大模型吃掉的電，再用AI省回來？？？

衡宇 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

算力吃緊、能耗報警，ChatGPT等AI大模型訓練起來，消耗不小。

僅GPT-3訓練時，單次訓練耗電量就達到了1287兆瓦時，消費的能源足以讓人開車往返地球到月球一次。

如今全球范圍內(nèi)群模大戰(zhàn)，需要消耗的能源和產(chǎn)生的碳排放體量之巨大，可以想見。

但事無絕對，AI燒能源，卻也能節(jié)省能源，并且有人正在用AI的能力做這樣的事。

這幾年來，孫東來就帶領著他的團隊在做利用AI，使用AI技術，盡可能實現(xiàn)企業(yè)的精益能源管理。

孫東來畢業(yè)于上海交通大學信息與通信系統(tǒng)專業(yè)，在法國獲得計算機博士學位后，歸國創(chuàng)立極熵科技，并同時擔任上海人工智能研究院特聘研究員、中國產(chǎn)業(yè)計量與能碳評估技術委員會執(zhí)行秘書長等。

他曾發(fā)表SCI/EI及高水平學術論文10余篇，參與多項國家級重點研發(fā)計劃項目，現(xiàn)在，孫東來跟隨浙江大學能源工程學院高翔院士，進行AI智慧能源模型的課題研究。

并且，帶領他所創(chuàng)建的極熵，參與了10多項國家標準及團體標準編寫。

要了解這個團隊到底在做什么，可以從他們剛剛發(fā)布的產(chǎn)品，AI精益能源管理平臺開始講起。

AI+能源管理，能做什么？

簡單理解這個產(chǎn)品，就是對企業(yè)能源進行精益管理，并在過程中引入特征識別、時序預測、遷移學習等等多種AI技術。

如此一來，耗能成本、度電成本、能源運維成本都能降低。更直觀地用數(shù)字結果來看，平均可提升能效15%以上。

這里的“精益管理”是企業(yè)管理方式的一種，基本目的是提質(zhì)提效，減少浪費。

其與傳統(tǒng)能源管理的不同，就是能夠給予數(shù)據(jù)，對能源的各個使用環(huán)節(jié)精細化管理，了然于胸，以達到節(jié)能降耗和減排的目的。

之所以把AI和精益管理運用到能源行業(yè)，是因為孫東來提到的一個行業(yè)現(xiàn)狀：

能源行業(yè)還處于數(shù)字化、信息化和智能化的探索期，許多企業(yè)和一線員工的思維仍停留在傳統(tǒng)的自動化管理模式階段，雖然會對各個流程的數(shù)據(jù)進行收集，但“停留在表面”。

生動些講，能源在生產(chǎn)、傳輸中產(chǎn)生的數(shù)據(jù)，僅僅成為停留在表格上的一個個數(shù)字。

“數(shù)據(jù)其實不只是數(shù)字，更是業(yè)務流程的表征?！睂O東來眼中對數(shù)據(jù)的重視，是通過對數(shù)據(jù)的采集、傳輸、整理，產(chǎn)出管理決策，而非單純地“對數(shù)據(jù)進行監(jiān)控”這個行為。

于是，從這個想法出發(fā)，在傳統(tǒng)能源監(jiān)測的能源拓撲配置、數(shù)據(jù)監(jiān)測可視化等能力基礎上，引入了許多新的AI應用，向低碳、綠色的方向進行調(diào)整。

具體包括：

場景化能源建模

AI能源基線管理及績效指標考核評定

精細化用能成本核算分析

節(jié)能改造收益的預測及實時追蹤評估

AI能源分析結論精準推送

最基礎的，利用AI算法，能基于設備歷史數(shù)據(jù)與用能趨勢進行特征分析，識別設備運行狀態(tài)；然后對全域能源運行情況進行診斷分析，評估是否需對當前生產(chǎn)用能情況進行調(diào)整。

