但是到了配网潮流阶段，面对一个大型配电网里几万、几十万的电源节点、负荷节点、传统矩阵算法是无力的。

我认为未来AI在配网层面的模式识别将成为可能。

2、非结构化信息的积累、训练与生成

AIGC之所以获得突破，第二个原因是信息的积累程度。从语音的A/D转换（麦克风+PCM采样），到图像的A/D化（CMOS+色彩空间映射），人类过去几十年，用极低成本的方式，积累了视觉、听觉领域的全息数据。

尤其是摄像头、智能手机的大规模普及，人类在视听领域的，非结构化数据积累几乎零成本，互联网上文字信息的爆发性积累，是AIGC训练的关键——训练数据集不要钱。

上图是全球数据的增长趋势，明显呈现指数级趋势，这种数据积累的非线性增长，是AIGC能力非线性增长的基础。

BUT，这些数据大部分都是非结构化的视听数据，是零成本积累的。

在电力领域，这点是做不到的，首先电力行业绝大多数是结构化、半结构化数据，比如电压、电流，是时间序列的点数据集合，是半结构化的。

结构性数据集合，需要让计算机理解，是需要“对齐”的，比如设备对齐——一个开关的电压、电流、功率数据，都需要对齐到这个节点上。

还有更麻烦的是时间对齐，要根据时标去对齐电压、电流、有功无功，这样才能后续识别。还有正反向，是四象限的空间对齐。

不像文本数据，不用对齐，一段话扔给计算机就行了，它自己去识别出可能的信息关联。

为了对齐这件事，比如营配数据的设备对齐，而且是不断需要对齐，因为中低压配网每天都在增删改设备和线路，电网公司花费巨大的人工成本。

和“数据标注”一样，这件事计算机做不了。

其次，电力领域的数据获取成本很高，都要装传感器，而不是有个手机就能说话拍照。电压每降低一个等级（或者配电关系每降低一个层级），所需传感器投资至少增加一个数量级，要做到负荷侧（毛细血管末端）的感知，那更是天量的数字化投资。

如果要识别电网暂态模式，那需要高精度高频采样，那成本就更高。

因为数据获取和数据对齐的边际成本极高，导致电网目前无法积累足够的、呈非线性增长的数据信息，去训练一个达到AI奇点的算法。

更别说数据的开放性，一个电力AI创业公司，是不可能拿到这些数据的。

所以AI之前，必先解决数据集的问题，否则通用AI代码是训练不出一个好的AI的。

3、算力突破

AIGC的奇点突破，除了算法和数据，还有就是算力突破，传统CPU不适合做大规模并发的神经元计算的，恰好是GPU在3D游戏和影视方面的应用，使得大规模并行的浮点+流计算成为可能，摩尔定律更使得单位算力的计算成本下降。