ระบบระบายความร้อน AI ของ Google DeepMind: ปัญญาประดิษฐ์ปฏิวัติประสิทธิภาพการใช้พลังงานของศูนย์ข้อมูลอย่างไร

ปัญญาประดิษฐ์ ที่นำมาใช้กับการระบายความร้อนของ ดาต้าเซ็นเตอร์ ถือเป็นหนึ่งในนวัตกรรมที่สำคัญที่สุดในด้านการเพิ่มประสิทธิภาพพลังงานภาคอุตสาหกรรม

ระบบอัตโนมัติที่พัฒนาโดย Google DeepMind ซึ่งเปิดใช้งานมาตั้งแต่ปี 2018 ได้แสดงให้เห็นว่า AI สามารถเปลี่ยนแปลงการจัดการความร้อนของโครงสร้างพื้นฐานที่สำคัญได้อย่างไร โดยได้ผลลัพธ์ที่เป็นรูปธรรมในแง่ของประสิทธิภาพการดำเนินงาน

นวัตกรรมที่เปลี่ยนแปลงศูนย์ข้อมูล

ปัญหาประสิทธิภาพการใช้พลังงาน

ดาต้าเซ็นเตอร์สมัยใหม่เป็นผู้ใช้พลังงานจำนวนมหาศาล โดยการระบายความร้อนคิดเป็นประมาณ 10% ของการใช้ไฟฟ้าทั้งหมด ตามข้อมูลของ Jonathan Koomey ผู้เชี่ยวชาญระดับโลกด้านประสิทธิภาพพลังงาน ทุกๆ ห้านาที ระบบ AI แบบคลาวด์ของ Google จะบันทึกภาพรวมของระบบระบายความร้อนจากเซ็นเซอร์หลายพันตัว Safety-first AI for autonomous data centre cooling and industrial control - Google DeepMind โดยวิเคราะห์ความซับซ้อนในการดำเนินงานที่ท้าทายวิธีการควบคุมแบบดั้งเดิม

ระบบระบายความร้อน AI ของ Google ใช้โครงข่ายประสาทเทียมเชิงลึก (deep neural network) เพื่อคาดการณ์ผลกระทบของการผสมผสานการกระทำต่างๆ ที่มีต่อการใช้พลังงานในอนาคต โดยระบุว่าการกระทำใดจะช่วยลดการใช้พลังงานให้น้อยที่สุด พร้อมทั้งเคารพข้อจำกัดด้านความปลอดภัยที่เข้มงวด DeepMind AI Reduces Google Data Centre Cooling Bill by 40% - Google DeepMind

ผลลัพธ์ที่เป็นรูปธรรมและวัดผลได้

ผลลัพธ์ที่ได้จากการเพิ่มประสิทธิภาพการระบายความร้อนนั้นมีนัยสำคัญ: ระบบสามารถลดพลังงานที่ใช้สำหรับการระบายความร้อนได้ถึง 40% อย่างสม่ำเสมอ อย่างไรก็ตาม เมื่อพิจารณาว่าการระบายความร้อนคิดเป็นประมาณ 10% ของการใช้พลังงานทั้งหมด นี่จึงหมายถึงการประหยัดพลังงานโดยรวมของดาต้าเซ็นเตอร์ประมาณ 4%

ตามเอกสารทางเทคนิคต้นฉบับของ Jim Gao โครงข่ายประสาทเทียมมีค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยอยู่ที่ 0.004 และค่าเบี่ยงเบนมาตรฐานอยู่ที่ 0.005 ซึ่งเทียบเท่ากับความคลาดเคลื่อน 0.4% สำหรับค่า PUE ที่ 1.1

สถานที่ทำงาน: ศูนย์ข้อมูลที่ได้รับการยืนยัน

การใช้งานที่ได้รับการตรวจสอบ

การนำระบบ AI ไปใช้งานได้รับการยืนยันอย่างเป็นทางการในดาต้าเซ็นเตอร์เฉพาะ 3 แห่ง:

สิงคโปร์: การนำไปใช้งานที่สำคัญครั้งแรกในปี 2016 โดยดาต้าเซ็นเตอร์แห่งนี้ใช้น้ำนำกลับมาใช้ใหม่สำหรับการระบายความร้อน และได้แสดงให้เห็นการลดพลังงานสำหรับการระบายความร้อนลง 40%

