Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions: En tilbagevendende samtale

Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions, leder virksomhedens teknologiske udvikling og drift, da de anvender kunstig intelligens, maskinvision og prædiktiv analyse til inspektion og vedligeholdelse af kritisk energi-infrastruktur. Han co-founded Buzz Solutions i 2017 efter at have udviklet erfaring inden for datavidenskab, maskinlæring, indlejret system, computer vision og autonome teknologier. Før han koncentrerede sig fuldtids om virksomheden, arbejdede Chaudhry som data scientist hos Cisco, udviklede maskinlæring og sensorbaserede systemer hos Altitude Co. og udførte Stanford University-forskning, der involverede autonome droner, vindhastighedsføling og computer vision til vindmøller. Hans tidligere forskning på Indiens Defence Research and Development Organisation omfattede landskabsprognose ved hjælp af simulationer og fjernsensorsoftware, hvilket gav ham en teknisk baggrund, der spænder over infrastruktur-risiko, geospatial analyse og anvendt AI. Buzz Solutions betegner ham i øjeblikket som co-founder, CTO og COO.

Buzz Solutions udvikler visuelt intelligenssoftware, der er designet til at hjælpe energiselskaber med at inspicere, vedligeholde og sikre transmission, distribution, understation og genererings-infrastruktur. Deres PowerAI-platform analyserer billeder, der er indsamlet gennem droner, helikoptere, faste fly og jordinspektioner, og konverterer visuelle data til diagnostik, der hjælper utilities med at identificere defekter, vurderer tilstandsstatus, prioriterer reparationer og integrerer resultaterne i eksisterende geografiske informationssystemer, asset-management og arbejdsordrer. Virksomheden positionerer sin teknologi som en måde at opdage infrastruktur-risici tidligere, reducere det manuelle arbejde, der kræves for at analysere inspektion billeder, og mindske sandsynligheden for, at udstyrsfejl bidrager til afbrydelser, lukninger eller skovbrande. Buzz Solutions tilbyder også værktøjer til understation-overvågning og -sikkerhed, hvilket afspejler deres bredere mål om at hjælpe utilities med at opbygge sikrere, mere robuste og mere data-drevne grid-operationer.

Da vi interviewede dig i 2024, fokuserede vores samtale på at bruge AI til at flytte utilities fra manuelle inspektioner til prædiktivt vedligehold. Hvad er ændret mest over de sidste to år, både på tværs af energisektoren og i din egen tænkning, så du fik lyst til at skrive Powering Intelligence og fremstille elektricitet som en potentiel begrænsning for fremtiden for AI?

Når vi sidst talte sammen, var samtalen mest omkring gridens bagkontor, flytning af utilities fra manuel inspektion til prædiktivt vedligehold. Det er stadig det arbejde, der udføres. Men noget skiftede under os alle i de to år siden, og det skiftede hurtigere, end næsten alle i min verden havde forventet. Tidligere var AI en efterspørgsels-historie, vi talte om i det abstrakte. Nu viser det sig som store efterspørgsels-tal for utilities. Jeg begyndte at høre det samme fra mennesker, jeg har kendt i årevis i denne branche: forbindelsesanmodninger om laster, der ville have været utænkelige for få år siden, enkeltfaciliteter, der beder om den type strøm, en lille by trækker, og beder om det på en tidsramme, der ikke har noget at gøre med, hvordan gridet faktisk bliver bygget. Det var det øjeblik, det klikkede for mig. Vi bruger al vores energi på at debattere, hvor kapable disse modeller vil blive, og næsten ingen på den kedelige fysiske spørgsmål om, hvorvidt vi kan føde dem. Jeg skrev Powering Intelligence, fordi jeg hele tiden ledte efter den bog, der forbinder disse to verdener, og den eksisterede ikke. Alle skrev om AI-modellerne. Næsten ingen skrev om elektronerne, der er nødvendige for dem. Og jeg sad i en underlig position, tæt nok på AI-siden til at forstå ambitionen, og tæt nok på gridet til at vide nøjagtig, hvor lang tid en ny transmissionslinje og en kraftværksudvikling faktisk tager. Gapet mellem disse to ure er hele historien, og jeg ville sætte det på ét sted.

