近期诺贝尔物理学奖宣告给AI科学家John J. Hopfield、Geoffrey E. Hinton，让很多人感觉诧异。当获奖电话打到加州时，Hinton教导正像往常那些平淡的下昼相似，计算去一个低价栈房做核磁共振，或者平淡中就蕴藏着优异，正如人为智能以润物细无声的形式进入千行百业和人类生计。

　　人为智能从1956年观念提出起头，颠末了几起几落；而今大模子仿佛摸到了AGI门口，各界蠢蠢欲动都正在测试用这项新本领饱动行业改良，推倒地提拔坐褥力。本文测试从坐褥力因素的视角，思量大模子本领奈何帮帮电力行业实行坐褥力提拔。

　　记忆Hinton2007年正在《科学》上公布题为Reducing thedimensionality of data with neuralnetworks的论文，该篇论文是公认的深度研习里程碑，但正在2007-2010年时刻每年援用次数仅为100次把握，无人无津；同时间，2007年李飞飞启动ImageNet项目， 2011第二届图像识别竞赛提交13份，而上一届是35份；彼时Nvidia的GPU一经通过CUDA改造初获告成。算力+算法+数据三驾马车的加持下，2012年Hinton带队斥地AlexNet参与ImageNet第三届，一举将过失率从上一届的25%低落了11%，凌驾第二名41%，深度研习本领门途至此获取各界认同，得以繁荣兴盛。从这里咱们能够总结：AI即是闭于三驾马车的事。

　　过去十年， GPU算力连接兴盛下，但人为智能算法酿成了瓶颈，深度研习比如RNN正在面向文本等职业时无法并行操练等题目，模子参数周围和操练数据周围遭遇瓶颈。

　　从下图可见，从2013年起头处理这些题目标根柢本领一经接续具备，大模子成立水到渠成。而为什么是OpenAI？OpenAI的GPT告成做对了什么？纯粹说即是正在昔人（要紧是Google做了嫁衣）的根柢上做了集成改进，选对了宗旨：诈骗模子来做序列化概率预测职业（即预测下一个Token），实行AI才能迁徙研习才能和多职业的泛化性。

　　正在思量大模子给行业和人类生计带来变化之前，咱们应当思量的是大模子自身本领才能是什么。含糊来说，大模子才能蕴涵：言语分解和表达才能、学问压缩才能以及逻辑推理才能。类比人类，前两者让大模子能够实行记得住、看得懂，一经斗劲成熟；推理才能是会思量，是最主要的才能（通往AGI的钥匙），不表目前再有较大短板，OpenAI 最新揭晓的o1即是为了提拔这个才能。

　　人类最大的才能是会操纵器械。记忆几次工业革命兴盛，都是盘绕操纵新本领斥地出更好的器械来赋能人类的才能，比如千里镜赋能眼、汽车飞机赋能脚、纺织机赋熟手、计较机赋能脑等等，这些器械素质上来讲是人类将对象职业的使命原则，通过硬件或软件的形式让器械实行自愿化或半自愿化，实行坐褥力跃迁（对应下图中的形式二）。

　　而那些未能实行这些改造升级的劳动项目分为直接劳动型（对应形式一）和间接劳动型（对应形式二）。这两种坐褥形式还是必要人来竣工，素质上都是正在现有本领条款下还未能实行自愿化的使命，必要靠人与境况、与其他人实行讯息相易，这个历程经常蕴涵讯息检索获取、讯息说明加工和讯息决定，结尾正在物理实践阶段依赖人遵照功课历程的反应来连接功课，无法被呆板取代。

　　（3）物理寰宇未供给自愿实践的“API”接口或者未具备与境况协同功课安装。

　　第（3）点能够分解为何当下各类呆板人物业汹涌澎拜，除了目今一经展示的扫地呆板人、AGV和工场死板臂的低级版，另日具身智能保姆呆板人、自愿驾驶虚拟司机、搬运呆板人，以及更多不必要具身的其他换进感知智能呆板，这些使命都是为了形式一和形式三供给物理实践阶段的安装，能够说处理形式一的题目即是造更智能的呆板。

　　正在讲（1）（2）限造之前，咱们周到打开形式三说明一下，对脑力劳动者的使命实行拆解，看看个中的劳动本质。除了且自交工作项，中心的使命能够分为四类使命：材料收罗、讯息说明、决定造订，职业督办。这个历程中会有大方的人与表界体例（计较机体例、物理寰宇和人等）实行的讯息相易、群体的大方筹议说明并迭代、职业历程的讯息收罗跟催和职业迭代等等，这些使命之是以还无法自愿化，中心的源由就如上所述存正在的（1）（2）的题目。而（1）（2）正好属于大模子擅好处理的周围，不妨为脑力劳动者供给更多的脑力智能来提拔、乃至取代，从而降低劳动的成果和效益。

　　电网行业是电力体例的骨干，接受着将电能从发电站输送到千家万户的主要职业，蕴涵输电乐动电竞、变电、配电和用电等闭头闭键。为了高效地发展这些生意，企业内部经常会设立兴盛、基筑、调剂、运检、营销、配电、物资等多个部分，以确保电力体例的安靖运转和任事质地。

