0
| 本文作者： 劉潔 | 2024-08-27 11:23 |
只是使用了AI就讓工廠能耗降低40%
是的，你沒有看錯，就是降低了整整40%，幾乎將能耗砍半！
這是Jim Gao在Google大型數(shù)據(jù)中心的一次嘗試。這位華人機(jī)械工程師巧妙地使用了AI系統(tǒng)輔助控制數(shù)據(jù)中心的復(fù)雜的工業(yè)系統(tǒng)，AI在實現(xiàn)了預(yù)期系統(tǒng)優(yōu)化的基礎(chǔ)上，還做到了他從沒幻想過的超低冷卻能耗。
Jim經(jīng)常給其他人做一個假設(shè)來說明他在Google數(shù)據(jù)中心做的工作究竟有什么意義：
假設(shè)他們需要控制10臺冷水機(jī)組進(jìn)行冷卻操作，每臺機(jī)器都有10種不同的運(yùn)行速度，那就是10種控制模式。可是在在現(xiàn)實復(fù)雜的工業(yè)系統(tǒng)中，整個系統(tǒng)的操作模式可能有10種到100種或100億種不同的排列組合。
在這種情況下，要如何找到操控整個冷卻系統(tǒng)的最佳方式？這些系統(tǒng)還是動態(tài)的，像天氣一樣每時每刻都在變化。
人類的手動控制可能只是探索了所有操作方式中的0.00001%的可能性，還剩下99.99999%的空間沒被探索過。而AI能夠探索所有的未探索的空間，找到最合適的實時變動的操作方式。這也是Jim想要實現(xiàn)真正的工業(yè)自動化。
Jim帶領(lǐng)團(tuán)隊研究出了能夠通過云端控制多個數(shù)據(jù)中心的應(yīng)用，總計幫助Google節(jié)省了數(shù)百萬美元的能源成本。
這同時也說明，即便生成式AI已經(jīng)成為當(dāng)下的風(fēng)口，其他類型的AI——例如決策式AI——仍然顯示出巨大的應(yīng)用潛力。
利用AI決策提升組織的決策和經(jīng)營效率，一直是AI技術(shù)落地應(yīng)用、降本增效的熱門領(lǐng)域。例如在雷峰網(wǎng)GAIR 2019大會上，京東集團(tuán)副總裁鄭宇就分享了如何利用AI與大數(shù)據(jù)“重塑城市”的經(jīng)驗，GAIR大會另一位演講嘉賓、聯(lián)想集團(tuán)集團(tuán)首席技術(shù)官芮勇，則是基于多交互增強(qiáng)學(xué)習(xí)和多目標(biāo)策略學(xué)習(xí)網(wǎng)絡(luò)打造了一套智能生產(chǎn)規(guī)劃模型，快速找到最佳的排產(chǎn)策略，該項目獲得了國際運(yùn)籌學(xué)與管理科學(xué)學(xué)會2021年的Franz Edelman獎。
Jim研發(fā)的技術(shù)不需要在原本的系統(tǒng)基礎(chǔ)上加入新的設(shè)備或傳感器，只需要將提供的設(shè)備插入現(xiàn)有設(shè)施，就能連接樓宇管理系統(tǒng) (BMS)等系統(tǒng)將所有數(shù)據(jù)點(diǎn)直接輸入AI智能體，實時識別并采用最大化整個設(shè)施性能的行動。
Phaidra由Jim Gao和Veda Panneershelvam、Katie Hoffman組建，三人決心通過強(qiáng)化學(xué)習(xí)構(gòu)建一個能夠?qū)崿F(xiàn)工業(yè)自動化的通用AI控制平臺。自創(chuàng)立之初就斬獲多家公司和行業(yè)大牛的投資，多輪融資總額達(dá)到6020萬美元。
