A inteligência artificial aplicada à refrigeração 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.

‍

A inovação a transformar os centros de dados

‍

A questão da eficiência energética

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

‍

Resultados concretos e mensuráveis

Os resultados obtidos na otimização do arrefecimento são significativos: o sistema foi capaz de alcançar consistentemente uma redução de 40% na energia utilizada para o arrefecimento DeepMind AI Reduces Google Data Centre Cooling Bill by 40% - Google DeepMind. No entanto, considerando que o arrefecimento 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 DeepMind AI Reduz a fatura de arrefecimento do centro de dados da Google em 40% - Google DeepMind.

‍

Onde funciona: Centros de dados confirmados

Implementações verificadas

A implementação do sistema de IA foi oficialmente confirmada em três centros de dados específicos:

Singapura: A primeira implantação significativa em 2016, em que o centro de dados utiliza água recuperada para arrefecimento Homepage - Centros de dados da Google 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 Homepage - Centros de dados da Google. Marco Ynema, diretor da instalação, supervisiona as operações desta instalação avançada.

‍

Council Bluffs, Iowa: O MIT Technology Review apresentou especificamente o centro de dados de Council Bluffs durante uma discussão sobre as localizações dos centros de dados da Google Cloud: regiões e zonas de disponibilidade - Dgtl Infra. 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 A China impulsiona o boom da IA com centros de dados submarinos | Scientific American.

‍

Um sistema de controlo de IA baseado na nuvem está agora operacional e proporciona poupanças de energia em vários centros de dados Google Smart Liquid Cooling: Beating Google on Efficiency | ProphetStor, mas a empresa não publicou a lista completa de instalações que utilizam a tecnologia.

‍

Arquitetura técnica: como funciona

Redes Neuronais Profundas e Aprendizagem Automática

‍

De acordo com a patente US20180204116A1, o sistema utiliza umaarquitetura de aprendizagem profunda com caraterísticas técnicas precisas:

• 5 camadas ocultas com 50 nós por camada
• 19 variáveis de entrada normalizadas, incluindo cargas térmicas, condições climatéricas, estado do equipamento
• 184.435 amostras de treino com uma resolução de 5 minutos (cerca de 2 anos de dados operacionais)
• Parâmetro de regularização: 0,001 para evitar o sobreajuste

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. DeepMind AI Reduz a fatura de arrefecimento do centro de dados da Google em 40% - Google DeepMind.

‍

Eficácia da utilização de energia (PUE): A métrica chave

A PUE representa a eficiência energética fundamental dos centros de dados:

PUE = Energia total do centro de dados / Energia do equipamento informático

• PUE Google em toda a frota: 1,09 em 2024 (de acordo com os relatórios ambientais da Google)
• Média industrial: 1,56-1,58
• PUE ideal: 1,0 (teoricamente impossível)

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.

‍

Controlo Preditivo de Modelos (MPC)

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 constrangimentos operacionais. DeepMind AI Reduces Google Data Centre Cooling Bill by 40% - Google DeepMind

‍

‍

Benefícios operacionais da IA na refrigeração

Precisão de previsão superior

Após tentativas e erros, os modelos têm agora uma precisão de 99,6 por cento na previsão da PUE Aplicações de aprendizagem automática para otimização de centros de dados. Esta precisão permite optimizações impossíveis com os métodos tradicionais, lidando simultaneamente com as complexas interações não lineares entre sistemas mecânicos, eléctricos e ambientais.

‍

Aprendizagem e adaptação contínuas

Um aspeto significativo é a capacidade de aprendizagem evolutiva. Ao longo de nove meses, o desempenho do sistema aumentou de uma melhoria de 12 por cento no lançamento inicial para uma melhoria de cerca de 30 por cento Otimização de centros de dados Jim Gao, Google - DocsLib.

Dan Fuenffinger, operador da Google, comentou: "Foi espantoso ver a IA a aprender a tirar partido das condições de inverno e a produzir água mais fria do que o normal. As regras não melhoram com o tempo, mas a IA sim" Arrefecimento de centros de dados utilizando o controlo preditivo de modelos.

‍

Otimização multi-variável

O sistema gere simultaneamente 19 parâmetros operacionais críticos:

• Carga informática total de servidores e redes
• Condições meteorológicas (temperatura, humidade, entalpia)
• Estado do equipamento (chillers, torres de refrigeração, bombas)
• Pontos de regulação e controlos operacionais
• Velocidade do ventilador e sistemas VFD

Segurança e controlo: Garantia de segurança contra falhas

Verificação multinível

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 o controlo em todos os momentos e podem sair do modo de IA a qualquer momento, transferindo sem problemas para as regras tradicionais A IA do DeepMind reduz em 40% a energia utilizada para arrefecer os centros de dados da Google.

