Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions: Sebuah Percakapan yang Mengembalikan

Vikhyat Chaudhry, CTO, COO & Co-Founder of Buzz Solutions, memimpin pengembangan teknologi dan operasional perusahaan dalam menerapkan kecerdasan buatan, visi mesin, dan analitik prediktif untuk inspeksi dan pemeliharaan infrastruktur energi kritis. Ia mendirikan Buzz Solutions pada tahun 2017 setelah mengembangkan pengalaman di bidang ilmu data, pembelajaran mesin, sistem tertanam, visi komputer, dan teknologi otonom. Sebelum fokus penuh pada perusahaan, Chaudhry bekerja sebagai ilmuwan data di Cisco, mengembangkan sistem berbasis sensor dan pembelajaran mesin di Altitude Co., dan melakukan penelitian di Universitas Stanford yang melibatkan drone otonom, penginderaan kecepatan angin, dan visi komputer untuk ladang angin. Penelitiannya sebelumnya di Organisasi Penelitian dan Pengembangan Pertahanan India menjelajahi peramalan tanah longsor menggunakan simulasi dan perangkat lunak penginderaan jarak jauh, memberinya latar belakang teknis yang meliputi risiko infrastruktur, analisis geospasial, dan kecerdasan buatan yang diterapkan. Buzz Solutions saat ini mengidentifikasinya sebagai co-founder, CTO, dan COO.

Buzz Solutions mengembangkan perangkat lunak kecerdasan visual yang dirancang untuk membantu perusahaan energi memeriksa, memelihara, dan mengamankan infrastruktur transmisi, distribusi, substantsi, dan pembangkitan. Platform PowerAI-nya menganalisis citra yang dikumpulkan melalui drone, helikopter, pesawat sayap tetap, dan inspeksi darat, mengubah data visual menjadi diagnosa yang membantu utilitas mengidentifikasi cacat, menilai kondisi aset, memprioritaskan perbaikan, dan mengintegrasikan temuan ke dalam sistem informasi geografis, manajemen aset, dan alur kerja pesanan yang ada. Perusahaan memposisikan teknologinya sebagai cara untuk mendeteksi risiko infrastruktur lebih awal, mengurangi pekerjaan manual yang diperlukan untuk menganalisis citra inspeksi, dan mengurangi kemungkinan kegagalan peralatan yang menyebabkan pemadaman, penghentian, atau kebakaran. Buzz Solutions juga menawarkan alat untuk pemantauan substantsi dan keamanan, mencerminkan tujuan yang lebih luas untuk membantu utilitas membangun operasi grid yang lebih aman, lebih tangguh, dan lebih berbasis data.

Ketika kami mewawancarai Anda pada tahun 2024, percakapan kami berfokus pada menggunakan kecerdasan buatan untuk memindahkan utilitas dari inspeksi manual ke pemeliharaan prediktif. Apa yang paling berubah dalam dua tahun terakhir, baik di sektor energi maupun dalam pemikiran Anda, yang menyebabkan Anda menulis Powering Intelligence dan membingkai listrik sebagai potensi pembatas pada masa depan kecerdasan buatan?

