日前，谷歌公司工程副總裁Ben Treynor Sloss表示，其全球在線服務(wù)的龐大數(shù)量的數(shù)據(jù)中心將很快在人工智能的幫助下運營。這一預(yù)測是基于機器學(xué)習(xí)系統(tǒng)的計劃所確定的，這個系統(tǒng)為谷歌公司在2016年推出的一個數(shù)據(jù)中心提供了相應(yīng)幫助。
谷歌公司的DeepMind系統(tǒng)通過調(diào)整服務(wù)器的運行方式以及控制電源和冷卻設(shè)備的操作，顯著提高了其數(shù)據(jù)中心的能源效率。通過DeepMin系統(tǒng)的幫助，谷歌公司可以將服務(wù)器的能耗降低約40%。如果谷歌公司在其全球所有的數(shù)據(jù)中心應(yīng)用這一技術(shù)，那么每年可以節(jié)省數(shù)千萬美元的成本。
“我們開發(fā)的產(chǎn)品如此引人注目，以至于我們的挑戰(zhàn)更像是一個工程。我們到底能夠多快地將其推廣到全球各地的數(shù)據(jù)中心?”Sloss說。“如果用戶能節(jié)省這么多的電能，想要獲得這些收益，我們將繼續(xù)完善這個模式，并且繼續(xù)可能把更多的系統(tǒng)置于其關(guān)注的狀態(tài)，因為其初步的結(jié)果是如此令人印象深刻。”
Sloss表示，不僅僅是谷歌公司正在呼吁將其數(shù)據(jù)中心運營置于人工智能的管理之下，通過自我學(xué)習(xí)系統(tǒng)所取得的成果對人工決策有著明顯改善，使用機器學(xué)習(xí)系統(tǒng)將迅速成為運行大型數(shù)據(jù)中心時必不可少的措施。
他說：“這樣做的結(jié)果不僅僅是在幾年之后受益，就是與目前相比，其狀況水平要好得多。培訓(xùn)網(wǎng)絡(luò)是進(jìn)行一個基本的模擬過程控制，我猜測這將會變得更加普遍。”
也許更令人驚訝的是，DeepMind系統(tǒng)通過改變傳統(tǒng)邏輯來實現(xiàn)這些結(jié)果。盡管傳統(tǒng)的降低數(shù)據(jù)中心能耗的方法是盡可能少地運行冷卻系統(tǒng)，但人工智能則建議以更低的功率級別運行所有系統(tǒng)。
谷歌公司首先透露，曾經(jīng)試圖在2014年將人工智能技術(shù)應(yīng)用于運行數(shù)據(jù)中心，當(dāng)時已經(jīng)使用神經(jīng)網(wǎng)絡(luò)來挑選電力使用模式，并尋找降低電力功耗的機會。
DeepMind聯(lián)合創(chuàng)始人Demis Hassabis表示，谷歌公司自2014年以來就加強了對人工智能的使用，使用了DeepMind人工智能來對數(shù)據(jù)中心的運行進(jìn)行建模，并調(diào)整了與其運作相關(guān)的120個變量，以實現(xiàn)其能源效率達(dá)到最高水平。當(dāng)采用該模型的建議時，數(shù)據(jù)中心的能源使用效率(PUE)有所改善，這一措施反映了數(shù)據(jù)中心設(shè)施能夠為服務(wù)器供電使用多少電能，而不是驅(qū)動相關(guān)的基礎(chǔ)設(shè)施來處理冷卻設(shè)備和功率分配。
調(diào)研機構(gòu)451 Research數(shù)據(jù)中心和關(guān)鍵基礎(chǔ)設(shè)施研究副總裁Andy Lawrence認(rèn)為，谷歌公司使用人工智能來幫助運行數(shù)據(jù)中心的實驗最終將成為主流。
“谷歌公司使用DeepMind來減少其數(shù)據(jù)中心的PUE值是人工智能/機器學(xué)習(xí)的一個有趣的應(yīng)用，并且清楚地指出了最終將實現(xiàn)什么。”他說，“其長期趨勢是使用軟件工具自動或自主管理數(shù)據(jù)中心。”
不過，他表示，谷歌公司目前的數(shù)據(jù)中心的效率已經(jīng)非常高，而目前只能將數(shù)據(jù)中心的電源效率從86%提高到88%。
“即使如此，谷歌公司在全球范圍內(nèi)的數(shù)據(jù)中心也將節(jié)省很大的成本，因為每年使用超過500萬千瓦時的電力。”他補充說，這種方法對于規(guī)模龐大的科技公司來說可能是有意義的，但需要大規(guī)模的投資。
“即使是谷歌公司，其面臨的一個挑戰(zhàn)是需要大量的傳感器，而且這些傳感器的部署成本可能會非常昂貴。”他說。
Lawrence表示，Vigilent公司采用基于機器學(xué)習(xí)的算法方法來優(yōu)化客戶的冷卻服務(wù)，而且長期來看，希望看到“基于人工智能的效率服務(wù)作為服務(wù)提供給數(shù)據(jù)中心”。
谷歌公司開啟和關(guān)閉機器學(xué)習(xí)建議時的數(shù)據(jù)中心功耗的差異
Lawrence 表示，“我對我們能夠做的事情感到興奮。”也許DeepMind的機器學(xué)習(xí)系統(tǒng)最有效的演示就是DeepMind AlphaGo，這個人工智能技術(shù)最近在與人類的圍棋比賽中獲得勝利，這個古老的中國游戲的復(fù)雜性讓計算機專家為之努力了幾十年。圍棋的每回合約有200種可能進(jìn)行的動作，而國際象棋約為20種。在圍棋游戲的過程中，計算機通過提前搜索圍棋回合中的每一個動作，以確定最佳游戲步驟，這在計算的角度來說有些復(fù)雜昂貴。相反，AlphaGo已經(jīng)將3000萬次的圍棋比賽的人類行為訓(xùn)練深入學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)來玩游戲。
培訓(xùn)這些深入學(xué)習(xí)網(wǎng)絡(luò)可能需要很長時間，因為系統(tǒng)逐漸優(yōu)化模型才能獲得最大的效果，因此需要大量的數(shù)據(jù)被攝取和迭代。