‍

Limitações e considerações metodológicas

‍

Métricas e limitações da PUE

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.

‍

Complexidade da implementação

Cada centro de dados tem uma arquitetura e um ambiente únicos. Um modelo personalizado para um sistema pode não ser aplicável a outro, exigindo uma estrutura de inteligência geral A IA da DeepMind reduz a fatura de arrefecimento do centro de dados da Google em 40% - Google DeepMind.

‍

Qualidade e verificação dos dados

A precisão 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 formação correspondentes. DeepMind AI Reduz a fatura de arrefecimento do centro de dados da Google em 40% - Google DeepMind.

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.

‍

‍

O futuro: Evolução para o arrefecimento líquido

Transição tecnológica

Em 2024-2025, a Google mudou radicalmente a ênfase para:

• Sistemas de alimentação eléctrica de +/-400 VDC para bastidores de 1MW
• Unidades de distribuição de refrigeração "Projeto Deschutes"
• Arrefecimento líquido direto para TPU v5p com "99,999% de tempo de funcionamento".

Esta alteração indica que a otimização da IA atingiu limites práticos para as cargas térmicas das aplicações modernas de IA.

Tendências emergentes

• Integração da computação periférica: IA distribuída para reduzir a latência
• Gémeos digitais: Gémeos digitais para simulação avançada
• Sustentabilidade em foco: Otimização para as energias renováveis
• Arrefecimento híbrido: combinação de líquido/ar optimizada por IA

Aplicações e oportunidades para as empresas

Sectores de aplicação

A otimização da IA para a refrigeração tem aplicações que vão para além dos centros de dados:

• Instalações industriais: Otimização de sistemas AVAC de fabrico
• Centros comerciais: gestão inteligente do clima
• Hospitais: Controlo ambiental de blocos operatórios e áreas críticas
• Escritórios corporativos: Gestão inteligente de edifícios e instalações

ROI e benefícios económicos

As poupanças de energia nos sistemas de refrigeração resultam em:

• Redução dos custos de funcionamento do subsistema de arrefecimento
• Melhorar a sustentabilidade ambiental
• Prolongamento da vida útil do equipamento
• Maior fiabilidade operacional

Implementação estratégica para empresas

Roteiro de adoção

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

Considerações técnicas

• Infraestrutura de sensores: rede de monitorização completa
• Competências da equipa: ciência dos dados, gestão de instalações, cibersegurança
• Integração: Compatibilidade com sistemas antigos
• Conformidade: Regulamentos em matéria de segurança e ambiente

FAQ - Perguntas mais frequentes

‍

1. Em que centros de dados da Google está o sistema de IA efetivamente operacional?

Estão oficialmente confirmados três centros de dados: Singapura (primeira instalação em 2016), Eemshaven nos Países Baixos e Council Bluffs no Iowa. O sistema está operacional em vários centros de dados Google Smart Liquid Cooling: Beating Google on Efficiency | ProphetStor mas a lista completa nunca foi divulgada publicamente.

‍

2. Qual o nível de poupança de energia que realmente produz em relação ao consumo total?

O sistema consegue uma redução de 40% na energia utilizada para arrefecimento DeepMind AI Reduces Google Data Centre Cooling Bill by 40% - Google DeepMind. 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.

‍

3. Qual é o grau de exatidão das previsões do sistema?

O sistema atinge 99,6% de precisão 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 Google DeepMindGoogleResearch. Se a PUE real for 1,1, a IA prevê entre 1,096 e 1,104.

‍

4. Como é que garante a segurança operacional?

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 voltar aos sistemas tradicionais. A IA da DeepMind reduz em 40% a energia utilizada para arrefecer os centros de dados da Google.

‍

5. Quanto tempo é necessário para implementar um sistema deste género?

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.

‍

6. Que competências técnicas são necessárias?

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.

‍

7. O sistema pode adaptar-se às mudanças sazonais?

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 Arrefecimento de centros de dados utilizando o controlo preditivo de modelos. O sistema melhora continuamente ao reconhecer padrões temporais e climáticos.

‍

8. Porque é que a Google não comercializa esta tecnologia?

Cada centro de dados tem uma arquitetura e um ambiente únicos, exigindo uma personalização significativa A IA da DeepMind reduz a fatura de arrefecimento do centro de dados da Google em 40% - Google DeepMind. A complexidade da implementação, a necessidade de dados específicos e a especialização necessária tornam o marketing direto complexo. Após 8 anos, esta tecnologia continua a ser exclusivamente interna da Google.

‍

9. Existem avaliações de desempenho independentes?

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.

‍

10. É aplicável a outros sectores para além dos centros de dados?

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