当下，有这样两股浪潮势头正盛。
一股是数字化浪潮。依托“大模型+大数据+强算力”而生的，引发全球对通用人工智能的关注。根据咨询机构国际数据公司（IDC）的预测，2025年前，人工智能市场将保持两位数增长。语言、声音和视觉技术以及多模态解决方案将彻底改变“人类效率”。
另一股是能源科技革命浪潮。在全球气候变化加剧和能源绿色转型的背景下，增加绿色电力成为各国能源转型的一项策略，新信息技术革命则成为推动能源产业绿色发展的助推力。在国内，构建以绿色低碳、柔性灵活、互动融合、智能高效为特点的新型电力系统成为绿色转型的关键举措。
中共中央、国务院印发的《数字中国建设整体布局规划》提出，将“推动数字技术和实体经济深度融合，在农业、工业、金融、教育、医疗、交通、能源等重点领域，加快数字技术创新应用”。可以想见，数字浪潮和绿色浪潮的叠加将激荡出更多创新应用。
数字化和能源科技革命两股浪潮的叠加，不仅要改变电力、石油等传统能源行业，而且有望被新能源、储能等领域关注和应用。下一步，更多叠加或将出现，更大的乘数效应将被释放。
要让叠加实现，首先要有合适的模型。
中国工程院院士、中国互联网协会咨询委员会主任邬贺铨认为，要进入产业应用，背后的模型就要改变，这不是博览群书就能做到的，还需要利用到很多行业的知识。问题在于，一方面从事人工智能技术开发的企业不了解产业需求；另一方面，实体产业的专家尚无法开发类似的大模型。
国网智能电网研究院计算及应用研究所所长周飞认为，产生这种问题的根源在于算法框架。“我们用的模型都是开源的，包括引入百度的飞桨框架做了一些工作。我们在开源的框架下做了一些有电力特色的算法和模型研究，但没有办法从架构设计时就实现为电力行业量身定制的效果。”他说。
当下，能源行业和IT行业已经开始寻求合作，在大模型的基础上实现升级，为数实融合寻找可行的路径。百度智能云AI和大数据平台总经理忻舟表示，如果可以获取并注入电力语料，让模型拥有电力基础知识，再经过少量精心标注的数据进行预训练，模型就可能产生处理电力系统特定任务的能力。
尝试突破多模态技术也是专家提出的解决思路。包括电力在内的传统工业行业中，大部分情况下都是正常运行，出现异常故障的情况很少。异常行为、突发状况都是典型的小样本，难以被大模型使用。针对这种小样本问题，中科院计算所智能信息处理重点实验室研究员王瑞平建议，可以引入多模态机器学习，如开发的视觉语言小样本模型，可以连接强大的预训练视觉和语言模型、处理任意交错的视觉和文本数据序列、无缝摄取图像或视频作为输入，仅使用少量注释示例即可构建可以快速适应众多任务的模型。
其次，要做好数据治理。
模型越大，准确率越高。大模型将AI从感知维度提升到理解维度，除了模型要合适，还需要大量的数据训练。吴文峻指出，大模型非常依赖数据，但不是从网上爬取数据后进行简单汇集就行，还要对数据进行预处理，才能更好地训练大模型。这意味着，如何打造优质的基础数据也是一个重要的问题。未来在一些领域可能会出现支撑性的模型，要想构造训练这类模型，就需要在基础数据方面做很多扎实的工作，包括共享数据、隐私保护、数据清洗、质量管理等，只有把数据治理好，才有可能打造面向不同领域的大模型。
南瑞集团南瑞研究院新技术应用研发中心副总工程师陆继翔则认为，现有预训练大模型搭配特定场景的大数据，然后经过迁移学习训练和微调，就能达到很好的效果。这就好比一个普通的足球运动员，已经具备运球和抢断等基本素质，然后再专门进行射门和抓机会等训练，就能成为一个前锋。他同时建议，要做好模型的轻量化，因为我们需要有专业的数据调用预训练好的模型，以生成更专业、更小、更细分的应用。
再次，要整合算力资源。
