中國儲能網訊：AI的盡頭是能源？除了行業(yè)應用本身外，AI大模型是近兩年能源圈和人工智能行業(yè)最緊密的連接點。2024年12月31日，國家發(fā)展改革委、國家數據局、工信部聯合印發(fā)《國家數據基礎設施建設指引》，提出推進算力與綠色電力融合，加強大型風光基地和算力樞紐節(jié)點協同聯動，把綠色電力轉換成綠色算力。在發(fā)展數字經濟和碳中和目標任務的雙重驅動下，加強綠色電力和算力的協同融合發(fā)展，正在從概念走向實踐。
結合當前AI大模型的技術發(fā)展路線，《南方能源觀察》（以下簡稱“eo”）專訪了香港中文大學（深圳）理工學院教授、英國工程技術學會會士（IET Fellow）、深圳人工智能與機器人研究院研究員趙俊華。他認為，AI大模型未來最重要的“戰(zhàn)場”必然是在各行各業(yè)，當前算力的缺口仍然較大，特別是綠電需求，正在成為核心城市發(fā)展AI產業(yè)面臨的痛點，而已有的省內和跨省跨區(qū)電力市場、綠證及CCER等機制與工具值得加強利用，促進算力消費綠電。
01
AI大模型就像第二次工業(yè)革命的內燃機
eo：自OpenAI和DeepSeek等AI大模型上線后，技術研發(fā)領域的競爭仍在持續(xù)。目前有哪些發(fā)展路徑？
趙俊華：大模型的形成通常有固定步驟。首先是預訓練，這是構建底層能力的核心，需要互聯網公開數據等組成的海量語料和萬卡級別的超大規(guī)模算力。例如，GPT-4訓練成本約為6300萬美元，依賴5萬張以上高端顯卡。但在基礎底座形成后，數據質量開始遇到瓶頸，一味擴大算力規(guī)模可能造成低信息密度的語料降低模型精度。
這個時候有三種方法可推進迭代：一是“微調”，這是提升大模型在垂直領域精度的關鍵。例如，電力調度場景需要構建“問題—答案”的配對語料庫，通過監(jiān)督微調優(yōu)化模型。二是“強化學習”，依賴獎勵模型（Reward Model）模擬人類反饋，即針對模型給予的回答，用獎勵模型來判斷反饋其回答的質量，降低人工標注成本。三是推理技術，通過思維鏈（Chain-of-Thought）、搜索增強（如GPT-4聯網檢索）等技術，在不調整模型參數的前提下提升推理能力，成本僅為預訓練的1/100。
目前我們可以看到的開源模型技術突破包括以下幾種：以DeepSeek（670億參數）為代表的模型采用混合專家架構（MoE），可以把訓練效率提升10倍；低精度浮點運算（FP16/FP8）優(yōu)化顯存占用，使千億級模型可在千卡集群運行；通義千問等通過算法優(yōu)化，將訓練成本從百億級壓縮至十億級，推動行業(yè)應用落地。
個人預計，短期內，技術突破會集中在小樣本微調和輕量化推理，如模型蒸餾，而不是參數規(guī)模的擴張。長期來看，需要突破Transformer架構的限制，探索類腦計算、脈沖神經網絡等新范式。
AI就像第二次工業(yè)革命時期的內燃機，只有投入實際使用，才能產生效益。因此，大模型加入一個完整的系統(tǒng)，結合智能體在各個行業(yè)落地，是必然趨勢。
02
算力總體緊缺，電算協同仍處于初級階段
eo：我們可否推測，大模型算力需求增量可能將從訓練轉向推理？
趙俊華：從訓練側看，按目前國外用得比較多的英偉達A100來估算，單卡功率為400瓦，1萬張的日能耗約為96兆瓦時，數據中心PUE1.5測算，單日預訓練算力需求約為15萬千瓦時，行業(yè)應用還會導致訓練頻次增加，總需求仍然會攀升。而推理側將成為耗能主力，但尚未測算出權威可信的具體數據。
eo：您如何看待美國科技公司為了支撐大模型發(fā)展和應用，與能源新創(chuàng)公司聯手開發(fā)核電？
趙俊華：個人認為這是由于美國電網本身不夠強大，在基礎設施方面遠不如中國，需要借助核電提供比較穩(wěn)定的電力供應。如果大電網足夠強大、穩(wěn)定、便宜，沒必要單獨“綁定”電源直供，而且目前核電技術和成本并沒有新的重大突破，聯手開發(fā)核電可能只是迫不得已的選擇。
eo：早在大模型“火”起來之前，國內就提到“電力—算力協同”，現在如何理解它？
趙俊華：我們主要的能源資源在西部，產業(yè)和算力需求主要在東部。站在AI需求的角度講，實時性要求不高的一部分算力確實是可以移動到西部的，比如，訓練模型的網絡通信時延容忍度較高，大于100毫秒，可以在西部部署算力。但具體的行業(yè)應用有不同的算力需求，例如，金融交易對時延的容忍度很低，小于1毫秒，就需要在東部部署算力。
華北電力大學和阿里云合作的項目已經試點了“算力負載遷移”，在京津唐電網夏季高峰時段，將非緊急任務遷移至張家口數據中心，降低東部峰值負荷5%—10%，同時提高了綠電占比。寧夏風電光伏直供數據中心通過“儲能+算力”動態(tài)調節(jié)，提高了新能源利用率。
不過，總體來說，電算協同還停留在初級階段，根本原因在于，算力無論在哪個應用領域都仍處于緊缺狀態(tài)，可調節(jié)的空間十分有限。算力供給從短缺進入整體過剩的階段后，調節(jié)的空間就會變大。
03
需打通現有機制，支持高載能產業(yè)發(fā)展
eo：國家加速推進經濟社會綠色發(fā)展，對電解鋁等高耗能行業(yè)提出了強制使用綠電的要求，數據中心對綠電的需求越發(fā)迫切。您認為在這方面，數據中心面臨哪些瓶頸？
趙俊華：像“北上廣深”這樣的核心城市，要新建一個數據中心特別難，原因除土地資源稀缺之外，更重要的是能耗指標稀缺。2024年，國務院辦公廳印發(fā)《加快構建碳排放雙控制度體系工作方案》，“十五五”時期，碳排放總量和強度將代替能耗總量和強度作為國民經濟和發(fā)展的約束性指標。碳排放“雙控”政策有望于今年在各地落地。
對數據中心來說，這意味著提升綠電使用比例成為其落地建設的決定性因素。部分省區(qū)，如江蘇、山東等，綜合考慮歐盟電池法案等國際貿易約束條件和國內當前的能耗約束，先后出臺綠電直連政策，但綠電直連面臨物理、經濟和權責等諸多方面的挑戰(zhàn)，推進起來難度不小。
從實現國內經濟社會綠色發(fā)展目標來看，我們不應該局限于歐盟的思路，而需著眼于轉化、銜接、推廣已有的工具。相比于綠電直連，跨省跨區(qū)或者省內綠電交易、強制配額或者CCER、綠證交易等一系列機制應用來支撐高載能負荷發(fā)展，試錯成本更低，像深圳等本地新能源資源相對匱乏的城市正在高度關注其可行性。
