Vikhyat Chaudhry, CTO, COO & spoluzakladatel Buzz Solutions: Návratový rozhovor

Vikhyat Chaudhry, CTO, COO & spoluzakladatel Buzz Solutions, vede technologický vývoj a operace společnosti, která aplikuje umělou inteligenci, strojové vidění a prediktivní analýzu na inspekci a údržbu kritické energetické infrastruktury. V roce 2017 založil Buzz Solutions po získání zkušeností v oblasti datové vědy, strojového učení, vestavěných systémů, počítačového vidění a autonomních technologií. Předtím, než se plně věnoval společnosti, pracoval jako datový vědec v Cisco, vyvíjel systémy založené na strojovém učení a senzorech v Altitude Co. a prováděl výzkum na Stanford University, který zahrnoval autonomní drony, detekci větru a počítačové vidění pro větrné farmy. Jeho dřívější výzkum v Indickém obranném výzkumném a vývojovém organizaci se zabýval předpovědí sesuvů půdy pomocí simulací a softwaru pro dálkový průzkum, což mu poskytlo technické znalosti v oblasti infrastruktury, geoprostorové analýzy a aplikované umělé inteligence. Buzz Solutions jej目前 označuje jako svého spoluzakladatele, CTO a COO.

Buzz Solutions vyvíjí software pro vizuální inteligenci, který má pomoci energetickým společnostem inspekovat, udržovat a zabezpečovat přenosové, distribuční, transformační a generovací infrastrukturu. Jeho platforma PowerAI analyzuje obrazová data shromážděná pomocí dronů, vrtulníků, letadel a pozemních inspekcí, převádějící vizuální data na diagnostiku, která pomáhá utilitám identifikovat závady, hodnotit stav aktiv, prioritizovat opravy a integrovat výsledky do stávajících geografických informačních systémů, systémů správy aktiv a pracovních postupů. Společnost prezentuje svou technologii jako způsob, jak detekovat rizika infrastruktury dříve, snížit manuální práci vyžadovanou pro analýzu inspekčních obrazů a snížit pravděpodobnost selhání zařízení, které přispívají k výpadkům, odstávkám nebo požárům. Buzz Solutions také nabízí nástroje pro monitorování a zabezpečení transformačních stanic, což odráží její širší cíl pomoci utilitám budovat bezpečnější, odolnější a datově řízené síťové operace.

Když jsme vás rozhovorili v roce 2024, náš rozhovor se soustředil na používání umělé inteligence k přechodu utilit z manuálních inspekcí na prediktivní údržbu. Co se nejvíce změnilo za posledních dva roky, jak v energetickém sektoru, tak ve vašem vlastním myšlení, aby vás to vedlo k napsání knihy Powering Intelligence a rámcování elektřiny jako potenciální omezení budoucnosti umělé inteligence?

Když jsme se naposledy bavili, rozhovor se většinou týkal back office sítě, přechodu utilit z manuálních inspekcí na prediktivní údržbu. To je stále práce. Ale něco se změnilo pod námi za posledních dva roky, a změnilo se rychleji, než téměř kdokoli v mém světě očekával. Předtím byla umělá inteligence příběhem, o kterém jsme mluvili v abstraktním smyslu. Nyní se objevuje jako velké číslo růstu zatížení pro utility. Začal jsem slyšet totéž od lidí, které znám roky v tomto odvětví: žádosti o připojení pro zatížení, která by byla před několika lety nemyslitelná, samostatné zařízení žádající o tolik energie, kolik spotřebuje malé město, a žádající o ni na časové ose, která nemá nic společného s tím, jak se síť skutečně buduje. To byl moment, kdy to pro mě kliklo. Všechny naše energie debatujeme o tom, jak schopné tyto modely budou, a téměř nikdo se nezabývá otázkou, zda můžeme je nakrmit. Napsal jsem Powering Intelligence, protože jsem neustále hledal knihu, která spojovala tyto dva světy, a nebyla. Každý psal o modelech umělé inteligence. Téměř nikdo nepíše o elektronech, které jsou pro ně potřebné. A já jsem seděl v podivném místě, dostatečně blízko k straně umělé inteligence, abych pochopil ambici, a dostatečně blízko k síti, abych věděl exactly, jak dlouho trvá stavba nové přenosové linky a rozvoj elektrárny.