剛剛結(jié)束最新一輪融資的Jim接受了紅杉資本的邀請，做客Training Data Podcast，講述了自己將AI融入工業(yè)環(huán)境的故事，以及他對如何利用強(qiáng)化學(xué)習(xí)打造第四次工業(yè)革命的思考。
AI科技評論節(jié)選了部分內(nèi)容并進(jìn)行了解讀，完整Podcast點(diǎn)擊以下鏈接即可獲取：
https://www.youtube.com/watch?v=qb1rJkYpkmk
Jim Gao：好的。之所以有一個問號，是因為人們通常不知道強(qiáng)化學(xué)習(xí)與工業(yè)設(shè)施的結(jié)合是否真的很棒。
這是我發(fā)給Mustafa Suleyman的電子郵件，他是我后來在DeepMind的老板。發(fā)送這封郵件的動力來源于一種叫做Alphago的東西。
在Google工作的那段時期，20%的時間里我一直在學(xué)習(xí)機(jī)器學(xué)習(xí)技術(shù)。Andrew Eng在剛誕生的Coursera上開設(shè)了一門非常有用的課程——機(jī)器學(xué)習(xí)入門。那是在2013，我記得我應(yīng)該是第二批學(xué)生。
那堂課徹底改變了我的生活。我自學(xué)了如何編程，然后開始東一塊西一塊地學(xué)習(xí)機(jī)器學(xué)習(xí)的知識。我認(rèn)為機(jī)器學(xué)習(xí)是非常有趣的技術(shù)。
Pat Grady：而你的背景是機(jī)械工程與環(huán)境科學(xué)這類的東西？
Jim Gao：是的，沒錯。所以我當(dāng)時的工作職責(zé)是幫助Google設(shè)計和運(yùn)營他們的超大型數(shù)據(jù)中心。
當(dāng)這些需要消耗大量能源的大型數(shù)據(jù)中心建成，我們當(dāng)然會將重點(diǎn)轉(zhuǎn)移到以最節(jié)能的方式運(yùn)行這些復(fù)雜的工業(yè)系統(tǒng)，因為它們使用了數(shù)十億美元的電力，對吧？
這就是當(dāng)時的背景。我那時候已經(jīng)在研究機(jī)器學(xué)習(xí)技術(shù)，以分析谷歌的海量數(shù)據(jù)。
2016年，Alphago問世了，我是全世界數(shù)億個觀看那場比賽中的一員。那時候應(yīng)該是凌晨三點(diǎn)鐘，我在巴黎還是什么地方。我發(fā)現(xiàn)它非常迷人，以至于我給Mustafa寫了一封電子郵件，描述了一個想法：
如果DeepMind能在圍棋這樣的復(fù)雜游戲里，讓AI擊敗世界上最聰明的人。那么肯定也可以讓AlphaGo這樣的AI智能體去玩一個另一個他很熟悉的游戲，那就是優(yōu)化Google數(shù)據(jù)中心的電力使用效率。這就是那封電子郵件的背景。
我還記得我在Google內(nèi)部向領(lǐng)導(dǎo)層推銷這個想法的方式，特別是對著Joe Kava，他是領(lǐng)導(dǎo)Google數(shù)據(jù)中心和ORS的人。我給他展示了一張圖片，一邊是目標(biāo)欄，一邊是各種視頻游戲控制，比如Xbox控制器。
我對他說，“我們有一個最大化或最小化的目標(biāo)函數(shù)，還會給出一些具體的操作，比如控制旋鈕和杠桿。我們還會設(shè)定好必須遵守的約束條件，把整個過程都控制在一個非常易于測量的環(huán)境里?！?/p>
其實這樣來看，強(qiáng)化學(xué)習(xí)和操作大型復(fù)雜的工業(yè)系統(tǒng)實際上是一樣的。這個結(jié)論就是我最初想法的內(nèi)核。
