Hệ thống làm mát AI của Google DeepMind: Trí tuệ nhân tạo hoạt động như thế nào… · ELECTE

L'trí tuệ nhân tạo ứng dụng vào việc làm mát các trung tâm dữ liệu đại diện cho một trong những đổi mới quan trọng nhất trong lĩnh vực tối ưu hóa năng lượng công nghiệp.

Hệ thống tự động do Google DeepMind phát triển, đi vào hoạt động từ năm 2018, đã chứng minh cách AI có thể chuyển đổi việc quản lý nhiệt của các cơ sở hạ tầng thiết yếu, đạt được những kết quả cụ thể về hiệu quả vận hành.

Đổi mới chuyển đổi trung tâm dữ liệu

Vấn đề hiệu quả năng lượng

Các trung tâm dữ liệu hiện đại là những đối tượng tiêu thụ năng lượng khổng lồ, với việc làm mát chiếm khoảng 10% tổng mức tiêu thụ điện, theo Jonathan Koomey, chuyên gia hàng đầu thế giới về hiệu quả năng lượng. Cứ mỗi năm phút, hệ thống AI dựa trên nền tảng đám mây của Google lại thu thập một ảnh chụp nhanh của hệ thống làm mát từ hàng nghìn cảm biến Safety-first AI for autonomous data centre cooling and industrial control - Google DeepMind, phân tích một mức độ phức tạp vận hành vượt xa các phương pháp kiểm soát truyền thống.

Hệ thống làm mát AI của Google sử dụng mạng nơ-ron sâu để dự đoán tác động của các tổ hợp hành động khác nhau lên mức tiêu thụ năng lượng trong tương lai, xác định những hành động nào sẽ giảm thiểu mức tiêu thụ trong khi vẫn tuân thủ các ràng buộc an toàn nghiêm ngặt DeepMind AI Reduces Google Data Centre Cooling Bill by 40% - Google DeepMind.

Kết quả cụ thể và có thể đo lường được

Kết quả đạt được trong việc tối ưu hóa làm mát rất đáng kể: hệ thống đã có thể đạt được liên tục mức giảm 40% năng lượng sử dụng cho làm mát. Tuy nhiên, xét rằng làm mát chiếm khoảng 10% tổng mức tiêu thụ, con số này tương đương với khoảng 4% tiết kiệm năng lượng tổng thể của trung tâm dữ liệu.

Theo tài liệu kỹ thuật gốc của Jim Gao, mạng nơ-ron đạt được sai số tuyệt đối trung bình là 0,004 và độ lệch chuẩn 0,005, tương đương với sai số 0,4% đối với PUE bằng 1,1.

Nơi hoạt động: Trung tâm dữ liệu đã được xác nhận

Triển khai đã được xác minh

Việc triển khai hệ thống AI đã được xác nhận chính thức tại ba trung tâm dữ liệu cụ thể:

Singapore: Lần triển khai quan trọng đầu tiên vào năm 2016, tại đây trung tâm dữ liệu sử dụng nước tái sử dụng để làm mát và đã chứng minh mức giảm 40% năng lượng làm mát.

Eemshaven, Hà Lan: Trung tâm dữ liệu sử dụng nước công nghiệp và đã tiêu thụ 232 triệu gallon nước trong năm 2023. Marco Ynema, quản lý cơ sở, giám sát các hoạt động của cơ sở tiên tiến này.

Council Bluffs, Iowa: MIT Technology Review đã cụ thể giới thiệu trung tâm dữ liệu Council Bluffs khi thảo luận về hệ thống AI. Google đã đầu tư 5 tỷ USD vào hai khu phức hợp tại Council Bluffs, những nơi đã tiêu thụ 980,1 triệu gallon nước trong năm 2023.

Một hệ thống điều khiển AI dựa trên nền tảng đám mây hiện đang hoạt động và mang lại khoản tiết kiệm năng lượng tại nhiều trung tâm dữ liệu của Google, nhưng công ty chưa công bố danh sách đầy đủ các cơ sở đang sử dụng công nghệ này.

