Alphabet的DeepMind部門報告說他們把Google數據中心總體電力利用效率（Power Usage Efficiency, PUE）又提升了15%，這要歸功于新部署的一套管理數據中心控制系統的人工智能程序，它和之前的一套被訓練用來玩Atari游戲的程序很相像。總的來說，DeepMind和數據中心工程師們已經將控制系統的PUE提升了40%，這套控制程序已經讓他們達到了數據中心有史以來的最佳PUE狀態。

Demis Hassabis說這不只是節約支出，還減少了數據中心對環境的影響。根據Google Green的數字，Google在2014年消耗了4,402,836 MWh電量，相當于366,903個美國家庭的用電量。他們還提供了一個活躍的Google用戶的碳足跡計算，具體是這樣定義的：

對于一個每天做25次搜索、看60分鐘YouTube視頻、有一個Gmail賬號還用一些其他服務的用戶來說，Google每天要排放8克二氧化碳來為他提供服務。換句話說，每個月服務一個用戶的碳排放量相當于開一英里汽車。

根據原始報告，幾年下來節約的支出就可以達到幾億美元，與收購DeepMind的費用4億英榜（6億美元）相比，即使不夠全部，起碼也可以抵上大部分了。而且還可以有效地減少數據中心的每用戶碳排放量。關于這套程序是如何實現這樣的效率提升的，DeepMind研究工程師Rich Evans和Google數據中心工程師Jim Gao說：

他們通過數據中心內的幾千個傳感器去收集溫度、電量、耗電率、設定值等各種數據，再把這些數據不斷的保存下來，用于訓練深度神經網絡的集合，然后再訓練關注未來平均PUE的神經網絡。他們把未來平均PUE定義成建筑物總耗電量與IT總耗電量的比例。接下來再訓練另兩個深度神經網絡集合，分別用于預測數據中心未來的溫度和下一小時的壓力。訓練這些預測的目的是模擬PUE模型的推薦行為，來保證我們不會超出可操作范圍限制。

在過去，每個數據中心都有一些獨有的特征，如氣候、天氣、每個中心的建筑結構、每天和不同系統的相互作用情況等，這些使建立一個通用公式優化PUE成了一件不可能的事。但有了深度學習和卷積神經網絡方法，就再也不需要唯一的公式了，因為程序會用一種玩游戲的方式工作：把傳感器送進去的值和參考值做輸入，再得到理想的輸出。工程師們演示了把程序開啟或者關閉的情況下，數據中心的PUE會受到怎樣的影響。Hassabis說他們已經知道了在他們的數據中心里哪里還做得不足，他們準備多部署一些傳感器來進一步提高利用率。

根據DeepMind的報告，相似的技術也可能被用于提高地球的能量轉化效率，減少半導體生產和水消耗，或者幫助生產企業提高生產率。

閱讀英文原文：DeepMind AI Program Increases Google Data Center Cooling Power Usage Efficiency by 40%