中國儲能網(wǎng)訊：在能源電力領(lǐng)域，“人工智能”不是一項簡單拿來用用的新技術(shù)，“人工智能+能源”（AI+Energy）是對過去10年“互聯(lián)網(wǎng)+能源”（能源互聯(lián)網(wǎng)，Energy Internet）的延續(xù)和升級，內(nèi)涵更豐富，影響更深遠，具體包括算能融合（Energy for AI）和能源數(shù)智化（AI for Energy）。
延續(xù)能源互聯(lián)網(wǎng)能源信息基礎(chǔ)設(shè)施一體化的思路，算能融合將是未來基礎(chǔ)設(shè)施發(fā)展的趨勢。新能源、新型儲能等能源電力技術(shù)的進步會支撐和促進AI智算中心等基礎(chǔ)設(shè)施的建設(shè)和綠色低碳可持續(xù)發(fā)展，智算中心作為大規(guī)模負荷和可調(diào)節(jié)資源又可以反過來參與新能源消納和新型電力系統(tǒng)運行。另外，在AI初期發(fā)展階段，能源電力產(chǎn)業(yè)優(yōu)勢可以有效彌補AI算力技術(shù)的不足，這在我國具有現(xiàn)實意義。
當(dāng)下，AI算力需求正在發(fā)生變化，推理算力已成為公認的方向之一，而推理算力更適合下沉到邊緣實現(xiàn)，這有望解決物聯(lián)網(wǎng)時代的邊緣計算問題。與此同時，邊緣計算的發(fā)展也將對其能源支撐提出挑戰(zhàn)，目前已在微網(wǎng)中應(yīng)用的能量路由器將是未來邊緣算能融合的重要硬件。
算力需求：從訓(xùn)練到推理
2022年11月30日，OpenAI在GPT-3基礎(chǔ)上正式發(fā)布了ChatGPT，是能夠?qū)υ挼腉PT（Generative Pre-trained Transformer）版本。從2018年開始，OpenAI就相繼推出了GPT-1和GPT-2,而到2022年ChatGPT的大獲成功被認為是堅定實踐模型訓(xùn)練尺度定律（Scaling Law）的結(jié)果，即隨著模型大小的增加，訓(xùn)練損失降低，模型生成性能提高，捕捉全局信息的能力增強?。算法、算力和數(shù)據(jù)是人工智能三要素，一時間，AI訓(xùn)練算力的需求暴漲，AI軍備競賽在全球展開。
然而，最近的研究表明，在自然語言處理領(lǐng)域，單純依靠增加模型規(guī)模和數(shù)據(jù)量來提升性能的方法可能已接近瓶頸?。斯坦福大學(xué)人工智能研究所(HAI)發(fā)布的《2025 AI指數(shù)報告》指出，如今大語言模型的性能已經(jīng)趨同：2024年TOP1和TOP10的模型性能差距約12%，但如今，它們的差距已經(jīng)越來越小，銳減至5%。從頭訓(xùn)練新的基礎(chǔ)大語言模型已沒有意義，AI訓(xùn)練算力的需求占比縮小。隨著基礎(chǔ)大語言模型的不斷成熟，AI算力需求從單純的底層模型訓(xùn)練轉(zhuǎn)向與上層模型應(yīng)用相關(guān)的推理和交互需求。
2024年9月，OpenAI發(fā)布o1推理模型系列，展現(xiàn)了新的尺度定律：增加推理時間可以提升模型性能。這為未來大語言模型進一步發(fā)展提供了新的可能。2025年1月，我國AI公司深度求索（DeepSeek）發(fā)布開源推理模型DeepSeek-R1，其深度思考模式可以詳細輸出推理過程，而應(yīng)用推理正是目前公認的未來AI算力主要需求之一。