　　• 繁复性的近况：电网是一个高度繁复的人造物理体例，涉及到电气、死板、自愿化等多个周围的专业学问，人类目前要紧从电网体例运转表征出来的讯息来与电网实行交互，蕴涵调剂形式准备、兴办检修和用电准备，而表征体例除了兴办的物理表观，还必要多个电气方程实行计较或估算，比如潮水计较、短途计较和安靖计较等，通过区分的计较，结尾面向特定职业实行专业决定，中央还必要电力专家的阅历实行历程干涉以提拔计较成果和效益，是以，这个历程对人和专业性有远大的依赖。

　　• 繁复性的挑拨：倘使电力体例依旧褂讪，也许能够接连沿用过去的本领形式；可是跟着“源随荷动”到“源网荷储互动”的新型电力体例升级，地上一辆电动车，天上一朵云就不妨会导致电网的电气特色产生转变比如线途负载越限，以及兴办损坏比如变压器高负载导致绕阻温度产生过高，必要秒级对事故实行感知、说明和决定，这是目今的电网本领体例下的使命形式无法应对的。

　　针对以上提到的电网生意近况和提拔需求，以第一章所述大模子奈何提拔坐褥力为宗旨，同时联合各式大模子本领的成熟度和才能特色，思量行使大模子提拔电网坐褥力的思绪，要紧蕴涵两个方面：

　　如前所述，生意域大是限造坐褥力的成果成分，必要人实行相对形式反复性使命，能够从大模子才能角度分为两个方面：

　　目今最成熟的狂言语模子（LargeLanguage Model）具备较成熟的言语分解和表达才能、学问压缩才能，以及低级逻辑推理才能，能够帮帮调剂、运检班组长、兴办主人、电网筹划专家、物资采购、办公职员等岗亭职员竣工讯息收罗、讯息说明、决定造订和流程督办，必要将大模子的才能（RAG、Agent、Prompt以及需要的预操练微调等）和生意场景深度交融，把生意专家的使命才能迁徙到大模子上。从本领的角度上，此日大模子的才能发轫具备，重心是大模子与场景联合的AI工程化。

　　电网有大方的兴办必要运维、检修和检测试验，这些场景必要与物理境况实行讯息相易，蕴涵体力劳动和脑力劳动。体力劳动要紧是现场数据搜罗获取，但自愿化搜罗本领一经斗劲完好，比如运维巡视的视频图片的搜罗、现场功课面的视频搜罗、兴办声纹录波、五遥讯息等都不妨搜罗。

　　闭头的瓶颈正在于没有直接的本领本领对这些数据实行解析（分表是现场即刻管造），以及解析后的闭连联动说明和管理决定，是以这些功课除了巡视缺陷识别目前行使视觉识别模子表，其他公多无法分开对应的专业职员实行现场或电脑前的出席。而多模态大模子（Large Multimodal Model）诈骗万物皆可Transformer的思念，实行了对多模态数据与狂言语模子的交融，端到端处理了从感知搜罗感知分解到讯息认知说明的题目。能够预计，正在多模态大模子与变电站巡视等周围学问联合后，此日的变电站智巡摄像头、无人机的单模态为主的实践巡视，将会正在另日酿成以自愿化呆板人工主的样式，实行变电站无人化的“望闻问切”全天候巡视。

　　不表，因为目今多模态大模子采用CLIP思念的比拟研习本事，必要的半合成样本数目是图像识别模子的百倍千倍，这些样本数据不像LLM预操练时能够所有无标注的自监视操练，而是必要遵照操纵场景对图像/视频等模态样本实行自愿/半自愿标注，而且必要辅以肯定的审核使命，是以样本的数目和质地是瓶颈，算力和算法没题目。奈何打破，从本领照旧数据角度，照旧两者联合，尚有待瞻仰。

　　奉陪诺贝尔物理奖一同宣告的其他奖项，诺贝尔化学奖宣告给了DeepMind的Demis Hassabis和John Michael Jumper，以赞赏其诈骗正在AlphaFold正在卵白质构造预测方面的奉献，AlphaFold2竣工了98.5%的人类卵白质的预测，而过去数十年人类只预测了人类卵白质的17%。AlphaFold使命道理粗浅的说是把卵白质折叠纹途序列化Embedding到Transformer中，联合StableDiffusion实行的卵白质折叠的序列预测，全部能够见道理先容[2]。可见大模子本领除通晓决文字讯息和感知讯息的管造分解表，还能够联合专业周围定造专用大模子，来推倒性处理行业大困难。是以，能够预料AI4S（AI For Science）另日将成为AI周围的主要赛道，成为科研第四范式时间、科学挖掘的奇点，今后科学效果的展示将表现指数级增加。

　　记忆第2章所述，电网的机理繁复性，简直不不妨靠狂言语模子和多模态大模子来竣工，正在电网周围，通过修筑一个基于Transformer架构的行业大模子，能够重构电网说明本事，实行更高效、更无误的电网执掌和优化。