Eemshaven ประเทศเนเธอร์แลนด์: ดาต้าเซ็นเตอร์แห่งนี้ใช้น้ำอุตสาหกรรมและใช้น้ำไปทั้งสิ้น 232 ล้านแกลลอนในปี 2023 Marco Ynema หัวหน้าไซต์งานของสถานที่นี้ เป็นผู้ดูแลการดำเนินงานของสถานที่ขั้นสูงแห่งนี้

Council Bluffs รัฐไอโอวา: MIT Technology Review ได้นำเสนอดาต้าเซ็นเตอร์ของ Council Bluffs โดยเฉพาะระหว่างการพูดคุยเกี่ยวกับระบบ AI นี้ Google ได้ลงทุนไป 5 พันล้านดอลลาร์ในสองแคมปัสที่ Council Bluffs ซึ่งใช้น้ำไปทั้งสิ้น 980.1 ล้านแกลลอนในปี 2023

ระบบควบคุม AI แบบคลาวด์ได้เปิดใช้งานแล้วและช่วยประหยัดพลังงานในดาต้าเซ็นเตอร์ของ Google หลายแห่ง แต่บริษัทยังไม่ได้เผยแพร่รายชื่อทั้งหมดของสถานที่ที่ใช้เทคโนโลยีนี้

สถาปัตยกรรมทางเทคนิค: วิธีการทำงาน

เครือข่ายประสาทลึกและการเรียนรู้ของเครื่องจักร

ตามสิทธิบัตร US20180204116A1 ระบบนี้ใช้สถาปัตยกรรมดีปเลิร์นนิงที่มีคุณลักษณะทางเทคนิคที่ชัดเจน:

• 5 เลเยอร์ซ่อน (hidden layers) ที่มี 50 โหนดต่อเลเยอร์
• ตัวแปรอินพุตที่ผ่านการนอร์มัลไลซ์ 19 ตัว ซึ่งรวมถึงภาระความร้อน สภาพอากาศ สถานะของอุปกรณ์
• ตัวอย่างข้อมูลการฝึกฝน 184,435 ตัวอย่าง ที่ความละเอียด 5 นาที (ข้อมูลการดำเนินงานประมาณ 2 ปี)
• พารามิเตอร์การปรับค่าปกติ (regularization): 0.001 เพื่อป้องกันการโอเวอร์ฟิต (overfitting)

สถาปัตยกรรมนี้ใช้การควบคุมเชิงคาดการณ์แบบโมเดล (Model Predictive Control) ร่วมกับโมเดล ARX เชิงเส้น ที่ผสานเข้ากับโครงข่ายประสาทเทียมเชิงลึก โครงข่ายประสาทเทียมไม่จำเป็นต้องให้ผู้ใช้กำหนดปฏิสัมพันธ์ระหว่างตัวแปรในโมเดลไว้ล่วงหน้า แต่โครงข่ายประสาทเทียมจะค้นหารูปแบบและปฏิสัมพันธ์ระหว่างคุณลักษณะต่างๆ เพื่อสร้างโมเดลที่เหมาะสมที่สุดโดยอัตโนมัติ

ประสิทธิภาพการใช้พลังงาน (PUE): ตัวชี้วัดสำคัญ

PUE คือตัวชี้วัดประสิทธิภาพพลังงานพื้นฐานของดาต้าเซ็นเตอร์:

PUE = พลังงานทั้งหมดของดาต้าเซ็นเตอร์ / พลังงานของอุปกรณ์ IT

• PUE เฉลี่ยทั้งฟลีทของ Google: 1.09 ในปี 2024 (ตามรายงานด้านสิ่งแวดล้อมของ Google)
• ค่าเฉลี่ยของอุตสาหกรรม: 1.56-1.58
• PUE ในอุดมคติ: 1.0 (ในทางทฤษฎีเป็นไปไม่ได้)

Google ได้รับการรับรองมาตรฐาน ISO 50001 สำหรับการจัดการพลังงาน ซึ่งรับรองมาตรฐานการปฏิบัติงานที่เข้มงวด แต่ไม่ได้ตรวจสอบประสิทธิภาพของระบบ AI โดยเฉพาะ