Argumentujete, že průmysl umělé inteligence škáluje v měsících, zatímco síť se mění během desetiletí. Kde je nejaktuálnější úzké místo dnes: výroba elektřiny, přenosová kapacita, transformační stanice, transformátory, fronty připojení, povolení nebo dostupnost kvalifikovaných pracovníků?

Myslím, že existuje více úzkých míst, a odpověď je, že jsou všechny spleteny dohromady. Ale pokud mě donutíte ukázat na nejaktuálnější uzlo, je to relativně méně o generování elektronů a více o jejich doručování: přenos a proces připojení, s transformátory a jiným elektrickým zařízením jako fyzickými součástmi, které vše svážou. Zde je věc, kterou lidé často podceňují. Můžete oznámit elektrárnu a datové centrum v tiskové zprávě. Nemůžete oznámit velký power transformátor do existence, některé z nich mají lhůty měřené v letech, a mnoho z nich není ani vyrobeno domácími výrobci. Takže i když je zde vůle a kapitál, narazíte na zeď dodavatelského řetězce na součásti. Poté je vrstva nad tím fronta připojení, která v mnoha regionech představuje víceletou frontu pouze pro studium. A pod tím vším je problém s pracovníky pro energetický průmysl. Lidé, kteří skutečně vědí, jak postavit a udržovat toto zařízení, odcházejí do důchodu rychleji, než je nahrazujeme.

Takže to není jedno úzké místo. Je to, že nejpomalejší fyzické součásti, transformátory, přenosové koridory, vyškolení lineworkers, jsou přesně ty, které nemůžete urychlit pouze softwarem nebo penězi. To je to, co dělá tuto věc těžkou.

Centra dat umělé inteligence mohou zavést enormní, vysoce koncentrovaná zatížení do oblastí, jejichž sítě nebyly navrženy pro takovou úroveň poptávky. Jak se tato zařízení liší od velkých průmyslových zatížení, která utility historicky zvládly, a jaká nová rizika vytvářejí pro spolehlivost a kapacitní plánování?

Utility zvládly velké zatížení po dobu století. Ocelárna, hliníkárna, automobilový průmysl, tyto jsou enormní zatížení, a plánovači sítě vědí, jak o nich uvažovat. Takže instinkt je zacházet s centrem dat jako s dalším velkým zákazníkem. Myslím, že tento instinkt je špatný, a rozdíly jsou to, co vytváří nové riziko.

Tři věci mě zaujaly. První je koncentrace a rychlost. Tradiční těžké průmyslové zatížení obvykle rostlo spolu se sítí v regionu po desetiletích. Tato zařízení chtějí přistát obrovská, najednou, v místech, jejichž místní síť nebyla nikdy plánována kolem nich. Druhé je profil zatížení. Mnoho z nich nejsou hladká zatížení, mohou prudce stoupat a rychle stresovat zařízení jinak než továrna, která běží stabilním procesem. Třetí, a to je to, co nejvíce znepokojuje plánovače, je spekulativní nahromadění, o kterém vím, že je vaše další otázka.

Riziko, které vytváří, je, že utility jsou požádány o plánování kolem poptávky, která se chová jinak než cokoli v jejich historických modelech, a aby se zavázaly k kapitálu a infrastruktuře na časové ose umělé inteligence, nikoli na časové ose sítě. Když vaše plánovací předpoklady jsou založeny na století jednoho typu zatížení a nové zatížení porušuje tyto předpoklady, plánování spolehlivosti se skutečně stává obtížnějším. To není důvod říci ne. Je to důvod plánovat jinak.