Kiến trúc kỹ thuật: Cách thức hoạt động

Mạng nơ-ron sâu và học máy

Theo bằng sáng chế US20180204116A1, hệ thống sử dụng một kiến trúc deep learning với các đặc điểm kỹ thuật cụ thể:

5 lớp ẩn với 50 nút mỗi lớp
19 biến đầu vào đã chuẩn hóa bao gồm tải nhiệt, điều kiện thời tiết, tình trạng thiết bị
184.435 mẫu huấn luyện với độ phân giải 5 phút (khoảng 2 năm dữ liệu vận hành)
Tham số điều chuẩn (regularization): 0,001 để ngăn ngừa overfitting

Kiến trúc sử dụng Model Predictive Control với các mô hình ARX tuyến tính được tích hợp cùng mạng nơ-ron sâu. Mạng nơ-ron không yêu cầu người dùng phải xác định trước các tương tác giữa các biến trong mô hình. Thay vào đó, mạng nơ-ron tự tìm kiếm các mẫu và tương tác giữa các đặc điểm để tự động tạo ra một mô hình tối ưu.

Hiệu quả sử dụng điện năng (PUE): Chỉ số quan trọng

PUE thể hiện hiệu quả năng lượng cốt lõi của các trung tâm dữ liệu:

PUE = Tổng năng lượng Trung tâm dữ liệu / Năng lượng Thiết bị IT

PUE toàn hệ thống của Google: 1,09 vào năm 2024 (theo báo cáo môi trường của Google)
Mức trung bình ngành: 1,56-1,58
PUE lý tưởng: 1,0 (về lý thuyết là không thể đạt được)

Google được chứng nhận ISO 50001 về quản lý năng lượng, đảm bảo các tiêu chuẩn vận hành nghiêm ngặt nhưng không xác nhận cụ thể hiệu suất của hệ thống AI.

Kiểm soát dự đoán mô hình (MPC)

Trọng tâm của đổi mới này là khả năng điều khiển dự đoán, dự báo nhiệt độ và áp suất tương lai của trung tâm dữ liệu trong giờ tiếp theo, mô phỏng các hành động được khuyến nghị để đảm bảo không vượt quá các ràng buộc vận hành.

Lợi ích vận hành của AI trong làm mát

Độ chính xác dự đoán vượt trội

Sau quá trình thử nghiệm và điều chỉnh, các mô hình hiện đạt độ chính xác 99,6% trong việc dự đoán PUE. Độ chính xác này cho phép thực hiện các tối ưu hóa mà các phương pháp truyền thống không thể làm được, xử lý đồng thời các tương tác phi tuyến phức tạp giữa hệ thống cơ khí, điện và môi trường.

Học tập và thích ứng liên tục

Một khía cạnh đáng chú ý là khả năng học hỏi tiến hóa. Trong vòng chín tháng, hiệu suất của hệ thống đã tăng từ mức cải thiện 12% khi ra mắt ban đầu lên khoảng 30% cải thiện.

Nhà điều hành Google Dan Fuenffinger nhận xét: "Thật đáng kinh ngạc khi thấy AI học cách tận dụng điều kiện mùa đông và tạo ra nước lạnh hơn bình thường. Các quy tắc không được cải thiện theo thời gian, nhưng AI thì có."

Tối ưu hóa đa biến

Hệ thống quản lý đồng thời 19 thông số vận hành quan trọng:

Tổng tải IT của máy chủ và hệ thống mạng
Điều kiện thời tiết (nhiệt độ, độ ẩm, enthalpy)
Tình trạng thiết bị (chiller, tháp giải nhiệt, bơm)
Setpoint và các thông số điều khiển vận hành
Tốc độ quạt và hệ thống VFD

Bảo mật và Kiểm soát: Đảm bảo an toàn tuyệt đối

Xác minh đa cấp

An toàn vận hành được đảm bảo thông qua các cơ chế dự phòng. Các hành động tối ưu do AI tính toán sẽ được kiểm tra đối chiếu với danh sách nội bộ các ràng buộc an toàn do người vận hành xác định. Sau khi được gửi đến trung tâm dữ liệu thực tế, hệ thống điều khiển cục bộ sẽ kiểm tra lại các chỉ thị này một lần nữa DeepMind AI reduces energy used for cooling Google data centers by 40%.

Người vận hành luôn nắm quyền kiểm soát và có thể thoát khỏi chế độ AI bất cứ lúc nào, chuyển đổi liền mạch sang các quy tắc truyền thống.

