L'intelligens artificiell intelligens tillämpad på kylning av datacenter datacenter utgör en av de viktigaste innovationerna inom industriell energioptimering.
Det autonoma system som utvecklats av Google DeepMind, och som varit i drift sedan 2018, har visat hur AI kan förändra den termiska hanteringen av kritisk infrastruktur och uppnå konkreta resultat när det gäller driftseffektivitet.
Moderna datacenter är enorma energikonsumenter, och kylning står för cirka 10 procent av den totala elförbrukningen enligt Jonathan Koomey, en global expert på energieffektivitet. Var femte minut fångar Googles molnbaserade AI-system en ögonblicksbild av kylsystemet från tusentals sensorer Safety-first AI for autonomous data centre cooling and industrial control - Google DeepMind, som analyserar driftskomplexitet som trotsar traditionella kontrollmetoder.
Googles AI-kylsystem använder djupa neurala nätverk för att förutse hur olika kombinationer av åtgärder påverkar den framtida energiförbrukningen, och identifierar vilka åtgärder som minimerar förbrukningen samtidigt som de uppfyller robusta säkerhetskrav DeepMind AI minskar kylkostnaden för Googles datacenter med 40 % - Google DeepMind
De resultat som uppnåddes inom kyloptimering är betydande: systemet kunde konsekvent uppnå en 40%-ig minskning av den energi som används för kylning. Med tanke på att kylningen står för cirka 10% av den totala förbrukningen innebär detta en total energibesparing på cirka 4% i datacentret.
Enligt Jim Gaos ursprungliga tekniska dokument uppnår det neurala nätverket ett genomsnittligt absolut fel på 0,004 och en standardavvikelse på 0,005, vilket motsvarar ett fel på 0,4% för en PUE på 1,1.
Implementeringen av AI-systemet har officiellt bekräftats i tre specifika datacenter:
Singapore: Den första betydande installationen skedde 2016, där datacentret använder återvunnet vatten för kylning och visade en minskning av kylningsenergin med 40%.
Eemshaven, Nederländerna: Datacentret använder industriellt vatten och förbrukade 232 miljoner liter vatten under 2023. Marco Ynema, site lead för anläggningen, övervakar driften av denna avancerade anläggning.
Council Bluffs, Iowa: MIT Technology Review visade specifikt datacentret i Council Bluffs under diskussionen om AI-system. Google har investerat 5 miljarder dollar i de två campusområdena i Council Bluffs, som förbrukade 980,1 miljoner gallon vatten 2023.
Ett molnbaserat AI-kontrollsystem är nu i drift och ger energibesparingar i flera av Googles datacenter, menföretaget har inte offentliggjort den fullständiga listan över anläggningar som använder tekniken.
Enligt patent US20180204116A1 använder systemet enarkitektur för djupinlärning med exakta tekniska egenskaper:
Arkitekturen använder Model Predictive Control med linjära ARX-modeller integrerade med djupa neurala nätverk. Neurala nätverk kräver inte att användaren fördefinierar interaktioner mellan variabler i modellen. Istället söker det neurala nätverket efter mönster och interaktioner mellan funktioner för att automatiskt generera en optimal modell.
PUE representerar den grundläggande energieffektiviteten hos datacenter:
PUE = Total energi för datacenter / energi för IT-utrustning
Google har ISO 50001-certifiering för energihantering, vilket garanterar strikta driftstandarder men inte specifikt validerar AI-systemets prestanda.
Kärnan i innovationen är prediktiv styrning som förutspår framtida temperatur och tryck i datacentret under den närmaste timmen och simulerar rekommenderade åtgärder för att säkerställa att inga driftbegränsningar överskrids.
Efter många försök och misstag är modellerna nu 99,6 procent exakta när det gäller att förutsäga PUE. Denna noggrannhet möjliggör optimeringar som är omöjliga med traditionella metoder, samtidigt som man hanterar de komplexa icke-linjära interaktionerna mellan mekaniska, elektriska och miljömässiga system.
En viktig aspekt är den evolutionära inlärningsförmågan. Under loppet av nio månader ökade systemets prestanda från en förbättring på 12% vid den första lanseringen till en förbättring på cirka 30%.
Dan Fuenffinger, operatör på Google, kommenterade: "Det var fantastiskt att se AI lära sig att utnyttja vinterförhållanden och producera kallare vatten än normalt. Reglerna blir inte bättre med tiden, men det gör AI".
Systemet hanterar 19 kritiska driftsparametrar samtidigt:
Driftsäkerheten säkerställs genom redundanta mekanismer. De optimala åtgärder som AI:n beräknar kontrolleras mot en intern lista med operatörsdefinierade säkerhetsbegränsningar. När instruktionerna har skickats till det fysiska datacentret kontrollerar det lokala kontrollsystemet dem på nytt DeepMind AI minskar energianvändningen för kylning av Googles datacenter med 40 procent.