大模型需要强大算力支撑，根据的研究，AI训练所需算力呈指数级增长，且增长速度将超越硬件的摩尔定律。但当前，能源电力领域的算力资源较为分散，周飞指出，国家电网公司已经建立了三大电力先进智能计算平台，但还不足以支撑类GPT算力的算法需要，因此加强整合算力资源非常必要。
除了整合自身资源，借助统一平台购买算力也是未来的可选项。2月底，国内首个一体化算力交易调度平台——东数西算一体化算力服务平台正式上线。平台整合了宁夏地区零散算力资源，以支撑国内人工智能运算平台急需的大算力服务。但业内人士提醒，由于类似的一体化算力服务平台在市场中尚无成型的标准可依，平台建设还需要解决“标准化算力接口”等问题，这也是能源行业在借助外力时需要关注的地方。
最后，要拥有开放的心态。
在人工智能与能源行业的融合过程中，打破经验主义，形成鼓励创新的机制也非常重要。忻舟认为，经验是知识的组成部分，但经验往往会局限创新能力。在推进数字技术和电力行业融合的过程中，双方都需要用更宽容的心态，形成允许试错的文化，以打破藩篱，让数实融合有更好的落地效果。
在适合的模型、专业的数据、强大的算力和开放的心态的共同作用下，我们或将看到能源科技革命和通用人工智能的融合应用。正如邬贺铨所说，我国信息化发展处于最好的历史机遇期。无论是第一次工业革命，还是第二次工业革命，都是从面向产业应用开始的，至今还服务于实体经济，以信息化为代表的第三次工业革命，则是从面向消费应用开始的。在他看来，数字技术和实体经济的融合是第三次工业革命的核心，也是新经济的内涵。数实融合之路面临很多挑战，但这条新赛道也将是网络技术以及产业发展的新机遇。
近日，在《能源评论》杂志与国网智能电网研究院计算及应用研究所联合举办的学术沙龙上，各方专家深入研讨人工智能与能源变革相关话题：在新一轮人工智能技术热潮兴起之际，能源电力与人工智能有哪些新的合作契机？人工智能在能源行业的应用又有哪些问题亟待解决？不同场景的人工智能和产业生态应如何演进？
01
与大模型
周飞：我们正处在人工智能技术变革的进程中。作为一个现象级应用和人工智能新范式的代表，将对大幅度提升生产力发挥重要作用，其标杆意义可以与个人电脑、互联网的诞生相提并论。
吴春鹏：最大的意义是在大数据、大模型的基础上，结合认知游戏策略加强加深人机智慧协同，让人们更好地应用人工智能，实现破圈效应。
吴文峻：这种“暴力计算”模式成就了，但从本质上看，这来自算力的提高和模型工程化方法的极致优化。归根到底，算力的提升让这类语言大模型的规模超过阈值，其语言能力就有质的飞跃，即实现了“相变”。有人把现阶段深度神经网络的研究过程形象比作炼丹，其中，数据是金木水火土等自然元素，算法框架是用来炼丹的炉子，算力就是炼丹炉下的三昧真火。深度神经网络的研究者就好比炼丹师，通过调参数、改数据炼出一个个新的模型。但这种比喻隐藏着另一层意思，即炼丹式的人工智能研究更适合于学术界的实验室环境，但是这种炼丹作坊需要很高的成本，才能实现与业务场景的对接落地，非常不适用于大规模的工程应用。
忻舟：通常认为，人工智能模型的参数规模超过1亿就是大模型。原来的范式是要针对一个问题开发一个模型，新范式就是基于大模型，通过某种算法把大量的知识、先进的能力导入模型参数，依靠少量的数据激发其完成具体的任务。同时，数据在线上应用后，再回流至模型形成闭环，进而持续提升模型的智能水平。
02
能源电力应用有哪些
朱红：以电力规划为例，可以用人工智能技术，结合历史数据、经济数据、气象数据，主动发掘电网的薄弱环节，优化电网风险点阈值，设计相应的仿真方案，真正做到规划设计有依据，而且还可以进行演算确认规划结果的可靠性，进一步迭代提升规划有效性，使得规划由专家经验向科学决策转变。