Những hạn chế và cân nhắc về phương pháp luận

Chỉ số PUE và những hạn chế của nó

Ngành công nghiệp nhận ra những hạn chế của Hiệu quả Sử dụng Điện năng như một thước đo. Một khảo sát của Viện Uptime năm 2014 cho thấy 75% người tham gia tin rằng ngành công nghiệp cần một thước đo hiệu quả mới. Các vấn đề bao gồm sai lệch khí hậu (không thể so sánh các điều kiện khí hậu khác nhau), thao túng thời gian (đo lường trong điều kiện tối ưu) và loại trừ linh kiện.

Độ phức tạp khi triển khai

Mỗi trung tâm dữ liệu đều có kiến trúc và môi trường riêng. Một mô hình tùy chỉnh cho một hệ thống có thể không áp dụng được cho hệ thống khác, đòi hỏi một khuôn khổ thông minh chung.

Chất lượng dữ liệu và xác minh

Độ chính xác của mô hình phụ thuộc vào chất lượng và số lượng dữ liệu đầu vào. Sai số của mô hình thường tăng lên đối với các giá trị PUE trên 1,14 do sự khan hiếm dữ liệu huấn luyện tương ứng.

Không có xác minh độc lập nào từ các công ty kiểm toán lớn hoặc phòng thí nghiệm quốc gia được tìm thấy, trong khi Google "không theo đuổi xác minh của bên thứ ba" ngoài các yêu cầu tối thiểu của liên bang.

Tương lai: Tiến hóa theo hướng làm mát bằng chất lỏng

Chuyển đổi công nghệ

Trong giai đoạn 2024-2025, Google đã chuyển trọng tâm đáng kể sang:

Hệ thống cấp nguồn +/-400 VDC cho rack 1MW
Các đơn vị phân phối làm mát "Project Deschutes"
Làm mát bằng chất lỏng trực tiếp cho TPU v5p với "99,999% thời gian hoạt động"

Sự thay đổi này cho thấy tối ưu hóa AI đã đạt đến giới hạn thực tế đối với tải nhiệt của các ứng dụng AI hiện đại.

Xu hướng mới nổi

Tích hợp edge computing: AI phân tán để giảm độ trễ
Digital twins: Bản sao số để mô phỏng nâng cao
Tập trung vào tính bền vững: Tối ưu hóa cho năng lượng tái tạo
Làm mát lai (Hybrid cooling): Kết hợp làm mát lỏng/khí được tối ưu hóa bởi AI

Ứng dụng và Cơ hội cho Doanh nghiệp

Các lĩnh vực ứng dụng

Tối ưu hóa AI cho hệ thống làm mát có ứng dụng mở rộng ra ngoài phạm vi trung tâm dữ liệu:

Nhà máy công nghiệp: Tối ưu hóa hệ thống HVAC trong sản xuất
Trung tâm thương mại: Quản lý điều hòa không khí thông minh
Bệnh viện: Kiểm soát môi trường phòng mổ và khu vực trọng yếu
Văn phòng doanh nghiệp: Smart building và quản lý cơ sở vật chất

ROI và lợi ích kinh tế

Tiết kiệm năng lượng trên hệ thống làm mát mang lại:

Giảm chi phí vận hành của phân hệ làm mát
Cải thiện tính bền vững môi trường
Kéo dài tuổi thọ thiết bị
Tăng độ tin cậy vận hành

Triển khai chiến lược cho các công ty

Lộ trình áp dụng

Giai đoạn 1 - Đánh giá: Kiểm toán năng lượng và lập bản đồ hệ thống hiện cóGiai đoạn 2 - Thí điểm: Thử nghiệm trong môi trường kiểm soát trên khu vực giới hạnGiai đoạn 3 - Triển khai: Rollout từng bước kèm giám sát chuyên sâuGiai đoạn 4 - Tối ưu hóa: Điều chỉnh liên tục và mở rộng công suất

Những cân nhắc về mặt kỹ thuật

Hạ tầng cảm biến: Mạng lưới giám sát đầy đủ
Năng lực đội ngũ: Data science, quản lý cơ sở vật chất, an ninh mạng
Tích hợp: Tương thích với hệ thống legacy
Tuân thủ: quy định về an toàn và môi trường

FAQ - Những câu hỏi thường gặp

1. Hệ thống AI này thực sự đang vận hành tại những trung tâm dữ liệu nào của Google?

Ba trung tâm dữ liệu đã chính thức được xác nhận: Singapore (triển khai lần đầu năm 2016), Eemshaven ở Hà Lan và Council Bluffs ở Iowa. Hệ thống này hiện đang hoạt động tại nhiều trung tâm dữ liệu của Google, nhưng danh sách đầy đủ chưa bao giờ được công bố rộng rãi.

