林伯强：AI与能源系统深度融合发展的机遇与挑战︱能源思考

当前人工智能（AI）赋能能源领域发展存在诸多挑战与困难，包括AI性能的不确定性、数据孤岛与高质量数据不足、滥用与社会风险、先进算力不足以及AI自身的能源消耗等问题。针对这些挑战，中国需要采取多维度的应对策略，包括推动数据标准化与共建共享、完善AI研发应用相关法律法规、保障数据安全和伦理规范、加大技术研发投入、优化算法模型以降低算力需求，并探索利用可再生能源支持AI基础设施的运营模式等。

AI、新质生产力与能源转型发展间的逻辑联系

在新一轮科技革命和产业变革的背景下，AI作为新质生产力的重要组成部分，以其技术含量高、创新性强、涉及领域广的特点，正在深刻改变能源生产方式和能源产业形态，从而推动生产力实现质的跃迁。新质生产力的质变要求经济发展模式从传统的生产要素积累驱动模式向创新驱动模式转型，这与能源转型的提质增效目标相契合，而能源转型发展也为AI技术提供了资源保障和潜在应用场景。在能源领域，新质生产力的特征属性具体表现为能源产业的降碳减排、结构优化和数据驱动等。AI在能源领域的应用有助于提高能源系统的智能化水平，实现更高效、更清洁的能源供应。这不仅体现在新能源技术研发和传统能源产业改造上，如先进核能、氢能、燃料电池等新兴能源技术的创新发展，而且渗透能源生产和消费的各个环节，如智能电网的建设和运行优化、能源设施的维护与故障预测、能源需求侧管理和节能降耗等。

此外，AI技术的发展需要大量能源的支撑，特别是在构建和训练复杂的大型AI模型时，往往需要消耗巨大的计算资源和能源。高性能计算机集群运行数周甚至数月来进行深度学习训练，这种训练过程不仅需要对数据中心设施进行扩容和优化，也对清洁能源供应及能效管理提出了更高要求。同时，能源转型过程中产生的大量数据，例如分布式能源系统的实时监测数据、智能电网的运行数据以及各类能源消费行为记录等，也为AI算法的训练和优化提供了资源。

总体而言，AI、新质生产力和能源转型发展间存在相辅相成与互相促进的逻辑关系。新质生产力是源于技术创新、生产要素重组和产业深度转型升级的现代先进生产力形态，它的形成和壮大对于推动国民经济高质量发展和实现经济绿色可持续增长目标至关重要。而AI技术的不断革新与应用场景的开拓，正在以前所未有的方式重塑能源产业体系，催生出新的业态和模式。

AI赋能能源领域发展在应用中存在的问题与挑战

尽管AI在能源行业的应用具有较大的潜力，比如预测性维护和电网智能管理、优化能源生产和储存、需求侧管理与能源消费分析、提高建筑与交通领域的能效等，但其发展依旧伴随着许多不可忽视的问题和挑战，如AI的能源消耗问题、数据孤岛与高质量数据资源稀缺、滥用风险与社会风险，以及技术壁垒与先进算力供给短缺等，具体如下：

一是能源消耗和环境影响，限制能源行业AI新质生产力扩容。尽管AI有助于提高能源效率，但其自身运行，特别是大型深度学习模型的训练，可能消耗大量能源，从而对环境造成影响。AI大模型，特别是深度学习模型，其训练阶段尤为依赖于大规模的算力和电力投入。这个过程通常涉及使用高性能的GPU或其他专用硬件，这些硬件在运行时消耗了大量电力。AI模型完成训练之后，模型进行推理的过程中也会消耗可观的能源。根据SemiAnalysis估计，人工智能企业OpenAI需要近29000个GPU来支持ChatGPT日常使用，这意味着每天需要消耗约600MWh的电力。随着AI模型在各种应用中的广泛使用，持续增加的能源消耗总量可能会对环境产生显著影响。

二是能源行业数据孤岛与数据质量问题，阻碍AI新质生产力共建共享。能源行业数据通常分散在产业链的多个位置，包括能源企业内部、第三方提供商以及其他格式不统一的数据集中。行业监管者和不同的能源公司可能无法全面了解自己拥有或可以访问的数据，也不清楚数据所存储的具体位置。当前相关数据法规的缺失，可能阻碍不同能源企业之间或跨行业之间的数据共享与交换。高质量数据资源匮乏也是不容忽视的问题之一。AI大模型对高质量的数据依赖度极高，尤其是在能源领域，高质量的能源生产、消费、交易等数据是训练模型的基础。目前中国在高质量中文语料库、能源行业特定数据等方面存在不足，制约了AI技术在能源领域的深度应用。

