石油圈
据Business Insider报道，牛津大学人类未来研究所（Future of Humanity Institute）此前在YouTube上发布了一段视频，内容是SpaceX创始人埃隆·马斯克（Elon Musk）、DeepMind首席执行官丹米斯·哈撒比斯（Demis Hassabis）、牛津大学哲学家尼克·博斯特罗姆（Nick Bostrom）等数位专家学者关于人工智能未来发展的谈话。
关于人工智能这个话题，DeepMind首席执行官丹米斯·哈撒比斯（Demis Hassabis）比埃隆·马斯克（Elon Musk）更有发言权。因为去年技术领域最受关注的新闻便是人工智能系统在围棋比赛中击败了世界冠军李世石，而这个系统便是由DeepMind开发的。
2010年，丹米斯·哈撒比斯与人创办人工智能初创公司DeepMind Technoloies并担任公司首席执行官一职，专门从事通用学习算法的开发。2014年1月，谷歌以6.25亿美元收购DeepMind。
2016年7月，DeepMind利用人工智能技术来优化改进能源管理，效果惊人。他们在谷歌开发了一套系统，用机器学习来管理数据中心，期望达到比人管理更省电的效果。最终结果非常不错，实际成绩是：比人管理的时候节电40%。
为把事情说清楚需要简单介绍一下背景：
Google这类大互联网公司的应用比如搜索、Gmail、公有云服务等是完全跑在自己的服务器集群上的，这些集群无比庞大通常有数百万台服务器。
由于服务器太多因此并不会只放在一个地方，而是分布在多个数据中心里。管理各个数据中心时，一个核心问题就是冷却。我们手机用时间长了还发热，那么多总是在跑的服务器如果没有有效的冷却措施，那数据中心会变的火炉一样。
数据中心的冷却系统和中央空调差不多，这样一来就需要来根据环境来控制什么时候开冷却系统，开多少度等。但每个数据中心所处的地点、架构并不完全一致，这就给管理带来了一些麻烦。
DeepMind把这种麻烦总结为三点：
1.冷却设备、操作设备的方法、环境之间不是简单的线性关系。也就是说不是环境温度是30℃时，那冷却系统调成20℃就可以了；
2.冷却系统并不能迅速响应内部或外部的变化。也就是说外部气温上升，你据此进行调整，但实际起效果的时候，外部气温可能又下降了；
3.每个数据中心都有自己独特的架构和地理位置。
DeepMind解决这问题时显然又会用神经网络，这次他们训练了三个神经网络：
1.一个神经网络用各种传感器收集来的数据进行训练，比如：温度、功率、泵速等；
2.一个神经网络被训练用于预测下一小时的温度；
3.一个神经网络被训练用于预测下一小时的工作负荷。
都训练完之后DeepMind把这三个神经网络在某一个数据中心进行了应用，评测的指标是PUE(Power Usage Effectiveness)，这个值表示数据中心能源消耗在整个IT能源消耗中的占比（显然越低越好）。为了说明结果，DeepMind贴了一张图出来：
近年来，谷歌采取了各种措施降低其数据中心能耗。同时，谷歌还研制了自己的节能服务器，并使用神经网络提升数据中心能效。
谷歌数据中心的实际测试表明，机器学习是利用传感器数据对数据中心能效建模的一种有效方法，可带来显著的成本节省。深度学习算法是对人工神经网络的发展，在节能减排方面的应用是很多科技企业关注的方向之一。在计算能力变得日益廉价的今天，深度学习试图建立更大更复杂的神经网络。
该神经网络研究的因素包括了服务器总负载，水泵、冷却塔、冷水机组、干式冷却器、运行中的冷水注水泵数量；冷却塔水温、湿球温度、户外湿度、风速、风向等。谷歌利用传感器部署了亿万个数据点来收集这些基础设施和电能使用信息。令人惊讶的是，谷歌只用一台服务器就能跑这个神经网络了。谷歌还通过机器学习对这些数据进行研究，并建立起模型来预测并进一步改进数据中心能效。
DeepMind称2017年将把这一技术应用于发电厂及其他数据中心。石油勘探的大数据是否也可以应用人工智能实现高效的识别呢？我们真的要拭目以待。
版权声明|文章来自油气研究院，版权归原作者所有。
（本文系本网编辑转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本网联系，我们将在第一时间删除内容。）
未经允许，不得转载本站任何文章：
