今天小編分享的科學經驗：大模型吃掉的電，再用AI省回來？？？，歡迎閲讀。
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。
如今全球範圍内群模大戰，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，孫東來就帶領着他的團隊在做利用 AI，使用 AI 技術，盡可能實現企業的精益能源管理。
孫東來畢業于上海交通大學信息與通信系統專業，在法國獲得計算機博士學位後，歸國創立極熵科技，并同時擔任上海人工智能研究院特聘研究員、中國產業計量與能碳評估技術委員會執行秘書長等。
他曾發表 SCI/EI 及高水平學術論文 10 餘篇，參與多項國家級重點研發計劃項目，現在，孫東來跟随浙江大學能源工程學院院士高翔，進行 AI 智慧能源模型的課題研究。
并且，帶領他所創建的極熵，參與了 10 多項國家标準及團體标準編寫。
要了解這個團隊到底在做什麼，可以從他們剛剛發布的產品，AI 精益能源管理平台開始講起。
AI+ 能源管理，能做什麼？
簡單理解這個產品，就是對企業能源進行精益管理，并在過程中引入特征識别、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。
這裏的 " 精益管理 " 是企業管理方式的一種，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節精細化管理，了然于胸，以達到節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，是因為孫東來提到的一個行業現狀：
能源行業還處于數字化、信息化和智能化的探索期，許多企業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，僅僅成為停留在紙質表格上的一個個數字。
" 數據其實不只是數字，更是業務流程的表征。" 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 " 對數據進行監控 " 這個行為。
于是，從這個想法出發，在傳統能源監測的能源拓撲配置、數據監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标考核評定
精細化用能成本核算分析
節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，識别設備運行狀态；然後對全網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 精益能源管理平台目前在識别能源使用單元方面的準确率，高于 99%。
再例如具體到能源分析場景，可以利用平台實現生產能效分析。
簡單來説，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，并将單耗反映至班組班次。
再加上在特定時間跨度下，對廠區、生產線、車間、工段，進行橫縱向能耗對比分析，就能為企業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、碳排放綜合優化。
大模型進入能源行業，有戲嗎？
AI 能幫助企業開啓能耗瘦身模式，那當下 AI 領網域風頭最盛的大模型，是否也能開啓雙碳經濟的新一頁？
在 " 大模型将重塑所有行業 " 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的孫東來有一個切身感知，那就是 AI 行業和能源行業兩方從業者，對互相的理解有一些 "gap"。
能源行業對 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可能沒有那麼适配 "。
直接在能源行業應用通用于訓練大模型，效果應該會大大低于預期；但不排除行業小模型，能夠讓行業減少人力和一些成本。
總之，孫東來認為現階段的能源行業，哪怕有行業小模型的接入，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，受制于能源行業業務結構復雜，數字化整合水平有限，整個領網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确對應，才能綜合提供用于能源分析優化的信息量。
以行業現狀而言，大部分企業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模的數據，還得是可用的優質數據，對能源行業 " 簡直是天方夜譚 "。
其次，能源行業中，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專業性。
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，訓練集内容偏向于藴含普遍知識 " 的大量數據，從這個點來看，其與能源行業的匹配度并不高。
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。
單純就對大模型幻覺而言，能源行業并不一定比其他行業更嚴苛和挑剔。
但鑑于能源行業的特殊性，大模型應該不會直接完全部署大模型，只能讓它做輔助。
舉個栗子
傳統流程中，能源行業為了做安全邊界管理，開啓能源使用開關時會有操作票系統。
要開啓開關，就需要業務條線和安全管理條線的兩個人，同時拿出操作票，分别對着系統念出操作票上的具體操作内容，并且完全按照復述進行操作。
這類流程，主要解決的是标準操作過程中人員自身的不确定性，最大限度保障操作的安全性。
如果行業小模型接入，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。
行業的發展趨勢，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。
再加上能源行業應用場景復雜，單一模型無法拟合，需要構建模型群，綜合各個維度，大模型和能源行業想要牽手，中間的障礙不是一兩日能夠跨越的。
不過現階段，利用 AI 精益能源管理平台在手，極熵科技已經和 KDDI 上海公司達成合作，預計将幫助中國和亞太地區的至少 500 家制造企業實現零碳目标。
而孫東來也期望着，針對能源行業的實際情況，能夠出現高質量、小規模數據集，并通過對其的應用，實現降耗節能。
— 聯系作者 —
>