三是能源行业AI治理滞后与滥用风险，抑制新质生产力健康发展。更高效和功能更强大的AI有利于协助能源行业加快转型进程，但AI工具普及的同时也降低了开展黑客攻击的技术门槛。AI被滥用是一个严重的风险，一些本意良好的算法可能会被重新用于有害目的。而AI应用和数字化在能源行业普及，也可能会提升黑客攻击所波及的范围和影响，这或将对能源安全构成新的威胁。作为一种爆发式增长的新兴技术，AI领域的治理水平与技术水平相比相对滞后。AI大模型在赋能新质生产力的过程中可能会引发数据滥用、信息安全、知识产权侵犯等一系列治理问题，当前针对AI技术的规制体系和行业自律机制仍有待完善。

四是技术门槛与先进算力供给短缺风险，制约能源行业AI新质生产力的突破。AI模型训练和后续应用对算力的需求急剧攀升，而当前国内乃至全球在智能算力供给上存在瓶颈，特别是在大型AI模型训练所需的高性能GPU和定制化AI芯片等先进算力设施方面，国内产能不足和引进受制于外部因素，造成算力供给不足。此外，目前很多AI核心技术，如深度学习框架、预训练算法等，依赖于国外开源技术，技术生态受制于人。国内在AI核心算法和关键软件的自主研发上相对较弱，面临知识产权和技术壁垒的限制。AI大模型技术落地过程中，数据、算法和算力这“三驾马车”的协调配合机制尚未完全成熟，缺少自主可控的AI产业链，特别是在数据服务、智能计算芯片等关键环节上存在短板。

AI赋能能源领域发展的政策建议与展望

一是加快能源转型进程，优化AI计算的能源效率，引导AI企业自愿披露能源使用信息。深入推进能源结构的转型升级，加大对清洁能源技术研发和应用的支持力度，为AI发展提供清洁能源基础。鼓励AI数据中心及相关基础设施采用太阳能、风能等可再生能源供电，减少对传统化石能源需求的压力。鼓励AI公司自愿承诺并公开披露其AI模型的能源使用情况和碳排放数据。相关监管机构可能需要考虑引入特定的环境披露要求，以增强AI供应链的能源使用和碳排放信息透明度，并更好地理解AI技术的环境成本。推动技术创新，包括硬件效率的提高和模型优化，以减少AI的能源碳足迹。

二是建立健全能源行业AI安全监管体系，强化发展新质生产力的国家战略引导。从立法层面推动完善AI在能源行业应用的监管，通过行政手段规范能源行业AI算法构建过程中的可解释性、透明性和有效性，包括划定有益和有害AI之间的界限，将安全性原则、公平性原则和可持续发展原则纳入对能源行业AI系统的投资、研发设计和运作决策中，促进新质生产力形成。完善法律法规，推动人工智能领域立法进程，出台适应AI技术特点和发展需求的法律法规，明确AI在能源领域应用的责任归属和追责机制。建立涵盖事前、事中、事后全链条的人工智能监管机制，加强内生安全防御技术研发，保障AI技术在能源领域的安全、可靠和可控应用。

三是完善数据资源体系，统一能源行业AI数据管理。消除能源产业链上的数据孤岛，打通不同环节的能源数据通道，将有助于为能源行业AI快速发展提供有效的基础，进而加快能源转型进程。建立高质量的数据资源库，特别是在能源领域内，构建适合AI训练的数据集，确保数据的安全流通和高效利用。加强算力网络建设，适度超前布局全国一体化算力体系，建立高效、安全的智算中心，为AI技术在能源领域的应用提供坚实的基础设施保障。

四是在能源行业AI推广应用过程中提供必要社会保障，提升新质生产力发展包容性。构建支持AI科技公司、能源企业和研究人员管理算法中可能存在的系统性偏见的政策框架，并确保AI的应用符合社会安全和稳定的前提。此外，出台前瞻性政策以消除AI在利用公共数据中可能出现的不公平和歧视行为，以及监测和审查数据利用过程中潜在的技术和伦理挑战。支持各地根据自身优势和需求，积极探索AI在能源领域的应用实践，创建AI与能源产业深度融合的示范区。通过试点建设，探索AI推广过程中可能产生的社会问题以及相应的解决方案，积累AI赋能新质生产力促进能源转型发展的有益经验。

展望未来，随着AI技术在能源领域的深度渗透，将有望通过技术创新与产业融合持续赋能新质生产力，提升能源系统的运行效率、降低成本、减少污染，并催生更多的新兴产业和业态，为推动中国经济高质量发展和保障能源安全提供强大支撑。同时，需持续密切关注AI技术带来的伦理、安全、法律以及大量能源消耗等问题，持续优化AI在能源领域的治理体系，确保其健康发展。

（作者系厦门大学管理学院讲席教授、中国能源政策研究院院长）