Vikhyat Chaudhry, CTO, COO e Co-Fondatore di Buzz Solutions: Una Conversazione di Ritorno

Vikhyat Chaudhry, CTO, COO e Co-Fondatore di Buzz Solutions, guida lo sviluppo tecnologico e le operazioni dell’azienda, applicando l’intelligenza artificiale, la visione artificiale e l’analisi predittiva all’ispezione e alla manutenzione delle infrastrutture energetiche critiche. Ha co-fondato Buzz Solutions nel 2017 dopo aver sviluppato esperienze in data science, machine learning, sistemi embedded, visione artificiale e tecnologie autonome. Prima di concentrarsi a tempo pieno sull’azienda, Chaudhry ha lavorato come data scientist alla Cisco, ha sviluppato sistemi di machine learning e sensori alla Altitude Co. e ha condotto ricerche alla Stanford University che coinvolgevano droni autonomi, rilevamento della velocità del vento e visione artificiale per i parchi eolici. Le sue ricerche precedenti presso l’organizzazione di ricerca e sviluppo della difesa indiana hanno esplorato la previsione delle frane utilizzando simulazioni e software di teledetezione, fornendogli una formazione tecnica che copre il rischio delle infrastrutture, l’analisi geospaziale e l’intelligenza artificiale applicata. Buzz Solutions attualmente lo identifica come co-fondatore, CTO e COO.

Buzz Solutions sviluppa software di intelligenza visiva progettati per aiutare le aziende energetiche a ispezionare, mantenere e proteggere le infrastrutture di trasmissione, distribuzione, sottostazione e generazione. La piattaforma PowerAI analizza le immagini raccolte attraverso droni, elicotteri, aerei a ali fisse e ispezioni a terra, convertendo i dati visivi in diagnosi che aiutano le aziende energetiche a identificare i difetti, valutare la condizione degli asset, priorizzare le riparazioni e integrare i risultati nei sistemi di informazione geografica esistenti, di gestione degli asset e di gestione dei lavori. L’azienda posiziona la sua tecnologia come un modo per rilevare i rischi delle infrastrutture in anticipo, ridurre il lavoro manuale necessario per analizzare le immagini di ispezione e diminuire la probabilità di guasti di attrezzature che contribuiscono a interruzioni, fermate o incendi. Buzz Solutions offre anche strumenti per il monitoraggio e la sicurezza delle sottostazioni, riflettendo il suo obiettivo più ampio di aiutare le aziende energetiche a costruire operazioni di rete più sicure, più resilienti e più basate sui dati.

Quando ti abbiamo intervistato nel 2024, la nostra conversazione si è concentrata sull’uso dell’AI per spostare le aziende energetiche dalle ispezioni manuali alla manutenzione predittiva. Cosa è cambiato di più negli ultimi due anni, sia nel settore energetico che nel tuo pensiero, che ti ha portato a scrivere Powering Intelligence e a inquadrare l’elettricità come un potenziale vincolo per il futuro dell’AI?

Quando abbiamo parlato l’ultima volta, la conversazione si concentrava principalmente sul retro dell’infrastruttura di rete, spostando le aziende energetiche dalle ispezioni manuali alla manutenzione predittiva. Quello è ancora il lavoro. Ma qualcosa è cambiato sotto di noi nel corso di due anni, e lo ha fatto più velocemente di quanto quasi chiunque nel mio mondo si aspettasse. All’epoca, l’AI era una storia di domanda che parlavamo in astratto. Ora si presenta come numeri di crescita della domanda per le aziende energetiche. Ho iniziato a sentire la stessa cosa dalle persone che conosco da anni in questo settore: richieste di interconnessione per carichi che sarebbero stati impensabili alcuni anni fa, singole strutture che chiedono il tipo di potenza che una piccola città richiede e lo chiedono in un tempo che non ha nulla a che fare con come la rete viene effettivamente costruita. È stato il momento in cui ho capito. Ci concentriamo tutte le nostre energie nel discutere quanto capaci saranno questi modelli, e quasi nulla sulla noiosa questione fisica di se possiamo alimentarli. Ho scritto Powering Intelligence perché cercavo il libro che collegava quei due mondi e non esisteva. Tutti scrivevano dei modelli AI. Quasi nessuno scriveva degli elettroni necessari per loro. E io mi trovavo in una posizione strana, abbastanza vicino al lato AI per capire l’ambizione, e abbastanza vicino alla rete per sapere esattamente quanto tempo ci vuole per costruire una nuova linea di trasmissione e uno sviluppo di una centrale elettrica. Il divario tra quei due orologi è tutta la storia, e ho voluto metterla in un unico posto.