Pat Grady：所以你發(fā)送了這封郵件給Mustafa，然后發(fā)生了什么？
Jim Gao：我們把郵件發(fā)送給Mustafa。兩周后，他飛到了山景城。
當(dāng)時我正在那里和DeepMind的團(tuán)隊一起研究如何使用強(qiáng)化學(xué)習(xí)的方式來控制和優(yōu)化Google的數(shù)據(jù)中心。實際上，這也讓Google和DeepMind之間也由此圍繞著數(shù)據(jù)中心工作中的強(qiáng)化學(xué)習(xí)應(yīng)用建立起了一種合作伙伴關(guān)系。
強(qiáng)化學(xué)習(xí)真的非常迷人，這也是我認(rèn)識Phaidra另外兩位聯(lián)合創(chuàng)始人之一的契機(jī)。
Veda是AlphaGo項目的重要工程師之一，他去了韓國，在首爾見到了Lisa和Larry Page，發(fā)生了很多有趣的事情。AlphaGo之后，他回到了辛辛那提，準(zhǔn)確來說是回到了美國。他那時在想，他的下一件大事會是什么。
我設(shè)法說服了Veda，我說，嘿，如果我們用像Alpha這樣的自學(xué)框架來控制和優(yōu)化谷歌的數(shù)據(jù)中心會怎么樣呢？
我就是這樣開始和我的聯(lián)合創(chuàng)始人Veda開始一起工作的。
Sonya Huang：很多人會問這樣能行嗎還是認(rèn)為它就像一個瘋狂的登月計劃，讓我們試試？
Jim Gao：我也不知道，我甚至不知道它是否會奏效。我喜歡從概念上講，它對我的思維有意義。我認(rèn)為運(yùn)營數(shù)據(jù)中心只是一個不同的游戲。？在工業(yè)世界里有各種各樣的游戲，也許游戲是最大化能源效率，也許游戲是最小化水的消耗，也許這個游戲是最大化事實的收益，對吧？但是有很多游戲一直在玩。所以在我看來，這是有道理的。
但是如果要我直接回答你的問題，不，我不知道它是否會奏效。
我仍然清楚地記得這一天，我們打開AI系統(tǒng)，看著能耗下降。這令人驚訝的原因有兩個。
第一，我們設(shè)計了一個系統(tǒng)。我在設(shè)計這個系統(tǒng)中發(fā)揮了作用，AI現(xiàn)在正在進(jìn)行控制和優(yōu)化。所以理論上，我應(yīng)該是對這些系統(tǒng)了如指掌的專家，但是AI帶給我一些我一開始不知道的關(guān)于我?guī)椭O(shè)計的系統(tǒng)的東西。
第二，AI的舉動非常違反直覺。就像當(dāng)我們看到即將做出的決定時，你知道，我們研究了計劃運(yùn)營商。我們坐在愛荷華州的巨大玉米田里，就像谷歌喜歡把它的數(shù)據(jù)中心放在那里一樣。我們在研究，我們認(rèn)為這個決定不可能是正確的。這個AI很爛，學(xué)到了錯誤的東西。但我們還是坐在這里，讓我們試試AI所說的吧。我們嘗試了一下，它奏效了。我們看到的就是能耗驟降。所以我想那是我成為這項技術(shù)的信徒的時候。從根本上說，這項技術(shù)是創(chuàng)造性的，它幫助我們從原始數(shù)據(jù)中發(fā)現(xiàn)以前不存在的新知識。
Sonya Huang：你能和我們談?wù)勚饕晒麊?？你看到了能耗的立即下降，但是之后又給Google帶來了什么成果？
Jim Gao：一開始有兩種類型的成果。尤其是對于谷歌來說，有試點(diǎn)的成功。在2016年，我們發(fā)布了試點(diǎn)的結(jié)果。試點(diǎn)是在幾個數(shù)據(jù)中心完成的，但從根本上來說，它不是一個自主控制系統(tǒng)。
