DeepSeek創(chuàng)新，對(duì)新型電力系統(tǒng)的啟示（轉(zhuǎn)）

“DeepSeek的創(chuàng)新對(duì)電力行業(yè)有什么啟示”，這個(gè)話題我首先問了DeepSeek R1本尊，它給出了一堆技術(shù)創(chuàng)新的應(yīng)用點(diǎn)，

于是我意識(shí)到，我更想知道的是DeepSeek在AI領(lǐng)域創(chuàng)新方法論，對(duì)電力行業(yè)的啟示，而不是技術(shù)層面，它給出的答案依然很技術(shù)。

ChatGPT-4o的回答在抽象層次上，稍微好一點(diǎn)。

綜合AI的觀點(diǎn)，我覺得可以從兩個(gè)角度去看待這個(gè)問題，一是系統(tǒng)可塑性，二是系統(tǒng)中心化與去中心化的趨勢。

在生物學(xué)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)的可塑性（Neuroplasticity）指的是神經(jīng)元及其連接（突觸）根據(jù)外界刺激、學(xué)習(xí)和經(jīng)驗(yàn)進(jìn)行調(diào)整和重組的能力。這種可塑性是學(xué)習(xí)、記憶和適應(yīng)新環(huán)境的基礎(chǔ)。

在原有的LLM模型基礎(chǔ)上，DeepSeek創(chuàng)新的運(yùn)用了新的思路和技術(shù)，比如多頭注意力機(jī)制、DeepseekMOE架構(gòu)、混合精度訓(xùn)練、知識(shí)蒸餾、基于規(guī)則的獎(jiǎng)勵(lì)模型 (RM)等等，形成了新一代的大語言模型。

這些思路和技術(shù)也迅速地被各大頭部廠家所學(xué)習(xí)，深刻的改變了大模型未來的發(fā)展路線，可以預(yù)見采用DeepSeek方法的新版本大模型會(huì)迅速超越原有版本。

算法神經(jīng)元網(wǎng)絡(luò)

從神經(jīng)元網(wǎng)絡(luò)的可塑性角度看，計(jì)算機(jī)系統(tǒng)上構(gòu)建的算法神經(jīng)元網(wǎng)絡(luò)，架構(gòu)可以被迅速改變，而且可以在不同的顆粒度、層次、方向上進(jìn)行快速重構(gòu)，只需要改變代碼，或者替換算法模塊即可。

1、迭代速度極快

2、改變幾乎不受任何制約

3、可以動(dòng)態(tài)靈活地分配資源。

缺點(diǎn)是算法模型的訓(xùn)練優(yōu)化過程，需要海量數(shù)據(jù)和能源的支持。

蛋白質(zhì)神經(jīng)元網(wǎng)絡(luò)

而生物學(xué)意義上的蛋白質(zhì)神經(jīng)元網(wǎng)絡(luò)，雖然具備很強(qiáng)的可塑性，但是：

1、受制于生物進(jìn)化，比如人類大腦的新皮層神經(jīng)元網(wǎng)絡(luò)，也經(jīng)歷了幾十萬年的進(jìn)化過程，其進(jìn)化目的不是適應(yīng)快速變化，而是平衡穩(wěn)定性和適應(yīng)性，盡量避免大規(guī)模的突觸連接重組。

2、進(jìn)化策略是穩(wěn)定性優(yōu)先，具有記憶、搜索、邏輯思考的大腦新皮層，其學(xué)習(xí)機(jī)制注重長期記憶的鞏固（如通過睡眠中的突觸重組）。快速的可塑性變化可能導(dǎo)致記憶不穩(wěn)定或混亂，這對(duì)于生存和決策是危險(xiǎn)的。

