如果要实现真正的数据中心热优化，则需要基于数千个实时传感器和专家空间模型的经过验证的安全过程。这不可避免地涉及到大量信息的收集，因此，如果要成功消除数据中心冷却的大部分不确定性，那么绝对依赖于正在收集的数据，这至关重要。

　　当运营商考虑监控数据中心区域的多个机房空调(CRAC)/空气处理单元(AHU)的关键冷却负载性能所需的控制模型时尤其如此。当然，还需要使用标准温度和电流测量传感器实时跟踪数据中心冷却负载，以用于冷冻水和直接膨胀冷却系统。但是，持续监控空气入口和出口温度以及风扇性能，过滤器质量和潜在机房空调(CRAC)/空气处理单元(AHU)堵塞警报等变量也很重要。

　　这显然需要捕获和吸收大量数据，那么数据中心如何将其转化为可以采取行动的有意义的信息呢?在这个阶段，人们总是开始谈论人工智能应该扮演的角色。企业收集了所有的数据，但不用担心，人工智能会为其排序。这种动态管理听起来很好，但是当涉及真正100%可靠的数据中心冷却所需的控制时，其事情就不那么简单了。

　　现在是更清楚地了解数据中心和人工智能的时候了

　　人们非常高兴能够应用人工智能技术来帮助优化数据中心的热性能，但是担心人工智能通常被认为是一种通用的灵丹妙药，可以某种方式解决与最佳实践数据中心热量相关的所有多种复杂性和权衡问题优化。

　　人们显然致力于建立最佳实践，以实现“完全感知”的数据中心并捕获真正的热优化所需的实时机器学习类数据，但目前还不相信人工智能应该单独实施管理关键冷却负荷性能所需控制的一部分。

　　这就是为什么现在需要一定的清晰度，以及对所谓的人工智能解决方案和基于专家系统的控制之间的重大差异的认识的的原因，这些控制实际上更具可预测性、可审计性和有效性。

　　通过专家系统控制实现更好的控制和更多的节能

　　鉴于大多数数据中心环境具有业务关键性，组织需要确保在管理冷却负载性能方面存在真正的透明度。如果它是一个负责处理这个角色的人工智能引擎，那么就会有一些问题要问：人工智能算法是否可审计?为什么在特定情况下做出特定决定?是否可以预测，当新的机器学习数据被引入系统时，它会做出类似的决定?真的知道人工智能正在查询哪些源数据吗?

　　相比之下，基于专家系统的方法根本不同，具有可审计的受控序列，可从经验中获得洞察力，并提供风险管理和合规官员要求的所有检查和平衡。使用专家系统，企业可以挑战控制应用程序的开发方式，随时检查流程，并审核系统以确定特定性能问题的根本原因。

　　但是问一下人工智能系统是如何做出决定的，人们很快就会发现技术真的不像希望的那样容易接近。与此相比，专家系统控制算法的稳健性和可访问性，以及它们在更广泛的建筑管理系统环境中作为可管理组件有效运行的能力，企业很快就会开始质疑密封的人工智能引擎是否真的适合黄金时段数据中心部署。

　　但是，人工智能可以发挥重大作用的是提供深入的洞察力来支持数据中心专家。例如，热优化引擎核心的人工智能启用多站点热分析工作正在进行中。这一突破为用户提供了强大的仿真工具，可以提供有关现场无效率或风险区域的实时建议。从战略上讲，人们相信以这种方式证明人工智能驱动的优化引擎的功效将不可避免地导致预测警报功能，其中“经过测试的”人工智能引擎能够实时模拟潜在的即将发生的系统故障，而这些故障尚未突破报警条件。

　　并且谁会知道，未来可能最终会导致自动人工智能控制，但在人们推进这一步骤之前还有几个关键阶段。而现在要提醒的是，将其关键控制措施完全委托给人工智能系统会带来风险成本，这可能比任何承诺的冷却节能量大得多。这并不意味着人工智能在未来的控制系统环境中仍然不会发挥重要作用，但它可能必须等到基本的“专家系统”元素紧密集成到流程中。

　　编辑：Harris