據(jù)介紹，AI精益能源管理平臺目前在識別能源使用單元方面的準確率，高于99%。

再例如具體到能源分析場景，可以利用平臺實現(xiàn)生產(chǎn)能效分析。

簡單來說，就是針對用能單元的產(chǎn)量與用能，對產(chǎn)品的單耗進行核算，結合基線值、先進值，輸出分析結論，并將單耗反映至班組班次。

再加上在特定時間跨度下，對廠區(qū)、生產(chǎn)線、車間、工段，進行橫縱向能耗對比分析，就能為企業(yè)了解能源的實際配比需求提供更精準的支持。

相比傳統(tǒng)能源管理，AI和精益管理的參與，可以利用數(shù)據(jù)和算法，實現(xiàn)多維的成本、用量、碳排放綜合優(yōu)化。

大模型進入能源行業(yè)，有戲嗎？

AI能幫助企業(yè)開啟能耗瘦身模式，那當下AI領域風頭最盛的大模型，是否也能開啟雙碳經(jīng)濟的新一頁？

在“大模型將重塑所有行業(yè)”的主流聲音下，孫東來口中出現(xiàn)的答案有些令人意外。

AI背景出身，長期浸泡在能源行業(yè)的孫東來有一個切身感知，那就是AI行業(yè)和能源行業(yè)兩方從業(yè)者，對互相的理解有一些“gap”。

能源行業(yè)對AI、對大模型的能力有目共睹，也期望大模型帶來很多驚喜，但“現(xiàn)階段的大模型和能源行業(yè)可能沒有那么適配”。

直接在能源行業(yè)應用通用于訓練大模型，效果應該會大大低于預期；但不排除行業(yè)小模型，能夠讓行業(yè)減少人力和一些成本。

總之，孫東來認為現(xiàn)階段的能源行業(yè)，哪怕有行業(yè)小模型的接入，仍然離不開傳統(tǒng)的物理模型與管理模式。

何出此言？孫東來給出了不少理由。

首先，受制于能源行業(yè)業(yè)務結構復雜，數(shù)字化整合水平有限，整個領域的數(shù)據(jù)質(zhì)量都比較差。

除了通過數(shù)字化轉型能夠收集到的設備數(shù)據(jù)以外，對能源過程有關鍵影響的數(shù)據(jù)還包括生產(chǎn)管理、工藝流程甚至企業(yè)經(jīng)營經(jīng)濟數(shù)據(jù)等等。

并且還要讓這些數(shù)據(jù)能夠在時間和空間尺度上精確對應，才能綜合提供用于能源分析優(yōu)化的信息量。

以行業(yè)現(xiàn)狀而言，大部分企業(yè)能夠提供的數(shù)據(jù)量和置信度，距離能讓大模型有足夠質(zhì)量的產(chǎn)出還相當遙遠。

ChatGPT那樣千億甚至萬億規(guī)模的數(shù)據(jù)，還得是可用的優(yōu)質(zhì)數(shù)據(jù)，對能源行業(yè)“簡直是天方夜譚”。

其次，能源行業(yè)中，AI模型要解決的問題具備更強的結構化特征，對輸出結果要求更高的行業(yè)專業(yè)性。

大模型所解決的問題特征更傾向于“結構性和邏輯性相對弱，訓練集內(nèi)容偏向于蘊含普遍知識”的大量數(shù)據(jù)，從這個點來看，其與能源行業(yè)的匹配度并不高。

最不能忽視的一點是，能源系統(tǒng)對安全性和健壯性的要求極高，但眾所周知，當前大模型的幻覺問題仍不可控，難以在全工況條件下滿足安全基線要求。

單純就對大模型幻覺而言，能源行業(yè)并不一定比其他行業(yè)更嚴苛和挑剔。
但鑒于能源行業(yè)的特殊性，大模型應該不會直接完全部署大模型，只能讓它做輔助。

舉個栗子

傳統(tǒng)流程中，能源行業(yè)為了做安全邊界管理，開啟能源使用開關時會有操作票系統(tǒng)。

要開啟開關，就需要業(yè)務條線和安全管理條線的兩個人，同時拿出操作票，分別對著系統(tǒng)念出操作票上的具體操作內(nèi)容，并且完全按照復述進行操作。

這類流程，主要解決的是標準操作過程中人員自身的不確定性，最大限度保障操作的安全性。

如果行業(yè)小模型接入，更多也是在此類流程中引入額外的風險評估和預警動作，但仍然會處于輔助地位，而非絕對的全盤替代或接管。

行業(yè)的發(fā)展趨勢，反而更傾向于采用機器人等技術，進一步降低流程中的不可靠因素，從而起到提高安全性的效果。

再加上能源行業(yè)應用場景復雜，單一模型無法擬合，需要構建模型群，綜合各個維度，大模型和能源行業(yè)想要牽手，中間的障礙不是一兩日能夠跨越的。

不過現(xiàn)階段，利用AI精益能源管理平臺在手，極熵科技已經(jīng)和KDDI上海公司達成合作，預計將幫助中國和亞太地區(qū)的至少500家制造企業(yè)實現(xiàn)零碳目標。

而孫東來也期望著，針對能源行業(yè)的實際情況，能夠出現(xiàn)高質(zhì)量、小規(guī)模數(shù)據(jù)集，并通過對其的應用，實現(xiàn)降耗節(jié)能。