Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind20. Juli 2016 · Q001910

DeepMind AI Reduces Google Data Centre Cooling Bill by 40%

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Google und DeepMind berichten, ein mit historischen Sensordaten trainiertes System habe in einem Rechenzentrum den Energiebedarf für Kühlung um 40 Prozent und den gesamten PUE-Aufwand um 15 Prozent gesenkt. Der Bericht nennt einen Live-Test und geplante weitere Anwendungen, macht aber keine Angaben zu Testdauer oder unabhängiger Prüfung; die nachgetragene Beschreibung der zweiten Abbildung ist abgebrochen.

Mittel

Der Bericht beschreibt ein von Google und DeepMind entwickeltes System zur effizienteren Steuerung der Kühlung in Rechenzentren. Die Autoren geben an, dass es im getesteten Rechenzentrum den Kühlenergiebedarf um 40 Prozent senkte. Einschließlich elektrischer Verluste und anderer Ineffizienzen habe sich der PUE-Aufwand insgesamt um 15 Prozent verringert; der Standort habe seinen bisher niedrigsten PUE erreicht.

Das System wurde mit historischen Daten aus Tausenden Sensoren trainiert. Ein Verbund neuronaler Netze sagte den künftigen PUE voraus, zwei weitere Verbünde schätzten Temperatur und Druck für die nächste Stunde, um die Einhaltung betrieblicher Grenzen zu prüfen. Laut Bericht wurde die Steuerung in einem laufenden Rechenzentrum ein- und ausgeschaltet getestet. Die Autoren führen die Herausforderung auf komplexe Wechselwirkungen, wechselnde Bedingungen und die Eigenheiten einzelner Rechenzentren zurück. Sie planen einen breiteren Einsatz und nennen mögliche Anwendungen in Stromerzeugung und Fertigung. Angaben zu Testdauer, Unsicherheiten oder unabhängiger Prüfung fehlen. Der überlieferte Text bricht in der nachgetragenen Beschreibung der zweiten Abbildung ab.

Ausführlich lesen

Der Bericht von Richard Evans und Jim Gao beschreibt, wie Google DeepMind maschinelles Lernen eingesetzt habe, um den Energiebedarf für die Kühlung in Google-Rechenzentren zu senken. Google zufolge verringerte das System die für Kühlung benötigte Energie um bis zu 40 Prozent. Nach Einrechnung elektrischer Verluste und weiterer nicht kühlungsbedingter Ineffizienzen habe sich der gesamte PUE-Aufwand um 15 Prozent reduziert; am getesteten Standort sei zudem der niedrigste PUE-Wert erreicht worden, den dieser bisher verzeichnet habe. PUE bezeichnet das Verhältnis des gesamten Energieverbrauchs eines Gebäudes zum Energieverbrauch seiner IT.

Als Hintergrund nennt der Bericht den hohen Energiebedarf von Rechenzentren und die Schwierigkeit, deren Kühlsysteme optimal zu steuern. Pumpen, Kältemaschinen und Kühltürme wirkten in komplexer, nichtlinearer Weise mit Betrieb und Umgebung zusammen. Zudem könnten sich Bedingungen wie das Wetter ändern, und einzelne Rechenzentren hätten jeweils eigene bauliche und betriebliche Eigenschaften. Nach Darstellung der Autoren reichen feste technische Regeln und menschliche Intuition deshalb oft nicht aus, um alle Situationen effizient abzudecken.

Für das System nutzten die Teams historische Messdaten aus Tausenden Sensoren, etwa zu Temperaturen, Leistung, Pumpendrehzahlen und Sollwerten. Ein Verbund tiefer neuronaler Netze wurde darauf trainiert, den durchschnittlichen zukünftigen PUE vorherzusagen. Zwei weitere Netzverbünde prognostizierten Temperatur und Druck für die folgende Stunde. Diese Vorhersagen sollten prüfen, ob die vom PUE-Modell empfohlenen Maßnahmen innerhalb der betrieblichen Grenzen blieben. Die Autoren berichten, das Modell mit aktivierter und deaktivierter maschineller Steuerung in einem laufenden Rechenzentrum erprobt zu haben; eine Abbildung zeige einen typischen Testtag.

Die berichteten Einsparungen beziehen sich auf den beschriebenen Einsatz und den getesteten Standort. Der Text nennt keine umfassenden Angaben zu Dauer, Zahl der Tests, Unsicherheiten oder unabhängiger Prüfung. Er kündigt an, das System breiter auszurollen und die Vorgehensweise später zu veröffentlichen. Als mögliche weitere Anwendungen nennt er effizientere Stromerzeugung, einen geringeren Energie- und Wasserverbrauch bei der Halbleiterfertigung sowie höhere Produktionsleistung in Fertigungsanlagen. Der überlieferte Text enthält den Bericht, endet aber mit einer abgebrochenen nachgetragenen Beschreibung von Abbildung 2.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna lieferte zwei Zusammenfassungen (kurz und mittel); beide sind sachlich korrekt, die mittlere ist vollständiger, und die Bewertung bezieht sich auf beide. Der Bericht ist eine Unternehmensmitteilung von 2016 mit Selbstangaben ohne unabhängige Prüfung, und die Beschreibung der zweiten Abbildung ist abgeschnitten. Luna hat bei mehreren Einordnungen zu hohe Stufen vergeben, besonders bei SF-H3 (Stufe 5 statt 2) und SF-V3-T04 (Stufe 3 statt 1).

Im Bericht, aber nicht in der Zusammenfassung

  • Ankündigung, das Vorgehen in einer späteren Veröffentlichung darzulegen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 43 %einzelne zitierbare Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 28 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-V3-T04 Wer muss Rechenschaft ablegen, wenn ein Modell Werte auf Lagen überträgt, die beim Training niemand vorhergesehen hat: das Modell, das Labor oder der Mensch, der das Ziel gesetzt hat? Luna: Stufe 3 · 43 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 40 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 37 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 51 %umfangreiche Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 57 %Hintergrund, keine Belege
    • JEV 25 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →