【AICon】 如何构建高效的 RAG 系统?RAG 技术在实际应用中遇到的挑战及应对策略?>>> 了解详情
写点什么

谷歌首创基于云的 AI 自治系统,为数据中心自动降温

  • 2018-09-06
  • 本文字数:1813 字

    阅读完需:约 6 分钟

2016 年,DeepMind 联合开发了一个人工智能驱动的推荐系统,用以提高谷歌数据中心的能源效率。现在,他们将这个系统提升到一个新的水平:在数据中心运营专家的监督之下直接让 AI 系统控制数据中心的冷却系统。这种首创的基于云的控制系统现在可以安全地为多个谷歌数据中心提供节能服务。

现实世界的很多最紧迫的问题变得越来越复杂,为它们寻求解决方案可能会让人不堪重负。在 DeepMind 和谷歌,谷歌认为,如果其能够将 AI 作为发现新知识的工具,那么就可以更容易得找到解决方案。

2016 年,谷歌联合开发了一个人工智能驱动的推荐系统,用以提高谷歌数据中心的能源效率。谷歌的想法很简单:即使是微小的改进也可以显著地节约能源,减少二氧化碳排放,从而有助于应对气候变化。

现在谷歌将这个系统提升到一个新的水平:谷歌不是通过人为的方式实现推荐系统,而是在数据中心运营专家的监督之下让谷歌的 AI 系统直接控制数据中心的冷却系统。这种首创的基于云的控制系统现在可以安全地为多个谷歌数据中心提供节能服务。

它是怎么运作的

每隔五分钟,谷歌的 AI 系统就会从数千个传感器收集数据中心冷却系统的快照,并将其输入到谷歌的深度神经网络中,用以预测不同的潜在操作的组合将如何影响未来的能源消耗。然后,AI 系统将识别出哪些操作将会最小化能量消耗,同时又能满足安全约束。这些操作被发送回数据中心,数据中心的本地控制系统负责验证和执行它们。

这个想法源于使用 AI 推荐系统的数据中心专家的反馈。他们告诉谷歌,虽然推荐系统已经为他们提供了一些新的最佳实践——例如将冷却负载分散到更多而不是更少的设备上——但实现推荐仍然需要很多的运营工作量和监督。当然,他们想知道谷歌是否可能实现在没有人工干预的情况下实现类似的节能。

谷歌很高兴地说,答案是肯定的!

专为安全和可靠性而设计

谷歌的数据中心包含数千台服务器,用于支持谷歌搜索、Gmail 和 YouTube 等热门服务。确保它们可靠高效地运行是谷歌的关键任务。谷歌从头开始设计谷歌的 AI 代理和底层控制基础设施,并时刻考虑到安全性和可靠性问题,还使用了八种不同的机制来确保系统始终按预期运行。

谷歌已经实现的一个简单方法是预估不确定性。对于每一个潜在的操作——可能有数十亿个——谷歌的 AI 代理会计算出它们的信心指数。低信心指数的操作将不予考虑。

另一种方法是进行双层验证。谷歌将根据由数据中心运维人员定义的内部安全约束列表对 AI 计算得出的最佳操作进行审查。在指令从云端发送到物理数据中心后,本地控制系统就根据自己的约束集对指令进行验证。这种冗余检查可以确保系统保持在局部约束范围内,并且运维人员可以完全控制操作边界。

最重要的是,谷歌的数据中心运维人员始终控制着局面,可以随时选择退出 AI 控制模式。在这些情况下,控制系统将无缝地从 AI 控制转移到现场规则。

可以从下图了解谷歌开发的其他安全机制:

逐渐增长的节能

谷歌的原始推荐系统有运维人员进行审查和实现操作,而谷歌新的 AI 控制系统却直接自己实现了操作。考虑到安全性和可靠性问题,谷歌有目的地将系统的优化边界限制在较窄的操作体系中,这意味着在节能方面存在风险和回报之间的折衷。

尽管只有几个月的时间,这个系统已经实现了平均约 30%的持续节能,并有了进一步的预期改进。这是因为随着时间的推移,系统会因为数据越来越多而变得更好,如下图所示。随着技术的成熟,谷歌的优化边界也将得到扩展,从而实现更高效的节能。