Ketika kami terakhir berbicara, percakapan itu sebagian besar tentang kantor belakang grid, memindahkan utilitas dari inspeksi manual ke pemeliharaan prediktif. Itu masih pekerjaan yang dilakukan. Namun, sesuatu telah berubah di bawah kita semua dalam dua tahun terakhir, dan itu berubah lebih cepat daripada hampir semua orang di dunia saya. Pada saat itu, kecerdasan buatan adalah cerita permintaan yang kita bahas dalam abstrak. Sekarang, itu muncul sebagai pertumbuhan beban besar bagi utilitas. Saya mulai mendengar hal yang sama dari orang-orang yang saya kenal selama bertahun-tahun di industri ini: permintaan interkoneksi untuk beban yang tidak terpikirkan beberapa tahun yang lalu, fasilitas tunggal yang meminta daya sebesar kota kecil dan meminta itu dalam waktu yang tidak ada hubungannya dengan cara grid sebenarnya dibangun. Itulah saatnya saya menyadari. Kami menghabiskan semua energi kita untuk membahas seberapa kuat model ini akan menjadi, dan hampir tidak ada yang membahas pertanyaan fisik yang membosankan tentang apakah kita bisa memberi mereka makan. Saya menulis Powering Intelligence karena saya terus mencari buku yang menghubungkan kedua dunia itu dan itu tidak ada. Semua orang menulis tentang model kecerdasan buatan. Hampir tidak ada yang menulis tentang elektron yang dibutuhkan untuk mereka. Dan saya duduk di tempat yang aneh, cukup dekat dengan sisi kecerdasan buatan untuk memahami ambisi, dan cukup dekat dengan grid untuk tahu seberapa lama pembangunan garis transmisi baru dan pembangkit listrik benar-benar membutuhkan waktu. Jarak antara kedua jam itu adalah seluruh cerita, dan saya ingin meletakkannya di satu tempat.

Anda berpendapat bahwa industri kecerdasan buatan berskala dalam bulan, sedangkan grid listrik berubah dalam dekade. Di mana bottleneck paling langsung saat ini: pembangkitan listrik, kapasitas transmisi, substantsi, transformator, antrian interkoneksi, perizinan, atau ketersediaan pekerja terampil?

Saya pikir ada beberapa bottleneck di sini, dan jawabannya adalah bahwa mereka semua terjalin bersama. Namun, jika Anda meminta saya untuk menunjuk pada simpul yang paling ketat saat ini, itu relatif kurang tentang menghasilkan elektron dan lebih tentang mengirimkannya: transmisi dan proses interkoneksi, dengan transformator dan peralatan listrik lainnya sebagai bagian fisik yang mengikat semuanya. Ini adalah hal yang sering kali orang-orang salah mengerti. Anda dapat mengumumkan pembangkit listrik dan pusat data dalam siaran pers. Anda tidak dapat mengumumkan transformator daya besar ke dalam keberadaan, beberapa di antaranya memiliki waktu tunggu yang diukur dalam tahun, dan banyak di antaranya tidak dibangun secara domestik. Jadi, bahkan ketika keinginan dan modal ada, Anda mengenai dinding rantai pasokan pada komponen. Kemudian, dilapisi di atasnya, adalah antrian interkoneksi, yang di banyak wilayah adalah antrian multi-tahun hanya untuk dipelajari. Dan di bawah semuanya adalah masalah tenaga kerja untuk industri listrik. Orang-orang yang sebenarnya tahu bagaimana membangun dan memelihara peralatan ini pensiun lebih cepat daripada kita menggantinya.

Jadi, itu bukan satu bottleneck. Ini adalah bahwa bagian fisik yang paling lambat, transformator, koridor transmisi, pekerja lineworker yang terlatih, adalah yang tidak bisa dipercepat dengan perangkat lunak atau uang saja. Itulah yang membuat ini sulit.

Pusat data kecerdasan buatan dapat memperkenalkan beban besar yang terkonsentrasi ke daerah-daerah yang gridnya tidak dirancang untuk level permintaan seperti itu. Bagaimana fasilitas-fasilitas ini berbeda dari beban industri besar yang dikelola utilitas secara historis, dan apa risiko baru yang mereka ciptakan untuk perencanaan keandalan dan kapasitas?

Utilitas telah menangani beban besar selama satu abad. Pabrik baja, pabrik peleburan aluminium, pabrik manufaktur mobil, ini adalah beban besar, dan perencana grid tahu bagaimana berpikir tentang mereka. Jadi, instingnya adalah untuk memperlakukan pusat data seperti pelanggan besar lainnya. Saya pikir insting itu salah, dan perbedaan itu menciptakan risiko baru.

