Google DeepMind AI 冷卻系統：人工智慧如何革新資料中心能源效率

人工智慧應用於資料中心的冷卻，是工業能源優化領域中最重要的創新之一。

由Google DeepMind 開發的自主系統自 2018 年起投入運作，展示了 AI 如何改變關鍵基礎設施的溫控管理，並在營運效率方面取得具體成果。

創新改變資料中心

能源效率問題

根據全球能源效率專家 Jonathan Koomey 的說法，現代資料中心是巨大的能源消耗者，冷卻約佔總用電量的 10%。Google 的雲端 AI 系統每五分鐘從數千個感測器擷取一次冷卻系統的快照 Safety-first AI for autonomous data centre cooling and industrial control - Google DeepMind，分析傳統控制方法難以應付的營運複雜度。

Google 的 AI 冷卻系統運用深度神經網路，預測不同動作組合對未來能耗的影響，找出在遵守嚴格安全限制條件下能將耗能降到最低的行動方案 DeepMind AI Reduces Google Data Centre Cooling Bill by 40% - Google DeepMind。

具體且可衡量的結果

在冷卻優化方面取得的成果相當顯著：該系統持續達成冷卻能耗降低 40%的成效。不過，考量到冷卻僅佔資料中心總耗能約 10%，這實際上相當於資料中心整體能源節省約 4%。

根據 Jim Gao 的原始技術論文，該神經網路達成平均絕對誤差 0.004、標準差 0.005，對應 PUE 值 1.1 時誤差率為 0.4%。

工作地點：已確認的資料中心

已驗證的實施

該 AI 系統的部署已在三個特定資料中心獲得官方確認：

新加坡：2016 年首個重要部署案例，該資料中心採用回收水進行冷卻，並展示了冷卻能耗降低 40% 的成果。

荷蘭埃姆斯哈芬（Eemshaven）：該資料中心使用工業用水，2023 年耗水量達 2.32 億加侖。該設施現場負責人 Marco Ynema 負責監督這座先進設施的營運。

愛荷華州康瑟布拉夫斯（Council Bluffs）：麻省理工科技評論在討論該 AI 系統時，特別展示了康瑟布拉夫斯資料中心。Google 已在康瑟布拉夫斯的兩座園區投資 50 億美元，2023 年這兩座園區耗水量達 9.801 億加侖。

目前已有一套雲端 AI 控制系統投入運作，為 Google 多個資料中心帶來節能成效，但該公司尚未公布使用此技術的設施完整清單。

技術架構：如何運作

深度神經網路與機器學習

根據美國專利 US20180204116A1，該系統採用具備精確技術特徵的深度學習架構：

• 5 個隱藏層，每層 50 個節點
• 19 個標準化輸入變數，包括熱負載、氣候條件、設備狀態
• 184,435 筆訓練樣本，解析度為 5 分鐘（約 2 年份的營運數據）
• 正規化參數：0.001，用以防止過擬合

該架構結合線性 ARX 模型的模型預測控制（Model Predictive Control）與深度神經網路。神經網路不需要使用者預先定義模型中變數之間的互動關係，而是由神經網路自行搜尋特徵之間的模式與互動，自動生成最佳化模型。

電源使用效率 (PUE)：關鍵指標

PUE 代表資料中心的核心能源效率指標：

PUE = 資料中心總能耗 / IT 設備能耗

• Google 全機隊 PUE：2024 年為 1.09（根據 Google 環境報告）
• 業界平均值：1.56-1.58
• 理想 PUE：1.0（理論上無法達成）

Google 擁有 ISO 50001 能源管理認證，該認證保證了嚴格的作業標準，但並沒有具體驗證 AI 系統的效能。

模型預測控制 (MPC)

此創新的核心在於預測控制，該系統能預測資料中心未來一小時內的溫度與壓力，並模擬建議動作，以確保不超出營運限制。

人工智能在冷卻領域的運作優勢

優異的預測精確度

經過反覆試驗，模型在PUE 預測方面的準確率現已達到 99.6%。這種精準度使得傳統方法無法實現的優化成為可能，同時能夠處理機械、電力與環境系統之間複雜的非線性交互作用。

持續學習與適應

一個重要的特點是持續進化的學習能力。在九個月的時間裡，系統的效能從初期上線時的 12% 改善提升到約 30% 的改善幅度。

Google 操作員 Dan Fuenffinger 表示：「看到 AI 學會利用冬季條件製造出比平常更冷的水，實在令人驚訝。規則不會隨著時間而改進，但 AI 會。

多重變數最佳化

該系統可同時管理19 項關鍵操作參數：

• 伺服器與網路設備的總 IT 負載
• 氣象條件（溫度、濕度、焓值）
• 設備狀態（冷水機、冷卻塔、幫浦）
• 設定點與操作控制
• 風扇轉速與 VFD 系統

安全與控制：故障安全保證

多層驗證

操作安全性透過冗餘機制來確保。AI 計算出的最佳動作會與操作員定義的內部安全限制清單進行核對。指令傳送至實體資料中心後，本地控制系統會再次驗證這些指令，如DeepMind AI reduces energy used for cooling Google data centers by 40%所述。