Utility dostávají ambiciózní požadavky na energii od vývojářů center dat, ale ne každá navrhovaná zařízení se nutně dokončí. Jak mohou utility rozlišit mezi závaznou poptávkou a spekulativními žádostmi a vyhnout se stavbě nákladné infrastruktury pro projekty, které přijdou pozdě nebo se nikdy neuskuteční?

To je jedna z nejvýznamnějších provozních otázek v tomto prostoru, a jsem rád, že jste ji položil přímo, protože nedostává dostatečnou pozornost vedle flashier témat.

Developer může podat žádosti o připojení pro stejný projekt v několika územích najednou, nakupuje, kdo může doručit energii nejrychleji. Některé z těchto projektů jsou reálné a financované. Některé jsou možnosti, placeholdery a způsob, jak držet místo ve frontě. Některé z těchto se nazývají “Phantom loads”, které se možná nikdy neuskuteční. Pokud utility považují každou žádost za reálnou a začnou budovat generaci a přenos pro všechny, riskují, že budou mít obrovské náklady, infrastrukturu postavenou pro datové centrum, které přijde pozdě nebo se nikdy neuskuteční. A hádejte, kdo nakonec zaplatí za odstavené aktiva, stávající zákazníci. Na druhou stranu, pokud utility postaví méně, riskují, že nebudou moci splnit požadavky na příchozí zatížení, což může vést k problémům se spolehlivostí sítě.

Cesta ven je učinit spekulaci drahou a závazek levným. To znamená skutečnou finanční kůži ve hře předtím, než utility závazně investují kapitál, významné vklady, fázované závazky vázané na stavební milníky, smluvní podmínky, které kladou riziko na stranu, která žádá o energii, nikoli na zákazníky. Některé jurisdikce začínají postupovat tímto směrem. Princip, ke kterému se neustále vracím, je jednoduchý: entita, která žádá o energii, by měla nést riziko, že energie nebude potřebná. Nyní je tomu často tak, že toto riziko tiše dopadá na všechny ostatní.

Kdo by nakonec měl platit za generaci, přenos a transformační upgrade vyžadované centry dat umělé inteligence? Jaké sazby nebo smluvní záruky by mohly zabránit tomu, aby domácnosti a stávající podniky subvenciovaly infrastrukturu postavenou primárně pro hyperscale technologické společnosti?

To je otázka, která bude definovat politiku příštích deseti let sítě, a nemyslím, že má čistě technickou odpověď. Myslím, že je to o spravedlnosti. Můj upřímný názor je, že náklady by měly být co nejvíce u zátěže, která je způsobuje. Pokud zařízení hyperscaleru vyžaduje novou transformační stanici a přenosový upgrade, mělo by být výchozím předpokladem, že zařízení zaplatí to, co způsobí, nikoli důchodce na konci ulice, jehož účet tiše stoupá, aby pokryl to. To zní zjevně, ale způsobem, jakým fungují sazby, velké nové infrastruktury jsou často socializovány napříč celou zákaznickou základnou, což mělo smysl, když nové zatížení bylo továrnou, která zaměstnávala město. Má to mnohem méně smysl, když beneficientem je jedna z nejcennějších společností na světě.

Nástroje existují. Velkozatěžové sazby navržené speciálně pro tuto třídu zákazníků. Minimální smlouvy, aby datové centrum nemohlo získat infrastrukturu a poté odejít. Dlouhodobé závazky, které odpovídají životnosti stavěných aktiv. Co je důležité, je, že regulátoři a utility skutečně tyto nástroje používají, a používají je před stavbou, nikoli po ní. Protože jednou, když je beton nalit a náklady jsou v sazbách, je velmi těžké je získat zpět. Píšu o tom v knize, protože si myslím, že je to jedno z míst, kde nesprávné nastavení pobídek by mohlo tiše erodovat veřejnou důvěru v utility i v průmysl umělé inteligence.