Sostenete che l’industria dell’AI si scala in mesi mentre la rete elettrica cambia nel corso di decenni. Dove si trova il collo di bottiglia più immediato oggi: generazione di elettricità, capacità di trasmissione, sottostazioni, trasformatori, code di interconnessione, autorizzazioni, o disponibilità di lavoratori qualificati?

Credo che ci siano più colli di bottiglia qui, e la risposta è che sono tutti intrecciati. Ma se devo puntare al nodo più stretto in questo momento, è relativamente meno sulla generazione degli elettroni e più sulla loro consegna: trasmissione e processo di interconnessione, con trasformatori e altri apparecchi elettrici come pezzi fisici che legano tutto. Ecco la cosa che le persone spesso sottovalutano. Puoi annunciare una centrale elettrica e un data center in un comunicato stampa. Non puoi creare un grande trasformatore elettrico con un comunicato stampa, alcuni di questi hanno tempi di consegna misurati in anni, e molti di loro non sono nemmeno costruiti a livello nazionale. Quindi, anche quando la volontà e il capitale ci sono, si scontra con un muro della catena di approvvigionamento dei componenti. Poi, sovrapposto a tutto ciò, c’è la coda di interconnessione, che in molte regioni è una linea di attesa multiennale solo per essere studiata. E sotto tutto ciò c’è il problema della forza lavoro per l’industria elettrica. Le persone che effettivamente sanno come costruire e mantenere questo tipo di attrezzature stanno andando in pensione più velocemente di quanto li stiamo sostituendo.

Quindi, non è un unico collo di bottiglia. È che i pezzi fisici più lenti, i trasformatori, i corridoi di trasmissione, i lavoratori addestrati, sono esattamente quelli che non puoi accelerare con software o denaro solo. È questo che rende le cose difficili.

I data center AI possono introdurre enormi, altamente concentrati carichi in aree la cui rete non è stata progettata per quel livello di domanda. Come sono diverse queste strutture dai grandi carichi industriali che le aziende energetiche hanno gestito storicamente, e quali nuovi rischi creano per l’affidabilità e la pianificazione della capacità?

Le aziende energetiche hanno gestito grandi carichi per un secolo. Una fabbrica di acciaio, una fonderia di alluminio, impianti di produzione automobilistica, questi sono enormi carichi, e i pianificatori di rete sanno come pensarci. Quindi, l’istinto è quello di trattare un data center come un altro grande cliente. Credo che quell’istinto sia sbagliato, e le differenze sono quelle che creano il nuovo rischio.

Tre cose mi saltano all’occhio. In primo luogo, la concentrazione e la velocità. Un carico industriale pesante tradizionale di solito cresceva insieme alla rete in quella regione nel corso di decenni. Queste strutture vogliono atterrare enormi, tutte in una volta, in luoghi la cui rete locale non è stata pianificata intorno a loro. In secondo luogo, il profilo del carico. Molti di questi non sono carichi lisci, possono aumentare rapidamente e in modo difficile per lo stress dell’attrezzatura in modi diversi da una fabbrica che esegue un processo costante. In terzo luogo, e questo è quello che preoccupa maggiormente i pianificatori, è l’accumulo speculativo, che so è anche la tua prossima domanda.

Il rischio che crea è che le aziende energetiche sono chiamate a pianificare intorno a una domanda che si comporta diversamente da qualsiasi altra cosa nei loro modelli storici, e a impegnare capitali e infrastrutture secondo il timeline dell’industria AI e non secondo quello della rete. Quando le tue ipotesi di pianificazione sono costruite su un secolo di un certo tipo di carico e il nuovo carico rompe quelle ipotesi, la pianificazione dell’affidabilità diventa sinceramente più difficile. Questo non è un motivo per dire no. È un motivo per pianificare diversamente.

