# ระบบระบายความร้อน AI ของ Google DeepMind: ปัญญาประดิษฐ์ปฏิวัติประสิทธิภาพการใช้พลังงานของศูนย์ข้อมูลอย่างไร

> Google DeepMind ประหยัดพลังงานระบบทำความเย็นในศูนย์ข้อมูลได้ -40% (แต่ใช้พลังงานรวมเพียง -4% เนื่องจากระบบทำความเย็นคิดเป็น 10% ของพลังงานรวมทั้งหมด) โดยมีความแม่นยำ 99.6% และความผิดพลาด 0.4% บน PUE 1.1 โดยใช้การเรียนรู้เชิงลึก 5 ชั้น โหนด 50 โหนด ตัวแปรอินพุต 19 ตัว จากตัวอย่างการฝึกอบรม 184,435 ตัวอย่าง (ข้อมูล 2 ปี) ได้รับการยืนยันใน 3 สถานที่: สิงคโปร์ (ใช้งานครั้งแรกในปี 2016), Eemshaven, Council Bluffs (ลงทุน 5 พันล้านดอลลาร์) ค่า PUE ทั่วทั้งกลุ่มผลิตภัณฑ์ของ Google อยู่ที่ 1.09 เทียบกับค่าเฉลี่ยของอุตสาหกรรมที่ 1.56-1.58 ระบบควบคุมเชิงคาดการณ์ (Model Predictive Control) คาดการณ์อุณหภูมิ/แรงดันในชั่วโมงถัดไป พร้อมกับจัดการภาระงานด้านไอที สภาพอากาศ และสถานะของอุปกรณ์ไปพร้อมๆ กัน ความปลอดภัยที่รับประกัน: การตรวจสอบสองระดับ ผู้ปฏิบัติงานสามารถปิดใช้งาน AI ได้ตลอดเวลา ข้อจำกัดสำคัญ: ไม่มีการตรวจสอบอิสระจากบริษัทตรวจสอบบัญชี/ห้องปฏิบัติการระดับชาติ แต่ละศูนย์ข้อมูลต้องใช้แบบจำลองที่กำหนดเอง (8 ปี ไม่เคยนำไปใช้ในเชิงพาณิชย์) ระยะเวลาดำเนินการ: 6-18 เดือน ต้องใช้ทีมสหสาขาวิชาชีพ (วิทยาศาสตร์ข้อมูล, ระบบปรับอากาศ (HVAC), การจัดการสิ่งอำนวยความสะดวก) ครอบคลุมพื้นที่นอกเหนือจากศูนย์ข้อมูล: โรงงานอุตสาหกรรม โรงพยาบาล ศูนย์การค้า และสำนักงานต่างๆ ปี 2024-2025: Google เปลี่ยนไปใช้ระบบระบายความร้อนด้วยของเหลวโดยตรงสำหรับ TPU v5p ซึ่งบ่งชี้ถึงข้อจำกัดในทางปฏิบัติของการเพิ่มประสิทธิภาพ AI

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

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

[**ปัญญาประดิษฐ์**](/lintelligenza-artificiale-per-lambiente-innovazioni-e-soluzioni-2025)** ที่นำมาใช้กับการระบายความร้อนของ **[**ดาต้า**](/big-data-analytics)**เซ็นเตอร์** ถือเป็นหนึ่งในนวัตกรรมที่สำคัญที่สุดในด้านการเพิ่มประสิทธิภาพพลังงานภาคอุตสาหกรรม

ระบบอัตโนมัติที่พัฒนาโดย [Google](/airpods-vs-pixel-buds-la-rivoluzione-della-traduzione-simultanea-che-cambiera-il-modo-di-viaggiare) 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](https://deepmind.google/discover/blog/safety-first-ai-for-autonomous-data-centre-cooling-and-industrial-control/) โดยวิเคราะห์ความซับซ้อนในการดำเนินงานที่ท้าทายวิธีการควบคุมแบบดั้งเดิม

[ระบบระบายความร้อน AI ของ Google](https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/) ใช้โครงข่ายประสาทเทียมเชิงลึก (deep neural network) เพื่อคาดการณ์ผลกระทบของการผสมผสานการกระทำต่างๆ ที่มีต่อการใช้พลังงานในอนาคต โดยระบุว่าการกระทำใดจะช่วยลดการใช้พลังงานให้น้อยที่สุด พร้อมทั้งเคารพข้อจำกัดด้านความปลอดภัยที่เข้มงวด [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/)