Mohou centra dat umělé inteligence se stát flexibilními aktivy sítě místo inflexibilních zdrojů poptávky prostřednictvím posunutí zátěže, reakce na poptávku, baterií, tepelného skladování, na místě generace nebo jiných prostředků? Které zatížení umělé inteligence lze realisticky přesunout napříč různými hodinami nebo místy bez ohrožení výkonu?

Ano, a myslím, že to je jedna z nadějnějších myšlenek v tomto tématu, takže chci být opatrný, abych to nepřebýval, protože flexibilita je reálná, ale není neomezená. Začnu s rozdílem, který záleží: není všechna výpočetní činnost umělé inteligence stejná. Existuje inference, což je výpočet po tom, co jsou velké modely trénovány (živé modely), a žádáte model o otázku a potřebujete odpověď nyní. To je citlivé na prodlevu a těžko se přesouvá. A pak je tam trénink, obrovské, dávkové úlohy, které staví modely. Trénink je mnohem flexibilnější. Není nutné, aby běželo ve 14:00 nebo ve 2:00, nebo ve státě nebo v tomhle, pokud je hotovo. To je otevření. Pokud je velká část zátěže datového centra flexibilní, může se naklonit k hodinám, kdy má síť přebytečnou čistou energii, a ustoupit, když je systém napjatý.

Nyní přidáme baterie, tepelné skladování a na místě generaci, a zařízení, které vypadá jako rigidní blok poptávky, může začít se chovat jako zdroj, který skutečně pomáhá vyvážit síť, absorbující přebytečnou solární energii uprostřed dne, jezdící přes špičky na uložené energii. Upřímná výhrada je, že to vyžaduje, aby operátor skutečně chtěl spolupracovat, a vyžaduje sazby, které jim za to odměňují. Technologie je snadná část, ale návrh pobídek je těžká část. Ale svět, ve kterém jsou datové centra flexibilními partnery sítě místo jejích protivníků, je skutečně možný, a je to mnohem lepší než alternativa.

Jaká kombinace zdrojů energie může realisticky pokrýt požadavky umělé inteligence na energii v příštím desetiletí? Jak můžete vidět obnovitelné zdroje, skladování, zemní plyn, konvenční jadernou energii, malé modulární reaktory a geotermální energii zapadající do této směsi?

Budu vám dávat odpověď, která lidem nemusí být po chuti, která je, že to je všechno, a kdokoli vám prodává jednoduchou odpověď, prodává vám něco. Obnovitelné zdroje a skladování jsou tím, co můžeme skutečně nasadit; solární energie plus baterie mohou být postaveny na časových osách, které vypadají téměř rozumně ve srovnání se vším ostatním, a tato rychlost má enormní význam, když poptávka roste tak rychle. To je krátkodobý tahoun. Ale obnovitelné zdroje jsou proměnlivé, a tato zatížení běží kolem hodiny, což je důvod, proč skladování dělá tolik těžké práce v tomto smyslu, a proč pevná energie stále záleží. Zemní plyn bude částí mostu, jednoduše protože je ovladatelný a je zde. Jaderná energie je fascinující právě teď, sledujeme elektrárny, které byly určeny k demolici, ale dostanou nový život, protože datové centrum podepíše dlouhodobou smlouvu na jejich výstup, což téměř nikdo nepředpovídal. Malé modulární reaktory a geotermální energie jsou skutečnými dlouhodobými hrami, ale snažím se být disciplinovaný ohledně časových os, jsou významnou částí příběhu od poloviny desetiletí a dále, ne věcí, která nás zachrání v roce 2027.

Takže realistická směs je vrstvená: obnovitelné zdroje a skladování nesou růst, plyn mostí mezeru pevnosti, stávající jaderná energie je prodloužena a nově oceněna, a zdroje další generace přicházejí online, jak zránou. Chyba je ideologická čistota v každém směru, protože síť se o naše preference nestará; stará se o dodané kilowatthodiny spolehlivě a včas.