Tiga hal yang menonjol bagi saya. Pertama adalah konsentrasi dan kecepatan. Beban industri berat tradisional biasanya tumbuh bersama grid di wilayah tersebut selama beberapa dekade. Fasilitas-fasilitas ini ingin mendarat besar, sekaligus, di tempat-tempat yang grid lokalnya tidak pernah direncanakan untuk mereka. Kedua adalah profil beban. Banyak dari ini bukan beban halus, mereka dapat meningkat keras dan cepat dengan cara yang menekankan peralatan secara berbeda daripada pabrik yang menjalankan proses yang stabil. Ketiga, dan ini adalah yang paling mengkhawatirkan perencana, adalah tumpukan spekulatif, yang saya tahu adalah pertanyaan Anda berikutnya.

Risikonya adalah bahwa utilitas diminta untuk merencanakan sekitar permintaan yang berperilaku berbeda dari apa yang ada dalam model historis mereka, dan untuk mengkomitmen modal dan infrastruktur pada timeline industri kecerdasan buatan daripada grid. Ketika asumsi perencanaan Anda dibangun pada satu abad beban tertentu dan beban baru memecahkan asumsi tersebut, perencanaan keandalan menjadi lebih sulit. Itu bukan alasan untuk mengatakan tidak. Itu adalah alasan untuk merencanakan secara berbeda.

Utilitas menerima permintaan daya yang ambisius dari pengembang pusat data, tetapi tidak semua fasilitas yang diusulkan akan diselesaikan. Bagaimana utilitas dapat membedakan permintaan yang dilakukan dengan permintaan spekulatif dan menghindari membangun infrastruktur yang mahal untuk proyek yang datang terlambat atau tidak pernah terwujud?

Ini adalah salah satu pertanyaan operasional paling penting dalam ruang ini saat ini, dan saya senang Anda bertanya langsung, karena itu tidak mendapatkan perhatian cukup di samping topik yang lebih mencolok.

Pengembang dapat mengajukan permintaan interkoneksi untuk proyek yang sama di beberapa wilayah sekaligus, berbelanja siapa yang dapat mengirimkan daya tercepat. Beberapa proyek itu nyata dan didanai. Beberapa adalah pilihan, placeholder, dan cara untuk memegang tempat di antrean. Beberapa di antaranya disebut “beban hantu” yang mungkin tidak pernah terwujud. Jika utilitas memperlakukan setiap permintaan sebagai nyata dan mulai membangun pembangkit dan transmisi untuk semua itu, mereka berisiko menghasilkan biaya yang terjebak, infrastruktur yang dibangun untuk pusat data yang datang tahun-tahun kemudian atau tidak pernah datang. Dan tebak siapa yang akan membayar biaya aset yang terjebak, yaitu pelanggan yang ada. Di sisi lain, jika utilitas membangun lebih sedikit, maka mereka berisiko tidak dapat memenuhi permintaan beban yang masuk, yang dapat menyebabkan masalah keandalan pada grid.

Cara melalui ini adalah dengan membuat spekulasi mahal dan komitmen murah. Artinya, ada dana riil yang terlibat sebelum utilitas mengkomitmen modal, deposit yang signifikan, komitmen yang difasilitasi dengan milestone konstruksi, ketentuan kontrak yang meletakkan risiko pada pihak yang membuat permintaan daripada pada basis tarif. Beberapa yurisdiksi mulai bergerak ke arah ini. Prinsip yang saya terus kembali adalah sederhana: entitas yang meminta daya harus membawa risiko daya yang tidak dibutuhkan. Saat ini, terlalu sering risiko itu diam-diam jatuh pada orang lain.

Siapa yang seharusnya membayar biaya pembangkit, transmisi, dan peningkatan substantsi yang diperlukan oleh pusat data kecerdasan buatan? Apa struktur tarif atau perlindungan kontraktual yang dapat mencegah rumah tangga dan bisnis yang ada untuk mensubsidi infrastruktur yang dibangun terutama untuk perusahaan teknologi skala besar?

