业界一般用 PUE（电能使用效率）来衡量数据中心的能效，PUE= 数据中心总设备能耗 /IT 设备能耗，其基准值为 2，越接近 1 表明能效越高。Google 之前的 PUE 已经达到了惊人的 1.12，这说明其用于制冷与配电等的消耗已经很少。
但是 Google 决定利用神经网络让其数据中心能效更上一层楼。据 Kava 介绍，该项目属于 Google 的 20% 项目（参见Google创新九原则或Google管理黄金法则）。他们每 30 秒就计算一次 PUE，还不断跟踪 IT 设备能耗、机外气温以及制冷和机械设备的设置情况等。而 Google 数据中心团队成员 Jim Gao 对这些数据非常熟悉，他意识到这些数据还可以进一步利用。于是 Gao 通过机器学习对这些数据进行研究，并建立起模型来预测并进一步改进数据中心能效。
结果表明，该模型的预测准确率达到了 99.6%（参见下图）。如果高的准确率意味着 Google 对数据中心下一步的能量需求情况了如指掌，从而可以通过设置调整进一步提升能效。Kava 举了一个例子。几个月前，他们有几台服务器要下线几天，其结果是数据中心能效会有所降低。但利用 Gao 的模型他们临时调整了制冷设置，从而降低了那段时间对 PUE 的影响。
上述情况下 Google 进行电力基础设施升级要重新调整 40% 的服务器流量，但是通过 PUE 仿真与专家知识的结合，团队选定了一套新的运营参数，从而将 PUE 再降了 0.02。不要小看这个值，考虑到 Google 有成千上万台服务器，乘上巨大的能耗就是可观的节能效果。
Gao 在今天发布的白皮书上解释了自己的做法。他说神经网络对复杂系统建模具有优势，因为神经网络不需要用户预设模型的交互特征，而是在特征中寻找模式和交互，然后自动生成最佳匹配模型。
该神经网络研究的因素包括了服务器总负载，水泵、冷却塔、冷水机组、干式冷却器、运行中的冷水注水泵数量；冷却塔水温、湿球温度、户外湿度、风速、风向等。Google 利用传感器部署了亿万个数据点来收集这些基础设施和电能使用信息。不过令人略为惊讶的是，Google 只用一台服务器就能跑这个神经网络了。
Gao 在白皮书中写道，Google 数据中心的实际测试表明，机器学习是利用传感器数据对数据中心能效建模的一种有效方法，可带来显著的成本节省。不过国内较为粗放式管理的数据中心恐怕短时间内难以效仿。
