L'inteligencja sztuczna inteligencja stosowana do chłodzenia centrów danych stanowi jedną z najbardziej znaczących 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.
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
Wyniki osiągnięte w zakresie optymalizacji chłodzenia są znaczące: system był w stanie konsekwentnie osiągać 40% redukcję energii zużywanej na chłodzenie. 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.
Wdrożenie systemu AI zostało oficjalnie potwierdzone w trzech konkretnych centrach danych:
Singapur: Pierwsze znaczące wdrożenie w 2016 r., gdzie centrum danych wykorzystuje odzyskaną wodę do chłodzenia i wykazało 40% redukcję energii chłodniczej.
Eemshaven, Holandia: Centrum danych wykorzystuje wodę przemysłową i zużyło 232 miliony galonów wody w 2023 roku. Marco Ynema, kierownik obiektu, nadzoruje działalność tego zaawansowanego obiektu.
Council Bluffs, Iowa: MIT Technology Review specjalnie pokazał centrum danych Council Bluffs podczas dyskusji na temat systemu sztucznej inteligencji. Google zainwestował 5 miliardów dolarów w dwa kampusy Council Bluffs, które w 2023 roku zużyły 980,1 miliona galonów wody.
Oparty na chmurze system kontroli AI jest już operacyjny i zapewnia oszczędność energii w wielu centrach danych Google, alefirma nie opublikowała pełnej listy obiektów korzystających z tej technologii.
Zgodnie z patentem US20180204116A1, system wykorzystujearchitekturę głębokiego uczenia się o precyzyjnej charakterystyce technicznej:
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 cechami, aby automatycznie wygenerować optymalny model.
PUE reprezentuje podstawową efektywność energetyczną centrów danych:
PUE = całkowita energia centrum danych / energia sprzętu IT
Google posiada certyfikat ISO 50001 w zakresie zarządzania energią, który gwarantuje surowe standardy operacyjne, ale nie weryfikuje konkretnie wydajności systemu AI.
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.
Po próbach i błędach modele są obecnie w 99,6 procentach dokładne w przewidywaniu PUE. Dokładność ta umożliwia optymalizację niemożliwą przy użyciu tradycyjnych metod, jednocześnie obsługując złożone nieliniowe interakcje między systemami mechanicznymi, elektrycznymi i środowiskowymi.
Jednym z istotnych aspektów jest zdolność ewolucyjnego uczenia się. W ciągu dziewięciu miesięcy wydajność systemu wzrosła z 12% przy początkowym uruchomieniu do około 30%.
Dan Fuenffinger, operator Google, zauważył: "To było niesamowite widzieć, jak sztuczna inteligencja uczy się wykorzystywać zimowe warunki i produkować zimniejszą wodę niż zwykle. Zasady nie poprawiają się z czasem, ale sztuczna inteligencja tak".
System zarządza jednocześnie 19 krytycznymi parametrami operacyjnymi:
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 zawsze zachowują kontrolę i mogą wyjść z trybu AI w dowolnym momencie, płynnie przechodząc do tradycyjnych zasad.
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.
Każde centrum danych ma unikalną architekturę i środowisko. Model dostosowany do jednego systemu może nie mieć zastosowania do innego, wymagając ogólnych ram inteligencji.
Dokładność modelu zależy od jakości i ilości danych wejściowych. Błąd modelu generalnie wzrasta dla wartości PUE powyżej 1,14 ze względu na niedobór odpowiednich danych szkoleniowych.
Nie znaleziono żadnych niezależnych audytów przeprowadzonych przez duże firmy audytorskie lub krajowe laboratoria, a Google "nie przeprowadza audytów zewnętrznych" wykraczających poza minimalne wymagania federalne.
W latach 2024-2025 Google radykalnie przesunął nacisk w kierunku:
Zmiana ta wskazuje, że optymalizacja AI osiągnęła praktyczne granice dla obciążeń termicznych nowoczesnych aplikacji AI.
Optymalizacja chłodzenia z wykorzystaniem sztucznej intelig encji wykracza poza centra danych:
Oszczędność energii w systemach chłodzenia przekłada się na
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
Oficjalnie potwierdzono trzy centra danych: w Singapurze (pierwsze wdrożenie w 2016 r.), Eemshaven w Holandii i Council Bluffs w stanie Iowa. System działa w wielu centrach danych Google, ale pełna lista nigdy nie została ujawniona publicznie.
System pozwala na 40% redukcję energii zużywanej do chłodzenia. Biorąc pod uwagę, że chłodzenie odpowiada za około 10% całkowitego zużycia, ogólna oszczędność energii wynosi około 4% całkowitego zużycia energii w centrum danych.
System osiąga dokładność 99,6% w przewidywaniu PUE ze średnim błędem bezwzględnym 0,004 ± 0,005, co odpowiada błędowi 0,4% dla PUE 1,1. Jeśli prawdziwy PUE wynosi 1,1, sztuczna inteligencja przewiduje między 1,096 a 1,104.
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.
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.
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.
Tak, sztuczna inteligencja automatycznie uczy się wykorzystywać warunki sezonowe, takie jak wytwarzanie zimniejszej wody w zimie w celu zmniejszenia zużycia energii na chłodzenie. System jest stale ulepszany poprzez rozpoznawanie wzorców pogodowych i klimatycznych .
Każde centrum danych ma unikalną architekturę i środowisko, wymagające znacznego dostosowania. Złożoność wdrożenia, potrzeba określonych danych i wymagana wiedza specjalistyczna sprawiają, że marketing bezpośredni jest złożony. Po ośmiu latach technologia ta pozostaje wyłącznie własnością Google.
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.
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
.svg)
.svg)
.svg)
.jpeg)
.jpeg)
.jpeg)