人工智能与能源科技革命——叠加的浪潮 

　　策划／本刊编辑部   执笔/本刊记者   张越月 

　　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ChatGPT，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。 

　　本期封面策划，《能源评论》将通过观察ChatGPT这个冰山一角，呈现通用人工智能的机理，分析其如何与能源行业结合。我们期待，“能源电力+人工智能”的新赛道将出现精彩加速。 

　　实现“每月用户活跃数量达到1亿”目标，电话用了75年、手机用了16年、社交媒体推特用了5年、短视频社交平台TikTok用了9个月，对话式大型语言模型ChatGPT只用了2个月。 

　　“好用”是ChatGPT赢得青睐的关键原因。根据不少用户体验，ChatGPT在回答问题时用词到位、反应迅速，还能承认错误并自我修正。它的“出圈”还证明了以海量大数据和超大参数为基础的大模型方案在发展通用人工智能方案上是可行的。 

　　按照应用分类，人工智能（AI）包括专用人工智能和通用人工智能。专用人工智能主要面向特定领域、特定任务，由于需求明确、应用边界清晰，模型小相对简单，人工智能目前的应用大多属于专用人工智能领域。通用人工智能则是指功能类似人脑的智能系统，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类复杂问题。但和专用人工智能相比，通用人工智能一直处于起步阶段。 

　　ChatGPT的出现或将改变通用人工智能的地位，除了解决“有专才而无通才”的问题，通用人工智能也为人工智能技术在垂直领域的落地创造了可能。面对潜在的机遇，能源电力行业应该如何用好“大模型+大数据+高算力”？ 

　　带着疑问和期待，《能源评论》进行了一场跨界探索。我们查阅了与这个话题相关的文献，联合国网智能电网研究院计算及应用研究所组织了线上与线下结合学术沙龙，与来自学界、业界的专家进行交流。此外，我们与ChatGPT直接就“人工智能与能源电力科技的发展”进行了对话。 

　　我们发现，大模型可以推动能源行业自动化升级、还可以参与构建电力智慧认知大脑，但在人工智能与能源电力行业融合的过程中，我们势必遇到来自技术、数据和安全的挑战。要迎接挑战，开放的心态、跨界的智慧、接驳的耐心缺一不可。 

　　“通用人工智能”浪潮再起 

　　一位业内人士曾作出过这样的比喻，基础模型好比接受了九年义务教育的学生，因为有了基础教育“打底”，它展示出在垂直领域应用的无限可能。正如2月24日，科技部高新技术司司长陈家昌在国新办举行的“深入实施创新驱动发展战略，加快建设科技强国”发布会上所说，ChatGPT最近形成了一种现象级的应用，表现出很高的人机交互水平，也表明自然语言的大模型已经具备了面向通用人工智能的一些特征，在众多行业领域有着广泛的应用潜力。 

　　如他所说，推动ChatGPT走向“C位”的关键是经过预训练的大模型，这是一种经过训练以理解和生成自然语言的深度学习模型，在利用大规模的文本数据进行训练后，可以实现自动摘要、机器翻译和回答问题等功能。 

　　大型语言模型算法的核心是自然语言处理技术，它能把人类语言转化成机器可识别的语言进行分析处理，再把结果转化成人类可使用语言的技术。当下，这种技术最常见的应用场景是购物网站。当顾客需要寻求帮助时，能找到的默认客服大都是机器人，机器人通过抓取顾客留言的语音关键词，进行聚类分析，并根据得到的关键词尝试给出解决方案。这种方式大大节省了人力，但也难免会出现误判。 

　　预训练大模型在此前自然语言处理技术的基础上实现了升级，它利用上下文来预测判断语句。通过大量语料训练，模型分析预测一个词之后最可能被生成的词。它的应用范围，也从简单的问答和分析，拓展到了收集资料、校正语句以及归纳总结。 

　　IDC在今年2月发布的《2022中国大模型发展白皮书》中认为，人工智能已进入大规模落地应用的关键时期，而大模型的通用性、泛化性以及新开发范式，能够解决落地门槛过高、数据资源有限、应用开发“重复造轮子”等问题。 

