Alphabet, det nya namnet på moderbolaget där Google numera är en underdivision, har tidigare demonstrerat vad företagets Deepmind-division kan åstadkomma med artificiell intelligens. Detta har handlat om att låta AI-programmet Alphago besegra mänskliga motståndare i brädspelet Go, men nu används tekniken i en något mer oväntad tillämpning.

Tillämpningen i fråga är att använda Deepminds AI-system för att sänka energikonsumtionen i Alphabets olika datacenter-anläggningar. Detta åstadkoms genom att systemet manipulerar servrar och kylningsanordningar för att sänka den totala energikonsumtionen.

Trots att Deepminds teknik blev känd tack vare Alphago-systemet är det inte maskininlärningen från detta program som använts här. Istället är det ett annat program som lärde sig själv att spela Atari-spel som använts och anpassats för energikontroll, detta enligt Deepminds grundare Demis Hassabis.

Lärdomarna från Atari-experimentet har använts till att låta AI-systemet "spela" med datacentrens hårdvara för att uppnå högsta möjliga poäng, vilket i det här fallet är lägsta möjliga energiförbrukning. Systemet förstår och kan kontrollera cirka 120 olika parametrar i datacentren och deras kylningssystem.

Systemet ska ha sänkt energikonsumtionen med flera procent, vilket för stora datacenter innebär en stor finansiell besparing utöver att göra datacentrens drift vänligare för miljön. Under 2014 uppgick Googles totala energikonsumtion till 4 402 836 megawattimmar, vilket uppskattningsvis motsvarar den genomsnittliga energikonsumtionen för 366 903 amerikanska hem.

En rapport från Bloomberg uppskattar att den besparing som Deepmind-AI:n har potentialen att uppnå kan vara så stor som flera hundra miljoner dollar över de kommande åren. Googles köp av Deepmind för 600 miljoner dollar år 2014 kan med andra ord betala av sig enbart med dessa energibesparingar.

Enligt Demis Hassabis är detta bara början på en större satsning. Nu när systemet visat sig fungera vet företaget var systemet saknar information, och de kan därmed be Google om att utrusta servrar och annan hårdvara med fler sensorer som kan förse AI-systemet med en bättre förståelse för vad som pågår i datacentren.