3、人類大腦有系統(tǒng)一和系統(tǒng)二，系統(tǒng)二也就是新皮層需要大量能量進(jìn)行驅(qū)動(dòng)，所以需要較大功耗（大概20W左右），雖然這和計(jì)算機(jī)神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)和推理比也只是九牛一毛，但是對(duì)原始人類來說，長時(shí)間維持這種功耗所需的能量攝入也是非常困難的——人天生就不喜歡深度思考，因?yàn)樘邸?/p>

電力系統(tǒng)網(wǎng)絡(luò)

如果我們用系統(tǒng)進(jìn)化視角看，電力系統(tǒng)網(wǎng)絡(luò)和神經(jīng)元網(wǎng)絡(luò)具有一定的相似性，比如：

1、都具有復(fù)雜系統(tǒng)特性的拓?fù)浣Y(jié)構(gòu)，兩者能夠具備涌現(xiàn)特征，只是電力系統(tǒng)網(wǎng)絡(luò)對(duì)不可控的涌現(xiàn)是極端抗拒的，比如事故的非線性擴(kuò)大。

2、功能上都是傳遞信號(hào)、或者能量，并要求維持相對(duì)的穩(wěn)定結(jié)構(gòu)，比如用分層、動(dòng)態(tài)響應(yīng)、容錯(cuò)等機(jī)制。

3、都具有一定的適應(yīng)性，但都具備脆弱性。

在可塑性方面，電力系統(tǒng)網(wǎng)絡(luò)是最差的。電力系統(tǒng)網(wǎng)絡(luò)的設(shè)計(jì)目標(biāo)是穩(wěn)定可靠地傳輸電能，而非動(dòng)態(tài)適應(yīng)性或?qū)W習(xí)能力。網(wǎng)絡(luò)結(jié)構(gòu)通常是固定的，線路、變電站等基礎(chǔ)設(shè)施的調(diào)整需要大量時(shí)間和資源，物理上的可塑性極低。

雖然智能電網(wǎng)的引入為電力系統(tǒng)增加了一定的動(dòng)態(tài)調(diào)節(jié)能力，例如通過實(shí)時(shí)數(shù)據(jù)優(yōu)化電力分配，但這種調(diào)節(jié)是基于預(yù)設(shè)規(guī)則和算法，缺乏物理層面自我重構(gòu)能力。

某種意義上說，電力線路和設(shè)備從規(guī)劃開始，就決定了整個(gè)系統(tǒng)的可塑性較低，而強(qiáng)調(diào)穩(wěn)定性和可靠性，因?yàn)殡娏ο到y(tǒng)的核心是硬件基礎(chǔ)設(shè)施，物理改變（如增加線路、提升容量）需要長期規(guī)劃和施工。在面對(duì)突發(fā)性需求變化或故障時(shí)，調(diào)整能力有限，更多依賴冗余設(shè)計(jì)而非自我適應(yīng)。

新型電力系統(tǒng)面臨的最主要挑戰(zhàn)，是當(dāng)電源結(jié)構(gòu)發(fā)生較大變化，大量不穩(wěn)定、難預(yù)測的電源，在電力系統(tǒng)的高壓側(cè)和低壓側(cè)同時(shí)并網(wǎng)，原有的網(wǎng)絡(luò)可塑性較低，不得不增加更多的冗余（如果我們把儲(chǔ)能也看成一種增加緩沖的冗余機(jī)制）去應(yīng)對(duì)這種挑戰(zhàn)，最終還是導(dǎo)致系統(tǒng)運(yùn)行風(fēng)險(xiǎn)增加，且系統(tǒng)調(diào)節(jié)成本快速上升。

雖然包括虛擬電廠在內(nèi)的智能電網(wǎng)技術(shù)，甚至大模型深度參與電力系統(tǒng)調(diào)度，可以解決一部分的電力系統(tǒng)脆弱性問題，但是如果電力系統(tǒng)物理網(wǎng)絡(luò)沒有更強(qiáng)的彈性，風(fēng)險(xiǎn)依然存在。

