Alphabet的DeepMind部门报告说他们把Google数据中心总体电力利用效率（Power Usage Efficiency, PUE ）又提升了15%，这要归功于新部署的一套管理数据中心控制系统的人工智能程序，它和之前的一套被训练用来玩Atari游戏的程序很相像。总的来说，DeepMind和数据中心工程师们已经将控制系统的PUE提升了40%，这套控制程序已经让他们达到了数据中心有史以来的最佳PUE状态。

Demis Hassabis说这不只是节约支出，还减少了数据中心对环境的影响。根据Google Green的数字，Google在2014年消耗了4,402,836 MWh电量，相当于366,903个美国家庭的用电量。他们还提供了一个活跃的Google用户的碳足迹计算，具体是这样定义的：

对于一个每天做25次搜索、看60分钟YouTube视频、有一个Gmail账号还用一些其他服务的用户来说，Google每天要排放8克二氧化碳来为他提供服务。换句话说，每个月服务一个用户的碳排放量相当于开一英里汽车。

根据原始报告，几年下来节约的支出就可以达到几亿美元，与收购DeepMind的费用4亿英榜（6亿美元）相比，即使不够全部，起码也可以抵上大部分了。而且还可以有效地减少数据中心的每用户碳排放量。关于这套程序是如何实现这样的效率提升的，DeepMind研究工程师Rich Evans和Google数据中心工程师Jim Gao说：

他们通过数据中心内的几千个传感器去收集温度、电量、耗电率、设定值等各种数据，再把这些数据不断的保存下来，用于训练深度神经网络的集合，然后再训练关注未来平均PUE的神经网络。他们把未来平均PUE定义成建筑物总耗电量与IT总耗电量的比例。接下来再训练另两个深度神经网络集合，分别用于预测数据中心未来的温度和下一小时的压力。训练这些预测的目的是模拟PUE模型的推荐行为，来保证我们不会超出可操作范围限制。

在过去，每个数据中心都有一些独有的特征，如气候、天气、每个中心的建筑结构、每天和不同系统的相互作用情况等，这些使建立一个通用公式优化PUE成了一件不可能的事。但有了深度学习和卷积神经网络方法，就再也不需要唯一的公式了，因为程序会用一种玩游戏的方式工作：把传感器送进去的值和参考值做输入，再得到理想的输出。工程师们 演示了把程序开启或者关闭的情况下，数据中心的PUE会受到怎样的影响。Hassabis说他们已经知道了在他们的数据中心里哪里还做得不足，他们准备多部署一些传感器来进一步提高利用率。

根据DeepMind的报告，相似的技术也可能被用于提高地球的能量转化效率，减少半导体生产和水消耗，或者帮助生产企业提高生产率。