การควบคุมเชิงทำนายแบบจำลอง (MPC)

หัวใจสำคัญของนวัตกรรมนี้คือการควบคุมเชิงคาดการณ์ ซึ่งคาดการณ์อุณหภูมิและความดันในอนาคตของดาต้าเซ็นเตอร์ในชั่วโมงถัดไป โดยจำลองการกระทำที่แนะนำเพื่อให้แน่ใจว่าจะไม่เกินข้อจำกัดในการดำเนินงาน

ประโยชน์ในการปฏิบัติงานของ AI ในการทำความเย็น

ความแม่นยำในการทำนายที่เหนือกว่า

หลังจากการลองผิดลองถูก โมเดลต่างๆ ในปัจจุบันมีความแม่นยำถึง 99.6% ในการทำนายค่า PUE ความแม่นยำนี้ช่วยให้เกิดการปรับให้เหมาะสมที่เป็นไปไม่ได้ด้วยวิธีการแบบดั้งเดิม โดยจัดการปฏิสัมพันธ์ที่ไม่เป็นเชิงเส้นและซับซ้อนระหว่างระบบเครื่องกล ระบบไฟฟ้า และสิ่งแวดล้อมไปพร้อมกัน

การเรียนรู้และการปรับตัวอย่างต่อเนื่อง

ประเด็นที่สำคัญคือความสามารถในการเรียนรู้เชิงวิวัฒนาการ ในช่วงเก้าเดือน ประสิทธิภาพของระบบเพิ่มขึ้นจากการปรับปรุง 12% ตอนเปิดตัวครั้งแรกไปจนถึงประมาณ 30%

Dan Fuenffinger ผู้ให้บริการ Google ให้ความเห็นว่า "เป็นเรื่องน่าเหลือเชื่อที่ได้เห็น AI เรียนรู้ที่จะใช้ประโยชน์จากสภาพอากาศในฤดูหนาวและสร้างน้ำที่เย็นกว่าปกติ กฎเกณฑ์ไม่ได้ดีขึ้นเมื่อเวลาผ่านไป แต่ AI ดีขึ้น"

การเพิ่มประสิทธิภาพหลายตัวแปร

ระบบจัดการพารามิเตอร์การทำงานสำคัญ 19 ตัวพร้อมกัน:

• โหลด IT รวมของเซิร์ฟเวอร์และระบบเครือข่าย
• สภาพอากาศ (อุณหภูมิ ความชื้น เอนทัลปี)
• สถานะอุปกรณ์ (เครื่องทำความเย็น หอทำความเย็น ปั๊ม)
• ค่าเซ็ตพอยต์และการควบคุมการทำงาน
• ความเร็วพัดลมและระบบ VFD

ความปลอดภัยและการควบคุม: รับประกันความปลอดภัยจากความล้มเหลว

การตรวจสอบหลายระดับ

ความปลอดภัยในการดำเนินงานได้รับการรับประกันผ่านกลไกสำรอง การกระทำที่เหมาะสมที่สุดที่คำนวณโดย AI จะถูกตรวจสอบเทียบกับรายการข้อจำกัดด้านความปลอดภัยภายในที่กำหนดโดยผู้ปฏิบัติงาน เมื่อส่งไปยังดาต้าเซ็นเตอร์จริงแล้ว ระบบควบคุมในพื้นที่จะตรวจสอบคำสั่งอีกครั้ง DeepMind AI reduces energy used for cooling Google data centers by 40%

ผู้ปฏิบัติการยังคงควบคุมได้ตลอดเวลาและสามารถออกจากโหมด AI ได้ตลอดเวลา โดยเปลี่ยนไปสู่กฎเกณฑ์ดั้งเดิมได้อย่างราบรื่น

