AI 纪元 追踪人工智能最新进展,深度解读前沿技术

物理AI接进电网,毫秒响应先把刹车装好

边缘模型跑得更快,只解决了电网调度的一小部分问题。断路器、逆变器和储能接到错误指令后,影响会直接进入现实系统。物理AI要进控制回路,规则否决、潮流校验、版本回退和人工处置必须先接好。

0 次阅读 约 2209 字 4 分钟 AI 生成
A macro editorial shot of an industrial electrical switch with a safety locking mechanism.
A macro editorial shot of an industrial electrical switch with a safety locking mechanism.

把一句回答写错,和把一条错误指令送进断路器,不是一回事。前者还能修改,后者可能已经改变了电网的运行状态。

2025年GTC大会上,英伟达CEO黄仁勋阐述了物理AI战略。极智GeeTech的报道将其工作链条概括为感知、决策和执行。放到电网中,智能电表和传感器负责感知,模型根据负荷、频率等状态给出决策,断路器、逆变器和储能单元负责执行。

执行端才是分水岭。模型不只要在时限内算出结果,还必须服从保护装置、物理约束和现有运维制度。

热度到了,控制问题还在

物理AI的热度已经传到资本市场。腾讯新闻在2026年7月9日的报道中提到,Momenta以“6880”为代码登陆港交所,认购超过400倍,募资68亿港元,市值一度超过700亿港元,并被称为“Physical AI第一股”。类似称号也出现在五一视界和海清智元的传播中。

这些数字能说明市场愿意下注,却不能替电网回答两个问题:控制指令能否按时到达?如果指令错了,哪一层负责拦住它?

毫秒不是模型自己的跑分

电网里的任务并不共用一只钟。有的调度可以等人工确认,有的频率稳定动作只留出几十到几百毫秒。把通用生成模型直接放进控制回路,网络传输、模型推理、结果校验和设备动作都会消耗时间。

以一类7B参数的Transformer模型为例,在典型推理服务器上,首个token时间可能达到100—300毫秒;再叠加通信和设备动作,整个回路可能超过500毫秒。这个范围会随硬件、模型和实现改变,不能当作统一结论,但云端路径上的等待确实不能忽略。

而且,首个token原本是生成模型的指标,电网控制通常要的是结构化结果。任务边界清楚时,小模型配合任务路由更合适。真正该测的是最坏时延、输出稳定性,以及系统能不能及时回退。

边缘部署可以少走一段网络。在《把开源模型搬进边缘网关,低延迟只是第一关》的测试中,量化后的3B模型运行在RK3588芯片上,单次推理达到50—80毫秒。这证明模型靠近变电站或配电房有实际价值,但一次跑进50—80毫秒,不代表长期运行都能守住同一时限。

先把否决权交给规则和保护装置

世界经济论坛在《人工智能与现实世界的交互对网络安全意味着什么?》中提出,物理AI的采用有赖于“安全设计”系统、统一协调的标准,以及对安全和韧性的持续投入。

放到电网中,AI更适合先坐在“建议席”。边缘模型给出候选调度方案,规则系统和传统继电保护检查线路过载阈值等约束,潮流计算程序再验证动作后果。全部通过,指令才进入执行环节。

如果模型超时、输出越界或校验失败,系统应直接拦截,切回既有控制策略或交由人工处置。

多一道检查当然会占用时间,但这笔开销不能省。所谓毫秒级响应,不是删掉安全步骤,而是把模型、通信、校验和设备动作放进同一份时间预算里。

数据能回流,现场逻辑别边跑边改

电网拓扑会变,负荷也会受到天气、节假日和突发事件影响。一个模型上线时有效,不代表几个月后仍能覆盖新的运行状态。

前述腾讯新闻报道把数据飞轮视为Momenta的重要叙事。电网可以借鉴数据回流的方法,却不能照搬道路测试的试错方式。边缘网关可以记录异常事件、调度结果和误动作情况,再把数据送回中心平台训练。新模型经过仿真验证后下发,运行中的版本则必须可识别、可追溯、可回退。

现场设备不适合一边控制电网,一边自动改写自己的决策逻辑。

数据增加,只是训练条件变了。新版本要进入控制回路,仍得重新检查时延、约束命中率和故障回退。

世界模型先在仿真器里上班

网易订阅的相关报道提到,2026年世界人工智能大会期间,世界模型被频繁讨论,并被视为连接理解与执行的重要技术。到了电网里,可以先把这个概念压缩成一个具体问题:调整储能、逆变器或负荷之后,系统会发生什么?

世界模型仍处在早期阶段。更稳妥的做法,是让深度学习和经典数值模拟在同一条链路上工作:AI生成候选动作,传统潮流计算程序验证结果;一旦发现动作违反物理规律,指令就留在仿真环境里。

仿真通过,也不是放行证。前面的规则校验和保护装置仍要保留,不能因为模型变强就撤掉。

项目往往卡在协议、版本和运维

2025年发表于《现代管理》15卷7期的《人工智能技术在电网供应链的发展研究》,讨论了AI在电网供应链中的应用。这至少说明AI已经进入电力系统的管理和工程议题,但供应链研究不能替毫秒级自动调度背书。实时控制是否可靠,仍要由现场测试、保护逻辑和系统验证回答。

进入生产环境后,通信协议、模型版本、硬件冗余和运维流程会同时出现。边缘项目常见的驱动、算子、版本兼容和任务调度问题,在电网中都会被放大。模型失效如果可能引发停电,就不再是普通的软件缺陷。

推理优化只能解决其中一部分。《拒绝黑盒:开源大模型推理成本优化实战》记录的INT4测试中,模型体积缩小4倍,延迟降低50%以上。量化确实有用,但这一结果不能直接外推到另一套硬件,也解决不了协议接入、故障切换和版本回滚。

现阶段更可行的分工是:边缘节点争取时间,AI给出候选方案;规则系统保留否决权;仿真器提前检查后果;中心平台负责训练和版本下发;调度员处理例外情况。它不是替代原有控制体系,而是在其中增加一层受约束的快速决策。

50—80毫秒,或者200毫秒,本身都不是结论。只有当指令可以拦截、系统可以回退、过程可以追溯时,速度才有工程价值。

电网不缺一个更敢下指令的模型。它需要的是一套知道何时必须停手的系统。

相关阅读