### ผลลัพธ์ที่เป็นรูปธรรมและวัดผลได้

ผลลัพธ์ที่ได้จากการเพิ่มประสิทธิภาพการระบายความร้อนนั้นมีนัยสำคัญ: ระบบสามารถ[ลดพลังงานที่ใช้สำหรับการระบายความร้อนได้ถึง 40%](https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/) อย่างสม่ำเสมอ อย่างไรก็ตาม เมื่อพิจารณาว่าการระบายความร้อนคิดเป็นประมาณ 10% ของการใช้พลังงานทั้งหมด นี่จึงหมายถึงการประหยัดพลังงานโดยรวมของดาต้าเซ็นเตอร์ประมาณ 4%

ตาม[เอกสารทางเทคนิคต้นฉบับของ Jim Gao](https://research.google.com/pubs/archive/42542.pdf) โครงข่ายประสาทเทียมมีค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยอยู่ที่ 0.004 และค่าเบี่ยงเบนมาตรฐานอยู่ที่ 0.005 ซึ่งเทียบเท่ากับความคลาดเคลื่อน 0.4% สำหรับค่า PUE ที่ 1.1

## สถานที่ทำงาน: ศูนย์ข้อมูลที่ได้รับการยืนยัน

### การใช้งานที่ได้รับการตรวจสอบ

การนำระบบ AI ไปใช้งานได้รับการยืนยันอย่างเป็นทางการใน**ดาต้าเซ็นเตอร์เฉพาะ 3 แห่ง**:

**สิงคโปร์**: การนำไปใช้งานที่สำคัญครั้งแรกในปี 2016 โดยดาต้าเซ็นเตอร์แห่งนี้ใช้น้ำนำกลับมาใช้ใหม่สำหรับการระบายความร้อน และได้แสดงให้เห็นการลดพลังงานสำหรับการระบายความร้อนลง 40%

**Eemshaven ประเทศเนเธอร์แลนด์**: ดาต้าเซ็นเตอร์แห่งนี้ใช้น้ำอุตสาหกรรมและใช้น้ำไปทั้งสิ้น 232 ล้านแกลลอนในปี 2023 [Marco Ynema หัวหน้าไซต์งานของสถานที่นี้](https://datacenters.google/) 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 แต่[บริษัท](/create-analytics-dashboards-on-electe)ยังไม่ได้เผยแพร่รายชื่อทั้งหมดของสถานที่ที่ใช้เทคโนโลยีนี้

## สถาปัตยกรรมทางเทคนิค: วิธีการทำงาน

### เครือข่ายประสาทลึกและการเรียนรู้ของเครื่องจักร

ตาม[สิทธิบัตร US20180204116A1](https://patents.google.com/patent/US20180204116A1/en) ระบบนี้ใช้**สถาปัตยกรรมดีปเลิร์นนิง**ที่มีคุณลักษณะทางเทคนิคที่ชัดเจน:

- **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)

สถาปัตยกรรมนี้ใช้**การควบคุมเชิงคาดการณ์แบบโมเดล (Model Predictive Control) ร่วมกับโมเดล ARX เชิงเส้น** ที่ผสานเข้ากับโครงข่ายประสาทเทียมเชิงลึก โครงข่ายประสาทเทียมไม่จำเป็นต้องให้ผู้ใช้กำหนดปฏิสัมพันธ์ระหว่างตัวแปรในโมเดลไว้ล่วงหน้า แต่โครงข่ายประสาทเทียมจะค้นหารูปแบบและปฏิสัมพันธ์ระหว่างคุณลักษณะต่างๆ เพื่อสร้างโมเดลที่เหมาะสมที่สุดโดยอัตโนมัติ

### ประสิทธิภาพการใช้พลังงาน (PUE): ตัวชี้วัดสำคัญ

**PUE คือตัวชี้วัดประสิทธิภาพพลังงานพื้นฐาน**ของดาต้าเซ็นเตอร์:

`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)

หัวใจสำคัญของนวัตกรรมนี้คือ**การควบคุมเชิงคาดการณ์** ซึ่งคาดการณ์อุณหภูมิและความดันในอนาคตของดาต้าเซ็นเตอร์ในชั่วโมงถัดไป โดยจำลองการกระทำที่แนะนำเพื่อให้แน่ใจว่าจะไม่เกินข้อจำกัดในการดำเนินงาน

