L'inteligência inteligência artificial aplicada ao arrefecimento de centros de dados representa uma das inovações mais significativas no domínio da otimização energética industrial.
O sistema autónomo desenvolvido pela Google DeepMind, que está operacional desde 2018, demonstrou como a IA pode transformar a gestão térmica de infraestruturas críticas, alcançando resultados concretos em termos de eficiência operacional.
Os centros de dados modernos são grandes consumidores de energia, sendo a refrigeração responsável por cerca de 10% do consumo total de eletricidade, de acordo com Jonathan Koomey, um especialista mundial em eficiência energética. De cinco em cinco minutos, o sistema de IA baseado na nuvem da Google capta uma imagem instantânea do sistema de refrigeração a partir de milhares de sensores. IA de segurança para refrigeração autónoma de centros de dados e controlo industrial - Google DeepMind, analisando a complexidade operacional que desafia os métodos de controlo tradicionais.
O sistema de arrefecimento com IA da Google utiliza redes neuronais profundas para prever o impacto de diferentes combinações de acções no consumo futuro de energia, identificando as acções que minimizam o consumo e, ao mesmo tempo, satisfazem restrições de segurança robustas . DeepMind AI Reduces Google Data Centre Cooling Bill by 40% - Google DeepMind
Os resultados alcançados na otimização do arrefecimento são significativos: o sistema conseguiu obter uma redução consistente de 40% na energia utilizada para o arrefecimento. No entanto, considerando que a refrigeração representa cerca de 10% do consumo total, isto traduz-se em cerca de 4% de poupança global de energia no centro de dados.
De acordo com o documento técnico original de Jim Gao, a rede neural atinge um erro absoluto médio de 0,004 e um desvio padrão de 0,005, equivalente a um erro de 0,4% para uma PUE de 1,1.
A implementação do sistema de IA foi oficialmente confirmada em três centros de dados específicos:
Singapura: A primeira implantação significativa em 2016, onde o centro de dados utiliza água recuperada para arrefecimento e demonstrou uma redução de 40% na energia de arrefecimento.
Eemshaven, Países Baixos: O centro de dados utiliza água industrial e consumiu 232 milhões de galões de água em 2023. Marco Ynema, responsável pelo local da instalação, supervisiona as operações desta instalação avançada.
Council Bluffs, Iowa: A MIT Technology Review mostrou especificamente o centro de dados de Council Bluffs durante a discussão sobre o sistema de IA. A Google investiu 5 mil milhões de dólares nos dois campus de Council Bluffs, que consumiram 980,1 milhões de galões de água em 2023.
Um sistema de controlo de IA baseado na nuvem está agora operacional e proporciona poupanças de energia em vários centros de dados da Google, mas aempresa não publicou a lista completa de instalações que utilizam a tecnologia.
De acordo com a patente US20180204116A1, o sistema utiliza umaarquitetura de aprendizagem profunda com caraterísticas técnicas precisas:
A arquitetura utiliza o Controlo Preditivo de Modelos com modelos ARX lineares integrados com redes neuronais profundas. As redes neuronais não exigem que o utilizador predefina as interações entre as variáveis do modelo. Em vez disso, a rede neural procura padrões e interações entre caraterísticas para gerar automaticamente um modelo ótimo.
A PUE representa a eficiência energética fundamental dos centros de dados:
PUE = Energia total do centro de dados / Energia do equipamento informático
A Google possui a certificação ISO 50001 para a gestão da energia, que garante normas operacionais rigorosas, mas não valida especificamente o desempenho do sistema de IA.
No centro da inovação está o controlo preditivo que prevê a temperatura e a pressão futuras do centro de dados na hora seguinte, simulando as acções recomendadas para garantir que não são ultrapassados os limites operacionais.
Após tentativas e erros, os modelos têm agora uma precisão de 99,6 por cento na previsão da PUE. Esta precisão permite optimizações impossíveis com os métodos tradicionais, tratando simultaneamente as complexas interações não lineares entre os sistemas mecânicos, eléctricos e ambientais.
Um aspeto significativo é a capacidade de aprendizagem evolutiva. Ao longo de nove meses, o desempenho do sistema aumentou de uma melhoria de 12% no lançamento inicial para cerca de 30%.
Dan Fuenffinger, operador da Google, comentou: "Foi espantoso ver a IA a aprender a explorar as condições de inverno e a produzir água mais fria do que o normal. As regras não melhoram com o tempo, mas a IA sim".
O sistema gere simultaneamente 19 parâmetros operacionais críticos:
A segurança operacional é garantida através de mecanismos redundantes. As acções óptimas calculadas pela IA são verificadas em relação a uma lista interna de restrições de segurança definidas pelo operador. Uma vez enviadas para o centro de dados físico, o sistema de controlo local verifica novamente as instruções. A IA do DeepMind reduz em 40% a energia utilizada para arrefecer os centros de dados da Google.