Le aziende energetiche ricevono richieste di potenza ambiziose da parte degli sviluppatori di data center, ma non tutte le strutture proposte saranno necessariamente ultimate. Come possono le aziende energetiche distinguere la domanda impegnata dalla richiesta speculativa e evitare di costruire costose infrastrutture per progetti che arrivano in ritardo o non si materializzano mai?

Questa è una delle domande operative più importanti in questo spazio e sono felice che l’abbia chiesto direttamente, perché non riceve abbastanza attenzione accanto agli argomenti più appariscenti.

Un sviluppatore può presentare richieste di interconnessione per lo stesso progetto in più territori contemporaneamente, facendo shopping per chi può consegnare la potenza più velocemente. Alcuni di quei progetti sono reali e finanziati. Alcuni sono opzioni, segnaposto e un modo per tenere un posto in coda. Alcuni di quei sono chiamati “carichi fantasma” che potrebbero non materializzarsi mai. Se un’azienda energetica tratta ogni richiesta come reale e inizia a costruire generazione e trasmissione per tutte, rischia di stranded enormous cost, infrastrutture costruite per un data center che si presenta anni dopo o non si presenta affatto. E indovina chi finisce per pagare gli asset stranded, i contribuenti esistenti. D’altra parte, se le aziende energetiche costruiscono meno, allora rischiano di non essere in grado di soddisfare le esigenze del carico in entrata, il che può portare a problemi di affidabilità nella rete.

La via d’uscita è rendere la speculazione costosa e l’impegno economico a buon mercato. Ciò significa avere pelle nel gioco prima che un’azienda energetica si impegni a investire capitali, depositi significativi, impegni graduati legati a milestone di costruzione, termini contrattuali che pongono il rischio sul partito che presenta la richiesta piuttosto che sulla base dei contribuenti. Alcune giurisdizioni stanno iniziando a muoversi in questa direzione. Il principio a cui continuo a tornare è semplice: l’entità che chiede la potenza dovrebbe portare il rischio della potenza non necessaria. Attualmente, troppo spesso, quel rischio atterra silenziosamente su tutti gli altri.

Chi dovrebbe pagare alla fine per la generazione, la trasmissione e gli upgrade delle sottostazioni richiesti dai data center AI? Quali strutture tariffarie o salvaguardie contrattuali potrebbero impedire che le famiglie e le aziende esistenti sussidino le infrastrutture costruite principalmente per le aziende di tecnologia hyperscale?

Questa è la domanda che definirà la politica del prossimo decennio della rete, e non credo che abbia una risposta puramente tecnica. Credo che sia una questione di equità. La mia opinione onesta è che il costo dovrebbe stare, per quanto possibile, con il carico che lo causa. Se una struttura di un hyperscaler richiede una nuova sottostazione e un upgrade della trasmissione, la struttura dovrebbe pagare ciò che scatena, non il pensionato lungo la strada il cui conto sale silenziosamente per coprirlo. Quella è l’ipotesi di default che dovrebbe esserci. I tool esistono. Tariffe per grandi carichi progettate specificamente per questo tipo di cliente. Contratti di acquisto minimo in modo che un data center non possa ottenere infrastrutture costruite e poi andarsene. Impegni a lungo termine che corrispondono alla vita degli asset costruiti. Ciò che conta è che i regolatori e le aziende energetiche li utilizzino effettivamente, e li utilizzino prima della costruzione, non dopo. Perché una volta che il cemento è stato versato e il costo è nella base dei tassi, è molto difficile riaverlo indietro. Ne scrivo nel libro perché credo che sia uno dei posti in cui ottenere gli incentivi leggermente sbagliati potrebbe erodere silenziosamente la fiducia del pubblico sia nelle aziende energetiche che nell’industria AI.