ข้อจำกัดและการพิจารณาเชิงวิธีการ

เมตริก PUE และข้อจำกัด

อุตสาหกรรมตระหนักถึงข้อจำกัดของประสิทธิภาพการใช้พลังงานในฐานะตัวชี้วัด ผลสำรวจของ Uptime Institute ในปี 2014 พบว่า 75% ของผู้เข้าร่วมเชื่อว่าอุตสาหกรรมจำเป็นต้องมีตัวชี้วัดประสิทธิภาพใหม่ ปัญหาต่างๆ ได้แก่ อคติทางสภาพภูมิอากาศ (ไม่สามารถเปรียบเทียบสภาพภูมิอากาศที่แตกต่างกันได้) การจัดการเวลา (การวัดในสภาวะที่เหมาะสมที่สุด) และการยกเว้นส่วนประกอบ

ความซับซ้อนในการใช้งาน

ศูนย์ข้อมูลแต่ละแห่งมีสถาปัตยกรรมและสภาพแวดล้อมที่เป็นเอกลักษณ์ แบบจำลองที่ปรับแต่งเฉพาะสำหรับระบบหนึ่งอาจไม่สามารถนำไปใช้กับอีกระบบหนึ่งได้ จึงจำเป็นต้องใช้กรอบการทำงานแบบอัจฉริยะทั่วไป

คุณภาพข้อมูลและการตรวจสอบ

ความแม่นยำของโมเดลขึ้นอยู่กับคุณภาพและปริมาณของข้อมูลนำเข้า ค่าความผิดพลาดของโมเดลโดยทั่วไปจะเพิ่มขึ้นสำหรับค่า PUE ที่สูงกว่า 1.14 เนื่องจากข้อมูลฝึกฝนที่สอดคล้องกันมีจำนวนน้อย

ไม่พบการตรวจสอบอิสระจากบริษัทตรวจสอบบัญชีรายใหญ่หรือห้องปฏิบัติการระดับชาติ และ Google "ไม่ได้ดำเนินการตรวจสอบจากบุคคลที่สาม" เกินกว่าข้อกำหนดขั้นต่ำของรัฐบาลกลาง

อนาคต: วิวัฒนาการสู่การระบายความร้อนด้วยของเหลว

การเปลี่ยนผ่านทางเทคโนโลยี

ในปี 2024-2025 Google ได้เปลี่ยนจุดเน้นอย่างมากไปที่:

• ระบบจ่ายไฟ +/-400 VDC สำหรับแร็คขนาด 1MW
• หน่วยกระจายความเย็น "Project Deschutes"
• ระบบระบายความร้อนด้วยของเหลวโดยตรงสำหรับ TPU v5p ที่มี "99.999% uptime"

การเปลี่ยนแปลงนี้บ่งชี้ว่าการปรับให้เหมาะสมด้วย AI ได้มาถึงขีดจำกัดในทางปฏิบัติสำหรับภาระความร้อนของแอปพลิเคชัน AI สมัยใหม่

แนวโน้มที่เกิดขึ้นใหม่

• Edge computing integration: AI แบบกระจายเพื่อลดความหน่วง
• Digital twins: ฝาแฝดดิจิทัลสำหรับการจำลองขั้นสูง
• Sustainability focus: การปรับให้เหมาะสมสำหรับพลังงานหมุนเวียน
• Hybrid cooling: การผสมผสานระบบระบายความร้อนด้วยของเหลว/อากาศที่ปรับด้วย AI

แอปพลิเคชันและโอกาสสำหรับธุรกิจ

ภาคส่วนแอปพลิเคชัน

การปรับให้เหมาะสมด้วย AI สำหรับการระบายความร้อน มีการนำไปใช้งานที่ขยายออกไปนอกเหนือจากดาต้าเซ็นเตอร์:

• โรงงานอุตสาหกรรม: การปรับให้เหมาะสมระบบ HVAC ในการผลิต
• ศูนย์การค้า: การจัดการระบบปรับอากาศอย่างชาญฉลาด
• โรงพยาบาล: การควบคุมสภาพแวดล้อมในห้องผ่าตัดและพื้นที่วิกฤต
• สำนักงานองค์กร: อาคารอัจฉริยะและการจัดการสิ่งอำนวยความสะดวก

ผลตอบแทนจากการลงทุนและผลประโยชน์ทางเศรษฐกิจ

การประหยัดพลังงานในระบบระบายความร้อน ส่งผลให้เกิด:

• ลดต้นทุนการดำเนินงานของระบบย่อยด้านการระบายความร้อน
• ปรับปรุงความยั่งยืนด้านสิ่งแวดล้อม
• ยืดอายุการใช้งานของอุปกรณ์
• เพิ่มความน่าเชื่อถือในการดำเนินงาน

การดำเนินการเชิงกลยุทธ์สำหรับบริษัท

แผนงานการรับเลี้ยงบุตรบุญธรรม

ระยะที่ 1 - การประเมิน: การตรวจสอบพลังงานและการทำแผนที่ระบบที่มีอยู่ระยะที่ 2 - นำร่อง: การทดสอบในสภาพแวดล้อมควบคุมในส่วนที่จำกัดระยะที่ 3 - การนำไปใช้จริง: การเปิดใช้งานแบบค่อยเป็นค่อยไปพร้อมการติดตามอย่างเข้มข้นระยะที่ 4 - การปรับให้เหมาะสม: การปรับแต่งอย่างต่อเนื่องและการขยายขีดความสามารถ

ข้อควรพิจารณาทางเทคนิค

• โครงสร้างพื้นฐานเซนเซอร์: เครือข่ายการตรวจสอบที่สมบูรณ์
• ความเชี่ยวชาญของทีม: วิทยาศาสตร์ข้อมูล การจัดการสิ่งอำนวยความสะดวก ความปลอดภัยไซเบอร์
• Integration: ความเข้ากันได้กับระบบเดิม
• Compliance: กฎระเบียบด้านความปลอดภัยและสิ่งแวดล้อม

คำถามที่พบบ่อย

1. ระบบ AI ของ Google ทำงานจริงในดาต้าเซ็นเตอร์ใดบ้าง?

ศูนย์ข้อมูลสามแห่งได้รับการยืนยันอย่างเป็นทางการแล้ว ได้แก่ สิงคโปร์ (ติดตั้งครั้งแรกในปี 2016), Eemshaven ในเนเธอร์แลนด์ และ Council Bluffs ในรัฐไอโอวา ระบบนี้ใช้งานอยู่ในศูนย์ข้อมูลของ Google หลายแห่ง แต่รายชื่อทั้งหมดไม่เคยเปิดเผยต่อสาธารณะ

2. ระบบนี้ประหยัดพลังงานได้จริงเท่าใดจากการใช้พลังงานทั้งหมด?

ระบบนี้ช่วยลดการใช้พลังงานในการทำความเย็นได้ถึง 40% โดยเมื่อพิจารณาว่าการทำความเย็นคิดเป็นประมาณ 10% ของการใช้พลังงานทั้งหมด การใช้พลังงานโดยรวมจึงอยู่ที่ประมาณ 4% ของการใช้พลังงานทั้งหมดของศูนย์ข้อมูล

3. ความแม่นยำของระบบในการคาดการณ์เป็นอย่างไร?

ระบบมีความแม่นยำ 99.6% ในการทำนายค่า PUE โดยมีค่าความผิดพลาดสัมบูรณ์เฉลี่ยอยู่ที่ 0.004 ± 0.005 ซึ่งเทียบเท่ากับความผิดพลาด 0.4% สำหรับ PUE ที่ 1.1‍ หาก PUE จริงคือ 1.1 AI จะทำนายค่าอยู่ระหว่าง 1.096 ถึง 1.104

4. ระบบรับประกันความปลอดภัยในการดำเนินงานอย่างไร?

ระบบนี้ใช้การตรวจสอบสองระดับ: ขั้นแรก AI จะตรวจสอบข้อจำกัดด้านความปลอดภัยที่ผู้ปฏิบัติงานกำหนดไว้ จากนั้นระบบภายในจะตรวจสอบคำสั่งอีกครั้ง ผู้ปฏิบัติงานสามารถปิดใช้งานการตรวจสอบ AI และกลับไปใช้ระบบเดิมได้ตลอดเวลา

5. ต้องใช้เวลานานเท่าใดในการนำระบบเช่นนี้ไปใช้งาน?