Jedna z centrálních myšlenek ve vaší knize je, že stejný průmysl umělé inteligence, který vytváří tlak na síť, může také poskytnout nástroje potřebné k modernizaci sítě. Kde může umělá inteligence vytvořit největší krátkodobé zisky: předpověď zátěže, prediktivní údržba, optimalizace přenosu, management vegetace, obnovení výpadku, digitální dvojčata nebo autonomní řídicí systémy?

To je srdce knihy, a upřímně řečeno, část, kterou považuji za nejnadějnější, stejný průmysl, který zatěžuje síť, nám dává nejlepší nástroje, které jsme kdy měli k její opravě. Pokud budu řadit podle toho, kde je výnos reálný dnes, nikoli na slide, bych ho umístil zde.

Prediktivní údržba, nepřetržitý monitoring a inspekce první, protože to je oblast, kde Buzz strávil roky, a já jsem viděl, jak to funguje. Používání počítačového vidění a vizuální umělé inteligence k nalezení vadných součástí předtím, než selžou, poškozený izolátor, přehřátý transformátor, zrezivělé háky, to není spekulativní, to je nasazené a šetří skutečné peníze a předchází skutečným výpadkům. Vedle toho bych umístil předpověď zátěže a reakci na poptávku, protože celý problém s datovým centrem se stává mnohem více zvladatelným, pokud můžete skutečně předpovědět poptávku s větší přesností místo plánování naslepo. Poté bych umístil optimalizaci přenosu, stlačení více kapacity z drátů, které již máme, což má enormní význam, vzhledem k tomu, jak pomalu se budují nové. Management vegetace a obnovení výpadku jsou hned za nimi, protože obě jsou oblasti, kde umělá inteligence bere něco pomalého a manuálního a dělá to rychlým a efektivním, ale zároveň poskytuje dostatečné znalosti a povědomí o situaci, aby poskytla odolnost sítě a zabránila incidentům, jako jsou lesní požáry, poškození bouří a výpadky.

Digitální dvojčata a plně autonomní řídicí systémy jsou vzdálenější horizont, jsou to silné nástroje, ale nesou otázky důvěry a bezpečnosti, o kterých si myslím, že je vaše další otázka. Takže krátkodobě, můj upřímný ranking vede s nelichotivými věcmi: vidět síť lépe, předpovídat její chování lépe a dostat více z toho, co je již v zemi, a také udělat síťový systém více vědomým. To je místo, kde umělá inteligence si zaplatí sám sebe poprvé.

Naše předchozí rozhovor hovořil o závislosti Buzz Solutions na skutečných údajích o utilitách a recenzi lidského faktoru. Jak se síť stává více autonomní, které rozhodnutí by mohly být bezpečně delegovány na umělou inteligenci, a kde musí lidský úsudek zůstat povinný? Jak by utility měly připravovat na neprůhledné rozhodnutí modelů, kybernetické útoky nebo selhání, které by se mohly rozšířit napříč kritickou infrastrukturou?

Když jsme se naposledy bavili, popsal jsem náš přístup jako lidský faktor v smyčce, odborníci poskytující zpětnou vazbu modelům umělé inteligence na cokoli pod prahem spolehlivosti nebo špatných předpovědí, a chci začít tam, protože můj názor na toto se nezměnil, stal se ještě tvrdším.

Umělá inteligence je mimořádná v úkolech vnímání a doporučení, podívejte se na všechna tato data, najděte anomálie, označte riziko, zařaďte to, co potřebuje pozornost. Delegovat to je nejen bezpečné, ale také lepší než to, co mohou lidé udělat sami na této škále. Kde jsem mnohem více opatrný, je konsekvenční akce na kritické infrastruktuře a misijně kritických projektech, rozhodnutí, kde být špatný znamená vypnout elektřinu pro nemocnici nebo rozšířit se napříč regionem. Ta rozhodnutí potřebují lidského (odborníka) zodpovědného, ne proto, že model je nutně horší v průměrném případě, ale protože kritická infrastruktura je přesně místo, kde vzácný katastrofický případ je celý zápas.