AI訓(xùn)練算力和推理算力的需求具有不同的時空特征：訓(xùn)練算力單位粒度大，并且可以離線運行，因此時間上可以平移，空間上轉(zhuǎn)移比較慢；推理算力單位粒度小，實時性要求高，一般來講時間上無法平移、空間上可以轉(zhuǎn)移。
邊緣計算的可能與挑戰(zhàn)
基于推理算力需求的時空特征，從云管邊端的主流IT實施架構(gòu)角度，一旦大量實時并發(fā)的推理需求從各式各樣終端（如手機、電腦、網(wǎng)聯(lián)車、機器人等）發(fā)起，AI推理可以更好地保證響應(yīng)的實時性和資源的高效利用，逐漸成為邊緣計算場景的“殺手級”應(yīng)用。
近年來，隨著物聯(lián)網(wǎng)的快速發(fā)展，大量帶有傳感器的終端設(shè)備被部署到真實物理環(huán)境中，從而將物理信息轉(zhuǎn)換為數(shù)據(jù)。這些物聯(lián)網(wǎng)設(shè)備產(chǎn)生的具有分析價值的海量數(shù)據(jù)推動人類社會進入大數(shù)據(jù)時代。值得注意的是，處理和分析這些海量的數(shù)據(jù)同樣需要大量的計算和存儲資源的支持。
傳統(tǒng)的解決方法是將數(shù)據(jù)通過網(wǎng)絡(luò)上傳到云端數(shù)據(jù)中心進行集中處理和存儲。但由于網(wǎng)絡(luò)的帶寬和傳輸速率是有限的，海量數(shù)據(jù)的傳輸會帶來網(wǎng)絡(luò)堵塞和時延過高的問題。邊緣計算可以將部分或全部原本在云端執(zhí)行的計算和存儲任務(wù)下放到更靠近用戶側(cè)的邊緣側(cè)執(zhí)行，從而避免傳輸時延過高和網(wǎng)絡(luò)堵塞等問題。然而，物聯(lián)網(wǎng)大數(shù)據(jù)時代興起的邊緣計算并沒有得到大規(guī)模的應(yīng)用，其主要原因在于數(shù)據(jù)本身需要從用戶側(cè)跨域傳輸?shù)竭吘墏?cè)，而用戶側(cè)數(shù)據(jù)往往涉及個人或商業(yè)等方面的安全、敏感和隱私等問題，用戶更傾向于私有化部署，而不愿選擇跨域分享成為邊緣側(cè)資源。
與傳統(tǒng)解決方案不同的是， 大模型的本質(zhì)是數(shù)據(jù)和知識的壓縮，在線推理過程中并不涉及上述原始數(shù)據(jù)的安全、隱私等諸多問題，在終端大規(guī)模發(fā)起請求又要實時響應(yīng)的場景下，推理算力具有共享邊緣側(cè)資源的動力，或?qū)⒊蔀锳I時代邊緣計算落地的關(guān)鍵。
需要注意的是，隨著邊緣計算任務(wù)的增加，邊緣智算中心的供能問題成了一項巨大的挑戰(zhàn)。邊緣計算具有分布式的特點，處于不同時間和地理位置的邊緣智算中心的工作負荷也是不同的。這造成了邊緣智算中心能耗的不均勻和難以預(yù)測。邊緣計算系統(tǒng)龐大的能耗可能會加劇能源緊缺和環(huán)境污染等問題。
與優(yōu)化邊緣計算本身的硬件設(shè)備和控制策略相比，利用可再生能源為邊緣智算中心供能，能夠更加有效地應(yīng)對AI時代日益增長的大模型終端應(yīng)用需求帶來的巨大壓力。
基于能量路由器的應(yīng)用解決方案
邊緣智算中心供能場景與目前能源互聯(lián)網(wǎng)中的微網(wǎng)場景接近。微網(wǎng)是一種包含了一種或多種發(fā)電設(shè)備、儲能設(shè)備及負載設(shè)備的小型供能系統(tǒng)。與傳統(tǒng)配電網(wǎng)相比，微網(wǎng)規(guī)模小、復(fù)雜程度低、控制效率與可靠性高、靈活性強，因此更加適用于提高能源系統(tǒng)的可再生能源利用率。