Du argumenterer for, at AI-industrien skalerer i måneder, mens kraftgridet ændrer sig over årtier. Hvor er den mest umiddelbare flaskehals i dag: elektricitetsproduktion, transmissionskapacitet, understationer, transformatorer, forbindelseskværer, tilladelser eller tilgængelighed af kvalificerede arbejdere?

Jeg tror, der er flere flaskehalse her, og svaret er, at de alle er sammenflettet. Men hvis jeg skal pege på den tætteste knude lige nu, er det relativt mindre om at generere elektronerne og mere om at levere dem: transmission og forbindelsesprocessen, med transformatorer og andre elektriske komponenter som de fysiske dele, der binder alt sammen. Her er det, folk ofte undervurderer. Du kan annoncere et kraftværk og et datacenter i en pressemeddelelse. Du kan ikke pressemeddelelse en stor strømtransformator til eksistens, nogle af disse har leveringstider, der måles i år, og mange af dem bliver ikke engang bygget nationalt. Så selv når viljen og kapitalen er der, rammer du en forsyningskæde-væg på komponenter. Derefter, lagt oven på, er forbindelseskværen, som i mange regioner er en multi-årig kø, bare for at blive studeret. Og under det hele er arbejdsstyrkeproblemet for kraftindustrien. De mennesker, der faktisk ved, hvordan man bygger og vedligeholder dette udstyr, pensionerer sig hurtigere, end vi erstatter dem.

Så det er ikke en flaskehals. Det er, at de langsomt bevægelige fysiske dele, transformatorerne, transmissionskorridorerne, de trænede linjearbejdere, er nøjagtig de, du ikke kan accelerere med software eller penge alene. Det er, hvad der gør det svært.

AI-datacentre kan introducere enorme, højt koncentrerede laster i områder, hvis grid ikke er designet til den type efterspørgsel. Hvordan adskiller disse faciliteter sig fra de store industrielle laster, utilities har håndteret historisk, og hvilke nye risici skaber de for pålidelighed og kapacitetsplanlægning?

Utilities har håndteret store laster i århundreder. En stålfabrik, en aluminiumssmelter, bilfabrikker, disse er enorme laster, og gridplanlæggere ved, hvordan man tænker om dem. Så instinktet er at behandle et datacenter som endnu en stor kunde. Jeg tror, det instinkt er forkert, og forskellene er, hvad der skaber den nye risiko.

Tre ting springer i øjnene for mig. Først er koncentrationen og hastigheden. En traditionel tungindustriell last voksede normalt sammen med gridet i den pågældende region over årtier. Disse faciliteter vil lande enorme, hele tiden, på steder, hvis lokale grid aldrig blev planlagt omkring dem. Anden er lastprofilen. Mange af disse er ikke glatte laster, de kan accelerere hårdt og hurtigt på måder, der stresser udstyret anderledes end en fabrik, der kører en stabil proces. Tredje, og det er det, der bekymrer planlæggere mest, er den spekulative ophobning, som jeg ved er dit næste spørgsmål.

Risikoen, det skaber, er, at utilities bedes om at planlægge omkring efterspørgsel, der opfører sig anderledes end noget i deres historiske modeller, og om at binde kapital og infrastruktur på AI-industriens tidsplan i stedet for gridets. Når dine planlægningsantagelser er bygget på hundred år af en bestemt type last, og den nye last bryder disse antagelser, bliver pålidelighedsplanlægning virkelig sværere. Det er ikke en grund til at sige nej. Det er en grund til at planlægge anderledes.

Utilities modtager ambitiøse strømanmodninger fra datacenter-udviklere, men ikke alle foreslåede faciliteter vil nødvendigvis blive gennemført. Hvordan kan utilities skelne mellem faste efterspørgsler og spekulative anmodninger og undgå at bygge dyrt infrastruktur til projekter, der ankommer sent eller aldrig materialiserer?