我的意思是，這只是AI在生成建議。對于像我這樣的人類專家來說，可以手動審查和實施操作。我們不想直接把手從方向盤上拿開，因為這是一項新的新技術(shù)。
但當(dāng)時沒有人知道，是否有可能使用云端的AI來控制大型基礎(chǔ)設(shè)施。所以第一步是正確進(jìn)行試點(diǎn)。AI提出了建議，我們看到了也接受了，最后實現(xiàn)了40%的能源節(jié)省。
這種經(jīng)驗告訴我們，我們實際上應(yīng)該讓AI直接正確地控制事物，自動獲取價值。而且坦白地說，規(guī)劃師操作員厭倦了檢查電子郵件，比如每15分鐘等待AI告訴他們該怎么做。與其手動實施，他們有更好的事情要做。
所以我們實際上決定，是時候使用全自動系統(tǒng)了。這在當(dāng)時是完全未知的領(lǐng)域，忘掉AI可以控制我們甚至不知道的事情。AI 是否可以從云端控制機(jī)器，大型工業(yè)基礎(chǔ)設(shè)施？因為據(jù)我們所知，以前沒有人做過這件事。
Sonya Huang：你能告訴我們之前和之后的情況嗎？比如說在你們實施這個工業(yè)控制系統(tǒng)之前，這個工廠操作員可能需要手動轉(zhuǎn)動旋鈕。這個之前和之后是如何工作的？
Jim Gao：這是一個很好的問題。讓我為那些不太熟悉大型工業(yè)設(shè)施的人補(bǔ)充一點(diǎn)基礎(chǔ)知識。它們是非?，F(xiàn)代化的工業(yè)設(shè)施，非常復(fù)雜，人們在操作和控制各種各樣的機(jī)器。
我經(jīng)常讓人們?nèi)プ鲆粋€簡單實驗設(shè)想。想象一下你只有10臺機(jī)器在控制，它們就像泵一樣。每臺機(jī)器都有10個可能的設(shè)定點(diǎn)值，所以有10種與之相關(guān)的模式。想象一下可能是10%的泵速，20%的泵速，30%的泵速等等。然后在這個非常簡單的玩具例子中，你有 10 種到 100 種或 100 億種不同的排列組合來操作你的玩具系統(tǒng)。
那么問題就來了，在任何給定的點(diǎn)上，操作你的玩具系統(tǒng)的最佳方式是什么？
順便說一下，這些是動態(tài)系統(tǒng)，所以它的負(fù)載在變化，天氣在波動，操作這些系統(tǒng)的人正在改變，管道正在腐蝕，熱量變化正在結(jié)垢。
關(guān)鍵是這些是非常復(fù)雜的動態(tài)系統(tǒng)?，F(xiàn)實世界中有超過10臺機(jī)器，每臺機(jī)器都有超過10個設(shè)定點(diǎn)。
這樣你就能明白為什么像AlphaGo這樣能夠管理MX復(fù)雜性的技術(shù)，在這里很有幫助。這也有助于解釋為什么一開始往往有這么大的優(yōu)化空間，因為這個動態(tài)系統(tǒng)如此復(fù)雜。
如果去考慮整個操作空間，比如現(xiàn)代數(shù)據(jù)中心內(nèi)所有可能的行動，因為風(fēng)險規(guī)避，也因為硬編碼規(guī)則和啟發(fā)式方法，我們只探索了所有可能操作該系統(tǒng)的方式的0.00001%。
那么問題就變成了，在我們從未探索過的99.99999%的行動空間中有什么？肯定有比我們歷史上所做的更優(yōu)化的操作系統(tǒng)的方法。所以這是一種直觀的解釋，希望能解釋為什么能在一開始有這么大的效率提升。
我們操作這些設(shè)施的方式受到硬編碼控制邏輯的限制，所以不要誤解我的意思，如今這些系統(tǒng)已經(jīng)是自動化的了，只是沒有實現(xiàn)智能自動化而已，我認(rèn)為是這樣的。
Pat Grady：AI已經(jīng)準(zhǔn)備好了，那么工業(yè)系統(tǒng)是否也準(zhǔn)備好了由某種自主系統(tǒng)控制，還是需要在這方面做其他工作？