Ini adalah pertanyaan yang akan mendefinisikan politik dekade grid berikutnya, dan saya tidak pikir itu memiliki jawaban yang murni teknis. Saya pikir itu tentang keadilan. Pendapat saya yang jujur adalah bahwa biaya harus duduk, sebanyak mungkin, dengan beban yang menyebabkannya. Jika fasilitas skala besar memerlukan substantsi baru dan peningkatan transmisi, fasilitas itu harus membayar apa yang dipicunya, bukan pensiunan di jalan yang tagihannya diam-diam naik untuk menutupi itu. Itu terdengar jelas, tetapi cara struktur tarif telah bekerja secara historis, beban baru sering kali disosialisasikan di seluruh basis pelanggan, yang masuk akal ketika beban baru adalah pabrik yang mempekerjakan kota. Itu tidak masuk akal ketika penerima manfaatnya adalah salah satu perusahaan paling berharga di dunia.

Alat-alat itu ada. Tarif beban besar yang dirancang khusus untuk kelas pelanggan ini. Kontrak ambil minimum sehingga pusat data tidak bisa mendapatkan infrastruktur yang dibangun dan kemudian pergi. Komitmen jangka panjang yang sesuai dengan umur aset yang dibangun. Yang penting adalah bahwa regulator dan utilitas benar-benar menggunakan alat-alat tersebut, dan menggunakan sebelum membangun, bukan setelah. Karena setelah beton telah dituang dan biaya telah dimasukkan ke dalam basis tarif, sangat sulit untuk mengambil kembali. Saya menulis tentang ini dalam buku karena saya pikir itu salah satu tempat di mana mendapatkan insentif sedikit salah bisa dengan mudah mengerosi kepercayaan publik terhadap utilitas dan industri kecerdasan buatan.

Apakah pusat data kecerdasan buatan dapat menjadi aset grid yang fleksibel daripada sumber permintaan yang kaku melalui pergeseran beban, respons permintaan, baterai, penyimpanan termal, atau pembangkitan on-site? Apa beban kecerdasan buatan yang dapat dipindahkan secara realistis di seluruh jam atau lokasi tanpa mengompromikan kinerja?

Ya, dan saya pikir ini adalah salah satu ide yang lebih optimis dalam topik ini, jadi saya ingin berhati-hati untuk tidak melebih-lebihkan, karena fleksibilitas itu nyata tetapi tidak terbatas. Mulailah dengan perbedaan yang penting: tidak semua komputasi kecerdasan buatan sama. Ada inferensi, yang merupakan komputasi setelah model besar dilatih (model live), dan Anda bertanya pada model dan membutuhkan jawaban sekarang. Itu sensitif terhadap keterlambatan dan sulit untuk dipindahkan. Dan kemudian ada pelatihan, beban komputasi gaya batch besar yang membangun model. Pelatihan jauh lebih fleksibel. Tidak peduli apakah itu berjalan pada pukul 2 siang atau 2 pagi, atau di negara bagian ini atau itu, selama itu selesai. Fleksibilitas itu adalah kesempatan. Jika sebagian besar beban pusat data adalah jenis yang dapat bergeser dalam waktu, maka itu dapat condong ke jam-jam ketika grid memiliki daya bersih yang berlebih dan mundur ketika sistem terbebani.

Sekarang, tambahkan baterai, penyimpanan termal, dan pembangkitan on-site, dan fasilitas yang terlihat seperti blok permintaan kaku dapat mulai berperilaku seperti sumber daya yang sebenarnya membantu menyeimbangkan grid, menyerap kelebihan surya di tengah hari, mengarungi puncak dengan energi yang disimpan. Catatan yang jujur adalah bahwa ini memerlukan operator untuk benar-benar ingin bekerja sama, dan itu memerlukan struktur tarif yang menghargai mereka untuk itu. Teknologinya adalah bagian yang mudah, tetapi desain insentif adalah bagian yang sulit. Tapi dunia di mana pusat data adalah mitra fleksibel grid daripada lawan grid adalah mungkin, dan itu jauh lebih baik daripada alternatifnya.