Dette er et af de vigtigste operationelle spørgsmål i hele dette område lige nu, og jeg er glad, du spurgte direkte, fordi det ikke får nok opmærksomhed sammenlignet med de mere fashionable emner.

En udvikler kan indsende forbindelsesanmodninger for det samme projekt i flere territorier på én gang, shoppe efter, hvem der kan levere strøm hurtigst. Nogle af disse projekter er virkelige og finansierede. Nogle er muligheder, placeringer og en måde at holde en plads i køen på. Nogle af disse kaldes “Phantom loads”, som måske aldrig kommer igennem. Hvis en utility behandler hver anmodning som virkelig og starter med at bygge generation og transmission til alt, risikerer de at strande enorme omkostninger, infrastruktur bygget til et datacenter, der viser sig år senere eller aldrig viser sig. Og gæt, hvem der ender med at betale for strandede aktiver, de eksisterende ratepayers. På den anden side, hvis utilities bygger mindre, risikerer de ikke at kunne opfylde efterspørgslen fra den indkommende last, hvilket kan føre til pålidelighedsproblemer på gridet.

Vejen igennem er at gøre spekulation dyrt og engagement billigt. Det betyder, at der skal være reel økonomisk risiko, før en utility binder kapital, meningsfulde indskud, fasede forpligtelser knyttet til byggeomkvart, kontraktbetingelser, der lægger risikoen på den part, der står bag anmodningen, snarere end på ratepayer-basen. Nogle jurisdiktioner er begyndt at bevæge sig i den retning. Principperne, jeg holder fast ved, er simple: den enhed, der beder om strøm, skal bære risikoen for, at strømmen ikke er nødvendig. Lige nu er det for ofte, at denne risiko stille og roligt lander på alle andre.

Hvem skal ultimativt betale for kraftværks-, transmissions- og understations-opgraderingerne, der kræves af AI-datacentre? Hvilke tariffer eller kontraktuelle sikkerhedsforanstaltninger kan forhindre, at husholdninger og eksisterende virksomheder subsidierer infrastruktur bygget primært til hyperskala-teknologivirksomheder?

Dette er spørgsmålet, der vil definere politikken for de næste ti års grid, og jeg tror ikke, det har et rent teknisk svar. Jeg tror, det handler om retfærdighed. Min ærlige holdning er, at omkostningerne skal sidde, så meget som muligt, hos den last, der forårsager det. Hvis et hyperscalers facilitet kræver en ny understation og en transmissionsopgradering, skal facilitetens standardantagelse være, at faciliteten betaler for, hvad den udløser, ikke pensionisten længere nede ad vejen, hvis regning stille og roligt stiger for at dække det. Det lyder åbenlyst, men måden, hvorpå tarifferne historisk har fungeret, er, at stor ny infrastruktur ofte socialiseres på hele kundebasen, hvilket gjorde mening, da den nye last var en fabrik, der beskæftigede byen. Det giver langt mindre mening, når beneficieren er en af de mest værdifulde virksomheder i verden.

Redskaberne findes. Store last-tariffer designet specifikt til denne kundetype. Minimum-indtagelseskontrakter, så et datacenter ikke kan få infrastruktur bygget og så gå. Lange kontrakter, der matcher levetiden for de aktiver, der bygges. Det, der betyder noget, er, at regulatører og utilities faktisk bruger dem, og bruger dem før bygningen, ikke efter. For når betonen er hældt, og omkostningerne er i ratebasen, er det meget svært at få det tilbage. Jeg skriver om dette i bogen, fordi jeg tror, det er et af de steder, hvor at få incitamenterne lidt forkert kunne stille og roligt undergrave offentlig tillid til både utilities og AI-industrien.