也就是用二次系統(tǒng)的技術(shù)（自動(dòng)化、通信、計(jì)算機(jī)），無法較好的解決一次系統(tǒng)（物理網(wǎng)絡(luò)和物理網(wǎng)絡(luò)運(yùn)行機(jī)制）的問題。

這也是虛擬電廠技術(shù)本身的制約所在。

ChatGPT在分析中提到一個(gè)有趣的觀點(diǎn)：

電力系統(tǒng)早期的設(shè)計(jì)，更強(qiáng)調(diào)“小世界特性”，也就是電力系統(tǒng)是從小配電系統(tǒng)慢慢進(jìn)化而來（我國到上世紀(jì)80年代，還處于多家辦電的本地配電系統(tǒng)占主導(dǎo)的局面），發(fā)展到今天的某種極致狀態(tài)“特高壓交直流互聯(lián)”。

神經(jīng)網(wǎng)絡(luò)和電力網(wǎng)絡(luò)都表現(xiàn)出“小世界網(wǎng)絡(luò)”的特性，即局部節(jié)點(diǎn)之間高度連接，同時(shí)通過少數(shù)長程連接實(shí)現(xiàn)全局通信。這種結(jié)構(gòu)在提高效率的同時(shí)降低了連接成本。

從能量/信息傳輸效率來看，一定是短期、局部的傳輸和處理效率，高于長期、長程的。

而從演化的趨勢看，神經(jīng)網(wǎng)絡(luò)和電力系統(tǒng)都具有某種本能的去中心化趨勢：

電力系統(tǒng)正在從傳統(tǒng)的集中式發(fā)電（如大型電廠）向分布式能源（如太陽能、風(fēng)能）轉(zhuǎn)變，這類似于神經(jīng)網(wǎng)絡(luò)的分布式處理能力。

大腦的神經(jīng)網(wǎng)絡(luò)本身就是一個(gè)去中心化的系統(tǒng)，不依賴單一節(jié)點(diǎn)，任何局部損傷都不會(huì)導(dǎo)致整個(gè)系統(tǒng)崩潰。

所以從電力網(wǎng)絡(luò)的重塑可能性看，在網(wǎng)絡(luò)末端的分布式重塑，部分去中心化的重塑（不是絕對(duì)去中心化，個(gè)人認(rèn)為去中心化電力系統(tǒng)在電量上最多只占20%），能夠較大程度的降低新型電力系統(tǒng)的整體風(fēng)險(xiǎn)。

AI在進(jìn)化過程中，也出現(xiàn)了集中性大模型平臺(tái)，逐步衍生出適應(yīng)不同場景的，能滿足端到端智能需求的AI Agent。

AI Agent與末端重塑的電力網(wǎng)絡(luò)場景—微電網(wǎng)又可以形成新的耦合，比如AI Agent微網(wǎng)，與配電網(wǎng)進(jìn)行互動(dòng)，是新型電力系統(tǒng)新形態(tài)的可塑性。個(gè)人感受是AI的進(jìn)化速度，將拉動(dòng)新型電力系統(tǒng)在最具備可塑性的各個(gè)場景，進(jìn)入快速迭代過程，并產(chǎn)生更大的價(jià)值。

雖然與整個(gè)電力系統(tǒng)的規(guī)模比，無論是資產(chǎn)規(guī)模，還是電量規(guī)模，可能都是只是二八定律中的二，但是二這部分的改變，將極大影響整個(gè)網(wǎng)絡(luò)的進(jìn)化和面貌，比如在算法神經(jīng)元網(wǎng)絡(luò)中，權(quán)重網(wǎng)絡(luò)的少數(shù)參數(shù)變化，或者某個(gè)重要算法模塊、訓(xùn)練思維的改變（比如DeepSeek采用MOE專家機(jī)制等），就極大的提升的整個(gè)網(wǎng)絡(luò)的表現(xiàn)。

新型電力系統(tǒng)20%的去中心化、微網(wǎng)化和AI Agent融合，也是如此。