Jim Gao：這是一個很好的問題，我會詳細(xì)說明我所說的正確的控制系統(tǒng)的含義。
20世紀(jì)70年代和80年代是第三次工業(yè)革命，發(fā)生了從模擬到數(shù)字的轉(zhuǎn)變以及第一個自動化系統(tǒng)出現(xiàn)。為了從根本上實現(xiàn)自動化，你必須先進(jìn)行審查。但是這些都是簡單的自動化。
第四次工業(yè)革命意味著智能基礎(chǔ)設(shè)施能夠自我運(yùn)作，并隨著時間的推移從根本上變得更好，是能夠自我完善的基礎(chǔ)設(shè)施。
但現(xiàn)在我們正在將AI硬塞進(jìn)第三次工業(yè)革命的系統(tǒng)中。它們肯定不是為此而設(shè)計的。我們所做的最重要的是，在現(xiàn)有的控制系統(tǒng)上編寫，所以有一個硬編碼的角色和啟發(fā)式層，數(shù)百萬行的if then語句被編程到我們通常稱作BMS的建筑管理系統(tǒng)中。它定義了設(shè)施應(yīng)該如何運(yùn)作。
硬編碼系統(tǒng)的問題在于，因為它們是硬編碼的，所以它們現(xiàn)在的運(yùn)行方式與昨天、一年前或五年前，甚至是十年前一樣，因為人們不經(jīng)常進(jìn)入后端來更新控制邏輯。
現(xiàn)在Fhaidra所做的是我們在控制堆棧的最頂部插入一個新的云智能層。我們沒有引入任何硬件，也沒有引入任何新的傳感器。我們（的云智能層）實際上是在現(xiàn)有控制堆棧的頂部。這真的很關(guān)鍵。
你可以把它想象成戰(zhàn)場上的將軍。將軍對整個系統(tǒng)中發(fā)生的一切都有全局的看法。它正在發(fā)出命令信號，地面部隊進(jìn)行實際執(zhí)行。
在我們的例子中，AI每分鐘要尋找10,000個操作辦法。它會發(fā)出決定，比如打開哪些泵，泵的速度應(yīng)該是多少，以適應(yīng)本地BMS系統(tǒng)或PLC系統(tǒng)的自動實施和執(zhí)行。
這就是為什么我說它是是和不是的混合體。
Sonya Huang：你在一開始談到了強(qiáng)化學(xué)習(xí)成為一個好的解決方案的必要因素。你是否認(rèn)為強(qiáng)化學(xué)習(xí)的應(yīng)用并不多？還是說你認(rèn)為這只是技術(shù)問題？
Jim Gao：絕對不，我認(rèn)為強(qiáng)化學(xué)習(xí)的應(yīng)用非常廣泛，而我們的Fhaidra只是眾多例子中的一個。
作為一個行業(yè)，我們只是觸及了我們可以用這項技術(shù)做什么的表面。從根本上講，這項技術(shù)的力量在于它是一個自主學(xué)習(xí)的系統(tǒng)。Alpha Go及其繼任者Alpha Zero自學(xué)成為世界上最好的圍棋、國際象棋和將棋，三種截然不同的游戲，相同的學(xué)習(xí)框架。它能夠自主學(xué)習(xí)。
所以我認(rèn)為強(qiáng)化學(xué)習(xí)有很多非常有趣的應(yīng)用領(lǐng)域，其中很多地方都缺少數(shù)據(jù)基礎(chǔ)設(shè)施。但是我們也可以列出來一些例子，比如我們已經(jīng)討論過的蛋白質(zhì)折疊。
圍繞著物流還有一個完整的未開發(fā)的領(lǐng)域，這是一個非常棘手的計算挑戰(zhàn)。當(dāng)你開始研究運(yùn)籌學(xué)的時候，運(yùn)籌學(xué)是這些價值數(shù)萬億美元的工業(yè)活動的基礎(chǔ)。不僅僅是工業(yè)活動，還有像運(yùn)輸飛機(jī)、聯(lián)邦快遞、駕駛路線，這些都是運(yùn)籌學(xué)網(wǎng)格平衡的應(yīng)用。