โดยทั่วไปการนำไปปฏิบัติจะใช้เวลา 6-18 เดือน โดยใช้เวลา 3-6 เดือนสำหรับการรวบรวมข้อมูลและการฝึกอบรมแบบจำลอง 2-4 เดือนสำหรับการทดสอบนำร่อง และ 3-8 เดือนสำหรับการปรับใช้แบบแบ่งระยะ ความซับซ้อนอาจแตกต่างกันอย่างมากขึ้นอยู่กับโครงสร้างพื้นฐานที่มีอยู่

6. ต้องใช้ความเชี่ยวชาญด้านเทคนิคใดบ้าง?

จำเป็นต้องมีทีมสหวิทยาการที่มีความเชี่ยวชาญด้านวิทยาศาสตร์ข้อมูล/ปัญญาประดิษฐ์ (AI) วิศวกรรม HVAC การจัดการสิ่งอำนวยความสะดวก ความปลอดภัยทางไซเบอร์ และการบูรณาการระบบ หลายบริษัทเลือกที่จะร่วมมือกับผู้จำหน่ายเฉพาะทาง

7. ระบบสามารถปรับตัวตามการเปลี่ยนแปลงตามฤดูกาลได้หรือไม่?

ใช่ AI เรียนรู้โดยอัตโนมัติที่จะใช้ประโยชน์จากสภาวะตามฤดูกาล เช่น การผลิตน้ำที่เย็นกว่าในฤดูหนาวเพื่อลดพลังงานที่ใช้ในการทำความเย็น ระบบนี้ พัฒนาอย่างต่อเนื่องโดยการจดจำรูปแบบ ตามช่วงเวลาและสภาพภูมิอากาศ

8. ทำไม Google ถึงไม่นำเทคโนโลยีนี้ออกจำหน่ายในเชิงพาณิชย์?

ศูนย์ข้อมูลแต่ละแห่งมีสถาปัตยกรรมและสภาพแวดล้อมเฉพาะตัว ซึ่งจำเป็นต้องมีการปรับแต่งอย่างมาก ความซับซ้อนของการใช้งาน ความต้องการข้อมูลเฉพาะ และความเชี่ยวชาญที่จำเป็น ทำให้การตลาดทางตรงเป็นเรื่องยาก หลังจากผ่านไปแปดปี เทคโนโลยีนี้ยังคงอยู่ภายใต้การดูแลของ Google แต่เพียงผู้เดียว

9. มีการตรวจสอบประสิทธิภาพโดยหน่วยงานอิสระหรือไม่?

ไม่พบการตรวจสอบอิสระจากบริษัทตรวจสอบบัญชีรายใหญ่ (Deloitte, PwC, KPMG) หรือห้องปฏิบัติการระดับชาติ Google ได้รับการรับรองมาตรฐาน ISO 50001 แต่ "ไม่ดำเนินการตรวจสอบโดยบุคคลที่สาม" เกินกว่าข้อกำหนดขั้นต่ำของรัฐบาลกลาง

10. สามารถนำไปใช้กับภาคส่วนอื่นนอกเหนือจากดาต้าเซ็นเตอร์ได้หรือไม่?

แน่นอน การปรับประสิทธิภาพระบบทำความเย็นด้วย AI สามารถนำไปประยุกต์ใช้กับโรงงานอุตสาหกรรม ศูนย์การค้า โรงพยาบาล สำนักงาน และอาคารใดๆ ที่มีระบบ HVAC ที่ซับซ้อน หลักการของการปรับประสิทธิภาพแบบหลายตัวแปรและการควบคุมเชิงพยากรณ์สามารถนำไปประยุกต์ใช้ได้อย่างกว้างขวาง

ระบบทำความเย็นด้วย AI ของ Google DeepMind เป็นนวัตกรรมทางวิศวกรรมที่บรรลุการปรับปรุงแบบค่อยเป็นค่อยไปภายในขอบเขตเฉพาะ สำหรับบริษัทที่บริหารจัดการโครงสร้างพื้นฐานที่ใช้พลังงานสูง เทคโนโลยีนี้มอบโอกาสที่เป็นรูปธรรมในการเพิ่มประสิทธิภาพระบบทำความเย็น แม้จะมีข้อจำกัดด้านขนาดตามที่ได้กล่าวไว้

แหล่งข้อมูลหลัก: เอกสารวิจัย Jim Gao Google Research, บล็อกทางการของ DeepMind, MIT Technology Review, สิทธิบัตร US20180204116A1