Alphabet的DeepMind部門報(bào)告說他們把Google數(shù)據(jù)中心總體電力利用效率（Power Usage Efficiency, PUE ）又提升了15%，這要?dú)w功于新部署的一套管理數(shù)據(jù)中心控制系統(tǒng)的人工智能程序，它和之前的一套被訓(xùn)練用來玩Atari游戲的程序很相像?？偟膩碚f，DeepMind和數(shù)據(jù)中心工程師們已經(jīng)將控制系統(tǒng)的PUE提升了40%，這套控制程序已經(jīng)讓他們達(dá)到了數(shù)據(jù)中心有史以來的最佳PUE狀態(tài)。

Demis Hassabis說這不只是節(jié)約支出，還減少了數(shù)據(jù)中心對(duì)環(huán)境的影響。根據(jù)Google Green的數(shù)字，Google在2014年消耗了4,402,836 MWh電量，相當(dāng)于366,903個(gè)美國(guó)家庭的用電量。他們還提供了一個(gè)活躍的Google用戶的碳足跡計(jì)算，具體是這樣定義的：

對(duì)于一個(gè)每天做25次搜索、看60分鐘YouTube視頻、有一個(gè)Gmail賬號(hào)還用一些其他服務(wù)的用戶來說，Google每天要排放8克二氧化碳來為他提供服務(wù)。換句話說，每個(gè)月服務(wù)一個(gè)用戶的碳排放量相當(dāng)于開一英里汽車。

根據(jù)原始報(bào)告，幾年下來節(jié)約的支出就可以達(dá)到幾億美元，與收購(gòu)DeepMind的費(fèi)用4億英榜（6億美元）相比，即使不夠全部，起碼也可以抵上大部分了。而且還可以有效地減少數(shù)據(jù)中心的每用戶碳排放量。關(guān)于這套程序是如何實(shí)現(xiàn)這樣的效率提升的，DeepMind研究工程師Rich Evans和Google數(shù)據(jù)中心工程師Jim Gao說：

他們通過數(shù)據(jù)中心內(nèi)的幾千個(gè)傳感器去收集溫度、電量、耗電率、設(shè)定值等各種數(shù)據(jù)，再把這些數(shù)據(jù)不斷的保存下來，用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的集合，然后再訓(xùn)練關(guān)注未來平均PUE的神經(jīng)網(wǎng)絡(luò)。他們把未來平均PUE定義成建筑物總耗電量與IT總耗電量的比例。接下來再訓(xùn)練另兩個(gè)深度神經(jīng)網(wǎng)絡(luò)集合，分別用于預(yù)測(cè)數(shù)據(jù)中心未來的溫度和下一小時(shí)的壓力。訓(xùn)練這些預(yù)測(cè)的目的是模擬PUE模型的推薦行為，來保證我們不會(huì)超出可操作范圍限制。

在過去，每個(gè)數(shù)據(jù)中心都有一些獨(dú)有的特征，如氣候、天氣、每個(gè)中心的建筑結(jié)構(gòu)、每天和不同系統(tǒng)的相互作用情況等，這些使建立一個(gè)通用公式優(yōu)化PUE成了一件不可能的事。但有了深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)方法，就再也不需要唯一的公式了，因?yàn)槌绦驎?huì)用一種玩游戲的方式工作：把傳感器送進(jìn)去的值和參考值做輸入，再得到理想的輸出。工程師們 演示了把程序開啟或者關(guān)閉的情況下，數(shù)據(jù)中心的PUE會(huì)受到怎樣的影響。Hassabis說他們已經(jīng)知道了在他們的數(shù)據(jù)中心里哪里還做得不足，他們準(zhǔn)備多部署一些傳感器來進(jìn)一步提高利用率。

根據(jù)DeepMind的報(bào)告，相似的技術(shù)也可能被用于提高地球的能量轉(zhuǎn)化效率，減少半導(dǎo)體生產(chǎn)和水消耗，或者幫助生產(chǎn)企業(yè)提高生產(chǎn)率。