将融中设为星标⭐ 第一时间获取最新推送
本文3795字，约5.4分钟
作者 | 元帅 编辑 | 吾人
来源 | 融中财经
（ID：thecapital）
大模型的未来走向，成为行业当下关注的焦点。
作为一家全球领先的绿色科技公司，远景能源的业务横跨风电、储能、绿氢等多个绿色能源领域。而对远景来说，新能源的底层基因是数据驱动，在远景，新能源与大模型正在发生奇妙的化学反应。
远景智慧智能解决方案总经理郑颖告诉本刊，在过去的十几年里，远景能源一直在探索如何将复杂系统的大规模数据和模型应用于各种场景。如今，随着Transformer技术的突破创新和GPU算力的持续提升，将这些先进的技术与远景能源的经验相结合，开始了一场全新的数字化之旅。
远景在行业内提出了前瞻性“五新”战略，即在技术进步的驱动下，风电、光伏和储能将成为未来的“新煤炭”，动力电池和氢燃料将成为“新石油”，围绕风电、光伏发电，电网需要升级为使用智能物联网技术的、更灵活的“新电网”，同时零碳产业园成为“新基建”，协同可再生能源发电、多形态储能、不同负荷特性的产业、氢能、物联网及数字化等领域，培育绿色“新工业”体系，开创美好零碳世界。
作为新能源和绿色科技龙头企业，远景能源有怎样的发展定位与战略打法？
当前，我国产业正面临智能化转型，对于企业、机构而言，与人工智能深度融合，加入行业特色数据与领域知识、精准匹配真实应用场景的行业大模型能够极大提升业务流程效率和水平，成为驱动产业转型升级的重要力量。
紧跟风口的投资人朱啸虎，告诫创业者“不要迷信通用大模型”，坦言“场景优先，数据为王”。
郑颖也表达了类似的观点，按照以往发展经验，我们看到，对比消费互联网跟工业互联网，通常工业互联网要发展滞后一些。但是，从通用大模型和垂直大模型目前的发展趋势来看，它们呈现出齐头并进的态势。这表明，随着技术的不断进步和市场需求的变化，工业互联网和通用大模型、垂直大模型等新兴领域正在迅速发展，并且有可能在未来实现更加紧密的结合。这种趋势将为工业领域的数字化转型和创新提供更多的机会和动力。
对大模型价值的认知觉醒，使中国大模型的探索者，不再执着于成为“中国的OpenAI”，也不再单纯追求模型参数规模。相反，他们将目光锁定在如何将大模型应用于实际产业场景，创造真正的价值。为了让大模型在各个产业领域中发挥作用，拥有专业且独特的数据成了关键因素。
在郑颖看来，数据的开放程度是一个制约大模型发展的关键因素，数据的获取和使用面临着诸多限制。这就需要我们建立一套完善的数据管理制度和规范，确保数据的安全性和合规性。否则，如果数据不准确、不完整，那么大模型预测的对象维度和精度结果会受到影响。
以下为本刊采访内容，以飨读者：
本刊：最近，都在谈大模型，咱们远景能源如何定义大模型？
郑颖：最近比较火的大模型，主要首先应用在自然语言处理方向。但如果看能源领域或者物联网领域，针对大型机械设备，或者海量物联网数据来做数字化、复杂模型的一些应用，其实我们从十多年前就开始做了。当然今天因为有transformer这个新突破，所以我们也在基于transformer，把过去复杂数据、复杂模型场景与transformer结合进行技术突破，基于大幅提升的GPU算力，再做一些新的应用落地。在我们看来，大模型不是今天才出现的新技术。
当然，GPU算力的突破确实使得我们在过去很多年基于传统数字化或者传统大数据模型场景里面那些做不到或很大时间、金钱成本才能做到的事情，今天是可以高效高质做到的，这是新技术给我们带来的新解法和新机会。
本刊：大模型可以帮助我们做到哪些工作，实现哪些场景？
郑颖：以新能源为主来构建的新型电力系统，最大的挑战来源于整个电力系统的供需波动性和实时响应。我们从物理的硬件设备，比如说风机、光伏、储能的投资建设等角度出发，必须用数字化手段去预测、控制系统的波动性，降低系统波动性带来的成本。因此，我们做了很多硬件方面的创新和突破，去推动大模型、数字化技术降低整个系统性成本。
新能源是波动的，波动性的根源来自气象的不准确性。所以，把气象预测的更准（包括对一些特殊的极端气象事件预测的越准），时间颗粒度越小（分辨率越高），响应能力越强，对我们整个新能源系统的预测就越准，后续的优化调度控制就能更高效，系统的经济型就会越高。同时对于发电设备的预测，包括控制逻辑的优化，也会体现在市场价格的预测、市场交易策略的一些优化上，管理好资产最终收益风险。
未来能源的消耗、绿色成本的预估，需要对中长期的气象和各个地区能源负荷进行预测，这也是大模型和数字化结合能够实现优化的一些应用场景。
所以，不管是物理世界，还是金融领域、市场交易领域，实际上都会因为这项新技术的出现，产生跟以往不一样的发展方向。
本刊：我们的业务会不会做出相应的调整？
