如今，人工智能遍布數據中心——幫助管理和保護網絡、過濾警報和移動工作負載。然而，在將人工智能應用于運營技術問題上，而不是應用于IT方面，該行業一直進展緩慢。具體來說，在冷卻領域，有時負責多達三分之一的服務器群的總功耗。

你可能聽說過谷歌使用DeepMind開發的基于深度學習的推薦引擎，以“持續”減少其數據中心40%的冷卻能耗。2018年，該公司又進了一步，允許算法在人類監督下自動做出調整。

鑒于該行業對排放的擔憂，以及對人工智能的熱情，人們可能希望這一發展到目前為止會得到更廣泛的應用。

緩慢的開始

不幸的是，這類系統的創建需要數據中心的深厚技術專長和尖端的機器學習研究相結合;我們必須記住，DeepMind是一家預算看似無限、沒有商業產品的“登月工廠”。

由于數據中心代表著谷歌的核心業務，該公司不太可能與業界分享它的發展成果。將機器學習引入空白區管理是現有數據中心軟件供應商的責任。

由于人們普遍不信任人工智能技術，這個過程一直很緩慢，但在過去兩年中，谷歌內外都出現了一些有前景的案例研究。數據中心運營商報告稱，人工智能確實減少了他們用于冷卻的能源，減少了他們的能源賬單和碳足跡。

冷卻設備的實時控制為機器學習模型提出了一個合適的問題，因為機器學習模型在決策中可能會考慮比人類團隊多得多的數據，并且可以產生看起來非傳統甚至反直覺的解決方案。有大量的數據可以提供給這些模型:與其他一些工業環境不同，數據中心已經塞滿了傳感器，可以很容易地添加更多。

2020年底，德國工業巨頭西門子(Siemens)發布了一份白皮書，強調了基于人工智能的降溫技術的一些好處。該公司表示，隨著IT負荷的變化，機器學習使冷卻系統能夠實時調整其輸出，使設備冷卻需求與冷卻輸出相匹配。

這是一個有價值的目標，因為它通過避免數據中心普遍存在的過度冷卻問題直接減少了能源使用。這個行業喜歡過于謹慎。

用于冷卻的人工智能還可以最大限度地減少對工作人員監督和現場人員的需要，允許員工被分配到其他關鍵任務，并減少需要訪問的人數，這在流行病期間，在現場訪問受到限制時非常重要。

西門子自己的人工智能冷卻方法結合了兩種產品:DemandFlow主要關注冷凍水輸送的監測和控制，還有一個叫做“空白空間冷卻優化(WSCO)”的平臺，它收集溫度和送風傳感器數據，并計算出所需的氣流調整，以維持機架每個通道的正確溫度。

去年12月，該平臺被部署到巴黎的第一個四級認證數據中心，為法國國有銀行CaissedesDép?ts建造。該設施預計將以1.2的電力使用效率(PUE)運行。

西門子的WSCO是與一家名為Vigilent(原名FederspielControls)的迷人公司合作開發的，這是一家位于奧克蘭的小型公司，專注于一件事，而且只專注于一件事——關鍵任務冷卻。

Vigilent開發了一個動態冷卻管理系統(并申請了專利)，該系統由監督學習提供動力，可以控制設備，就像DeepMind開發的系統一樣。

該軟件通過不斷分析傳感器數據來了解環境變化，并根據歷史行為提出建議。它可以建立建筑物中每個crh單位的貢獻，并指出哪些是浪費他們的冷卻努力。

Vigilent承諾與Google實驗中看到的節能水平相似，聲稱在500多個安裝中的冷卻功率平均降低了38%。該公司不僅向西門子提供機器學習技術，而且還向眾多DCIM和BMS軟件供應商提供服務，例如ABB，日立Vantara和施耐德電氣。

另一家引領人工智能進行自動冷卻管理的企業是中國企業集團華為(Huawei)。去年，該公司推出了iCooling，這是一項基于云的服務，使用深度學習來處理傳感器數據，找到不同設備和系統的參數之間的關系，并將泵、制冷機和冷卻塔的輸出與IT負載相匹配。

該公司聲稱，當部署在其自己的云數據中心之一時，該服務將用電效率(PUE)提高了8%。當中國移動試用iCooling時，它將其位于中衛的設施的總耗電量削減了3.2%，即40多萬千瓦時。隨著該系統繼續從數據中學習，預計它將產生更大的節能效果。

關于人工智能用于數據中心冷卻的討論與圍繞人工智能用于可持續性的更廣泛的辯論息息相關：凱捷研究公司(CapgeiniResearch)最近的一份報告估計，人工智能的創新應用可能在未來三到五年內將全球溫室氣體排放量減少16%。

凱捷在報告中確定了一些積極的人工智能使用案例，并指出，在不中斷業務運營的情況下識別缺陷和預測設備故障的能源優化平臺和算法將產生最大的影響。

隨著人工智能在其他行業的成功部署，用于冷卻和其他數據中心基礎設施管理的人工智能將是下一件大事——這只是將理論轉化為實踐的問題。

西門子在白皮書中警告稱:“人工智能有望在未來幾年重塑數據中心的運營。”“然而，數據中心需要在今天做好準備，才能在明天發揮作用。”