I data center AI possono diventare asset di rete flessibili invece di fonti di domanda inflessibili attraverso lo spostamento del carico di lavoro, la risposta alla domanda, le batterie, l’archiviazione termica, la generazione sul posto? Quali carichi di lavoro AI possono realisticamente essere spostati attraverso diverse ore o luoghi senza compromettere le prestazioni?

Sì, e credo che questo sia una delle idee più speranzose in questo argomento, quindi voglio essere cauto per non esagerare, perché la flessibilità è reale ma non illimitata. Inizia con la distinzione che conta: non tutti i calcoli AI sono gli stessi. C’è l’inferenza, che è il calcolo dopo che questi grandi modelli sono stati addestrati (i modelli live), e chiedi a un modello una domanda e hai bisogno di una risposta adesso. Quello è sensibile alla latenza e difficile da spostare. E poi c’è l’addestramento, i carichi di lavoro di grandi dimensioni, nello stile batch, che costruiscono i modelli. L’addestramento è molto più flessibile. Non gli importa necessariamente se funziona alle 14:00 o alle 2:00, o in questo stato o in quello, purché venga fatto. Quella flessibilità è l’apertura. Se una grande parte del carico di un data center è il tipo che può spostarsi nel tempo, allora può inclinarsi verso le ore in cui la rete ha una potenza pulita in surplus e ritirarsi quando il sistema è teso.

Ora sovrappone le batterie, l’archiviazione termica e la generazione sul posto, e una struttura che sembra un blocco rigido di domanda può iniziare a comportarsi come una risorsa che aiuta effettivamente a bilanciare la rete, assorbendo l’eccesso di energia solare a metà giornata, cavalcando i picchi con energia immagazzinata. La cautela onesta è che ciò richiede all’operatore di voler effettivamente cooperare, e richiede strutture tariffarie che li premiano per farlo. La tecnologia è la parte facile, ma la progettazione degli incentivi è la parte difficile. Ma un mondo in cui i data center sono partner flessibili della rete invece di avversari di essa è genuinamente possibile, ed è molto meglio dell’alternativa.

Quali combinazioni di fonti di energia possono realisticamente soddisfare le esigenze elettriche dell’AI nei prossimi dieci anni? Come vedete rinnovabili e archiviazione, gas naturale, energia nucleare convenzionale, reattori modulari piccoli e energia geotermica che si inseriscono in quella miscela?

Penso che la risposta che la gente non ama è che è tutto, e chiunque ti venda una soluzione a singola fonte ti sta vendendo qualcosa. Rinnovabili e archiviazione sono la cosa che possiamo effettivamente dispiegare; l’integrazione solare più batterie può essere costruita su timeline che sembrano quasi sensate rispetto a tutto il resto, e quella velocità conta enormemente quando la domanda sta crescendo così in fretta. Quindi quella è la bestia da soma a breve termine. Tuttavia, le rinnovabili sono variabili, e quei carichi funzionano 24 ore su 24, il che è il motivo per cui l’archiviazione fa gran parte del lavoro pesante in quella frase, e il motivo per cui la potenza ferma conta ancora. Il gas naturale farà parte del ponte, sia che la gente lo ami o no, semplicemente perché è dispatchabile ed è qui. L’energia nucleare è affascinante in questo momento, stiamo guardando impianti che erano diretti alla pensione e che ottengono una seconda vita proprio perché un data center firmerà un contratto a lungo termine per il loro output, il che è qualcosa che quasi nessuno ha previsto. I reattori modulari piccoli e l’energia geotermica sono le mosse a lungo termine davvero emozionanti, ma cerco di essere disciplinato sui tempi. Sono una parte significativa della storia dalla seconda metà del decennio in poi e oltre, non la cosa che ti salva nel 2027.

Quindi, la miscela realistica è una miscela stratificata: rinnovabili e archiviazione che sostengono la crescita, gas che copre il divario di fermezza, nucleare esistente esteso e nuovamente valorizzato, e le nuove fonti che entrano in linea man mano che maturano. L’errore è la purezza ideologica in entrambe le direzioni, poiché la rete non si cura delle nostre preferenze. Si cura dei kilowattora consegnati in modo affidabile e in tempo.

