Vikhyat Chaudhry, CTO, COO og medstifter av Buzz Solutions: En returkonversasjon

Vikhyat Chaudhry, CTO, COO og medstifter av Buzz Solutions, leder selskapets teknologiske utvikling og drift når det gjelder å bruke kunstig intelligens, maskinvisjon og prediktiv analyse til inspeksjon og vedlikehold av kritisk energi-infrastruktur. Han var med å stifte Buzz Solutions i 2017 etter å ha utviklet erfaring innen data-vitenskap, maskinlæring, innebygde systemer, datamaskin-visjon og autonome teknologier. Før han konsentrerte seg fullt og helt om selskapet, arbeidet Chaudhry som data-vitenskapsmann hos Cisco, utviklet maskinlæring og sensor-basert systemer hos Altitude Co. og utførte Stanford University-forskning som involverte autonome droner, vind-hastighets-måling og datamaskin-visjon for vindkraftverk. Hans tidligere forskning ved Indias Defence Research and Development Organisation omfattet skred-prognose ved hjelp av simuleringer og fjern-sensormprogramvare, noe som ga ham en teknisk bakgrunn som omfatter infrastruktur-risiko, geospatial analyse og anvendt kunstig intelligens. Buzz Solutions betrakter ham nå som medstifter, CTO og COO.

Buzz Solutions utvikler visuell intelligens-programvare som er designet for å hjelpe energiselskaper med å inspisere, vedlikeholde og sikre overførings-, distribusjons-, transformator-stasjons- og kraftverks-infrastruktur. Deres PowerAI-plattform analyserer bilder samlet inn via droner, helikoptre, faste fly og bakke-inspeksjoner, og konverterer visuell data til diagnostikk som hjelper energiselskaper med å identifisere feil, vurdere tilstands-tilstand, prioritere reparasjoner og integrere funn i eksisterende geografisk informasjonssystem, eiendoms-styring og arbeids-ordre-arbeidsflyt. Selskapet stiller sin teknologi som et verktoy for å oppdage infrastruktur-risiko tidligere, redusere det manuelle arbeidet som kreves for å analysere inspeksjons-bilder og senke sannsynligheten for at utstyr-feil bidrar til strøm-avbrudd, nedleggelse eller skog-brann. Buzz Solutions tilbyr også verktøy for transformator-stasjon-overvåking og -sikring, noe som reflekterer deres bredere mål om å hjelpe energiselskaper med å bygge tryggere, mer motstandsdyktige og mer data-drevne kraft-systemer.

Da vi intervjuet deg i 2024, handlet vår samtale om å bruke kunstig intelligens for å flytte energiselskaper fra manuelle inspeksjoner mot prediktivt vedlikehold. Hva har endret seg mest de siste to årene, både over energisektoren og i din egen tankegang, som førte til at du skrev Powering Intelligence og rammet elektrisitet som en potensiell begrensning for fremtiden til kunstig intelligens?

Når vi sist talte, var samtalen hovedsakelig om kraft-systemets bak-kontor, og å flytte energiselskaper vekk fra manuelle inspeksjoner og mot prediktivt vedlikehold. Det er fremdeles arbeidet. Men noe skiftet under oss alle i løpet av de to siste årene, og det skiftet raskere enn nesten alle i min verden ventet. Da var samtalen om kunstig intelligens en etterspørsels-historie vi talte om i abstrakt. Nå viser det seg som store last-vekst-tall for energiselskaper. Jeg begynte å høre det samme fra mennesker jeg har kjent i årevis i denne industrien: koblings-forespørsler for laster som ville vært uttenkelige for noen få år siden, enkelt-anlegg som ber om kraft som en liten by trekker og ber om det på en tidsplan som ikke har noe å gjøre med hvordan kraft-systemet faktisk bygges. Det var øyeblikket det klikket for meg. Vi bruker all vår energi på å diskutere hvor kapable disse modellene vil bli, og nesten ingen på den kjedelige fysiske spørsmålet om hvorvidt vi kan mate dem. Jeg skrev Powering Intelligence fordi jeg holdt på å lete etter boken som koblet disse to verdener sammen, og den eksisterte ikke. Alle skrev om kunstig intelligens-modellene. Nesten ingen skrev om elektronene som trengs for dem. Og jeg satt i en merkelig posisjon, nær nok til kunstig intelligens-siden til å forstå ambisjonen, og nær nok til kraft-systemet til å vite nøyaktig hvor lenge en ny overførings-linje og en kraft-verks-utvikling faktisk tar. Gapet mellom disse to klokkeene er hele historien, og jeg ville plassere det på ett sted.

Du argumenterer for at kunstig intelligens-industrien skalerer i måneder, mens kraft-systemet endrer seg over tiår. Hvor er den mest umiddelbare flaskenhalen i dag: elektrisitets-generering, overførings-kapasitet, transformator-stasjoner, transformatorer, koblings-koer, tillatelser eller tilgjengeligheten av kvalifisert arbeidskraft?

