最近ChatGPT爆火，在文字和視覺(jué)內(nèi)容的AIGC方向，確實(shí)達(dá)到了某種臨界值，涌現(xiàn)出“智能”。
趁著這個(gè)熱度，AI方向也很火，最近看了幾個(gè)能源、電力方向的AI創(chuàng)業(yè)公司的BP，感覺(jué)就是“干啥都沒(méi)想明白，就出來(lái)融資了”。
電力AI的春天真的來(lái)了嗎?
(來(lái)源：微信公眾號(hào)“魚眼看電改” 作者：俞慶)
回歸本質(zhì)，AIGC的奇點(diǎn)突破，個(gè)人覺(jué)得是三個(gè)因素的結(jié)合：
1、GPT是人類神經(jīng)元的仿生產(chǎn)物
NLP為代表的GPT類AI，是計(jì)算機(jī)神經(jīng)元網(wǎng)絡(luò)算法，其本質(zhì)是對(duì)人類大腦皮層的神經(jīng)元網(wǎng)絡(luò)模擬。
而語(yǔ)言、音樂(lè)、圖像，甚至味覺(jué)信息的處理和智能想象，都是人類大腦作為一種“蛋白質(zhì)計(jì)算機(jī)”，在長(zhǎng)期進(jìn)化中積累出來(lái)的功能。
所以GPT作為仿生產(chǎn)物，自然最適合處理同類的信息，也就是非結(jié)構(gòu)化的語(yǔ)言、音樂(lè)、圖像。
其處理的機(jī)制，也不是意義的理解，而是一種提煉、識(shí)別、聯(lián)想。這就是非常吊詭的一件事。
早期的語(yǔ)音語(yǔ)義識(shí)別算法，本質(zhì)上是建立語(yǔ)法模型和語(yǔ)音庫(kù)，然后把語(yǔ)音對(duì)應(yīng)到詞匯，再把詞匯放到語(yǔ)法庫(kù)里去理解詞匯的意義，最后得到識(shí)別結(jié)果。
這種基于“邏輯機(jī)理”的語(yǔ)法識(shí)別，識(shí)別效率一直徘徊在70%左右，比如IBM在上世紀(jì)90年代推出的ViaVoice識(shí)別算法。
AIGC不是這么去玩，其本質(zhì)是不去管什么語(yǔ)法，而是建立一個(gè)神經(jīng)元網(wǎng)絡(luò)算法，讓計(jì)算機(jī)自己去統(tǒng)計(jì)不同詞匯之間的概率聯(lián)系，是神經(jīng)元的聯(lián)系，而不是語(yǔ)義的聯(lián)系。
很像我們小時(shí)候?qū)W母語(yǔ)，我們自然就學(xué)會(huì)了，而不是一開(kāi)始去學(xué)習(xí)“主謂賓、狀定補(bǔ)”，然后去理解一段話。
這就是AI的思維模型，是識(shí)別，而不是理解。
這也是AI對(duì)所有經(jīng)典機(jī)理模型的顛覆意義——計(jì)算機(jī)不用在邏輯層理解這件事，而是識(shí)別、認(rèn)識(shí)到內(nèi)在信息之間的關(guān)聯(lián)關(guān)系，就知道了。
比如電網(wǎng)的潮流狀態(tài)和潮流預(yù)測(cè)，基于經(jīng)典電力網(wǎng)絡(luò)仿真，是建立機(jī)理數(shù)學(xué)模型，然后用矩陣算法去收斂。未來(lái)可能不需要了，AI直接就根據(jù)每個(gè)節(jié)點(diǎn)的狀態(tài)去識(shí)別和預(yù)測(cè)出某個(gè)模態(tài)班圖(Pattern)。
節(jié)點(diǎn)越多，而經(jīng)典矩陣算法越不喜歡，因?yàn)樗惴◤?fù)雜度隨節(jié)點(diǎn)數(shù)量增加，幾何級(jí)數(shù)的增加，而AI偏偏喜歡超大規(guī)模的節(jié)點(diǎn)并發(fā)，因?yàn)樽R(shí)別和預(yù)測(cè)最可能的網(wǎng)絡(luò)模態(tài)是AI擅長(zhǎng)的。
無(wú)論是圍棋的下一步預(yù)測(cè)(AlphaGO可以預(yù)測(cè)后面幾十步，每一步都有無(wú)數(shù)種可能)，還是天氣復(fù)雜系統(tǒng)的模態(tài)預(yù)測(cè)，AI的精確度都比機(jī)理模型高很多。
電網(wǎng)之所以目前不需要AI，是因?yàn)槭〖?jí)調(diào)度管理的220kV及以上的電力網(wǎng)絡(luò)，節(jié)點(diǎn)數(shù)量不多，而且設(shè)置了很多條件對(duì)矩陣線性化，稀疏化，極大降低了機(jī)理模型的計(jì)算復(fù)雜度。
但是到了配網(wǎng)潮流階段，面對(duì)一個(gè)大型配電網(wǎng)里幾萬(wàn)、幾十萬(wàn)的電源節(jié)點(diǎn)、負(fù)荷節(jié)點(diǎn)、傳統(tǒng)矩陣算法是無(wú)力的。
我認(rèn)為未來(lái)AI在配網(wǎng)層面的模式識(shí)別將成為可能。
2、非結(jié)構(gòu)化信息的積累、訓(xùn)練與生成
AIGC之所以獲得突破，第二個(gè)原因是信息的積累程度。從語(yǔ)音的A/D轉(zhuǎn)換(麥克風(fēng)+PCM采樣)，到圖像的A/D化(CMOS+色彩空間映射)，人類過(guò)去幾十年，用極低成本的方式，積累了視覺(jué)、聽(tīng)覺(jué)領(lǐng)域的全息數(shù)據(jù)。
尤其是攝像頭、智能手機(jī)的大規(guī)模普及，人類在視聽(tīng)領(lǐng)域的，非結(jié)構(gòu)化數(shù)據(jù)積累幾乎零成本，互聯(lián)網(wǎng)上文字信息的爆發(fā)性積累，是AIGC訓(xùn)練的關(guān)鍵——訓(xùn)練數(shù)據(jù)集不要錢。
上圖是全球數(shù)據(jù)的增長(zhǎng)趨勢(shì)，明顯呈現(xiàn)指數(shù)級(jí)趨勢(shì)，這種數(shù)據(jù)積累的非線性增長(zhǎng)，是AIGC能力非線性增長(zhǎng)的基礎(chǔ)。
BUT，這些數(shù)據(jù)大部分都是非結(jié)構(gòu)化的視聽(tīng)數(shù)據(jù)，是零成本積累的。
在電力領(lǐng)域，這點(diǎn)是做不到的，首先電力行業(yè)絕大多數(shù)是結(jié)構(gòu)化、半結(jié)構(gòu)化數(shù)據(jù)，比如電壓、電流，是時(shí)間序列的點(diǎn)數(shù)據(jù)集合，是半結(jié)構(gòu)化的。
結(jié)構(gòu)性數(shù)據(jù)集合，需要讓計(jì)算機(jī)理解，是需要“對(duì)齊”的，比如設(shè)備對(duì)齊——一個(gè)開(kāi)關(guān)的電壓、電流、功率數(shù)據(jù)，都需要對(duì)齊到這個(gè)節(jié)點(diǎn)上。
還有更麻煩的是時(shí)間對(duì)齊，要根據(jù)時(shí)標(biāo)去對(duì)齊電壓、電流、有功無(wú)功，這樣才能后續(xù)識(shí)別。還有正反向，是四象限的空間對(duì)齊。
不像文本數(shù)據(jù)，不用對(duì)齊，一段話扔給計(jì)算機(jī)就行了，它自己去識(shí)別出可能的信息關(guān)聯(lián)。
為了對(duì)齊這件事，比如營(yíng)配數(shù)據(jù)的設(shè)備對(duì)齊，而且是不斷需要對(duì)齊，因?yàn)橹械蛪号渚W(wǎng)每天都在增刪改設(shè)備和線路，電網(wǎng)公司花費(fèi)巨大的人工成本。
和“數(shù)據(jù)標(biāo)注”一樣，這件事計(jì)算機(jī)做不了。
其次，電力領(lǐng)域的數(shù)據(jù)獲取成本很高，都要裝傳感器，而不是有個(gè)手機(jī)就能說(shuō)話拍照。電壓每降低一個(gè)等級(jí)(或者配電關(guān)系每降低一個(gè)層級(jí))，所需傳感器投資至少增加一個(gè)數(shù)量級(jí)，要做到負(fù)荷側(cè)(毛細(xì)血管末端)的感知，那更是天量的數(shù)字化投資。
如果要識(shí)別電網(wǎng)暫態(tài)模式，那需要高精度高頻采樣，那成本就更高。
因?yàn)閿?shù)據(jù)獲取和數(shù)據(jù)對(duì)齊的邊際成本極高，導(dǎo)致電網(wǎng)目前無(wú)法積累足夠的、呈非線性增長(zhǎng)的數(shù)據(jù)信息，去訓(xùn)練一個(gè)達(dá)到AI奇點(diǎn)的算法。
更別說(shuō)數(shù)據(jù)的開(kāi)放性，一個(gè)電力AI創(chuàng)業(yè)公司，是不可能拿到這些數(shù)據(jù)的。
所以AI之前，必先解決數(shù)據(jù)集的問(wèn)題，否則通用AI代碼是訓(xùn)練不出一個(gè)好的AI的。
3、算力突破
AIGC的奇點(diǎn)突破，除了算法和數(shù)據(jù)，還有就是算力突破，傳統(tǒng)CPU不適合做大規(guī)模并發(fā)的神經(jīng)元計(jì)算的，恰好是GPU在3D游戲和影視方面的應(yīng)用，使得大規(guī)模并行的浮點(diǎn)+流計(jì)算成為可能，摩爾定律更使得單位算力的計(jì)算成本下降。
電網(wǎng)AI，未來(lái)必然的趨勢(shì)
隨著大量分布式光伏、分布式儲(chǔ)能的并網(wǎng)，以及負(fù)荷側(cè)虛擬電廠的應(yīng)用需求，客觀上需要對(duì)公共配電網(wǎng)系統(tǒng)、用戶配(微)電網(wǎng)系統(tǒng)，進(jìn)行源、荷預(yù)測(cè)，以及配(微)網(wǎng)的實(shí)時(shí)潮流優(yōu)化。
配網(wǎng)側(cè)的計(jì)算復(fù)雜度其實(shí)高于輸電網(wǎng)調(diào)度，即使一個(gè)商業(yè)綜合體，負(fù)荷設(shè)備就可能幾萬(wàn)幾十萬(wàn)，開(kāi)關(guān)成百上千，基于AI的微網(wǎng)/配網(wǎng)運(yùn)行控制需求將會(huì)出現(xiàn)。
而傳感器的低成本化，固態(tài)變壓器、固態(tài)開(kāi)關(guān)、逆變器(變流器)等功率電子設(shè)備大量使用，在電網(wǎng)邊緣的感知-計(jì)算-控制融合也成為創(chuàng)新的趨勢(shì)。
所以電網(wǎng)的AIGC，是未來(lái)。只不過(guò)，今天需要的，不是馬上拿個(gè)AI算法出來(lái)圈錢，
而是先解決AI所需的數(shù)據(jù)基礎(chǔ)構(gòu)建問(wèn)題
在AIGC的熱潮中，對(duì)電力AI的應(yīng)用水平與未來(lái)，需要有足夠的冷靜思考。
目前電力AI意義不大：比如一個(gè)預(yù)測(cè)精度90%的光伏算法，放到交易偏差門檻5%的現(xiàn)貨市場(chǎng)里，算法偏差就把交易利潤(rùn)全部干完了。
數(shù)據(jù)是水，算法算力是渠，水到渠成。
評(píng)論