能量路由器（Energy Router, ER）是一種可以實現(xiàn)微網(wǎng)之間以及微網(wǎng)和配電網(wǎng)之間能量傳輸和管理的設(shè)備。其設(shè)計基于互聯(lián)網(wǎng)自下而上對等互聯(lián)的理念，功能類似互聯(lián)網(wǎng)中負責(zé)信息轉(zhuǎn)發(fā)的路由器，是兼具能量轉(zhuǎn)換和信息傳輸?shù)囊欢稳诤显O(shè)備，如圖1所示。
圖1.能源互聯(lián)網(wǎng)能量路由器示意圖
作為能源互聯(lián)網(wǎng)的核心裝備，能量路由器已經(jīng)在很多邊緣典型場景進行應(yīng)用和示范。例如，與新能源電動汽車充電結(jié)合的光儲充站，可以基于能量路由器形成電網(wǎng)、光伏、儲能和充電負荷互聯(lián)的集成化、標(biāo)準(zhǔn)化、一體化解決方案；與5G基站供電需求相匹配的分布式基站微電網(wǎng)，可以基于能量路由器實現(xiàn)光伏和儲能的接入，以降低電網(wǎng)供電或轉(zhuǎn)供電的成本；與分散式油氣井結(jié)合，可以基于能量路由器為邊遠地區(qū)的分布式采油（氣）機提供供電服務(wù)，兼具便捷可移動和成本優(yōu)勢。
未來，邊緣智算中心一般以集裝箱模塊化方式部署，同樣可以采用基于能量路由器的供能方案，形成邊緣算能融合的典型應(yīng)用案例。在信息層，各個智算中心互聯(lián)互通，來自于前端的計算任務(wù)可以自由分配，這樣就構(gòu)成了邊緣算力能源融合解決方案，如圖2。
圖2. 邊緣算力能源融合應(yīng)用解決方案
每個能量路由器都可以看成是源網(wǎng)荷儲一體化系統(tǒng)，除了具有一次能量轉(zhuǎn)換相關(guān)功能外，還可以通過一二次融合集成能量管理系統(tǒng)（Energy Management System）層面的高級應(yīng)用。能量路由器可以制定源網(wǎng)荷儲不同端口之間的協(xié)同策略，未來可以基于對算力負荷特征和電源時空特性的分析，進行能量管理層面上的協(xié)同和互動。
這意味著，算力作為負荷角色，可以借助能量路由器成為規(guī)?；?、靈活、可調(diào)節(jié)資源，參與需求側(cè)管理和響應(yīng)。而由于地理上的分布特性，各個邊緣智算中心通過不同的節(jié)點接入電網(wǎng)，而每一個節(jié)點的實時節(jié)點電價各不相同，邊緣智算中心也可以優(yōu)化其電源選擇。不過，這些場景需要在保證系統(tǒng)穩(wěn)定運行前提下方可實現(xiàn)，相應(yīng)的控制方法需要考慮電壓和頻率穩(wěn)定等因素。
目前，一部分云計算廠商和創(chuàng)業(yè)企業(yè)已關(guān)注到邊緣算力的重要性，并提出產(chǎn)品解決方案。但筆者認為，邊緣算力的實現(xiàn)應(yīng)該同國家集中式算力部署一樣，必須充分認識到算能融合的重要性，在未來大規(guī)模部署邊緣智算中心的時候，統(tǒng)籌邊緣算力發(fā)展需求和分布式新能源資源稟賦，一方面“以能補算”，支撐AI推理算力的分布式發(fā)展，一方面“以算促能”，形成大規(guī)模分散式的算力負荷可調(diào)節(jié)資源，促進分布式新能源的有效消納。
