小红书精读：Artificial Intelligence for Energy Optimization in Data Centers

数据中心节能AI：63篇里仅5篇上真机

💡 各位算法同学们，翻了63篇数据中心节能AI论文，只有5篇上过真机。这篇综述把现有研究的老底揭了：节能结果多半只在仿真里跑过，而且各方法之间没法直接比。

📄 Artificial Intelligence for Energy Optimization in Data Centers: Closing the Optimizer–Load Loop

🔧 系统编码：筛选194篇、编码63篇，按验证场地、资源范围和收益口径归类，发现控制类研究普遍把负载当外生变量，忽视“效率提高→算力变便宜→需求增长”的回弹路径。 🧩 CLEAR-DC框架：把控制策略和负载需求通过弹性项耦合，目标是评估净收益而非直接收益，并把水耗、隐含碳也纳入边界。 ⚙️ 最小报告Schema：要求论文强制声明能量、碳、水、隐含碳占比和验证场地，让不同研究的节能数字终于可以互相比较。

📊 28篇主要控制类研究中，18篇仅靠仿真验证，只有5篇跑到物理硬件或生产环境。 📈 同样是这批28篇，没有一篇考虑水耗，也没有一篇考虑隐含碳。 ✅ 四个技术族报告的节能区间几乎完全重叠，现有方法无法被客观排序。

📌 这份工作适合做数据中心节能优化的人读，尤其是准备投控制类论文的。投稿前先自查：验证场地是仿真还是真机？有没有把水耗和隐含碳算进去？报的是净收益还是直接节能？落地最大的坑是CLEAR-DC目前只是一个架构提案，没有配套训练好的系统；另外语料编码只读了摘要，不是全文，而且是单人编码有主观偏差。后续如果看到有团队按它的schema做了真实部署对照实验，那个结果需要重点盯一下。

原文：AlphaXiv