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

> Google DeepMind 透過 5 層深度學習、50 個節點、19 個輸入變數，在 184,435 個訓練樣本 (2 年資料) 上實現了 -40% 的資料中心冷卻能源 (但總消耗僅為 -4%，因為冷卻佔總消耗的 10%)-準確度 99.6%，PUE 1.1 的誤差為 0.4%。已在 3 個設施中確認：新加坡 (2016 年首次部署)、Eemshaven、Council Bluffs (50 億美元投資)。模型預測控制 (Model Predictive Control) 可同時管理 IT 負載、天氣、設備狀態，預測下一小時的溫度/壓力。安全性保證：雙層驗證，操作員可隨時停用 AI。關鍵限制：無審計公司/國家實驗室的獨立驗證，每個資料中心都需要客製化模型（8 年來從未商業化）。實施時間為 6-18 個月，需要跨領域團隊（資料科學、HVAC、設備管理）。適用範圍超越資料中心：工廠、醫院、購物中心、企業辦公室。2024-2025 年：Google 將 TPU v5p 轉換為直接液體冷卻，顯示 AI 最佳化的實際限制。

Source: https://www.electe.net/tc/post/sistema-di-raffreddamento-ai-di-google-deepmind-come-lintelligenza-artificiale-rivoluziona-lefficienza-energetica-dei-data-center

Site guide: https://www.electe.net/tc/llms.txt

[**人工智慧**](/lintelligenza-artificiale-per-lambiente-innovazioni-e-soluzioni-2025)**應用於**[**資料**](/big-data-analytics)**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](/airpods-vs-pixel-buds-la-rivoluzione-della-traduzione-simultanea-che-cambiera-il-modo-di-viaggiare) 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](https://deepmind.google/discover/blog/safety-first-ai-for-autonomous-data-centre-cooling-and-industrial-control/)，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](https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/)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](https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/)。

### 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%](https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-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](https://research.google.com/pubs/archive/42542.pdf)，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](https://datacenters.google/) 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](/create-analytics-dashboards-on-electe)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](https://patents.google.com/patent/US20180204116A1/en)，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](https://research.google/pubs/pub42542/)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](https://docslib.org/doc/5810108/data-center-optimization-jim-gao-google)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%](https://blog.google/outreach-initiatives/environment/deepmind-ai-reduces-energy-used-for/)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](/cookie-e-privacy-online-normative-ue-vs-usa-google-consent-mode-e-gestione-consensi)

## 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%[‍](https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/)。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](https://research.google/pubs/data-center-cooling-using-model-predictive-control/)。

### **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](https://research.google.com/pubs/archive/42542.pdf)、[DeepMind 官方部落格](https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/)、[MIT Technology Review](https://www.technologyreview.com/2018/08/17/140987/google-just-gave-control-over-data-center-cooling-to-an-ai/)、[專利 US20180204116A1](https://patents.google.com/patent/US20180204116A1/en)