Una delle idee centrali nel tuo libro è che la stessa industria AI che sta mettendo pressione sulla rete potrebbe anche fornire gli strumenti necessari per modernizzarla. Dove può l’AI creare i maggiori guadagni a breve termine: previsione del carico, manutenzione predittiva, ottimizzazione della trasmissione, gestione della vegetazione, ripristino degli outage, gemelli digitali o controlli di rete autonomi?

Questo è il cuore del libro, e onestamente la parte che trovo più speranzosa, la stessa industria che sta mettendo pressione sulla rete ci sta dando gli strumenti migliori che abbiamo mai avuto per sistemarla. Se sto classificando in base al payoff che è reale oggi piuttosto che in una presentazione, lo metterei qui.

Manutenzione predittiva, monitoraggio e ispezione continui per primi, perché è lì che Buzz ha trascorso anni, e ho visto funzionare. Utilizzare la visione artificiale e l’AI visiva per trovare i componenti difettosi prima che si rompano, l’isolatore rotto, il trasformatore surriscaldato, gli ganci arrugginiti, non è speculativo, è stato distribuito e sta risparmiando denaro e prevenendo blackout reali proprio adesso. Subito accanto a esso, metterei la previsione del carico e la risposta alla domanda, perché l’intero problema del data center diventa più gestibile se puoi effettivamente prevedere la domanda con maggiore precisione invece di pianificare alla cieca. Poi l’ottimizzazione della trasmissione, ottenendo più capacità dai fili che già abbiamo, il che conta enormemente dato quanto è lento costruire nuovi. La gestione della vegetazione e il ripristino degli outage sono subito dopo, poiché entrambi sono aree in cui l’AI prende qualcosa di lento e manuale e lo rende veloce ed efficiente, fornendo al tempo stesso abbastanza informazioni e consapevolezza della situazione per fornire resilienza alla rete in modo da prevenire incidenti come incendi, danni da tempesta e blackout.

I gemelli digitali e i controlli di rete completamente autonomi sono l’orizzonte più lontano, stanno arrivando, e sono potenti, ma portano le domande di fiducia e sicurezza che sospetto sia la tua prossima domanda. Quindi, a breve termine, la mia classificazione onesta inizia con le cose poco glamour: vedere la rete meglio, prevedere il suo comportamento meglio e ottenere più valore da ciò che è già nel terreno rendendo anche il sistema di rete più consapevole. È lì che l’AI si paga per prima.

La nostra precedente intervista ha discusso la dipendenza di Buzz Solutions da dati di utility reali e dalla revisione umana nel ciclo. Mentre i sistemi di potenza diventano più autonomi, quali decisioni potrebbero essere delegate in modo sicuro all’AI, e dove deve rimanere obbligatoriamente il giudizio umano? Come dovrebbero prepararsi le aziende energetiche per le decisioni dei modelli opachi, gli attacchi informatici o i guasti che potrebbero propagarsi attraverso infrastrutture critiche?

Quando abbiamo parlato l’ultima volta, ho descritto il nostro approccio come umano nel ciclo, esperti di materia che forniscono feedback ai modelli AI su qualsiasi cosa al di sotto di una soglia di confidenza o previsioni scadenti, e voglio iniziare da lì perché la mia visione su questo non si è ammorbidita, si è irrigidita.

L’AI è straordinaria nei compiti di percezione e raccomandazione, guarda tutti questi dati, trova l’anomalia, segnala il rischio, classifica ciò che richiede attenzione. Delegare questo non solo è sicuro, ma anche meglio di ciò che gli esseri umani possono fare da soli a quella scala. Dove divento molto più cauto è l’azione conseguente su infrastrutture critiche e progetti mission-critical, le decisioni in cui essere sbagliato fa cadere la potenza per un ospedale o si propaga attraverso una regione. Quelle richiedono un umano (esperto di materia) responsabile, non perché il modello sia necessariamente peggiore nel caso medio, ma perché l’infrastruttura critica è esattamente il posto in cui il caso catastrofico raro è l’intero gioco.

