最近ChatGPT爆火，在文字和视觉内容的AIGC方向，确实达到了某种临界值，涌现出“智能”。

趁着这个热度，AI方向也很火，最近看了几个能源、电力方向的AI创业公司的BP，感觉就是“干啥都没想明白，就出来融资了”。

电力AI的春天真的来了吗？

(资料图片)

（来源：微信公众号“鱼眼看电改” 作者：俞庆）

回归本质，AIGC的奇点突破，个人觉得是三个因素的结合：

1、GPT是人类神经元的仿生产物

NLP为代表的GPT类AI，是计算机神经元网络算法，其本质是对人类大脑皮层的神经元网络模拟。

而语言、音乐、图像，甚至味觉信息的处理和智能想象，都是人类大脑作为一种“蛋白质计算机”，在长期进化中积累出来的功能。

所以GPT作为仿生产物，自然最适合处理同类的信息，也就是非结构化的语言、音乐、图像。

其处理的机制，也不是意义的理解，而是一种提炼、识别、联想。这就是非常吊诡的一件事。

早期的语音语义识别算法，本质上是建立语法模型和语音库，然后把语音对应到词汇，再把词汇放到语法库里去理解词汇的意义，最后得到识别结果。

这种基于“逻辑机理”的语法识别，识别效率一直徘徊在70%左右，比如IBM在上世纪90年代推出的ViaVoice识别算法。

AIGC不是这么去玩，其本质是不去管什么语法，而是建立一个神经元网络算法，让计算机自己去统计不同词汇之间的概率联系，是神经元的联系，而不是语义的联系。

很像我们小时候学母语，我们自然就学会了，而不是一开始去学习“主谓宾、状定补”，然后去理解一段话。

这就是AI的思维模型，是识别，而不是理解。

这也是AI对所有经典机理模型的颠覆意义——计算机不用在逻辑层理解这件事，而是识别、认识到内在信息之间的关联关系，就知道了。

比如电网的潮流状态和潮流预测，基于经典电力网络仿真，是建立机理数学模型，然后用矩阵算法去收敛。未来可能不需要了，AI直接就根据每个节点的状态去识别和预测出某个模态班图（Pattern）。

节点越多，而经典矩阵算法越不喜欢，因为算法复杂度随节点数量增加，几何级数的增加，而AI偏偏喜欢超大规模的节点并发，因为识别和预测最可能的网络模态是AI擅长的。

无论是围棋的下一步预测（AlphaGO可以预测后面几十步，每一步都有无数种可能），还是天气复杂系统的模态预测，AI的精确度都比机理模型高很多。

电网之所以目前不需要AI，是因为省级调度管理的220kV及以上的电力网络，节点数量不多，而且设置了很多条件对矩阵线性化，稀疏化，极大降低了机理模型的计算复杂度。

但是到了配网潮流阶段，面对一个大型配电网里几万、几十万的电源节点、负荷节点、传统矩阵算法是无力的。

我认为未来AI在配网层面的模式识别将成为可能。

2、非结构化信息的积累、训练与生成

AIGC之所以获得突破，第二个原因是信息的积累程度。从语音的A/D转换（麦克风+PCM采样），到图像的A/D化（CMOS+色彩空间映射），人类过去几十年，用极低成本的方式，积累了视觉、听觉领域的全息数据。

尤其是摄像头、智能手机的大规模普及，人类在视听领域的，非结构化数据积累几乎零成本，互联网上文字信息的爆发性积累，是AIGC训练的关键——训练数据集不要钱。

上图是全球数据的增长趋势，明显呈现指数级趋势，这种数据积累的非线性增长，是AIGC能力非线性增长的基础。

BUT，这些数据大部分都是非结构化的视听数据，是零成本积累的。

在电力领域，这点是做不到的，首先电力行业绝大多数是结构化、半结构化数据，比如电压、电流，是时间序列的点数据集合，是半结构化的。

结构性数据集合，需要让计算机理解，是需要“对齐”的，比如设备对齐——一个开关的电压、电流、功率数据，都需要对齐到这个节点上。

还有更麻烦的是时间对齐，要根据时标去对齐电压、电流、有功无功，这样才能后续识别。还有正反向，是四象限的空间对齐。

不像文本数据，不用对齐，一段话扔给计算机就行了，它自己去识别出可能的信息关联。

为了对齐这件事，比如营配数据的设备对齐，而且是不断需要对齐，因为中低压配网每天都在增删改设备和线路，电网公司花费巨大的人工成本。

和“数据标注”一样，这件事计算机做不了。

其次，电力领域的数据获取成本很高，都要装传感器，而不是有个手机就能说话拍照。电压每降低一个等级（或者配电关系每降低一个层级），所需传感器投资至少增加一个数量级，要做到负荷侧（毛细血管末端）的感知，那更是天量的数字化投资。

如果要识别电网暂态模式，那需要高精度高频采样，那成本就更高。

因为数据获取和数据对齐的边际成本极高，导致电网目前无法积累足够的、呈非线性增长的数据信息，去训练一个达到AI奇点的算法。

更别说数据的开放性，一个电力AI创业公司，是不可能拿到这些数据的。

所以AI之前，必先解决数据集的问题，否则通用AI代码是训练不出一个好的AI的。

3、算力突破

AIGC的奇点突破，除了算法和数据，还有就是算力突破，传统CPU不适合做大规模并发的神经元计算的，恰好是GPU在3D游戏和影视方面的应用，使得大规模并行的浮点+流计算成为可能，摩尔定律更使得单位算力的计算成本下降。

电网AI，未来必然的趋势

随着大量分布式光伏、分布式储能的并网，以及负荷侧虚拟电厂的应用需求，客观上需要对公共配电网系统、用户配（微）电网系统，进行源、荷预测，以及配（微）网的实时潮流优化。

配网侧的计算复杂度其实高于输电网调度，即使一个商业综合体，负荷设备就可能几万几十万，开关成百上千，基于AI的微网/配网运行控制需求将会出现。

而传感器的低成本化，固态变压器、固态开关、逆变器（变流器）等功率电子设备大量使用，在电网边缘的感知-计算-控制融合也成为创新的趋势。

所以电网的AIGC，是未来。只不过，今天需要的，不是马上拿个AI算法出来圈钱，

而是先解决AI所需的数据基础构建问题

在AIGC的热潮中，对电力AI的应用水平与未来，需要有足够的冷静思考。

目前电力AI意义不大：比如一个预测精度90%的光伏算法，放到交易偏差门槛5%的现货市场里，算法偏差就把交易利润全部干完了。

数据是水，算法算力是渠，水到渠成。

关键词：