Operatörerna behåller alltid kontrollen och kan när som helst lämna AI-läget och sömlöst övergå till traditionella regler.
Branschen är medveten om begränsningarna med Power Usage Effectiveness som mätmetod. En undersökning från Uptime Institute 2014 visade att 75 procent av de tillfrågade ansåg att branschen behövde ett nytt effektivitetsmått. Problemen inkluderar klimatbias (omöjligt att jämföra olika klimat), tidsmanipulation (mätningar under optimala förhållanden) och uteslutning av komponenter.
Varje datacenter har en unik arkitektur och miljö. En skräddarsydd modell för ett system kanske inte är tillämplig på ett annat, vilket kräver ett generellt ramverk för intelligens.
Modellens noggrannhet beror på kvaliteten och kvantiteten på indata. Modellfelet ökar i allmänhet för PUE-värden över 1,14 på grund av bristen på motsvarande träningsdata.
Inga oberoende granskningar av större revisionsbyråer eller nationella laboratorier hittades, och Google "genomför inte tredjepartsrevisioner" utöver de federala minimikraven.
Under 2024-2025 skiftade Google dramatiskt fokus mot
Denna förändring tyder på att AI-optimering har nått praktiska gränser för de termiska belastningarna i moderna AI-applikationer.
AI-optimering för kylning har fått fler tillämpningar än bara i datacenter:
Energibesparingar på kylsystem resulterar i:
Fas 1 - Bedömning: Energirevision och kartläggning av befintliga systemFas2 - Pilot: Testning i en kontrollerad miljö på en begränsad delFas3 - Driftsättning: Progressiv utrullning med intensiv övervakningFas4 - Optimering: Kontinuerlig justering och kapacitetsökning
Tre datacenter är officiellt bekräftade: Singapore (första driftsättning 2016), Eemshaven i Nederländerna och Council Bluffs i Iowa. Systemet är i drift i flera av Googles datacenter, men den fullständiga listan har aldrig offentliggjorts.
Systemet ger en 40-procentig minskning av den energi som används för kylning. Med tanke på att kylningen står för cirka 10% av den totala förbrukningen är den totala energibesparingen cirka 4% av datacentrets totala förbrukning.
Systemet uppnår en noggrannhet på 99,6% när det gäller att förutsäga PUE med ett genomsnittligt absolut fel på 0,004 ± 0,005, vilket motsvarar ett fel på 0,4% för en PUE på 1,1. Om det sanna PUE är 1,1, förutspår AI mellan 1,096 och 1,104.
Verifieringen sker i två steg: först kontrollerar AI de säkerhetsbegränsningar som operatörerna har definierat, därefter kontrollerar det lokala systemet instruktionerna igen. Operatörerna kan alltid avaktivera AI-kontrollen och återgå till traditionella system.
Implementeringen tar normalt 6-18 månader: 3-6 månader för datainsamling och modellutbildning, 2-4 månader för pilottestning, 3-8 månader för stegvis utrullning. Komplexiteten varierar betydligt beroende på den befintliga infrastrukturen.
Det behövs ett multidisciplinärt team med expertis inom datavetenskap/AI, HVAC-teknik, fastighetsförvaltning, cybersäkerhet och systemintegration. Många företag väljer att ingå partnerskap med specialiserade leverantörer.
Ja, AI lär sig automatiskt att utnyttja säsongsmässiga förhållanden, t.ex. att producera kallare vatten på vintern för att minska kylningsenergin. Systemet förbättras kontinuerligt genom att känna igen väder- och klimatmönster.
Varje datacenter har en unik arkitektur och miljö, vilket kräver betydande anpassning. Komplexiteten i implementeringen, behovet av specifika data och den expertis som krävs gör direktmarknadsföring komplicerad. Efter åtta år är denna teknik fortfarande exklusivt intern för Google.
Inga oberoende revisioner av större revisionsföretag (Deloitte, PwC, KPMG) eller nationella laboratorier hittades. Google har ISO 50001-certifiering men "genomför inte tredjepartsrevisioner" utöver de federala minimikraven.
Absolut. AI-optimering för kylning kan tillämpas på industrianläggningar, köpcentrum, sjukhus, företagskontor och alla anläggningar med komplexa HVAC-system. Principerna för optimering med flera variabler och prediktiv styrning är universellt tillämpliga.
Kylsystemet Google DeepMind AI är en teknisk innovation som åstadkommer stegvisa förbättringar inom en specifik domän. För företag som driver energiintensiva infrastrukturer erbjuder denna teknik konkreta möjligheter till kyloptimering, om än med de begränsningar som följer av skalan.
Huvudkällor: Jim Gao Google Research paper, DeepMind Official Blog, MIT Technology Review, Patent US20180204116A1
.svg)
.svg)
.svg)
.jpeg)
.jpeg)