## ประโยชน์ในการปฏิบัติงานของ AI ในการทำความเย็น

### ความแม่นยำในการทำนายที่เหนือกว่า

หลังจากการลองผิดลองถูก โมเดลต่างๆ ในปัจจุบันมีความแม่นยำถึง 99.6% ในการ[ทำนายค่า PUE](https://research.google/pubs/pub42542/) ความแม่นยำนี้ช่วยให้เกิดการปรับให้เหมาะสมที่เป็นไปไม่ได้ด้วยวิธีการแบบดั้งเดิม โดยจัดการปฏิสัมพันธ์ที่ไม่เป็นเชิงเส้นและซับซ้อนระหว่างระบบเครื่องกล ระบบไฟฟ้า และสิ่งแวดล้อมไปพร้อมกัน

### การเรียนรู้และการปรับตัวอย่างต่อเนื่อง

ประเด็นที่สำคัญคือ**ความสามารถในการเรียนรู้เชิงวิวัฒนาการ** ในช่วงเก้าเดือน ประสิทธิภาพของระบบเพิ่มขึ้นจาก[การปรับปรุง 12% ตอนเปิดตัวครั้งแรก](https://docslib.org/doc/5810108/data-center-optimization-jim-gao-google)ไปจนถึงประมาณ 30%

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

### การเพิ่มประสิทธิภาพหลายตัวแปร

ระบบจัดการ**พารามิเตอร์การทำงานสำคัญ 19 ตัว**พร้อมกัน:

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

## ความปลอดภัยและการควบคุม: รับประกันความปลอดภัยจากความล้มเหลว

### การตรวจสอบหลายระดับ

ความปลอดภัยในการดำเนินงานได้รับการรับประกันผ่าน**กลไกสำรอง** การกระทำที่เหมาะสมที่สุดที่คำนวณโดย AI จะถูกตรวจสอบเทียบกับรายการข้อจำกัดด้านความปลอดภัยภายในที่กำหนดโดยผู้ปฏิบัติงาน เมื่อส่งไปยังดาต้าเซ็นเตอร์จริงแล้ว ระบบควบคุมในพื้นที่จะตรวจสอบคำสั่งอีกครั้ง [DeepMind AI reduces energy used for cooling Google data centers by 40%](https://blog.google/outreach-initiatives/environment/deepmind-ai-reduces-energy-used-for/)

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

ความแม่นยำของโมเดลขึ้นอยู่กับ**คุณภาพและปริมาณของข้อมูลนำเข้า** 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 ได้มาถึง**ขีดจำกัดในทางปฏิบัติสำหรับภาระความร้อนของแอปพลิเคชัน 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**: การตรวจสอบพลังงานและการทำแผนที่ระบบที่มีอยู่**ระยะที่ 2 - นำร่อง**: การทดสอบในสภาพแวดล้อมควบคุมในส่วนที่จำกัด**ระยะที่ 3 - การนำไปใช้จริง**: การเปิดใช้งานแบบค่อยเป็นค่อยไปพร้อมการติดตามอย่างเข้มข้น**ระยะที่ 4 - การปรับให้เหมาะสม**: การปรับแต่งอย่างต่อเนื่องและการขยายขีดความสามารถ

### ข้อควรพิจารณาทางเทคนิค

- **โครงสร้างพื้นฐานเซนเซอร์**: เครือข่ายการตรวจสอบที่สมบูรณ์
- **ความเชี่ยวชาญของทีม**: วิทยาศาสตร์ข้อมูล การจัดการสิ่งอำนวยความสะดวก ความปลอดภัยไซเบอร์
- **Integration**: ความเข้ากันได้กับระบบเดิม
- **Compliance**: [กฎระเบียบ](/cookie-e-privacy-online-normative-ue-vs-usa-google-consent-mode-e-gestione-consensi)ด้านความปลอดภัยและสิ่งแวดล้อม

## 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[‍](https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/) 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](https://research.google/pubs/data-center-cooling-using-model-predictive-control/) 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](https://research.google.com/pubs/archive/42542.pdf), [บล็อกทางการของ DeepMind](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/), [สิทธิบัตร US20180204116A1](https://patents.google.com/patent/US20180204116A1/en)