　　以电网的动态电心胸目标的说明为例，它是电网运转形态评估的闭头，守旧说明本事面对繁复性加多、仿真计较量大耗时过长、安靖性界说限造性、兴办动态特色难以无误描画、不确定性考量缺失、及时量测局部和非线性管理研究亏空等题目，肯定水平上困扰着电网的平和经济安靖运转对象乐动电竞。而且，总共说明历程是多个算法漫衍计较，结尾奈何把结果实行决定和组合计较，还要研究电力说明的多次迭代，这个历程的繁复度和成果可念而知。这个历程也极度相似与过去NLP几十年无法打破的题目：守旧NLP思念是把实体识别、词性标注、情绪说明等十几个差异的职业，正在结尾面向全部行使的时期实行拼装，这种架构下，从操练到推理的迭代历程中的优化即是一场灾难，而大模子的特质是多职业合一，端到端处理题目，值得模仿。

　　以操练电网说明行业大模子为对象，咱们能够将电网中的电压、电流、负荷等根柢数据，以及有功功率、无功功率等功率类数据，通过特定特性提取本事构造序列化数据，输入到Transformer架构中，面向预测电网的短期态势感知和长久运转趋向说明等职业，比如，通过说明电网的功率成分识别出无功打发较大的区域，并提出相应的优化程序，通过编解码架构的“预测”才能，输出预期的说明结果。通过云云的形式，能够用一个算法架构实行对大电网海量数据的操练模糊才能、大方电气特性的表达才能，以及基于多头留心力机造对用户预期职业对象的精准“分解” 。

　　其他的比如电网安靖运转、电力体例筑模与说明、调剂与暂态说明、珍爱与掌管等方面，亦能够参考相似的算法思念实行改进研发。当然，这个历程将会极度繁复艰巨，另日奈何落地，还必要业业内各界配合探寻和实行。

　　此表，再有相对成熟的时序大模子，能够发展少少预测职业，比如天色预测、负荷预测等场景，目前也正正在本领联合场景落地中，预期会有少少劳绩。

　　社会各行各业汹涌澎拜测试行使大模子本领，浙达能源以能源+AI为对象，也投身个中。行业+大模子行使刚才起步，奈何避免衰弱是重中之重，颠末大方项目标实行，咱们总结物业+大模子的历程中的一面思量和心得，供大多参考。

　　a)场景验证迭代本事，先验证再投资。除了学问问答和客服这些以实质交互为主的C端才能是沿用迁徙过来的，大模子的本领正在B端还没有展示成熟的行业化行使场景，更多都是正在PMF产物墟市需求验证阶段，而大模子投资大，分表是算力硬件，是以选取场景最主要。奈何选取场景，除了做推演评估，一个斗劲好的计划是用能场景验证迭代本事，用目今最新主流大模子实行场景迭代验证，把一个生意历程分段验证，一朝验证通事后，即使无法抵达90分，但正在基模子+提示词下也能够拿到基础可用的70分以上，足以让用户爆发信仰实行投资，再实行平台、算力和专属模子置办，预操练和微调等后续完好性使命，通过这些完好使命能够让体例最大亲切用户的生机值。

　　b)生意还原解剖本事，用户也是产物司理。综上所述纺织机，大模子不是打补丁，倘使不妨行使告成，能够正在坐褥力层面实行推倒性提拔，素质上是把团队中最专业专家的才能教给大模子。用户不再只是项目需乞降教导者，而是项目产物司理，必要生意专家把专业才能解剖出来，通过大模子工程化（RAG、Agent、Prmopt和微调等本领）支配这些才能。另日大模子本领趋向是：不必要去干涉模子的内置参数，而是通过职业提示（Prompt工程）来确切领导大模子竣工职业，用户将会更直接出席到大模子体例斥地中。

　　c)数据才能是闭头，数据是大模子的短板。能够说正在目前行业场景下，算力和算法都没有题目，缺的是行业数据（数目和质地）乐动电竞，跟着用户生机的慢慢提拔，提拔大模子的闭头是收罗、重淀、造造更多的数据。这个历程中，奈何将守旧企业内部蕴蓄聚积的海量构造化和非构造数据实行处理、加工和开采代价，令其成为投喂大模子的“养料”，成为用户另日最闭注的题目之一。

　　以GPT为代表的大模子本领从2018年推出，2022岁晚爆火，到此日2024年行业广大入局试水，一颠末去6个年代。任何一项新本领提出，都必要时刻，时刻让本领迭代完好，让先行者实行生意改进磨合，让普罗公多慢慢通晓、经受和操纵。大模子本领因为幻觉不成避免性、工业容错率低等等题目，时至今日不乏质疑、顾虑和观察，但途已正在，也许此日大模子本领亦如Hinton教导2007提出的深度研习框架相似，从平淡而生。从诺贝尔物理奖“跨界”颁奖浅说大模子与电网行业协调操乐动电竞纵思绪