这张图描绘了相对于历史基线的 AI 性能趋势。性能通过通用的工业冷却能效指标(kW/ton,每吨冷却对应的能量输入)来衡量。在 9 个月时间里,谷歌的 AI 控制系统性能从 12%的改进增加到大约 30%的改进。

谷歌的 AI 控制系统正在寻找更多新颖的管理冷却的方式,这些方法甚至让数据中心运维人员感到惊讶。谷歌数据中心运维人员 Dan Fuenffinger 说:“看到 AI 学会利用冬季条件并生成比普通水更冷的水,着实令人感到惊讶,这样可以降低冷却所需的能量。随着时间的推移,人工规则不会变得更好,但 AI 却可以“。

谷歌很高兴谷歌的 AI 控制系统能够安全可靠地运行,同时始终如一地实现节能。但是,数据中心只是个开始。从长远来看,谷歌认为有可能将这项技术应用到其他工业环境,并在更大规模的范围内应对气候变化。

查看英文原文: https://de ep mind.com/blog/safety-first-ai-autonomous-data-centre-cooling-and-industrial-control/

感谢陈利鑫对本文的审校。

2018-09-06 19:001360
用户头像

发布了 731 篇内容, 共 430.5 次阅读, 收获喜欢 1995 次。

关注

评论

发布
暂无评论
发现更多内容

【高并发】高并发环境下如何优化Tomcat性能?看完我懂了!

冰河

并发编程 多线程 高并发 异步编程 6月月更

如何利用 Django 进行API 开发

宇宙之一粟

django API 6月月更

C#入门系列(四) -- 常量和变量

陈言必行

C# 6月月更

ES6集合引用类型Map与WeakMap

大熊G

JavaScript 前端 6月月更

leetcode 77. Combinations 组合(中等)

okokabcd

LeetCode 搜索 算法与数据结构

bootstrap深入学习

恒山其若陋兮

6月月更

leetcode 46. Permutations 全排列(中等)

okokabcd

LeetCode 搜索 数据结构与算法

实战Redis序列化性能测试(Kryo和字符串)

程序员欣宸

Java redis 序列化 6月月更

Vue框架学习笔记 每天学习----五

恒山其若陋兮

6月月更

Git 如何从特定的提交中创建一个新的分支

HoneyMoose

Web Service进阶(二)如何用Apache TCPMon来截获SOAP消息

No Silver Bullet

6月月更 Apache TCPMon

Flink 源码:广播流状态源码解析

JasonLee实时计算

flink 源码

每日一题 | LeetCode 454 四数相加Ⅱ

武师叔

哈希表 Leet Code 6月月更

sap.ui.core.IAsyncContentCreation 这个标记接口在 SAP UI5 框架中的应用

Jerry Wang

前端开发 前端框架 Fiori SAP UI5 6月月更

如何在 WordPress 中嵌入 iFrame

海拥(haiyong.site)

WordPress 6月月更

阻塞队列实现原理

急需上岸的小谢

6月月更

架构实战营 - 模块七 - 作业

michael

#架构实战营 「架构实战营」

IDEA 中使用 Big Data Tools 连接大数据组件

JasonLee实时计算

flink

【Spring 学习笔记(三)】Spring Bean 属性注入

倔强的牛角

spring Java EE 6月月更

如何在项目中直接使用Hystrix?

编号94530

Java spring Hystrix 熔断器

JS原型、原型链深入理解

源字节1号

前端开发 后端开发

centos系统下php完全离线安装

乌龟哥哥

6月月更

Fabric.js 缩放画布 🍬

德育处主任

canvas Fabric.js 6月月更

5款 React 实时消息提示通知(Message/Notification)组件推荐与测评

蒋川

JavaScript 低代码 React 组件 消息提示通知

日本动画发展史简述——动画及日本动画起源

头顶胖次

6月月更

React Native 资源更新增量包的优化实践

Shopee技术团队

前端 React Native

给 Print SQL Connector 添加随机取样

JasonLee实时计算

flink 源码 flink 实战

java可变参数(详解+代码样例)

写代码两年半

面试 javase 可变参数 6月月更

SDN系统方法 | 3. 基本架构

俞凡

架构 网络 sdn SDN系统方法

创业 2 年值得分享的事情

琚致远

创业 apache 社区

测试的核心竞争力是什么?

老张

软件测试 核心竞争力

谷歌首创基于云的AI自治系统,为数据中心自动降温_AI&大模型_DeepMind_InfoQ精选文章