浏览次数
现在:
最近一小时:
最近24小时:
浏览总量:

% of readers think this story is Fact. Add your two cents.

作者：DeepMind研究工程师Rich Evans和Google数据中心工程师Jim Gao

从智能手机助手到图像识别与翻译，机器学习已经给我们的日常生活提供了很多帮助。不仅如此，它还能够帮助我们解决全球范围内最具挑战性的一些实际问题，比如能源消耗。

过去十年，Google一直在关注减少能源使用这一问题。Google搭建了超级高效服务器，发明了拥有更高效率的数据中心冷却法并在绿色能源方面进行了大量投资，致力于实现使用100%的可再生能源。如今Google使用相同的能源便能够获得大约是五年前3.5倍的计算能力。

而今年Google又取得了新的进展：通过在数据中心使用DeepMind的机器学习能力，Google将冷却系统的能源消耗量减少了40%。这对于任何大型能源消耗环境来说都具有巨大的改善意义。

这对于Google数据中心来说可谓是意义重大，因为这有望大幅提升能源效率并减少气体排放量。此外，它还能够帮助依靠Google云端技术支持的其他公司提升他们各自的能源效率。虽然Google只是全球众多数据中心运营商中的一员，但使用可再生能源的数据中心运营商并不多见。数据中心能源效率方面的每一次进步都意味着气体排放总量的减少。凭借DeepMind等类似技术，Google可以利用机器学习（Machine Learning）来减少能源消耗量，从而应对气候变化这一重大挑战。

冷却系统占到了数据中心能源使用的大头。就像笔记本电脑会产生大量热量一样，数据中心同样会产生大量的热量，而这些热量必须被移除，以确保服务器的正常运行。为了达到提高能源效率的目的，Google利用数据中心里数千个传感器收集到的温度、功率、泵速、设定值等历史数据对深度神经网络进行了训练，让它可以预测未来电源使用效率（PUE，数据中心消耗的所有能源与IT负载使用的能源之比，比值越接近1说明绿化程度越高）和数据中心在未来一小时内的温度和压力，然后对能源的合理使用进行分配。

结果显示，Google的机器学习系统将冷却系统的能源消耗量持续减少了40%，如果考虑电量损耗和其他非冷却系统效率低下因素的话，这等同于将整体PUE水平降低了15%。此外，机器学习系统还在所测试的数据中心中实现了最低的PUE水平。

Google计划在未来几个月将这一系统运用到数据中心的其他领域以及数据中心之外。这项技术的潜在应用包括提升发电厂能源转换效率（从相同数量的发电原料中获取更多能量），减少能源消耗量，以及帮助提升产能。未来，Google计划在更广范围内推广这一系统并分享自身经验，以让其他数据中心和工业系统运营商获益，最终造福环境。

2016-07-24 23:39:18

原始网页: http://blog.sina.com.cn/s/blog_9c079b040102xepj.html