Apa kombinasi sumber energi yang dapat memenuhi kebutuhan listrik kecerdasan buatan dalam dekade berikutnya? Bagaimana Anda melihat peran energi terbarukan dan penyimpanan, gas alam, pembangkit listrik nuklir konvensional, reaktor modular kecil, dan energi panas bumi dalam campuran itu?

Saya akan memberikan jawaban yang tidak disukai orang, yaitu bahwa itu adalah semua itu, dan siapa pun yang menjual Anda peluru perak tunggal itu menjual sesuatu. Energi terbarukan dan penyimpanan adalah hal yang paling cepat yang dapat kita terapkan; surya plus baterai dapat dibangun dalam waktu yang terlihat masuk akal dibandingkan dengan semua yang lain, dan kecepatan itu sangat penting ketika permintaan tumbuh secepat ini. Jadi, itu adalah pekerjaan utama jangka pendek. Namun, energi terbarukan bersifat variabel, dan beban ini berjalan sepanjang waktu, yang mengapa penyimpanan melakukan sebagian besar pekerjaan berat dalam kalimat itu, dan mengapa daya yang stabil masih penting. Gas alam akan menjadi bagian dari jembatan apakah orang menyukainya atau tidak, hanya karena itu dapat diatur dan sudah ada. Nuklir sangat menarik sekarang, kita menyaksikan pembangkit yang menuju pensiun mendapatkan kehidupan kedua khusus karena pusat data akan menandatangani kontrak jangka panjang untuk output mereka, yang hampir tidak ada yang memprediksi. Reaktor modular kecil dan energi panas bumi adalah mainan jangka panjang yang sebenarnya, kita menyaksikan pembangkit yang menuju pensiun mendapatkan kehidupan kedua khusus karena pusat data akan menandatangani kontrak jangka panjang untuk output mereka, yang hampir tidak ada yang memprediksi. Reaktor modular kecil dan energi panas bumi adalah mainan jangka panjang yang sebenarnya, kita menyaksikan pembangkit yang menuju pensiun mendapatkan kehidupan kedua khusus karena pusat data akan menandatangani kontrak jangka panjang untuk output mereka, yang hampir tidak ada yang memprediksi.

Campuran yang realistis adalah campuran yang berlapis: energi terbarukan dan penyimpanan membawa pertumbuhan, gas mengisi kesenjangan kestabilan, nuklir yang ada diperpanjang dan dinilai baru, dan sumber daya generasi berikutnya datang online ketika mereka matang. Kesalahan itu adalah kemurnian ideologis di kedua arah karena grid tidak peduli dengan preferensi kita. Grid peduli dengan kilowatt-jam yang dikirimkan secara andal dan tepat waktu.

Salah satu ide sentral dalam buku Anda adalah bahwa industri kecerdasan buatan yang menempatkan tekanan pada grid juga dapat menyediakan alat yang diperlukan untuk memodernisasi grid. Di mana kecerdasan buatan dapat menciptakan keuntungan terbesar dalam jangka pendek: peramalan beban, pemeliharaan prediktif, optimasi transmisi, manajemen vegetasi, pemulihan pemadaman, kembar digital, atau kontrol grid otonom?

Ini adalah inti buku, dan secara jujur, bagian yang paling optimis, industri yang sama yang menegangkan grid memberikan kita alat terbaik yang pernah kita miliki untuk memperbaikinya. Jika saya menilai dari mana pembayaran sebenarnya ada hari ini, saya akan meletakkannya di sini.