Kan AI-datacentre blive fleksible grid-aktiver snarere end uflexible kilder til efterspørgsel gennem arbejdsbyrde-omlægning, efterspørgselsrespons, batterier, termisk lagring eller lokal kraftproduktion? Hvilke AI-arbejdsbyrder kan realistisk flyttes over forskellige timer eller lokaliteter uden at gå på kompromis med ydeevnen?

Ja, og jeg tror, dette er en af de mere håbefulde idéer i dette emne, så jeg vil være forsigtig med ikke at overdrive det, fordi fleksibiliteten er reel, men den er ikke ubegrænset. Lad os starte med den vigtige forskel: ikke alle AI-beregninger er ens. Der er inferens, der er beregningen efter disse store modeller er trænet (de levende modeller), og du beder om en model om en besked og har brug for et svar nu. Det er latency-følsomt og svært at flytte rundt. Og så er der træning, de massive, batch-stile arbejdsbyrder, der bygger modellerne. Træning er langt mere fleksibel. Den behøver ikke nødvendigvis at køre kl. 14 eller kl. 2, eller i denne stat eller den stat, så længe den bliver gjort. Denne fleksibilitet er åbningen. Hvis en stor del af et datacenters last er den type, der kan flyttes i tid, kan det læne sig op ad de timer, hvor gridet har overskydende ren energi, og trække sig tilbage, når systemet er belastet.

Nu lagt batterier, termisk lagring og lokal kraftproduktion oven på, og en facilitet, der ligner en stiv blok til efterspørgsel, kan begynde at opføre sig som en ressource, der faktisk hjælper med at balancere gridet, opsugende overskydende solenergi midt på dagen, kørende gennem toppe på lagret energi. Den ærlige reservation er, at dette kræver, at operatøren faktisk vil samarbejde, og det kræver tariffer, der belønner dem for det. Teknologien er den lette del, men incitamentsdesign er den svære del. Men en verden, hvor datacentre er fleksible partnere til gridet snarere end modstandere af det, er virkelig mulig, og det er langt bedre end alternativet.

Hvilken kombination af energikilder kan realistisk dække AI’s strømkrav over de næste ti år? Hvordan ser du for dig, at vedvarende energi og lagring, naturgas, konventionel kernekraft, små modulære reaktorer og geotermisk energi passer ind i den blanding?

Jeg vil give dig svaret, som folk ikke elsker, som er, at det er alt sammen, og enhver, der sælger dig en enkelt-kilde-sølvkugle, sælger noget. Vedvarende energi og lagring er det hurtigste, vi kan faktisk udrulle; solceller plus batterier kan bygges på tidsrammer, der ser næsten fornuftige ud i forhold til alt andet, og den hastighed betyder enormt meget, når efterspørgslen stiger så hurtigt. Så det er det nærmeste arbejdsheste. I virkeligheden er mange af Buzz’s utility-kunder (Dominion, Ameren, AEP, NYPA, Southern og andre) kontinuerligt øger deres sol-fodaftryk for at møde kravene fra datacenter-lasten. Men vedvarende energi er variabel, og disse laster kører døgnet rundt, hvilket er, hvorfor lagring gør så meget af det tungeste arbejde i den sætning, og hvorfor fast kraft stadig betyder noget. Naturgas vil være en del af broen, uanset om folk kan lide det eller ej, simpelthen fordi det er dispatchable og det er her. Kernekraft er fascinerende lige nu, vi ser på anlæg, der var på vej til pension, får en ny chance specifikt, fordi et datacenter vil underskrive en langtidskontrakt for deres output, hvilket næsten ingen havde forventet. Små modulære reaktorer og geotermisk energi er de virkelig spændende længereespillere, men jeg prøver at være disciplineret omkring tidsrammer, de er en betydelig del af historien ved midten af årtiet og derefter, ikke det, der redder os i 2027.

Så den realistiske blanding er en lagd blanding: vedvarende energi og lagring bærer væksten, gas broer firmhedsgapet, eksisterende kernekraft forlænges og nyvurderes, og næste-generations-kilder kommer online, mens de modnes. Fejlen er ideologisk renhed i begge retninger, fordi gridet ikke bekymrer sig om vores præferencer. Det bekymrer sig om kilowatt-timer leveret pålideligt og til tiden.

