首個應用到大規模真實工業場景的神經網絡控制系統在谷歌上線了

      即使深度學習和其它機器學習方法近幾年已經取得了不小的發展，可是把它們直接應用在真實工業場景中、讓它們直接控制工業系統還不曾見到。深度學習自己缺少魯棒性、面對新情況難以預測行爲等一些特性當然是重要的掣肘之處，如何讓算法逐步提升控制範圍、協調與人類的協做方式也是難題。DeepMind 和谷歌最近就作出了新一步嘗試，取得了不小的成功，而後在 DeepMind 博客上進行了介紹。

      咱們人類社會面對的許多緊迫問題中，有許多問題還在變得愈來愈複雜，全部人都急切地想要找到好的解決方法。對於 DeepMind 和谷歌來講，他們相信若是人類能夠把 AI 做爲探尋新知識的工具加以利用，找到解決方法就會容易得多。

     2016 年時，DeepMind 和谷歌聯手開發了一個基於 AI 的動做推薦系統，向負責維護、調節冷卻系統的數據中心運營人員推薦不一樣情況下的應對方法，它讓谷歌當時已經具備很高能源效率的推薦系統數據中心向前更進了一步。他們的出發點也很簡單，爲了應對全球氣候變化，大型能耗場所的一點點小改進也能在在減小能源消耗、減小二氧化碳排放方面有重大影響。

      最近，DeepMind 把這個系統升級到了一個全新的級別上：再也不像原來的系統那樣向人類推薦一些動做，而後由人類去完成，AI 系統如今會直接控制數據中心的冷卻系統，固然了它也仍然受到數據中心運營人員的專業監控。這是首個基於雲的控制系統，已經在多個谷歌的數據中心中安靜地運行、持續地節省能源。

工做方式

     每隔 5 分鐘，這個基於雲的 AI 會從數據中心的數千個傳感器中採集數據，得到數據中心冷卻系統的狀態快照，而後把它輸入深度神經網絡。這個網絡會預測各類可能的操做的不一樣組合會如何影響數據中心的能量消耗。而後 AI 就會就會在知足魯棒安全性限制的條件下判斷出一組可以最小化能源消耗的動做。這些動做的判斷結果接下來會被髮回給數據中心，由本地的控制系統驗證並執行。

        這種系統運行的想法其實來自於在數據中心使用原來那個 AI 推薦系統的操做人員。他們告訴 DeepMind 的研究人員們，雖然系統給他們教了一些最新最好的操做技巧，好比讓冷卻介質覆蓋更多的設備，而不是更少，可是實現這些推薦操做其實須要花費很是多的操做精力和長期規劃。因此他們天然地就很想知道，能不能不須要人來出力就達到相似的能源節省效果。

       如今他們就能夠很高興地宣佈，答案是能。谷歌的一位數據庫操做人員表示：「咱們但願能夠節省能源，同時也下降操做人員的工做強度。自動化的系統就可讓咱們以更高的頻率執行更細粒度的行動，同時出的錯誤還更少。

兼顧安全性和可靠性

      谷歌的數據中內心通常都有上千臺服務器，它們支撐着谷歌搜索、Gmail、YouTube 等用戶們天天都會使用的服務。確保這些服務能夠可靠、高效地運行是最關鍵的一件事。DeepMind 和谷歌一塊兒設計 AI 智能體以及背後的控制界面時，都是帶着安全、可靠的思惟從頭設計的，還使用了 8 種不一樣的機制確保系統可以老是可以按照預期行動。

      他們使用的方法裏，其中一種較爲簡單的是估計不肯定性。對於總計上億個可能的動做中的每一種，AI 智能體都須要計算本身認爲這是一個好的動做的信心。估計出來信心過低的動做就不去考慮了。

      另外一個方法是兩層驗證。AI 計算出的最優行動首先須要根據一個內置的、由數據中心運營人員們制定的安全限制清單作檢查。計算的結果經過檢查、從雲端發送到實際的數據中心以後，當地的控制系統還會再次把指令根據本身的一套安全限制清單再檢查一遍。這種冗餘設計的檢查流程確保了系統的運行老是在當地的限制以內的，操做人員們也老是對操做的邊界有徹底的控制。

      最重要的是，谷歌的數據中心老是會受到人類的徹底控制的，人類隨時能夠選擇退出 AI 控制模式。這時候，控制系統會自動從 AI 控制無縫地切換到基於現代自動化工業使用的基於現場規則的以及啓發式設計的控制系統。

      他們設計的其它安全機制以下圖：

          連續監控、自動錯誤重啓、平滑切換、兩層驗證、不間斷通信、不肯定性估計、規則與啓發式設計的備用控制系統、人類指令優先越用越節省能源

      相比於原來的動做推薦系統須要操做人員本身檢查以及實施推薦的動做，新的 AI 控制系統是本身直接實現這些動做的。DeepMind 和谷歌的研究人員在開發它時也有有意識地把系統的優化邊界設定到了一個更窄更小的策略中，讓它把安全和可靠做爲首要目標，也就是說對於節約能源的目標來講，它須要在過於節約致使的不穩定風險和優化不足的低反饋之間找到平衡。

      雖然只上線了幾個月時間，這個系統已經能夠穩定地節約平均 30% 左右的能源，並且他們還期待系統將來能夠改善更多。這是由於隨着數據更多，系統的優化判斷能力也會變得更強，以下圖。隨着技術愈來愈成熟，DeepMind 和谷歌的研究人員將來也會把系統的優化邊界設置得寬鬆一些，來達到更好的能源節約效果。

      這個 AI 直接控制的系統時不時找到一些新的方法管理冷卻系統，有一些方法甚至讓數據庫操做人員以爲驚訝。與這個系統緊密協做的一位谷歌數據中心運營人員就驚訝道：「這個 AI 會利用冬天外面比較冷的特色，產生比平時更冷的冷卻水，而後減小了給數據中心降溫所需的能源消耗。規則是不會本身變得愈來愈好的，可是 AI 能夠啊。

      對於已經安全運行、獨立運行、下降能耗的 AI 直接控制系統，DeepMind 和谷歌都以爲很是激動。不過，在數據中心中使用這樣的系統才僅僅是個開始。在長遠的將來，他們認爲還有不少的潛力把這樣的技術運用在其餘工業場景中，也就能夠在更大的規模上幫助對抗氣候變化。

---

 1.[連載]《C#通信（串口和網絡）框架的設計與實現》

 2.[開源]C#跨平臺物聯網通信框架ServerSuperIO（SSIO）介紹

 2.應用SuperIO（SIO）和開源跨平臺物聯網框架ServerSuperIO（SSIO）構建系統的總體方案

 3.C#工業物聯網和集成系統解決方案的技術路線（數據源、數據採集、數據上傳與接收、ActiveMQ、Mongodb、WebApi、手機App）

 5.github地址：https://github.com/wxzz/ServerSuperIO

 6.助力中小企業級連雲端，促進工業互聯網平臺蓬勃發展，全套解決方案。

 物聯網&集成技術 QQ羣：54256083