電子發燒友網報道（文/李彎彎）近幾年，隨著對算力的需求快速提升，數據中心的建設也在加速，然而，同時作為算力的載體，數據中心也面臨非常嚴峻的能耗問題。

數據顯示，2020年，全國數據中心共耗電2045億千瓦時，占全社會用電量的2.7%，到2025年，這個數字預計將會達到5%。

為此，工信部提出，2022年全國新建大型數據中心PUE要達到1.4以下。PUE值是數據中心的實際能耗與計算能耗的比值。PUE 值越接近1，代表綠色程度越高、能源浪費越少。

那么如何降低PUE值呢？Google此前對媒體表示，許多數據中心用在非計算，比如冷卻和電力轉換的能源幾乎與為其服務器供電的能源一樣多。而Google則通過AI推薦系統，將這種開銷減少到只有12%，PUE值達到1.12。

2016年，Google DeepMind共同開發了一款AI推薦系統，來提升Google數據中心的能源效率。這一 AI系統直接控制數據中心制冷，同時接受數據中心運營商的專家監督。

這個系統是怎么工作的呢？每隔五分鐘，Google的云AI就會用數千個傳感器對數據中心冷卻系統拍攝快照，并將其輸入Google的深度神經網絡。

該網絡接下來就會預測潛在行動的不同組合將如何影響未來的能源消耗，然后AI系統開始確定哪些行動能最大限度減少能耗，同時具有高度安全性，之后，這些行動被送回數據中心，由本地控制系統驗證、實施。

在中國也有不少AI解決方案用于新建的數據中心上，華為是第一家用AI幫助數據中心在冷卻環節做復雜決策的企業。大數據與AI的結合，讓華為數據中心找到了算法的最優解。

2018年5月，華為把iCooling能效優化技術方案部署在廊坊云數據中心的1500個機架上，節省了8％的電力消耗，年平均PUE從1.42降低至1.26，每年可省下630多萬度電。

這套系統的邏輯是，系統從700多個監控點、傳感器中收集數據，然后對數據與系統PUE數值、能效之間的關聯度進行分析，識別出最重要的21種變量后，再對深度神經網絡進行訓練，建立動態的PUE模型。最終，這套PUE模型的預測準確性達到99.5％。

有了它，華為邊緣AI推理平臺Atlas 200可在1分鐘內，從40萬中初始組合中找出最佳的制冷策略，準確性和速度遠超資深數據中心工程師的能力。

基于華為自建大型節能數據中心的能力，以及iCooling等軟件解決方案的技術優勢，華為參與了多了外部數據中心的建設。

2019年12月，中國移動寧夏數據中心（中衛）正式投產時，定位于超大規模、綠色節能的世界一流數據中心。在第一階段冬季自然冷卻的場景下，華為iCooling AI能效優化技術，幫助該數據中心的總能耗降低了3.2%，每年可節電40多萬度。當AI學習能力得到進一步增強，數據中心負載提升和制冷方式的切換，其目標是完成每年節省600萬度電的任務。

采用AI技術，數據中心的PUE值已經大幅降低，比如華為烏蘭察布云數據中心，采用間接蒸發冷卻解決方案和iCooling能效優化技術，年均PUE降低至1.15，與傳統冷凍水解決方案相比，該數據中心每年可節省耗電量超過1600萬度。再比如，貴安華為云數據中心在2021年9月投入使用時，對外宣布的PUE是1.12，相當于大部分的電力資源都在數據中心中被利用起來。

百度陽泉數據中心也引入了AI技術，其深度學習模型根據室外天氣濕度、溫度和負荷，自主判斷并切換制冷模式、預冷模式和節約模式這三種冷水機組運行模式。此外，陽泉數據中心的AI智能預警功能，可以根據負載預判設備的運行情況，然后給出維護策略，單體數據中心的年均PUE最高可降至1.08。

另外，AI技術在數據中心的應用，除了調整PUE、降低能耗，還有利于數據中心的運營和管理。數據中心的日常運維，有50%的人力消耗在巡檢工作中，華為設計的數據中心AI無人巡檢方案，遠程抄表、圖像識別、聲音識別等多種技術，可讓90%的人工巡檢內容轉變成自動化、遠程無人處理。

除此之外，華為基于自動駕駛技術的AI-Robot ，已經從圖像/聲音/氣味識別、溫度云圖、資產管理等維度，自主規劃路線，實時上報巡檢信息，并生成巡檢報告。