大模型吃掉的电,再用AI省回来???

2023-07-18

编者荐语:

AI模型和能源有什么关系?相辅相成互相促进。AIGC生成的可以是content,也是基于专业认知和数据洞察推导出的command。


以下文章来源于量子位 ,作者关注前沿科技


衡宇 发自 凹非寺
量子位 | 公众号 QbitAI

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。

640 (2).png

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。

640 (3).png

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。

640 (4).png

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

640 (5).png

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。

640 (6).png

举个例子

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。

不过现阶段,利用AI精益能源管理平台在手,极熵科技已经和KDDI上海公司达成合作,预计将帮助中国和亚太地区的至少500家制造企业实现零碳目标。

而孙东来也期望着,针对能源行业的实际情况,能够出现高质量、小规模数据集,并通过对其的应用,实现降耗节能。

图片


扫码关注我们

官方网址:https://www.maxtropy.com/

联系电话:40066-36036

1667551290292793.jpg