Takže můj názor je, že příprava je trojí. Za prvé, držet lidi smysluplně ve smyčce na konsekvenčních rozhodnutích, ne jako gumový razítko, ale s opravdovou autoritou zrušit. Za druhé, insistovat na vysvětlení pro cokoli, co se dotýká kritických operací, pokud nemůžete pochopit, proč model udělal to, co udělal, nemůžete být zodpovědní za to, a “model rozhodl” není přijatelná odpověď, když světla zhasnou. Za třetí, a to je to, o čem si myslím, že je průmysl nebezpečně pozadu, zacházet s těmito autonomními systémy jako s rozšířeným útočným povrchem od samého začátku. Čím více dovolíme softwaru řídit síť, tím více síť dědí softwareové zranitelnosti. Kybernetický útok na autonomní řídicí systém není datovou únikem, je to fyzická událost. Musíme navrhnout pro tuto realitu, než se staneme plně autonomními, ne poté. Pozitivní zpráva je, že utility nyní berou bezpečnost dat, kybernetickou bezpečnost a řízení umělé inteligence velmi vážně a začaly zakládat rady umělé inteligence a datové governance ve svých organizacích. My, v Buzz, jsme zveřejnili kybernetickou bezpečnost a playbook pro řízení umělé inteligence pro průmysl, aby se mohl naučit o úspěšných nasazeních systémů umělé inteligence bezpečně a ve velkém.

Pohledem na pět let dopředu, co bude oddělovat země a regiony, které budou schopny podporovat pokračující expanzi umělé inteligence, od těch, které budou omezeny dostupností elektřiny? Jak by vypadala úspěšná strategie pro sladění vývoje umělé inteligence s modernizací sítě do roku 2031?

Myslím, že za pět let budeme moci ohlédnout a uvědomit si, že omezení umělé inteligence nebylo nikdy čipy nebo talent. Ty se snadno pohybují po celém světě. Věcí, která se nemohla pohybovat, věcí, která skutečně rozhodla, kdo vyhrál, byla energie a infrastruktura. Elektřina se stává strategickou surovinou éry umělé inteligence způsobem, jakým to bylo ropa pro minulé století, a nemyslím, že to je přehánění; myslím, že to je prostě viditelné.

Regiony, které se posunou dopředu, budou ty, které zacházely s kapacitou sítě jako s konkurenčním aktivem a začaly budovat a reformovat brzy, místa, která zjednodušila připojení, která modernizovala povolení bez oslabení bezpečnostních záruk, která investovala do přenosu předtím, než poptávka plně přišla, místo aby se spěchalo po ní. Ty, které zůstanou pozadu, nebudou postrádat ambici nebo kapitál. Budou mít oznámení o datových centrech a investiční dolary, a prostě nebudou moci dodat elektrony, a projekty budou tiše jít někam, kde to bude možné.

Úspěšná strategie do roku 2031 vypadá tak, že dvě hodiny (o kterých píšu v knize), které jsem neustále zmiňoval, konečně začnou fungovat společně místo proti sobě. To znamená sladění rychlosti ambice umělé inteligence s realitou časových os infrastruktury energie, používání umělé inteligence samotné k získání více z sítě, kterou máme, zatímco budujeme síť, kterou potřebujeme, získání alokace nákladů správně, aby se veřejné mínění o dostupnosti energie nestalo extrémně negativním, a brát problém s pracovníky vážně dost, aby se skutečně trénovala další generace lidí, kteří staví a provozují tento systém. Žádná z toho není technologický problém, protože tu technologii máme. Je to problém koordinace a vůle. Myslím, že dobré zprávy jsou, že ty problémy víme, jak řešit; to by prostě vyžadovalo, aby technologický průmysl, energetický průmysl a politici a regulátoři seděli spolu a vedli relevantní konverzaci. Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Buzz Solutions nebo přečíst jeho knihu: Powering Intelligence: Proč budoucnost umělé inteligence závisí na síti.