巨大白色油罐壁上，一条形似爬虫的黑色机器从底端出发，沿着光滑的油罐开始缓慢爬行。就在这条机器的顶端，有一对仿如眼睛的摄像头，时行时停间，摄像头已经把油罐的各种细节全数拍下，并向数据中心传输。而后台的机器，则迅速通过对这些数据的分析，确定油罐设施情况以及是否需要做进一步的检测。

　　这个类似虫子的黑色机器，来自一家名为AvitasSystem的公司。这家公司在今年6月的初秀格外引人关注，其中除了人工智能（下文简称AI）技术在能源领域的应用让业界耳目一新，还因为它的老板——通用电气（下文简称GE）旗下的风险投资机构GEVentures。

　　谈起AI，人们更多地会想到微软、IBM、亚马逊这些在消费领域大放异彩的公司。事实上，长期精于能源和制造的GE也在早有布局：2011年起就开始了数字化转型——由设计、生产转为软件数字服务，并成立GE数字集团，整合资产性能管理（APM）系统和ServiceMax云服务，意在变革服务操作，降低成本并减少设备的非计划停机时间；2016年大手笔收购BitStewSystems和Wise.io两家公司，加上2017年AvitasSystem的诞生，不难看出，GE在能源AI领域的信心和野心。

　　提升效率是杀器

　　GE数字转型成功的标志，是创建了工业互联网平台Predix，而人工智能则堪称是Predix上的“刀尖舞者”。如果说，Predix类似于电脑系统Windows和手机系统Android，那么在2016年，GEPredixAnalyticsRuntime引入机器学习能力，就是对系统做了彻底的升级——通过机器学习模型的训练，参与数据及信息分析，产生富有价值的预测性解决方案。

　　对GE材料、航空、医疗等板块，AI的作用在于更新业态模式、实现节能降耗；但能源板块上，AI的意义更为直接和明显，因为它不仅实现了“节流”，还通过“开源”，提升了整个价值链的效率。

　　仅以在电力领域为例，GE不单建立了涵盖设备维修、改造升级、长期服务协议、电厂日常运营及维护的全厂解决方案（Fleet360），同时，通过人工智能的机器算法，可对生产的实时数据进行分析，实现故障预测、效能比对，并对设备全生命周期进行监控和管理，提高设备的可靠性，提升电力资产精益水平，缩短管理响应时间，全面提升资产盈利能力和市场竞争力。

　　在发电环节，GE近年收购的NeuCo公司致力于帮助发电厂商实现节能减排。该公司成功运用人工智能技术对各发电设备实时监测以及运行维护，可提供一系列的故障诊断与解决方案，在故障初级阶段快速补救反应，提升了设备运行稳定度和发电效率，确保系统正常运行，延长运行寿命。机器学习允许软件识别微小变化，从燃煤机组的实践经验看，不仅提高了燃煤系统的效率和稳定性，减排效益也较为可观，效率提高1%相当于减少1000辆机动车的碳排放量。

　　在输配环节，GE人工智能技术替代了人工巡检、电话报障的传统方式，利用智能电表和机器学习进行定位和检测，提高故障响应，自动识别问题的根源，迅速恢复供电。由于电网公司通常面临技术线损和非技术线损问题，因此为减少技术线损，GE利用人工智能实现对输配电过程中的电压、电流、有功、无功、相位等进行自动实时调整；而对于非技术损失，则通过智能电表、网络传感器等智能设备识别可能存在的窃电或其他功率损耗。

　　在用电环节，GE开发了ConsumerWebPortal连接发电商、输配电企业、工商业用户、居民用户，以双向智能电表作为流量以及数据入口，积累消费者用电详细数据，建立消费者个人档案，形成发输配端与消费端的互动。输配电端的AI技术根据消费者用电习惯以及发电厂的发电量制定差异化电价，汇总到ConsumerWebPortal；消费者可以根据自身情况选择相匹配的供电方，同时工商业用户可采用电厂直供电模式进行交易。