我的意思是，我認(rèn)為網(wǎng)格平衡可能是AI應(yīng)對氣候變化最重要的方式。我認(rèn)為這是AI影響最大的地方，氣候。
Sonya Huang：你一開始沒有預(yù)料到把它部署到Google數(shù)據(jù)中心時，你會看到40%的能耗節(jié)省。如果我們讓AI在電網(wǎng)負(fù)載上進(jìn)行網(wǎng)格平衡操作，你認(rèn)為我們可以看到什么樣的能源節(jié)約？
Jim Gao：我認(rèn)為這太瘋狂了。我認(rèn)為這和能源節(jié)約本身的大小無關(guān)，而是和潛在的節(jié)約成本有關(guān)。因為你可以將你的負(fù)載轉(zhuǎn)移到最具有成本效益的時候。如果你有二氧化碳信號，你可以在碳密集度最低的時候安排完成你的非寬帶敏感工作負(fù)載。我認(rèn)為谷歌已經(jīng)在進(jìn)行一些相關(guān)實驗。
我認(rèn)為其實我們應(yīng)該更多地圍繞著全球系統(tǒng)級別的優(yōu)化。我們必須知道數(shù)據(jù)中心已經(jīng)成為了越來越巨大的負(fù)載銀行。
比如美國數(shù)據(jù)中心占了美國能源消耗的1.5%-2%，今年將增加到4%，我估計在本世紀(jì)末會達(dá)到9%左右。目前愛爾蘭全國22%的能源電力消耗只用于數(shù)據(jù)中心，國際能源機(jī)構(gòu)預(yù)測，到本世紀(jì)末，這一數(shù)字將增加到37%。這真的是令人難以置信的數(shù)字。
但關(guān)鍵原因是我提到的電網(wǎng)上有大量的負(fù)載銀行。如果你能以某種方式將數(shù)據(jù)中心協(xié)調(diào)在一起，這將是一個真正的能夠幫助平衡電網(wǎng)的機(jī)會。這是一個巨大的挑戰(zhàn)。
Pat Grady：你認(rèn)為在未來五到十年內(nèi)，AI領(lǐng)域最讓你感到興奮的會是什么？
Jim Gao：最令我興奮的是，我們什么時候可以開始把一些技術(shù)應(yīng)用到現(xiàn)實世界的物理事物上。這是這項技術(shù)與我們生活的現(xiàn)實世界基礎(chǔ)設(shè)施的交集。像大型工業(yè)系統(tǒng)、汽車、房屋，這些物理上的東西。我認(rèn)為未來我們會在那里看到一些非常有趣的事情。
Jim Gao于2011年畢業(yè)于加州大學(xué)伯克利分校機(jī)械工程與環(huán)境科學(xué)專業(yè)，畢業(yè)后就職于Google在山景城的數(shù)據(jù)中心。2016年帶領(lǐng)由40多名跨學(xué)科專家組成的團(tuán)隊開發(fā)了一款A(yù)I應(yīng)用程序，能夠通過云端控制多個數(shù)據(jù)中心，幫助Google節(jié)省了數(shù)百萬美元的能源成本。2017年開始擔(dān)任DeepMind Energy團(tuán)隊負(fù)責(zé)人。2019年，和Veda Panneershelvam、Katie Hoffman兩人合作成立初創(chuàng)公司Phaidra，給工業(yè)領(lǐng)域提供自學(xué)習(xí)AI控制系統(tǒng)。雷峰網(wǎng)雷峰網(wǎng)(公眾號：雷峰網(wǎng))
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