En af de centrale idéer i din bog er, at den samme AI-industri, der lægger pres på gridet, også kan levere de værktøjer, der er nødvendige for at modernisere det. Hvor kan AI skabe de største nærmeste gevinster: lastforudsigelse, prædiktivt vedligehold, transmissionsoptimering, vegetationshantering, afbrydelsesgenopretning, digitale tvillinger eller autonome grid-kontroller?

Dette er hjertet af bogen, og ærligt talt den del, jeg finder mest håbefulde, den samme industri, der belaster gridet, giver os de bedste værktøjer, vi nogensinde har haft til at fikse det. Hvis jeg skal rangordne efter, hvor afkastet er virkeligt i dag snarere end på en skærm, ville jeg sætte det her.

Prædiktivt vedligehold, kontinuerlig overvågning og inspektion først, fordi det er, hvor Buzz har brugt år, og jeg har set det virke. Ved hjælp af computer vision og visuel AI til at finde de defekte komponenter, før de fejler, den revnede isolator, den overophedede transformator, den rustne krog, det er ikke spekulativt, det er udrullet og sparer rigtige penge og forhindrer rigtige afbrydelser lige nu. Lige ved siden af det ville jeg sætte lastforudsigelse og efterspørgselsrespons, fordi hele datacenter-problemet, vi har diskuteret, bliver mere håndterbart, hvis du kan forudse efterspørgsel med mere præcision i stedet for at planlægge blindt. Så transmissionsoptimering, at presse mere kapacitet ud af de ledninger, vi allerede har, hvilket betyder enormt meget, når det er så langsomt at bygge nye. Vegetationshantering og afbrydelsesgenopretning er tæt på, fordi AI tager noget langsomt og manuelt og gør det hurtigt og effektivt, men samtidig giver tilstrækkeligt indsigt og situationsbevidsthed til at give gridet resiliens til at forhindre hændelser som skovbrande, stormskader og strømafbrydelser.

Digitale tvillinger og fuldt autonome grid-kontroller er den fjernere horisont, de er på vej, og de er kraftfulde, men de bærer tillids- og sikkerhedsspørgsmål, som jeg formoder er dit næste spørgsmål. Så nærhorisont, min ærlige rangordning fører med det uglamourøse: se gridet bedre, forudsige dets adfærd bedre og få mere ud af, hvad der allerede er i jorden ved at gøre grid-systemet mere bevidst. Det er, hvor AI betaler for sig selv først.

Vores tidligere interview diskuterede Buzz Solutions’ afhængighed af rigtige utility-data og menneske-i-løkken-gennemgang. Da kraftsystemer bliver mere autonome, hvilke beslutninger kan sikkerhedsmæssigt overdrages til AI, og hvor skal menneskelig dømmekraft forblive obligatorisk? Hvordan skal utilities forberede sig på uigennemsigtige modelbeslutninger, cyberangreb eller fejl, der kan sprede sig over kritisk infrastruktur?

Når vi sidst talte sammen, beskrev jeg vores tilgang som menneske-i-løkken, fagfolk giver feedback til AI-modellerne på alt under en tillidsniveau eller dårlige forudsigelser, og jeg vil starte der, fordi min holdning til dette ikke er blevet svagere, det er blevet stærkere.

AI er ekstraordinær til opgaverne om perception og anbefalinger, se på alle disse data, find anomalien, flag risikoen, rangér, hvad der kræver opmærksomhed. At overdrage det er ikke kun sikkert, men også bedre end det, mennesker kan gøre alene på den skala. Hvor jeg bliver meget mere forsigtig er konsekvensfuld handling på kritisk infrastruktur og mission-kritiske projekter, beslutningerne, hvor fejl tagning kan tage strøm ned for et hospital eller sprede sig over en region. Disse kræver en menneskelig (faglig) ansvarlig, ikke fordi modellen nødvendigvis er dårligere i den gennemsnitlige sag, men fordi kritisk infrastruktur er nøjagtig det sted, hvor den sjældne katastrofale sag er hele boldspillet.

