大模型吃掉的电，再用AI省回来？？？

站长网2023-07-18 03:17:020阅

算力吃紧、能耗报警，ChatGPT等AI大模型训练起来，消耗不小。

仅GPT-3训练时，单次训练耗电量就达到了1287兆瓦时，消费的能源足以让人开车往返地球到月球一次。

如今全球范围内群模大战，需要消耗的能源和产生的碳排放体量之巨大，可以想见。

但事无绝对，AI烧能源，却也能节省能源，并且有人正在用AI的能力做这样的事。

这几年来，孙东来就带领着他的团队在做利用AI，使用AI技术，尽可能实现企业的精益能源管理。

孙东来毕业于上海交通大学信息与通信系统专业，在法国获得计算机博士学位后，归国创立极熵科技，并同时担任上海人工智能研究院特聘研究员、中国产业计量与能碳评估技术委员会执行秘书长等。

他曾发表SCI/EI及高水平学术论文10余篇，参与多项国家级重点研发计划项目，现在，孙东来跟随浙江大学能源工程学院高翔院士，进行AI智慧能源模型的课题研究。

并且，带领他所创建的极熵，参与了10多项国家标准及团体标准编写。

要了解这个团队到底在做什么，可以从他们刚刚发布的产品，AI精益能源管理平台开始讲起。

AI 能源管理，能做什么?

简单理解这个产品，就是对企业能源进行精益管理，并在过程中引入特征识别、时序预测、迁移学习等等多种AI技术。

如此一来，耗能成本、度电成本、能源运维成本都能降低。更直观地用数字结果来看，平均可提升能效15%以上。

这里的“精益管理”是企业管理方式的一种，基本目的是提质提效，减少浪费。

其与传统能源管理的不同，就是能够给予数据，对能源的各个使用环节精细化管理，了然于胸，以达到节能降耗和减排的目的。

之所以把AI和精益管理运用到能源行业，是因为孙东来提到的一个行业现状:

能源行业还处于数字化、信息化和智能化的探索期，许多企业和一线员工的思维仍停留在传统的自动化管理模式阶段，虽然会对各个流程的数据进行收集，但“停留在表面”。

生动些讲，能源在生产、传输中产生的数据，仅仅成为停留在表格上的一个个数字。

“数据其实不只是数字，更是业务流程的表征。”孙东来眼中对数据的重视，是通过对数据的采集、传输、整理，产出管理决策，而非单纯地“对数据进行监控”这个行为。

于是，从这个想法出发，在传统能源监测的能源拓扑配置、数据监测可视化等能力基础上，引入了许多新的AI应用，向低碳、绿色的方向进行调整。

具体包括:

场景化能源建模

AI能源基线管理及绩效指标考核评定

精细化用能成本核算分析

节能改造收益的预测及实时追踪评估

AI能源分析结论精准推送

最基础的，利用AI算法，能基于设备历史数据与用能趋势进行特征分析，识别设备运行状态;然后对全域能源运行情况进行诊断分析，评估是否需对当前生产用能情况进行调整。

据介绍，AI精益能源管理平台目前在识别能源使用单元方面的准确率，高于99%。

再例如具体到能源分析场景，可以利用平台实现生产能效分析。

简单来说，就是针对用能单元的产量与用能，对产品的单耗进行核算，结合基线值、先进值，输出分析结论，并将单耗反映至班组班次。

再加上在特定时间跨度下，对厂区、生产线、车间、工段，进行横纵向能耗对比分析，就能为企业了解能源的实际配比需求提供更精准的支持。

相比传统能源管理，AI和精益管理的参与，可以利用数据和算法，实现多维的成本、用量、碳排放综合优化。

大模型进入能源行业，有戏吗?

AI能帮助企业开启能耗瘦身模式，那当下AI领域风头最盛的大模型，是否也能开启双碳经济的新一页?

在“大模型将重塑所有行业”的主流声音下，孙东来口中出现的答案有些令人意外。

AI背景出身，长期浸泡在能源行业的孙东来有一个切身感知，那就是AI行业和能源行业两方从业者，对互相的理解有一些“gap”。

能源行业对AI、对大模型的能力有目共睹，也期望大模型带来很多惊喜，但“现阶段的大模型和能源行业可能没有那么适配”。

直接在能源行业应用通用于训练大模型，效果应该会大大低于预期;但不排除行业小模型，能够让行业减少人力和一些成本。

总之，孙东来认为现阶段的能源行业，哪怕有行业小模型的接入，仍然离不开传统的物理模型与管理模式。

何出此言?孙东来给出了不少理由。

首先，受制于能源行业业务结构复杂，数字化整合水平有限，整个领域的数据质量都比较差。

除了通过数字化转型能够收集到的设备数据以外，对能源过程有关键影响的数据还包括生产管理、工艺流程甚至企业经营经济数据等等。

并且还要让这些数据能够在时间和空间尺度上精确对应，才能综合提供用于能源分析优化的信息量。

以行业现状而言，大部分企业能够提供的数据量和置信度，距离能让大模型有足够质量的产出还相当遥远。

ChatGPT那样千亿甚至万亿规模的数据，还得是可用的优质数据，对能源行业“简直是天方夜谭”。

其次，能源行业中，AI模型要解决的问题具备更强的结构化特征，对输出结果要求更高的行业专业性。

大模型所解决的问题特征更倾向于“结构性和逻辑性相对弱，训练集内容偏向于蕴含普遍知识”的大量数据，从这个点来看，其与能源行业的匹配度并不高。

最不能忽视的一点是，能源系统对安全性和健壮性的要求极高，但众所周知，当前大模型的幻觉问题仍不可控，难以在全工况条件下满足安全基线要求。

单纯就对大模型幻觉而言，能源行业并不一定比其他行业更严苛和挑剔。

但鉴于能源行业的特殊性，大模型应该不会直接完全部署大模型，只能让它做辅助。

举个栗子

传统流程中，能源行业为了做安全边界管理，开启能源使用开关时会有操作票系统。

要开启开关，就需要业务条线和安全管理条线的两个人，同时拿出操作票，分别对着系统念出操作票上的具体操作内容，并且完全按照复述进行操作。

这类流程，主要解决的是标准操作过程中人员自身的不确定性，最大限度保障操作的安全性。

如果行业小模型接入，更多也是在此类流程中引入额外的风险评估和预警动作，但仍然会处于辅助地位，而非绝对的全盘替代或接管。

行业的发展趋势，反而更倾向于采用机器人等技术，进一步降低流程中的不可靠因素，从而起到提高安全性的效果。

再加上能源行业应用场景复杂，单一模型无法拟合，需要构建模型群，综合各个维度，大模型和能源行业想要牵手，中间的障碍不是一两日能够跨越的。