　　在大模型出现之前，AI模型的通用性不强，一个模型仅专用于特定领域，即“一个模型一个场景”，换个场景就要从0开始重新开发。这也限制了AI与更多领域的融合应用。而正如业内人士所说，大模型提供了一种“预训练大模型+下游任务微调”的全新模式，可以大大提高模型的泛化能力。浪潮信息AI软件研发总监吴韶华指出，经过预训练的大模型可以让研究机构和企业不必从0做起，而是可以在大模型的基础上，从60或者从90开始做到100。 

　　当下，通用大模型应用的大门已经被打开。陈家昌表示，科技部下一步将推动人工智能与经济社会深度融合，在重大应用场景中锤炼技术，升级迭代，培育市场。国家人工智能标准化总体组副组长、北京航空航天大学人工智能研究院教授吴文峻也指出，未来新的业态是预训练大模型，即大数据、算法和算力发展的新阶段。预训练大模型可以作为一个基础的模型去支撑研发更多应用领域的模型，形成一种新的业态。 

　　能源电力，正是通用大模型的重要应用场景。 

　　能源电力是关键应用场景 

　　 对于“AI如何影响能源行业”这个问题，我们两次“请教”了ChatGPT，获得了两组共八条回答。回答覆盖了能源生产、输送和使用多个环节，如在勘探和生产环节提高效率、使用智能电表和楼宇管理系统以及预测能源需求以实现可再生能源与电网的优化整合。它还给出一条结论：AI给能源行业带来的变化主要体现为“提高效率”——通过使用机器学习算法优化流程，提高能源生产和分配的效率。 

　　据记者了解，在过去几年里，包括深度学习、机器人等技术已经被用于能源行业的诸多细分领域。 

　　在煤炭领域，包括多模态识别与决策、机器深度学习、机器人群协同控制为代表的人工智能技术在煤炭开采中实现了广泛应用。机器人可以代替人，精准完成井下作业。 

　　在电力领域，AI已被广泛应用于电力行业的系统规划、勘察设计、施工管理、安全与控制、市场分析，以及运维与故障诊断等方面，特别是在负荷预测、需求响应、车网协同等方面，专家系统、人工神经网络、模糊集理论以及启发式搜索等技术支撑了电力系统的稳定与发展。 

　　在油气领域，石油企业和研究机构已经利用机器学习、深度学习等人工智能技术，在曲线重构、岩性识别、储层参数预测、油气水层识别、智能分层、成像测井等方面开展探索。 

　　在储能领域，AI已经被用来优化储能配置，制定合理选型方案，进而提高系统惯性和电能质量，降低建设成本。在控制系统中，人工智能可以提供储能和其他电源的协调控制策略，进而实现削峰填谷，改善电压功率分布，降低运行成本，提升储能系统的安全性。 

　　 但是，ChatGPT训练的数据都来自2021年之前，因此它并不知道，通用人工智能与能源领域的融合已经开启。 

　　在电力领域，国网智能电网研究院于2022年联合百度研发电力行业自然语言大模型“国网-百度·文心”，通过在海量数据中挖掘电力行业数据，引入电力业务积累的样本数据和特有知识，提升了传统电力专用模型的精度，而且大幅降低了研发门槛。 

　　在石油领域，厦门大学也在去年推出基于经验模态分解和长短期记忆算法的混合深度学习预测模型，从自然语言处理角度，根据最新的文本新闻和历史财务记录来捕捉原油价格的趋势，以提高对原油价格的预测精度。 

　　两股浪潮如何叠加？ 

　　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。 

　　2月27日，中共中央、国务院印发《数字中国建设整体布局规划》（以下简称“《规划》”）。《规划》从数字基础设施、数据要素、平台经济、数字技术等方面为我国数字经济发展提供远期目标，并明确了“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”的要求。 

　　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，这不仅是博览群书就能做到，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ChatGPT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，如果可以获取并使用电力语料进行注入，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DeepMind开发的视觉语言小样本模型Flamingo，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，但不是从网上扒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，就需要对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OpenAI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，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。