Så forberedelsen er trefoldig. Først skal mennesker holdes meningsfuldt i løkken på konsekvensfulde beslutninger, ikke som en gummi-stempel, men med reel myndighed til at overtage. Anden, insister på forklarbarhed for alt, der rører kritisk drift, hvis du ikke kan forstå, hvorfor modellen gjorde, hvad den gjorde, kan du ikke være ansvarlig for det, og “AI besluttede” er ikke et acceptabelt svar, når lyset går ud. Tredje, og det er det, jeg tror, industrien er farligt langsom til at nå, behandle disse autonome systemer som en udvidet angrebsflade fra dag én. Jo mere vi lader software køre gridet, jo mere arver gridet software-sårbarheder. Et cyberangreb på et autonome kontrolsystem er ikke en data-læk, det er en fysisk begivenhed. Vi må designe til den virkelighed, før vi bliver fuldt autonome, ikke efter. Det positive er, at utilities nu tager datasikkerhed, info-sikkerhed og AI-styring meget alvorligt og har også begyndt at oprette AI- og data-styringsråd inden for deres organisationer. Vi, hos Buzz, har udgivet cybersikkerheds- og AI-styringshåndbøger til branchen til at lære mere om de succesfulde udrulninger af AI-systemer sikkert og i stor målestok.

At se fem år frem, hvad vil adskille lande og regioner, der kan støtte fortsat AI-udvidelse fra dem, der er begrænsede af strømtilgængelighed? Hvad ville en succesfuld strategi for at tilpasse AI-udvikling med grid-modernisering se ud i 2031?

Jeg tror, at om fem år vil vi se tilbage og indse, at begrænsningen for AI ikke var chippen eller talentet. Disse ting kan flyttes rundt på kloden let. Det, der ikke kunne flyttes, det, der faktisk afgjorde, hvem der vandt, var strøm og infrastruktur. Elektricitet bliver den strategiske ressource for AI-æraen, på samme måde som olie var for det sidste århundrede, og jeg tror ikke, det er en overdrivelse; jeg tror, det bliver synligt.

Så regionerne, der kommer foran, vil være dem, der behandlede grid-kapacitet som en konkurrencedygtig aktiv og startede med at bygge og reformere tidligt, stederne, der strømlinede forbindelse, der moderniserede tilladelser uden at udhule de sikkerhedsgarantier, der betyder noget, som investerede i transmission, før efterspørgslen fuldt ud ankom, snarere end at panikke efter. De, der falder bagud, vil ikke mangle ambition eller kapital. De vil have datacenter-annoncerne og investeringsdollarene, og de vil bare ikke være i stand til at levere elektronerne, og projekterne vil stille og roligt gå et andet sted hen, hvor de kan.

En succesfuld strategi i 2031 ser ud, som om de to ure (refereret til i bogen) jeg hele tiden kommer tilbage til, endelig arbejder sammen i stedet for imod hinanden. Det betyder at tilpasse AI-ambitionens hastighed med den realistiske energi-infrastruktur-tidsplan, ved at bruge AI selv til at få mere ud af gridet, vi har, mens vi bygger gridet, vi har brug for, og får omkostningsfordelingen rigtigt, så den offentlige mening omkring strøm-billighed ikke bliver ekstremt negativ, og tager arbejdsstyrkeproblemet alvorligt nok til at træne den næste generation af mennesker, der bygger og kører dette system. Ingen af det er et teknologiproblem, fordi vi har teknologien. Det er et koordinations- og en vilje-problem. Det gode er, at det er de problemer, vi ved, hvordan vi løser; det kræver bare, at teknologiindustrien, energiindustrien og politikere og regulatører sidder ned sammen og har den relevante samtale. Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Buzz Solutions eller læse hans bog: Powering Intelligence: Hvorfor fremtiden for AI afhænger af kraftgridet.