Pemeliharaan prediktif, pemantauan dan inspeksi terus-menerus pertama, karena itulah tempat Buzz telah menghabiskan tahun-tahun, dan saya telah menyaksikan itu bekerja. Menggunakan visi komputer dan kecerdasan buatan visual untuk menemukan komponen yang rusak sebelum mereka gagal, isolator yang retak, transformator yang terlalu panas, kait yang berkarat, itu bukan spekulatif, itu diterapkan dan menyelamatkan uang nyata dan mencegah pemadaman nyata sekarang. Tepat di samping itu, saya akan meletakkan peramalan beban dan respons permintaan, karena seluruh masalah pusat data menjadi lebih mudah jika Anda dapat memprediksi permintaan dengan presisi lebih besar daripada perencanaan buta. Kemudian optimasi transmisi, mengompresi lebih banyak kapasitas dari kabel yang sudah kita miliki, yang sangat penting mengingat betapa lambatnya membangun yang baru. Manajemen vegetasi dan pemulihan pemadaman berada di dekatnya karena keduanya adalah area di mana kecerdasan buatan mengambil sesuatu yang lambat dan manual dan membuatnya cepat dan efisien tetapi juga memberikan wawasan dan kesadaran situasional yang cukup untuk memberikan ketahanan pada grid untuk mencegah insiden seperti kebakaran hutan, kerusakan badai, dan pemadaman listrik.

Kembar digital dan kontrol grid otonom adalah cakrawala yang lebih jauh, mereka datang, dan mereka kuat, tetapi mereka membawa pertanyaan kepercayaan dan keselamatan yang saya pikir adalah pertanyaan Anda berikutnya. Jadi, dalam jangka pendek, peringkat saya memimpin dengan hal-hal yang tidak glamor: lihat grid dengan lebih baik, ramalkan perilakunya dengan lebih baik, dan dapatkan lebih banyak dari apa yang sudah ada di tanah dengan membuat sistem grid lebih menyadari. Itulah tempat di mana kecerdasan buatan membayar untuk dirinya sendiri pertama kali.

Wawancara sebelumnya kami membahas ketergantungan Buzz Solutions pada data utilitas nyata dan tinjauan manusia. Ketika sistem daya menjadi lebih otonom, keputusan apa yang dapat dengan aman didelegasikan kepada kecerdasan buatan, dan di mana keputusan manusia harus tetap wajib? Bagaimana utilitas harus mempersiapkan diri untuk keputusan model yang tidak transparan, serangan siber, atau kegagalan yang dapat menyebar di seluruh infrastruktur kritis?

Ketika kami terakhir berbicara, saya menjelaskan pendekatan kami sebagai manusia-di-dalam-lingkaran, ahli subjek memberikan umpan balik kepada model kecerdasan buatan pada apa pun di bawah ambang kepercayaan atau prediksi yang buruk, dan saya ingin memulai dari sana karena pandangan saya tentang ini tidak melunak, itu mengeras.

Kecerdasan buatan luar biasa dalam tugas-tugas persepsi dan rekomendasi, lihat semua data ini, temukan anomali, tanda risiko, peringkat apa yang perlu perhatian. Mendelegasikan itu tidak hanya aman, tetapi juga lebih baik daripada apa yang manusia dapat lakukan sendiri pada skala itu. Di mana saya menjadi lebih berhati-hati adalah tindakan konsekuensial pada infrastruktur kritis dan proyek-proyek kritis, keputusan di mana salah mengambil tindakan dapat menurunkan daya untuk rumah sakit atau menyebar di seluruh wilayah. Keputusan-keputusan itu memerlukan akuntabilitas manusia, tidak karena modelnya lebih buruk dalam kasus rata-rata, tetapi karena infrastruktur kritis adalah tempat di mana kasus bencana yang jarang adalah seluruh permainan.

