最近ChatGPT爆火，在文字和视觉内容的AIGC方向，确实达到了某种临界值，涌现出“智能”。

趁着这个热度，AI方向也很火，最近看了几个能源、电力方向的AI创业公司的BP，感觉就是“干啥都没想明白，就出来融资了”。

电力AI的春天真的来了吗？

（来源：微信公众号“鱼眼看电改” 作者：俞庆）

回归本质，AIGC的奇点突破，个人觉得是三个因素的结合：

1、GPT是人类神经元的仿生产物

NLP为代表的GPT类AI，是计算机神经元网络算法，其本质是对人类大脑皮层的神经元网络模拟。

而语言、音乐、图像，甚至味觉信息的处理和智能想象，都是人类大脑作为一种“蛋白质计算机”，在长期进化中积累出来的功能。

所以GPT作为仿生产物，自然最适合处理同类的信息，也就是非结构化的语言、音乐、图像。

其处理的机制，也不是意义的理解，而是一种提炼、识别、联想。这就是非常吊诡的一件事。

早期的语音语义识别算法，本质上是建立语法模型和语音库，然后把语音对应到词汇，再把词汇放到语法库里去理解词汇的意义，最后得到识别结果。

这种基于“逻辑机理”的语法识别，识别效率一直徘徊在70%左右，比如IBM在上世纪90年代推出的ViaVoice识别算法。

AIGC不是这么去玩，其本质是不去管什么语法，而是建立一个神经元网络算法，让计算机自己去统计不同词汇之间的概率联系，是神经元的联系，而不是语义的联系。

很像我们小时候学母语，我们自然就学会了，而不是一开始去学习“主谓宾、状定补”，然后去理解一段话。

这就是AI的思维模型，是识别，而不是理解。

这也是AI对所有经典机理模型的颠覆意义——计算机不用在逻辑层理解这件事，而是识别、认识到内在信息之间的关联关系，就知道了。

比如电网的潮流状态和潮流预测，基于经典电力网络仿真，是建立机理数学模型，然后用矩阵算法去收敛。未来可能不需要了，AI直接就根据每个节点的状态去识别和预测出某个模态班图（Pattern）。

节点越多，而经典矩阵算法越不喜欢，因为算法复杂度随节点数量增加，几何级数的增加，而AI偏偏喜欢超大规模的节点并发，因为识别和预测最可能的网络模态是AI擅长的。

无论是围棋的下一步预测（AlphaGO可以预测后面几十步，每一步都有无数种可能），还是天气复杂系统的模态预测，AI的精确度都比机理模型高很多。

电网之所以目前不需要AI，是因为省级调度管理的220kV及以上的电力网络，节点数量不多，而且设置了很多条件对矩阵线性化，稀疏化，极大降低了机理模型的计算复杂度。