Os operadores mantêm sempre o controlo e podem sair do modo de IA em qualquer altura, transferindo sem problemas para as regras tradicionais.
A indústria reconhece as limitações da Eficácia da Utilização de Energia como métrica. Um inquérito do Uptime Institute de 2014 revelou que 75% dos inquiridos acreditavam que a indústria precisava de uma nova métrica de eficiência. Os problemas incluem o enviesamento climático (impossível comparar climas diferentes), a manipulação do tempo (medições durante condições óptimas) e a exclusão de componentes.
Cada centro de dados tem uma arquitetura e um ambiente únicos. Um modelo personalizado para um sistema pode não ser aplicável a outro, exigindo um quadro de inteligência geral.
A exatidão do modelo depende da qualidade e da quantidade dos dados de entrada. O erro do modelo aumenta geralmente para valores de PUE superiores a 1,14 devido à escassez dos dados de treino correspondentes.
Não foram encontradas auditorias independentes efectuadas por grandes empresas de auditoria ou laboratórios nacionais e a Google "não procurou realizar auditorias de terceiros" para além dos requisitos federais mínimos.
Em 2024-2025, a Google mudou radicalmente a ênfase para:
Esta alteração indica que a otimização da IA atingiu limites práticos para as cargas térmicas das aplicações modernas de IA.
A otimização da IA para a refrigeração tem aplicações que vão para além dos centros de dados:
As poupanças de energia nos sistemas de refrigeração resultam em:
Fase 1 - Avaliação: Auditoria energética e levantamento dos sistemas existentesFase2 - Piloto: Teste num ambiente controlado numa secção limitadaFase3 - Implementação: Implementação progressiva com monitorização intensivaFase4 - Otimização: Afinação contínua e expansão da capacidade
Estão oficialmente confirmados três centros de dados: Singapura (primeira implantação em 2016), Eemshaven, nos Países Baixos, e Council Bluffs, no Iowa. O sistema está operacional em vários centros de dados da Google, mas a lista completa nunca foi divulgada publicamente.
O sistema consegue uma redução de 40% na energia utilizada para arrefecimento. Considerando que a refrigeração representa cerca de 10% do consumo total, a poupança global de energia é de cerca de 4% do consumo total do centro de dados.
O sistema atinge uma precisão de 99,6% na previsão da PUE com um erro absoluto médio de 0,004 ± 0,005, equivalente a um erro de 0,4% para uma PUE de 1,1. Se a verdadeira PUE for 1,1, a IA prevê entre 1,096 e 1,104.
Utiliza uma verificação a dois níveis: primeiro, a IA verifica as restrições de segurança definidas pelos operadores e, em seguida, o sistema local verifica novamente as instruções. Os operadores podem sempre desativar a verificação da IA e regressar aos sistemas tradicionais.
A implementação demora normalmente 6 a 18 meses: 3 a 6 meses para a recolha de dados e a formação do modelo, 2 a 4 meses para o teste-piloto, 3 a 8 meses para a implementação faseada. A complexidade varia significativamente consoante a infraestrutura existente.
É necessária uma equipa multidisciplinar com conhecimentos especializados em ciência dos dados/IA, engenharia AVAC, gestão de instalações, cibersegurança e integração de sistemas. Muitas empresas optam por parcerias com fornecedores especializados.
Sim, a IA aprende automaticamente a explorar as condições sazonais, como a produção de água mais fria no inverno para reduzir a energia de arrefecimento. O sistema melhora continuamente através do reconhecimento de padrões meteorológicos e climáticos .
Cada centro de dados tem uma arquitetura e um ambiente únicos, exigindo uma personalização significativa. A complexidade da implementação, a necessidade de dados específicos e a especialização exigida tornam o marketing direto complexo. Após oito anos, esta tecnologia continua a ser exclusivamente interna da Google.
Não foram encontradas auditorias independentes efectuadas por grandes empresas de auditoria (Deloitte, PwC, KPMG) ou laboratórios nacionais. A Google possui certificação ISO 50001, mas "não efectua auditorias de terceiros" para além dos requisitos federais mínimos.
Sem dúvida. A otimização por IA para arrefecimento pode ser aplicada a instalações industriais, centros comerciais, hospitais, escritórios de empresas e qualquer instalação com sistemas AVAC complexos. Os princípios da otimização multivariável e do controlo preditivo são universalmente aplicáveis.
O sistema de arrefecimento da Google DeepMind AI representa uma inovação de engenharia que consegue melhorias incrementais num domínio específico. Para as empresas que exploram infra-estruturas com utilização intensiva de energia, esta tecnologia oferece oportunidades concretas para a otimização da refrigeração, embora com as limitações de escala salientadas.
Principais fontes: Jim Gao Google Research paper, Blogue oficial da DeepMind, MIT Technology Review, Patente US20180204116A1
.svg)
.svg)
.svg)
.jpeg)
.jpeg)