從智妙手機助手到圖像識別與翻譯，呆板進修已經給我們的日常糊口提供了許多輔佐。不只如此，它還可以或許輔佐我們辦理全球范疇內最具挑戰性的一些實際問題，好比能源耗損。
已往十年，Google一直在存眷淘汰能源利用這一問題。Google搭建了超等高效處事器，發現了擁有更高效率的數據中心冷卻法并在綠色能源方面舉辦了大量投資，致力于實現利用100%的可再生能源。如今Google利用溝通的能源便可以或許得到約莫是五年前3.5倍的計較本領。
目前年Google又取得了新的希望：通過在數據中心利用DeepMind的呆板進修本領，Google將冷卻系統的能源耗損量淘汰了40%.這對付任何大型能源耗損情況來說都具有龐大的改進意義。
這對付Google數據中心來說可謂是意義重大，因為這有望大幅晉升能源效率并淘汰氣體排放量。另外，它還可以或許輔佐依靠Google云端技能支持的其他公司晉升他們各自的能源效率。固然Google只是全球眾大都據中心運營商中的一員，但利用可再生能源的數據中心運營商并不多見。數據中心能源效率方面的每一次進步都意味著氣體排放總量的淘汰。憑借DeepMind等雷同技能，Google可以操作呆板進修（MachineLearning）來淘汰能源耗損量，從而應對氣候變革這一重大挑戰。
冷卻系統占到了數據中心能源利用的大頭。就像條記本電腦會發生大量熱量一樣，數據中心同樣會發生大量的熱量，而這些熱量必需被移除，以確保處事器的正常運行。為了到達提高能源效率的目標，Google操作數據中心里數千個傳感器收集到的溫度、功率、泵速、設定值等汗青數據對深度神經網絡舉辦了練習，讓它可以預測將來電源利用效率（PUE，數據中心耗損的所有能源與IT負載利用的能源之比，比值越靠近1說明綠化水平越高）和數據中心在將來一小時內的溫度和壓力，然后對能源的公道利用舉辦分派。
開啟呆板進修發起和封鎖呆板進修發起的測試功效
功效顯示，Google的呆板進修系統將冷卻系統的能源耗損量一連淘汰了40%，假如思量電量損耗和其他非冷卻系統效率低下因素的話，這等同于將整體PUE程度低落了15%.另外，呆板進修系統還在所測試的數據中心中實現了最低的PUE程度。
Google打算在將來幾個月將這一系統運用到數據中心的其他規模以及數據中心之外。這項技能的潛在應用包羅晉升發電廠能源轉換效率（從溝通數量的發電原料中獲取更多能量），淘汰能源耗損量，以及輔佐晉升產能。將來，Google打算在更廣范疇內推廣這一系統并分享自身履歷，以讓其他數據中心和家產系統運營商獲益，最終造福情況。
，