　　模式稳健但单一

　　不难看出，在这一轮的AI混战中，各大企业都显现出自己的独门绝招——谷歌立足AI底层算法及芯片方面的积累优势，以覆盖更多的消费使用场景；亚马逊虽然其深度学习能力暂时还不及谷歌、微软、Facebook，但围绕Alexa在人工智能语音市场中的领先地位，重点布局智能家居和云服务；IBM则主推人工智能Watson系统，更多是聚焦商业问题。

　　在各个公司拼命在消费品领域争抢AI地盘的过程中，GE根据自己的特色，选择了重视集成应用的模式。

　　具体以能源领域为例，就是围绕其能源设备及业务流程，建立Predix，以数字镜像作为核心创新，通过连续收集设备上的传感数据，运用自学习的人工智能算法，分析设备性能和运行特征，预测能源价值链各种用户面临的问题并作出响应，实现节能或预防性维护，提高设备运行性能、企业财务业绩及能源用户收益。

　　这种模式，也是不少能源电力企业在AI领域寻求发展的方向，它稳定且实用，但并不一定适应于未来。

　　根据PRNewswire、IDC等机构预计，人工智能撬动的智慧能源市场，到2020年市值将达到5160亿美元。其中，仅人工智能市场收入就达470亿美元，而与之密切相关的机器人系统硬件、软件及相关服务营收将达1880亿美元，AI外延的智能电网、智能住宅、智能太阳能等预计更是高达2810亿美元。

　　同时，随着云计算的日益强大，深度学习算法的逐步优化，再加上指数增长的海量数据，传统的模式需要不断更迭，GE如果想在能源AI领域实现领跑，只有不断挖掘自身产品的痛点，并与这三股强大动力密切结合，才能寻找新的应用空间。

　　我们可以学什么

　　无论是成绩还是教训，GE的经验都可视为能源行业AI开拓的有效借鉴，特别是在以下三个方面：应用场景、数据应用和人才培养。

　　众所周知，应用场景是AI的核心生命力，但这也是GE的短板——在AI上的技术发展与突破，除在医疗领域进行了原始创新和早期应用外，包括能源在内的其他业务领域，GE仍把自己定位为“没有章法下的快速追随者”，言下之意，就是对当前的场景结合并不满意。

　　因此，中国能源行业要实现AI的落地应用，需要在准确理解AI的基础上，将AI植入于适合企业自身特点的具体业务，真正发挥AI的学习和分析能力，从而提高产品与服务的质量和效益。

　　和应用场景同样的重要的是数据资源。它就像AI最重要的原料，在AI基础层和技术层的发展阶段，软件依赖于程序代码编制，因而拥有优秀编程人员的公司占有优势。随着AI深度学习算法的兴起，其功能完善得益于大数据的训练。GE的经验是，数据越多，算法性能越强，AI提供的服务也就越智能。

　　对于中国能源行业而言，连接着发电与用户的电网企业拥有丰富的大数据资源，应抓住能源互联网的发展契机，加快推进智能表计安装、智能巡检运行、智能电网建设，为AI的应用夯实数据基础。

　　比前两者更重要的是人才资源。AI的核心是提高经营效益，提出具体的商业解决方案，这根本上有赖于人的决策。但短期内，全球AI业界培养不了几个像李飞飞这样的深度学习专才。在人才培养方面，GE并没有走寻找出类拔萃的精英路线，而是选择培养复合型人才。

　　与谷歌、微软这样的纯AI研发不同，GE成立了专门的全球研发中心，尽管加强AI基因的植入，但它最终培养出的AI专家还能了解能源业务和制造业务。这或许正是能源企业与互联网企业不同之处，不仅需要专业的信息技术人才，更需要培养熟悉市场前景、运营模式、资金投入、项目产出的复合型业务人才。