操作員始終保留控制權，並可隨時退出 AI 模式，無縫轉換至傳統規則。

限制與方法上的考量

PUE 量測與限制

業界意識到 Power Usage Effectiveness 作為標準的局限性。2014 年 Uptime Institute 的調查發現，75% 的受訪者認為產業需要一個新的效率指標。問題包括氣候偏差（不可能比較不同的氣候）、時間操控（在最佳條件下進行測量）和元件排除。

實施的複雜性

每個資料中心都有其獨特的架構和環境。一個系統的客製化模型可能不適用於另一個系統，因此需要一般智慧型架構。

資料品質與驗證

模型的準確度取決於輸入資料的品質與數量。當 PUE 值超過 1.14 時，由於相對應的訓練資料較為稀少，模型誤差通常會增加。

沒有發現由主要審計公司或國家實驗室進行的獨立審計，Google「沒有進行超出聯邦最低要求的第三方審計」。

未來：朝液態冷卻演進

技術轉型

在 2024-2025 年，Google 大幅將重點轉移到：

• 適用於 1MW 機架的 +/-400 VDC 供電系統
• 「Project Deschutes」冷卻分配裝置
• 為 TPU v5p 提供「99.999% 正常運作時間」的直接液冷技術

這項轉變顯示，AI 優化已達到現代 AI 應用熱負載的實際極限。

新興趨勢

• 邊緣運算整合：分散式 AI 以降低延遲
• 數位孿生：用於進階模擬的數位分身
• 永續發展重點：針對再生能源的優化
• 混合冷卻：AI 優化的液冷與氣冷結合方案

公司的應用與機會

應用領域

AI 冷卻優化的應用範圍遠不止資料中心：

• 工業廠房：製造業 HVAC 系統優化
• 購物中心：智慧空調管理
• 醫院：手術室與關鍵區域的環境控制
• 企業辦公室：智慧建築與設施管理

投資報酬率與經濟效益

冷卻系統的節能效益可轉化為：

• 降低冷卻子系統的營運成本
• 提升環境永續性
• 延長設備使用壽命
• 提高操作可靠性

公司的策略實施

採用路線圖

第 1 階段 - 評估：能源稽核與現有系統盤點第 2 階段 - 試點：在限定範圍內於受控環境中測試第 3 階段 - 部署：搭配密集監控逐步推行第 4 階段 - 優化：持續調校並擴展產能

技術考慮因素

• 感測器基礎設施：完整的監控網路
• 團隊技能：資料科學、設施管理、網路安全
• 整合：與既有系統的相容性
• 合規：安全與環境法規

FAQ - 常見問題

1. Google 究竟在哪些資料中心實際運行這套 AI 系統？

三個資料中心已正式確認：新加坡 (2016 年首次部署)、荷蘭的 Eemshaven 以及愛荷華州的 Council Bluffs。該系統已在多個 Google 資料中心運作，但完整清單從未公開披露。

2. 這套系統對總耗電量究竟能帶來多少節能效果？

該系統可將用於冷卻的能源減少 40%。考慮到冷卻約佔總消耗的 10%，整體節能約佔資料中心總消耗的 4%。

3. 系統在預測上的精準度如何？

該系統在 PUE 預測上達到 99.6% 的精準度，平均絕對誤差為 0.004 ± 0.005，相當於在 PUE 為 1.1 時誤差率為 0.4%‍。若實際 PUE 為 1.1，AI 的預測值會落在 1.096 到 1.104 之間。

4. 系統如何確保操作安全性？

它使用兩層驗證：首先 AI 檢查操作員定義的安全限制，然後本機系統再次檢查指令。操作員可以隨時停用 AI 檢查，並返回傳統系統。

5. 導入類似系統需要多少時間？

實施通常需要 6-18 個月：3-6 個月用於資料收集和模型訓練，2-4 個月用於試點測試，3-8 個月用於分階段部署。複雜度會因現有基礎架構的不同而有顯著差異。

6. 需要哪些技術能力？

需要一個擁有資料科學/AI、HVAC 工程、設施管理、網路安全和系統整合等專業知識的跨領域團隊。許多公司選擇與專業供應商合作。

7. 系統能否因應季節性變化進行調整？

是的,AI 會自動學習利用季節性條件,例如在冬季生產更冷的水以降低製冷能耗。該系統透過辨識時間性與氣候模式而持續改進。

8. Google 為何不將這項技術商業化?

每個資料中心都有獨特的架構和環境，需要大量的客製化。實施的複雜性、對特定資料的需求以及所需的專業知識，讓直效行銷變得複雜。八年過去了，這項技術仍然是 Google 的獨家內部技術。

9. 是否有獨立的績效驗證?

未找到大型審計公司（Deloitte、PwC、KPMG）或國家實驗室的獨立審計。Google 擁有 ISO 50001 認證，但「不追求」聯邦最低要求以外的第三方稽核。

10. 除了資料中心外,是否適用於其他產業?

絕對可以。用於冷卻的 AI 優化技術可應用於工業廠房、購物中心、醫院、企業辦公室以及任何具有複雜 HVAC 系統的設施。多變量最佳化和預測控制的原則是普遍適用的。

Google DeepMind 的 AI 冷卻系統代表著一項工程創新,在特定範疇內實現漸進式改善。對於管理高耗能基礎設施的企業而言,這項技術提供了具體的冷卻優化機會,儘管存在上述規模限制。

主要資料來源: Jim Gao Google Research 論文、DeepMind 官方部落格、MIT Technology Review、專利 US20180204116A1