2. Mức tiết kiệm năng lượng thực tế trên tổng mức tiêu thụ là bao nhiêu?

Hệ thống đạt mức giảm 40% năng lượng tiêu thụ cho việc làm mát. Xét đến việc làm mát chiếm khoảng 10% tổng mức tiêu thụ, tổng mức tiết kiệm năng lượng đạt khoảng 4% tổng mức tiêu thụ của trung tâm dữ liệu.

3. Độ chính xác của hệ thống trong dự đoán là bao nhiêu?

Hệ thống đạt độ chính xác 99,6% trong việc dự đoán PUE với sai số tuyệt đối trung bình 0,004 ± 0,005, tương đương sai số 0,4% đối với PUE 1,1‍. Nếu PUE thực tế là 1,1, AI dự đoán trong khoảng từ 1,096 đến 1,104.

4. Làm thế nào để đảm bảo an toàn vận hành?

Hệ thống sử dụng xác minh hai cấp độ: đầu tiên, AI kiểm tra các ràng buộc an toàn do người vận hành thiết lập, sau đó hệ thống cục bộ xác minh lại các hướng dẫn. Người vận hành luôn có thể tắt kiểm tra AI và quay lại hệ thống truyền thống.

5. Cần bao nhiêu thời gian để triển khai một hệ thống tương tự?

Việc triển khai thường mất 6-18 tháng: 3-6 tháng để thu thập dữ liệu và đào tạo mô hình, 2-4 tháng để thử nghiệm thí điểm và 3-8 tháng để triển khai theo từng giai đoạn. Độ phức tạp thay đổi đáng kể tùy thuộc vào cơ sở hạ tầng hiện có.

6. Cần những năng lực kỹ thuật nào?

Cần một đội ngũ đa ngành có chuyên môn về khoa học dữ liệu/AI, kỹ thuật HVAC, quản lý cơ sở vật chất, an ninh mạng và tích hợp hệ thống. Nhiều công ty lựa chọn hợp tác với các nhà cung cấp chuyên biệt.

7. Hệ thống có thể thích ứng với thay đổi theo mùa không?

Có, AI tự động học cách tận dụng điều kiện theo mùa, chẳng hạn như sản xuất nước lạnh hơn vào mùa đông để giảm năng lượng làm mát. Hệ thống liên tục cải thiện nhờ nhận diện các mô hình thời gian và khí hậu.

8. Tại sao Google không thương mại hóa công nghệ này?

Mỗi trung tâm dữ liệu có kiến trúc và môi trường riêng biệt, đòi hỏi khả năng tùy chỉnh đáng kể. Tính phức tạp của việc triển khai, nhu cầu dữ liệu cụ thể và chuyên môn cần thiết khiến tiếp thị trực tiếp trở nên khó khăn. Sau tám năm, công nghệ này vẫn chỉ được Google sử dụng nội bộ.

9. Có kiểm chứng độc lập nào về hiệu suất không?

Không tìm thấy xác minh độc lập nào từ các công ty kiểm toán lớn (Deloitte, PwC, KPMG) hoặc các phòng thí nghiệm quốc gia. Google được chứng nhận ISO 50001 nhưng "không thực hiện xác minh của bên thứ ba" vượt quá các yêu cầu tối thiểu của liên bang.

10. Công nghệ này có thể áp dụng cho các ngành khác ngoài trung tâm dữ liệu không?

Hoàn toàn chính xác. Tối ưu hóa AI cho hệ thống làm mát có thể được áp dụng cho các nhà máy công nghiệp, trung tâm mua sắm, bệnh viện, văn phòng công ty và bất kỳ cơ sở nào có hệ thống HVAC phức tạp. Các nguyên tắc tối ưu hóa đa biến và điều khiển dự đoán có thể áp dụng rộng rãi.

Hệ thống làm mát AI của Google DeepMind là một đổi mới kỹ thuật đạt được những cải thiện gia tăng trong một phạm vi cụ thể. Đối với các doanh nghiệp vận hành hạ tầng tiêu tốn nhiều năng lượng, công nghệ này mang lại cơ hội thực tế để tối ưu hóa hệ thống làm mát, dù vẫn còn những giới hạn về quy mô đã được chỉ ra.

Nguồn chính: Bài báo của Jim Gao, Google Research, Blog chính thức của DeepMind, MIT Technology Review, Bằng sáng chế US20180204116A1