Alphabet 的 DeepMind 部门报告说他们把Google 数据中心总体电力利用效率(Power Usage Efficiency, PUE )又提升了 15%,这要归功于新部署的一套管理数据中心控制系统的人工智能程序,它和之前的一套被训练用来玩 Atari 游戏的程序很相像。总的来说,DeepMind 和数据中心工程师们已经将控制系统的 PUE 提升了 40%,这套控制程序已经让他们达到了数据中心有史以来的最佳 PUE 状态。
Demis Hassabis 说这不只是节约支出,还减少了数据中心对环境的影响。根据 Google Green 的数字,Google 在 2014 年消耗了 4,402,836 MWh 电量,相当于 366,903 个美国家庭的用电量。他们还提供了一个活跃的 Google 用户的碳足迹计算,具体是这样定义的:
对于一个每天做 25 次搜索、看 60 分钟 YouTube 视频、有一个 Gmail 账号还用一些其他服务的用户来说,Google 每天要排放 8 克二氧化碳来为他提供服务。换句话说,每个月服务一个用户的碳排放量相当于开一英里汽车。
根据原始报告,几年下来节约的支出就可以达到几亿美元,与收购 DeepMind 的费用 4 亿英榜(6 亿美元)相比,即使不够全部,起码也可以抵上大部分了。而且还可以有效地减少数据中心的每用户碳排放量。关于这套程序是如何实现这样的效率提升的,DeepMind 研究工程师 Rich Evans 和 Google 数据中心工程师 Jim Gao 说:
他们通过数据中心内的几千个传感器去收集温度、电量、耗电率、设定值等各种数据,再把这些数据不断的保存下来,用于训练深度神经网络的集合,然后再训练关注未来平均 PUE 的神经网络。他们把未来平均 PUE 定义成建筑物总耗电量与 IT 总耗电量的比例。接下来再训练另两个深度神经网络集合,分别用于预测数据中心未来的温度和下一小时的压力。训练这些预测的目的是模拟 PUE 模型的推荐行为,来保证我们不会超出可操作范围限制。
在过去,每个数据中心都有一些独有的特征,如气候、天气、每个中心的建筑结构、每天和不同系统的相互作用情况等,这些使建立一个通用公式优化 PUE 成了一件不可能的事。但有了深度学习和卷积神经网络方法,就再也不需要唯一的公式了,因为程序会用一种玩游戏的方式工作:把传感器送进去的值和参考值做输入,再得到理想的输出。工程师们演示了把程序开启或者关闭的情况下,数据中心的PUE 会受到怎样的影响。Hassabis 说他们已经知道了在他们的数据中心里哪里还做得不足,他们准备多部署一些传感器来进一步提高利用率。
根据DeepMind 的报告,相似的技术也可能被用于提高地球的能量转化效率,减少半导体生产和水消耗,或者帮助生产企业提高生产率。
阅读英文原文: DeepMind AI Program Increases Google Data Center Cooling Power Usage Efficiency by 40%
评论