郭锐：会较大幅度提升机器人的人机交互能力，未来将从以下四个方面发展：一是机器人的自主智能系统，二是仿生机器人，三是机器人类人灵巧作业、技能学习与知识增强，四是机器人交互与人机共融技术。
陆继翔：就是一个平台，可以调用为专业应用的接口，比如在调度里面通过智能分析做内容处理，最后映射到系统里面。同时可以生成更专业、更小、更细分的应用，做到轻量化应用。
徐博伦：电网储能必须依靠人工智能的辅助才能有效地参与电力系统运行与电力市场。做负荷预测的时候不能只强调负荷的准确度，还要强调负荷误差在系统调度中的影响，因为负荷峰值预测错了，会极大影响电力系统的运行稳定性。
03
如何与行业深度耦合
赵永生：人工智能技术在电力系统的应用还面临三个方面的问题：一是小样本学习的问题。因为电力业务中发生故障和缺陷案例较少，这些场景具有一定的离散性，属于比较典型的小样本学习类别。二是多模态融合的问题。电力应用中存在很多声音、图像以及文本等多模态融合场景，目前还没有有效的技术突破。三是验证评价问题。目前，行业内尚未建立统一的验证评价机制，存在模型和样本质量良莠不齐问题，尚未形成内外部协同发展的良好生态。推动解决了上述问题，才能把人工智能技术应用推向深入。
周飞：应用于电力至少要迈过三道坎：首先，如果要应用于电力认知推理，需要高质量的电力知识库，突破电力专业术语环境中的逻辑推理难题。其次，要具备实时在线处理能力，还有很大挑战。最后，需要与电力认知大模型采用的双向预测模式优势互补，提升人机对话中知识的精准提取和逻辑合理表达能力。
王瑞平：怎么把通用的大模型适配到专业的领域，是面向垂直领域应用时需要考虑的问题。以为例，对一般的知识，问答错误无伤大雅，但是对于重要的行业应用，比如医疗、安防、电力行业，准确性和精准度就很重要。这就需要把电力行业口口相传的知识转化成结构化的知识图谱，反馈给模型，进而提高模型精度。
忻舟：对人工智能企业而言，需要在保障安全的前提下将技术交付给用户，让它发挥价值。对电力企业而言，需要出台新的激励政策，避免让经验影响创新能力提升。一方面，要从企业文化层面鼓励创新试错；另一方面，也要鼓励员工找到问题，找到能把业务抽象成当前最新技术可以解决的模式和桥梁，并对提出这样好问题的员工给予激励。
吴杰：人工智能是建设新型电力系统的关键支撑技术。针对电网有很多场景难以穷举的问题，可以通过“非正常即异常”的技术手段扩展识别范围，比如识别输电线上可能会有丝巾、废弃气球等影响安全的物体，并将边缘站点分析的结果和故障样本数据上送。
04
拥抱人工智能新时代
吴文峻：以为基础模型架构的新产业生态，有可能彻底把“炼丹式”的人工智能研究变成一个工业化时代的人工智能应用推广。毫无疑问，我们站在了一个人工智能发展的十字路口上，正在从过去极尽复杂迈向“大道至简”，也让更多专用领域可以更容易地实现与人工智能的融合应用。此外，还要探索创新性思路，让人工智能利用自身强大的数据归纳和分析能力去学习电力系统的规律和原理，得出面向模型生态的新研究范式。在大模型预训练方式上，不采取现在的绝对集中方式，而是走集中和分布相结合的路线，依靠不同行业的专业信息，将小模型自主聚合成大模型。
周飞：目前，人工智能技术输出的结果不具有可解释性，很难说清其中的逻辑关系。因此，除了大参数量、大数据量和大计算量，未来还要引入大知识量的概念，强调认知的作用，包括发现、理解、加工、生成等环节。未来能源电力领域的人工智能技术不仅是依靠数学模型、靠数据驱动，还要具有逻辑推理能力，并以专业知识作为知识图谱，像人一样具有自己的世界观、方法论和逻辑体系。
相关文章
