energii w centrum danych.

‍

3. Jak dokładna jest dokładność prognozowania systemu?

System osiąga 99,6% dokładności w przewidywaniu PUE ze średnim błędem bezwzględnym 0,004 ± 0,005, co odpowiada błędowi 0,4% dla PUE 1,1 Google DeepMindGoogleResearch. Jeśli rzeczywisty PUE wynosi 1,1, sztuczna inteligencja przewiduje od 1,096 do 1,104.

‍

4. Jak zapewnić bezpieczeństwo operacyjne?

Wykorzystuje dwustopniową weryfikację: najpierw sztuczna inteligencja sprawdza ograniczenia bezpieczeństwa zdefiniowane przez operatorów, a następnie lokalny system ponownie sprawdza instrukcje. Operatorzy zawsze mogą wyłączyć kontrolę AI i powrócić do tradycyjnych systemów DeepMind AI zmniejsza zużycie energii do chłodzenia centrów danych Google o 40%.

‍

5. Jak długo trwa wdrożenie takiego systemu?

Wdrożenie trwa zwykle od 6 do 18 miesięcy: 3-6 miesięcy na gromadzenie danych i szkolenie w zakresie modelu, 2-4 miesiące na testy pilotażowe, 3-8 miesięcy na stopniowe wdrażanie. Złożoność różni się znacznie w zależności od istniejącej infrastruktury.

‍

6. Jakie umiejętności techniczne są potrzebne?

Potrzebny jest multidyscyplinarny zespół z doświadczeniem w nauce o danych / sztucznej inteligencji, inżynierii HVAC, zarządzaniu obiektami, cyberbezpieczeństwie i integracji systemów. Wiele firm decyduje się na współpracę z wyspecjalizowanymi dostawcami.

‍

7. Czy system może dostosować się do zmian sezonowych?

Tak, sztuczna inteligencja automatycznie uczy się wykorzystywać warunki sezonowe, takie jak wytwarzanie chłodniejszej wody w zimie w celu zmniejszenia zużycia energii przez chłodzenie centrum danych za pomocą sterowania predykcyjnego. System jest stale ulepszany poprzez rozpoznawanie wzorców czasowych i pogodowych.

‍

8. Dlaczego Google nie komercjalizuje tej technologii?

Każde centrum danych ma unikalną architekturę i środowisko, co wymaga znacznego dostosowania DeepMind AI zmniejsza rachunki za chłodzenie centrum danych Google o 40% - Google DeepMind. Złożoność wdrożenia, potrzeba określonych danych i wymagana wiedza specjalistyczna sprawiają, że marketing bezpośredni jest złożony. Po 8 latach technologia ta pozostaje wyłącznie wewnętrzna dla Google.

‍

9. Czy istnieją niezależne oceny wyników?

Nie znaleziono żadnych niezależnych audytów przeprowadzonych przez główne firmy audytorskie (Deloitte, PwC, KPMG) lub krajowe laboratoria. Google posiada certyfikat ISO 50001, ale "nie przeprowadza audytów zewnętrznych" wykraczających poza minimalne wymagania federalne.

‍

10. Czy ma zastosowanie do innych sektorów poza centrami danych?

Absolutnie. Optymalizacja chłodzenia z wykorzystaniem sztucznej inteligencji może być stosowana w zakładach przemysłowych, centrach handlowych, szpitalach, biurach korporacyjnych i wszelkich obiektach ze złożonymi systemami HVAC. Zasady optymalizacji wielu zmiennych i sterowania predykcyjnego mają uniwersalne zastosowanie.

‍

System chłodzenia Google DeepMind AI stanowi innowację inżynieryjną, która osiąga stopniowe ulepszenia w określonej dziedzinie. Dla firm obsługujących energochłonną infrastrukturę technologia ta oferuje konkretne możliwości optymalizacji chłodzenia, choć z podkreślonymi ograniczeniami skali.

‍

Główne źródła: Jim Gao Google Research paper, DeepMind Official Blog, MIT Technology Review, Patent US20180204116A1