當AI邂逅電能：與圖知科技一起探索工業AI王座

AI與產業的結合，近年來已經深入到了大眾生活的方方面面。在往期白洞計劃中，我們也與大家探討了許多AI產業應用的垂直場景與無限細節。但我們也發現，在AI向產業奔湧灌溉的浪潮中，有一塊領地尚未進入大眾眼簾，那就是電力。

在這個年輕人動輒說“我的命都是WiFi/空調/網際網路給的”時代，電力就像現代生活的一座燈塔——靜默而有力地照耀著千行萬業與芸芸眾生行色匆匆的前路。那麼它自己，又將被時代塑造成何種模樣呢?

在最新一期的《白洞計劃》中，我們將與AI企業圖知科技一起，見證電力行業裡在技術進化的能量席捲之下，將會讓我們的生活以怎樣的姿勢向未來前進。

AI助力電力革新：中國工業的彎道超車之路

電力行業需要AI嗎?答案已經毋庸置疑。

在交流過程中，資深電力專家孟煒闡述了產業端對智慧技術的渴求：

首先，裝置診斷的安全飢渴症。電力行業是一個產供銷高度流程化、對安全性要求比較高的領域，這對裝置診斷提出了比較緊迫的需求。但以目前村村通的服務輻射量級，依靠當前人工結合影象引數判斷來檢測是遠遠不夠的。諸如惡劣天氣等環境因素，瞬息萬變的內部工況都需要超前預控。

同時，枯燥重複的工作內容正在勸退年輕勞動力。絕大多數情況下，電力巡檢、問題篩查都是預防型的重複勞動，在沒有故障徵兆情況下，工程師很難從工作中獲得成就感，痛苦的重複枯燥勞動讓越來越多年輕人不願進入工業一線工作，求助於產業智慧化就成了唯一的出路。

放在更大的國際競爭背景下，目前中國電力領域無論是工程和製造體系化、技術服務和管理的方法論等方面都與發展較快的西方先進製造商有差距，AI與電力產業模型的嫁接，有助於中國工業走出一條快速發展、追趕已開發國家的彎道超車之路。

當然，在引入AI之前，電力行業有著一些得天獨厚的優勢，比如作為一個知識密集型行業，電力領域本身就有較為成熟的資訊化建設基礎，能夠產生大量供給智慧演算法的資料養料;再比如人才認知，許多諸如孟總一樣熟知行業痛點的專家，正在以超前的眼光推動著產業邊界與技術邊界的融合……這些，都成為AI得以灌溉進產業根鬚的前提條件。

總的來說，提升產業效率、提高執行可靠性、實現產業的跨越式升級，這些正是電力行業迫切希望利用AI技術解決的難題，也正是AI產業化的典型價值。

拿起AI武器：技術如何改變工業常識?

從孟總的講述中，我們得以觸碰了AI+電力遠大前程的一角。但客觀來說，打造產業理想AI的現實之路並非坦途。

工業AI之所以一直都被看做是最難的、也最複雜的應用領域，原因就在於，一方面行業外延十分廣泛，細分領域很多，要求的專業知識也很廣泛，因此一直沒能誕生能夠吃透整條產業鏈的巨頭玩家，AI技術企業想要深入進去會遇到各種各樣意想不到的難題;

同時，電力行業關係到國計民生，解決問題大多采用傳統方式。對資料的質量和安全也有比較高的標準，現有的AI技術目前尚處於初始探索階段，在產業端的認可和信任程度還不高，所以AI技術目前只能在一些相對垂直、細分的領域切入，這也在一定程度上限制了技術的發揮空間。

對此，圖知科技聯合創始人嚴超的感觸就極為深刻。在交談中，他分享了一個技術與產業結合的有趣故事。

在做變電領域的時候，圖知科技只能根據現場工程師的反饋來進行處理，對變壓器和開關櫃進行故障檢測。但與孟總交談後他們瞭解到，業內已經有了很成熟的國家規範標準，雙方一碰即合，一條條進行篩選，將重要性高、技術可實現的一些條目摘出來，比較難的標準往後放一下。再將這樣一個優先順序排序的規範轉換成AI技術語言，大大加速了圖知跟行業之間的結合。

換句話說，AI想要深入電力行業，也必須從產業端需求中進行挖掘，去明確自己要做什麼，不做什麼。

所以，經過了一系列的蓄力之後，圖知科技也不斷淬鍊除了對整個產業鏈的深度感知，並打造除了改變行業現狀的技術武器。通過嘉賓的分享，我們可以大致將AI與電力行業的觸碰總結為是三個方面：

第一，基於AI演算法的電力全流程故障識別。

比如在發電、變電、輸電這三個核心環節上，圖知科技就與合作伙伴打造了覆蓋全流程的故障檢測系統。

在發電領域，圖知與神華集團旗下的一家公司合作，開發了能夠識別煤堆管道、大型裝置缺陷等在內的演算法平臺，從而規避部件脫落鬆動、裝置腐蝕、內部自燃、密封點洩露等潛在問題。