Jadi, persiapan itu tiga lipat. Pertama, jaga manusia tetap berarti di dalam lingkaran pada keputusan yang konsekuensial, tidak sebagai cap, tetapi dengan wewenang nyata untuk membatalkan. Kedua, tuntut keterjelasan untuk apa pun yang menyentuh operasi kritis, jika Anda tidak dapat memahami mengapa model melakukan apa yang dilakukannya, Anda tidak dapat bertanggung jawab atas itu, dan “kecerdasan buatan memutuskan” bukanlah jawaban yang dapat diterima ketika lampu padam. Ketiga, dan ini adalah yang saya pikir industri sangat tertinggal, perlakukan sistem otonom ini sebagai permukaan serangan yang diperluas sejak hari pertama. Semakin kita membiarkan perangkat lunak mengoperasikan grid, semakin grid mewarisi kerentanan perangkat lunak. Serangan siber pada sistem kontrol otonom bukanlah pelanggaran data, itu adalah peristiwa fisik. Kita harus merancang untuk kenyataan itu sebelum kita menjadi sepenuhnya otonom, bukan setelahnya. Berita positifnya adalah bahwa utilitas sekarang mengambil keamanan data, keamanan informasi, dan tata kelola kecerdasan buatan dengan sangat serius dan telah memulai untuk menetapkan dewan tata kelola kecerdasan buatan dan data di dalam organisasi mereka. Kami, di Buzz, telah menerbitkan buku panduan keamanan siber dan tata kelola kecerdasan buatan untuk industri agar dapat belajar lebih lanjut tentang penerapan sistem kecerdasan buatan yang sukses dan aman serta skala besar.

Menghadap ke depan lima tahun, apa yang akan membedakan negara dan wilayah yang dapat mendukung ekspansi kecerdasan buatan yang berkelanjutan dari mereka yang terbatas oleh ketersediaan listrik? Apa strategi sukses untuk menyelaraskan pengembangan kecerdasan buatan dengan modernisasi grid pada tahun 2031?

Saya pikir lima tahun dari sekarang kita akan melihat kembali dan menyadari bahwa pembatasan kecerdasan buatan tidak pernah tentang chip atau bakat. Hal-hal itu dapat bergerak di seluruh dunia dengan mudah. Hal yang tidak dapat bergerak, hal yang sebenarnya menentukan siapa yang menang, adalah daya dan infrastruktur. Listrik menjadi sumber daya strategis era kecerdasan buatan seperti halnya minyak pada abad terakhir; saya tidak pikir itu adalah penekanan yang berlebihan; saya pikir itu hanya menjadi terlihat.

Jadi, wilayah yang melangkah maju akan menjadi mereka yang memperlakukan kapasitas grid sebagai aset kompetitif dan mulai membangun dan mereformasi lebih awal, tempat-tempat yang menyederhanakan interkoneksi, yang memodernisasi perizinan tanpa menggulingkan perlindungan yang penting, yang berinvestasi dalam transmisi sebelum permintaan sepenuhnya tiba daripada berjuang setelahnya. Mereka yang tertinggal tidak akan kekurangan ambisi atau modal. Mereka akan memiliki pengumuman pusat data dan investasi dolar, dan mereka hanya tidak akan dapat mengirimkan elektron, dan proyek-proyek itu akan pergi ke tempat yang dapat melakukannya.

Strategi sukses pada tahun 2031 terlihat seperti dua jam (yang saya sebutkan di buku) yang akhirnya bekerja bersama-sama daripada saling bertentangan. Ini berarti menyelaraskan kecepatan ambisi kecerdasan buatan dengan kenyataan timeline infrastruktur energi, menggunakan kecerdasan buatan itu sendiri untuk mendapatkan lebih banyak dari grid yang kita miliki, sementara kita membangun grid yang kita butuhkan, mendapatkan alokasi biaya yang tepat sehingga sentimen publik tentang biaya listrik tidak menjadi sangat negatif, dan mengambil masalah tenaga kerja serius sehingga kita benar-benar melatih generasi berikutnya orang-orang yang membangun dan mengoperasikan sistem ini. Tidak ada yang merupakan masalah teknologi karena kita memiliki teknologi. Ini adalah masalah koordinasi dan kehendak. Menurut pendapat saya, kabar baiknya adalah bahwa itu adalah masalah yang kita tahu bagaimana memecahkannya; itu hanya memerlukan industri teknologi, industri energi, dan pembuat kebijakan serta regulator untuk duduk bersama dan memiliki percakapan yang relevan. Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Buzz Solutions atau membaca bukunya: Powering Intelligence: Mengapa Masa Depan Kecerdasan Buatan Bergantung pada Grid Listrik.