郑颖：未来我们会越来越朝着软硬一体化的方向发展。过去，硬件和软件是分开的，包括从市场投资主体的角度来看，也常常将这两个方面割裂开来看。然而，随着新能源市场的占比越来越高，市场越来越开放，软性的能力需要与硬件结合在一起进行考量。这些软性能力包括数据处理、模型训练、信息安全等方面，它们需要与硬件的性能和安全性相互配合，共同发挥出最大的作用。因此，未来的发展方向将会更加注重软硬一体化，将硬件和软件进行有机结合，以适应市场的变化和需求。
举个例子，当我们进行储能投资或设计、建设、运营储能项目时，储能电池额定容量、充放电策略和使用寿命与储能所在的节点或服务对象的特性是密切相关的。如果我们一味地承诺储能的使用寿命、充放电次数或度电成本，但使用场景不同，这些技术指标可能会变得脱离实际。相反，在软性层面，如果我们能够准确预测气象、新能源出力和市场价格，就可以更好地利用储能的充放电策略和电池的不一致性，甚至将其作为一些优化边界条件，创造更大的价值。
因此，单纯的比拼储能硬件成本最低或充电放电次数最多并不一定是最好的投资方式。需要综合考虑软硬实力，找到投资收益最大的方式。这对我们这些硬件和软件综合服务提供商以及业主和投资方来说，都将是一个很大的转变。
本刊：算力、算法、数据方面，我们都做了哪些准备和投入？
郑颖：一方面是人才的储备、培养和投资，远景有很多专业的算法和数据方面的超级工程师，实际上我们研究气象、新能源数字化的人工智能算法专家，已经全力投入到大模型相关研发上；同时我们也在扩招，希望更多优秀的人才加入远景共创大模型的价值。
我们希望用新技术来解决新能源、新型电力系统的系统性（包括复杂度和成本）挑战，同时去优化算力本身的成本，特别是使用零碳绿色的算力。远景自身做数字化转型已经超过十年，我们积累了相当多针对能源领域，甚至大型机械设备、重型资产管理的预测、诊断和运筹优化算法。
做大模型、数字化，数据的量和质都是关键，缺一不可。我们很早就推出了智能物联网平台EnOS，该平台上已经管理了超过600GW的能源相关资产。我们与客户、合作伙伴在数据方面也有很深的合作研发基础。数据安全是一个日益敏感且重要的问题，我们需要全面深入的考虑数据的归属权和安全问题，从根本上保证数据量和质上的可靠性。
本刊：都说数据获取这块需要花费很大成本，我们有没有类似的困扰？
郑颖：坦率地说，成本并不低，因此我们更需要找到有明确价值创造的场景。例如，基于互联网的自然语言相关的语言大模型虽然可以利用海量的互联网数据，但是如何对训练数据进行筛选和标注反而成了大的挑战。今天我们为了获取数据、处理数据和投入算力，以及人力资源投入研发和创新算法，都需要付出巨大的成本。核心问题还在于找到足够大的价值创造场景。
我们在垂直领域或结合多个领域进行探索时，采取的方法肯定不同于传统互联网公司的做法。我们深耕于这些领域，非常清楚哪些地方的数据具有最大的价值创造潜力。这么多年，远景能源已经涉足能源资产管理、运营和投资等相关业务。现在，随着大模型基础设施和基于大模型的数字化应用，我们能够快速地在业务中实现价值变现。
比如，我们将与整个新能源投资领域更紧密地结合，包括与绿色金融的结合。金融交易的本质是风险管理，储能的本质也是交易，再进一步是风险管理。风险主要来源于气候气象、社会运行和供需关系变化。我们认为，大模型和数字化在下一步会更好地应用于管理这些风险。
本刊：大模型是赢家通吃的机会，因为巨头在技术、人力和财力方面都有巨大的优势。那么，在垂直行业的大模型中，是否也会呈现出类似的情况，即行业巨头会否形成垄断？
郑颖：我认为在行业发展的早期谈论是否会形成垄断或谁会垄断还言之尚早。以自然语言识别为例，它只是大模型应用的一个方向，而且现在市场上的玩家也在持续增多。因为大家的训练数据都来源于互联网公开数据，这是一块相对公平的资源。虽然算力涉及投资问题，但也有很多投得起算力的企业和国家。因此还不能很快下定论。
在垂直大模型和专业领域大模型方面，由于涉及到行业专属的数据，有积累的企业具有先发优势。但是，这并不妨碍后发的企业找到更细分的垂直领域和独特的价值创造。因此，我们不会太关注行业是否会被垄断，我们只要做好自己，持续创造足够的价值，找到足够的市场空间，或者拓展新的市场空间，致力于领域应用的可持续性。
本刊：未来能胜出的大模型产品，需要具备哪些要素呢？
郑颖：从行业的角度来看，数据的开放、便捷获取、多样性和共享利用是非常重要的条件。这些方面不仅需要企业自身的努力和储备，也需要行业形成共识，建立数据共享和利用的机制，制定行业标准和规范，更需要国家层面的立法和政策支持。在保证数据安全的前提下，实现数据的共享和利用，将有助于推动行业的发展和进步。这些是未来行业发展的重要因素。
融中官方粉丝群
END
