像可再生能源這樣的無碳技術有助于應對氣候變化，但這其中許多技術尚未充分發揮其潛力。以風能為例：在過去的十年中，隨著渦輪機成本的大幅下降和應用的激增，風力發電場已經成為無碳電力的一個重要來源。然而，風能本身的多變性使其成為一種不可預測的能源，因此，它不如在固定時間能可靠輸送電力的能源有用。

     為了尋找這個問題的解決方案，去年DeepMind和谷歌開始將機器學習算法應用到美國中部地區的700兆瓦容量的風力發電場。這些風力發電場，是谷歌全球可再生能源項目的一部分，其產生的電力足以滿足一個中等城市的用電需求。

     我們采用一個在預測天氣預報和分析渦輪機的歷史數據等方面都可用的神經網絡，將DeepMind系統配置為在實際發電前36小時預測風力輸出。基于這些預測，我們的模型會建議如何提前一天對電網做出最佳的每小時交付承諾。這一點很重要，因為可以計劃的能源（即可以在規定的時間提供一定數量的電力）通常對電網來說更有價值。

     雖然我們在繼續改進我們的算法，但我們在風力發電場中采用機器學習的方法已經產生了積極的效果。迄今為止，與沒有對電網進行時間承諾的情況相比，機器學習已將風能價值提高了約20％。


     雖然我們無法消除風的可變性，但我們的早期研究結果表明，我們可以使用機器學習使風力發電更具可預測性和價值。這種方法還有助于為風力發電場的運營帶來更強的數據嚴密性，因為機器學習可以幫助風力發電場運營商更智能、更快和更多地以數據為驅動評估其電力輸出如何滿足電力需求。我們希望這種機器學習方法能夠加強風力發電的商業案例，推動全球電網進一步采用無碳能源。能源行業的研究人員和從業人員正在為社會如何最大限度地利用太陽能和風能等可變能源開發新思路。我們渴望加入他們，一起探索這些基于“云”的機器學習策略的普遍適用性。

     谷歌最近實現了100％的可再生能源采購，目前正努力在24x7的基礎上采購無碳能源。谷歌與DeepMind的合作使風力發電更具可預測性和價值，這是實現這一愿望的具體一小步。雖然還有許多工作要做，但這一小步不僅對谷歌來說很有意義，更重要的是，它對環境保護大有裨益。