在變電領域，圖知與陝西山東遼寧等地的電力企業一起，打造了智慧變壓器和開關櫃，實現了內部故障的自動檢測工作。

輸電方面，圖知在在山西江蘇江西山東等地，引入無人機的機載AI對輸電線路進行巡迴拍攝，工程師可以有重點地檢查AI傳回的影像，實現人機結合巡檢。由此降低工程師影象檢測數量，帶來的產業效率提升，正在改變傳統行業對故障檢測的常規認知。

第二，依靠智慧決策的風險預警。

僅僅依靠計算機視覺技術替代人工進行感知，顯然是不夠的。圖知科技的另一個技術佈局，就是向深度決策挺進，利用演算法和後臺大資料結合，對故障成因實現預判與決策。比如通過無人機巡檢，預測哪些位置有可能會出現故障，從而做一個提前的預判，在事故發生之前，就完成風險控制，防患於未然。

第三，智慧軟硬體協同的互聯互通。

完成了現有AI技術與產業資料的融合之後，圖知科技還計劃將觸角深入到行業全資料建設上去。利用多種多樣的感測器，比如測量dian'q電壓、電流、溫度、溼度、煤炭含硫量與灰分和揮發分等資料，搭建一個統一的智慧框架入口，實現全域性、全維度的資料交叉分析，再結合機械臂等硬體，替代高風險、重複枯燥的人力勞動，讓整個產業從執行端向自動化、智慧化進階。

目前來看，從感知端到分析端，再到行動端，圖知科技在努力讓AI在電力的各個專業場景去發揮作用，實現高效率、低成本的“產業摺疊”。

重構產業生態鏈條，AI+電力的機遇與隱憂

AI+電力，是一個全新的場景和市場，在技術深入的過程中，面對糾纏交錯的產業關係聯動，想交付符合產業預期的產品，自然也會面臨許多全新的問題。

通過兩位嘉賓在節目中的分享，我們發現最大的挑戰主要集中在三個矛盾上：

1.迫切的產業升級需求，與不切實際的技術預期。

國家政策號召與巨頭的鼓與吹，往往會讓AI在深入產業的過程中，被鍍上一層“救世主”的光環。但實際上，過度的預期和宣傳反而會損傷AI在工業領域應用的積極性。

孟總反映到，許多產業人員會對AI報以過分的強調和預期，覺得AI是萬能的，能幫助他們解決一切問題。在他看來，技術企業需要管理好客戶的預期，進行合理的目標導向。在哪些痛點去替代勞動力，哪些地方提升決策效率。從而避免一兩次失落之後，讓整個產業鏈喪失信心。

2.AI公司的技術賦能渴望，與電力行業的真實痛點。

兩位嘉賓分享了一個非常有意思的故事，那就是在業務溝通的過程中，圖知經常和合作方嚴肅地“吵架”。原因正是源自AI技術與電力需求的兩種視角，背後往往不是技術的問題，而是組織架構、溝通文化，甚至工作習慣上的差異。

比如科技企業總是急於瞭解技術如何下沉，實現路徑是怎麼樣的，容易忽略業務本身的需求，到底需要提供哪些服務。而業務方往往對技術邊界瞭解的不準確，有時會產生對方認為技術難度不大，實際上無法實現;或是認為一些東西完全做不了，但在技術人員眼中其實很簡單之類的認知誤差。對此，圖知科技的看法是，技術是要服務於業務，想要解決問題，一定是努力去把行業專家的思路AI化。

3.嚴苛的產業安全訴求，與中國企業的品牌塑造。

我們知道，涉及到國計民生的電力行業，在生產中的第一準則就是安全，不能出偏差自然必須引入成熟的產品與系統，這種情況下，歐美、日本等工業相對成熟的市場就成為了優先選擇。國內的技術公司想要得到認可和信賴就比較難。

這會產生兩個問題，一是國外供應鏈巨頭的利潤很高，售價千萬的機器往往成本只有一百多萬，某種程度上加重了電力企業的經營壓力;另外，目前智慧計算大多需要上傳到公有云端進行規模化處理，但關鍵的電力資料一旦被上交到西方企業手中，一旦被用來判斷中國的產業、經濟乃至社會狀況，裹挾的安全風險是難以估量的。

對此，中國技術企業除了不斷加深在安全、質量領域的品牌建設之外，發展軟硬體結合的邊緣計算等差異化服務，率先建立起品牌標識與技術模板，才有可能成為行業夥伴眼中可信賴的安全保障。

從圖知科技的故事中，我們可以看到，AI融入產業，從來不是某一個技術公司與一個行業客戶就能完成的工作。它需要解決的是產業生態內部一系列連鎖反應，才能將傳統的生產模式轉化為新的市場機會。而幸運的是，AI書寫的新故事，正在無數電力人的翹首期盼中等待著。只要能夠尊重行業規律，尊重技術與產業的邊界，AI一定不是空中樓閣。

恰恰相反，它終將摘下工業這頂“王冠”，引領整個產業鵬霄萬里。

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31561483/viewspace-2657197/，如需轉載，請註明出處，否則將追究法律責任。