Quindi, la preparazione è tripartita. In primo luogo, tenere gli esseri umani significativamente nel ciclo su decisioni conseguenti, non come timbro, ma con vera autorità per annullare. In secondo luogo, insistere sulla spiegabilità per tutto ciò che tocca operazioni critiche, se non puoi capire perché il modello ha fatto ciò che ha fatto, non puoi esserne responsabile, e “l’AI ha deciso” non è una risposta accettabile quando le luci si spengono. In terzo luogo, e questo è quello su cui credo che l’industria sia pericolosamente indietro, trattare questi sistemi autonomi come una superficie di attacco estesa fin dal primo giorno. Più lasciamo che il software gestisca la rete, più la rete eredita le vulnerabilità del software. Un attacco informatico a un sistema di controllo autonomo non è una violazione dei dati, è un evento fisico. Dobbiamo progettare per quella realtà prima di diventare completamente autonomi, non dopo. La buona notizia è che le aziende energetiche stanno ora prendendo seriamente la sicurezza dei dati, la sicurezza informatica e la governance dell’AI e hanno anche iniziato a creare consigli di governance dell’AI e dei dati all’interno delle loro organizzazioni. Noi, a Buzz, abbiamo pubblicato libri di gioco sulla sicurezza informatica e sulla governance dell’AI per l’industria per imparare di più sulle distribuzioni di successo dei sistemi AI in modo sicuro e su larga scala.

Guardando cinque anni avanti, cosa separerà i paesi e le regioni in grado di sostenere la continua espansione dell’AI da quelli limitati dalla disponibilità di elettricità? Cosa sarebbe una strategia di successo per allineare lo sviluppo dell’AI con la modernizzazione della rete entro il 2031?

Credo che tra cinque anni guarderemo indietro e realizzeremo che il vincolo sull’AI non era mai i chip o il talento. Quelli si muovono facilmente intorno al globo. La cosa che non poteva muoversi, la cosa che ha effettivamente deciso chi ha vinto, era la potenza e l’infrastruttura. L’elettricità diventa la risorsa strategica dell’era AI allo stesso modo in cui il petrolio lo era per il secolo scorso, e non credo che sia un’esagerazione; credo che stia solo diventando visibile.

Quindi, le regioni che si lasceranno indietro saranno quelle che non hanno trattato la capacità di rete come un asset competitivo e non hanno iniziato a costruire e a riformare presto, i posti che hanno semplificato l’interconnessione, che hanno modernizzato l’autorizzazione senza svuotare le salvaguardie che contano, che hanno investito nella trasmissione prima che la domanda si presentasse completamente piuttosto che affannarsi dopo. Quelli che resteranno indietro non mancheranno di ambizione o di capitale. Avranno gli annunci dei data center e gli investimenti, e semplicemente non saranno in grado di consegnare gli elettroni, e i progetti andranno silenziosamente da qualche altra parte che può.

Una strategia di successo entro il 2031 assomiglia ai due orologi (citati nel libro) a cui continuo a tornare che finalmente iniziano a funzionare insieme invece di funzionare contro. Significa allineare la velocità dell’ambizione AI con la realtà dei tempi di infrastruttura energetica, utilizzando l’AI stessa per ottenere più valore dalla rete che abbiamo, mentre costruiamo la rete di cui abbiamo bisogno, ottenendo l’allocazione dei costi giusta in modo che il sentimento pubblico sull’accessibilità della potenza non diventi estremamente negativo, e prendendo sul serio il problema della forza lavoro per addestrare la prossima generazione di persone che costruiscono e gestiscono questo sistema. Nessuna di queste è un problema tecnologico, poiché abbiamo la tecnologia. È un problema di coordinamento e di volontà. Secondo me, la buona notizia è che quelli sono problemi che sappiamo come risolvere; richiederebbe solo che l’industria tecnologica, l’industria energetica e i responsabili delle politiche e i regolatori si siedano insieme e abbiano la conversazione pertinente.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Buzz Solutions o leggere il suo libro: Powering Intelligence: Perché il futuro dell’AI dipende dalla rete elettrica.