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。

如今全球范圍內群模大戰(zhàn)，需要消耗的能源和產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，基本目的是提質提效，減少浪費。

其與傳統能源管理的不同，就是能夠給予數據，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)現狀:

能源行業(yè)還處于數字化、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的自動化管理模式階段，雖然會對各個流程的數據進行收集，但“停留在表面”。

生動些講，能源在生產、傳輸中產生的數據，僅僅成為停留在表格上的一個個數字。

“數據其實不只是數字，更是業(yè)務流程的表征。”孫東來眼中對數據的重視，是通過對數據的采集、傳輸、整理，產出管理決策，而非單純地“對數據進行監(jiān)控”這個行為。

于是，從這個想法出發(fā)，在傳統能源監(jiān)測的能源拓撲配置、數據監(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，能基于設備歷史數據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用能情況進行調整。

據介紹，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，可以利用平臺實現生產能效分析。

簡單來說，就是針對用能單元的產量與用能，對產品的單耗進行核算，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。

相比傳統能源管理，AI和精益管理的參與，可以利用數據和算法，實現多維的成本、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，數字化整合水平有限，整個領域的數據質量都比較差。

除了通過數字化轉型能夠收集到的設備數據以外，對能源過程有關鍵影響的數據還包括生產管理、工藝流程甚至企業(yè)經營經濟數據等等。

并且還要讓這些數據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)現狀而言，大部分企業(yè)能夠提供的數據量和置信度，距離能讓大模型有足夠質量的產出還相當遙遠。

ChatGPT那樣千億甚至萬億規(guī)模的數據，還得是可用的優(yōu)質數據，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，訓練集內容偏向于蘊含普遍知識”的大量數據，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。

舉個栗子

傳統流程中，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。

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，分別對著系統念出操作票上的具體操作內容，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。

不過現階段，利用AI精益能源管理平臺在手，極熵科技已經和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，能夠出現高質量、小規(guī)模數據集，并通過對其的應用，實現降耗節(jié)能。