Jeg tror det er flere flaskenhaler her, og svaret er at de alle er sammenflettet. Men hvis jeg må peke på den tetteste knuten nå, er det relativt mindre om å generere elektronene og mer om å levere dem: overføring og koblings-prosessen, med transformatorer og andre elektriske komponenter som de fysiske delene som binder alt sammen. Her er det mennesker ofte undervurderer. Du kan kunngjøre et kraft-verk og et data-senter i en pressemelding. Du kan ikke pressemelding en stor strøm-transformator inn i eksistensen, noen av disse har lead-tider målt i år, og mange av dem er ikke engang bygget hjemme. Så selv når viljen og kapitalen er der, treffer du en forsynings-kjedde-væg på komponenter. Deretter, lagt på toppen, er koblings-køen, som i mange regioner er en multi-årig linje bare for å bli studert. Og under alt dette er arbeidskraft-problemet for kraft-industrien. Menneskene som faktisk vet hvordan man bygger og vedlikeholder denne utstyret, går i pensjon raskere enn vi erstatter dem.

Så, det er ikke én flaskenhalen. Det er at de langsommere fysisk delene, transformatorer, overførings-korridorer, trente linje-arbeidere, er nettopp de man ikke kan akselerere med programvare eller penger alene. Det er hva som gjør dette vanskelig.

Kunstig intelligens-data-sentre kan introdusere enorme, høyt konsentrerte laster i områder hvis kraft-systemer ikke er designet for dette nivået av etterspørsel. Hvordan er disse anleggene forskjellige fra de store industrielle lastene energiselskaper har håndtert historisk, og hva nye risikoer skaper de for pålitelighet og kapasitets-planlegging?

Energiselskaper har håndtert store laster i århundrer. Et stål-verk, et aluminiums-smelteverk, bil-produksjons-anlegg, disse er enorme laster, og kraft-system-planleggere vet hvordan de skal tenke på dem. Så, instinktet er å behandle et data-senter som bare en annen stor kunde. Jeg tror dette instinktet er feil, og forskjellene er hva som skaper den nye risikoen.

Tre ting skiller seg ut for meg. Først er konsentrasjonen og hastigheten. En tradisjonell tung-industriell last vokste vanligvis sammen med kraft-systemet i den regionen over tiår. Disse anleggene ønsker å lande enorme, alle på én gang, i områder hvor det lokale kraft-systemet aldri var planlagt rundt dem. For det andre er last-profilen. Mange av disse er ikke glatte laster, de kan akselerere hardt og raskt på måter som stresser utstyret forskjellig fra et fabrikk-anlegg som kjører en jevn prosess. For det tredje, og dette er det som bekymrer planleggere mest, er den spekulative opphopningen, som jeg vet er ditt neste spørsmål.

Risikoen det skaper er at energiselskaper blir bedt om å planlegge rundt etterspørsel som oppfører seg forskjellig fra noe i deres historiske modeller, og å binde kapital og infrastruktur på kunstig intelligens-industriens tidsplan, i stedet for kraft-systemets. Når dine planleggings-antagelser er bygget på hundre år med en type last, og den nye lasten bryter disse antagelsene, blir pålitelighets-planlegging virkelig vanskeligere. Det er ikke en grunn til å si nei. Det er en grunn til å planlegge forskjellig.

Energiselskaper mottar ambisiøse kraft-forespørsler fra data-senter-utviklere, men ikke alle foreslåtte anlegg vil nødvendigvis bli fullført. Hvordan kan energiselskaper skille mellom engasjert etterspørsel og spekulative forespørsler, og unngå å bygge dyre infrastruktur for prosjekter som ankommer sent eller aldri materialiserer?

Dette er ett av de viktigste operative spørsmålene i hele området nå, og jeg er glad du spurte direkte, fordi det ikke får nok oppmerksomhet ved siden av de mer spektakulære emnene.

En utvikler kan sende inn koblings-forespørsler for samme prosjekt i flere territorier på én gang, handle etter hvem som kan levere kraft raskest. Noen av disse prosjektene er reelle og finansiert. Noen er alternativer, plass-holdere og en måte å holde en plass i køen. Noen av disse kalles “fantom-laster” som kanskje aldri kommer gjennom. Hvis et energiselskap behandler hver forespørsel som om den er real, og begynner å bygge generering og overføring for alle, risikerer de å strande enorme kostnader, infrastruktur bygget for et data-senter som dukker opp år for sent eller aldri dukker opp. Og gjett hvem som ender opp med å betale for strandsatte eiendommer, de eksisterende kunder. På den andre siden, hvis energiselskapene bygger mindre, risikerer de å ikke være i stand til å imøtekomme kravene til den innkommende lasten, noe som kan føre til pålitelighets-problemer i kraft-systemet.

Veien gjennom er å gjøre spekulasjon dyrt og engasjement billig. Det betyr at det må være reell økonomisk risiko før et energiselskap binder kapital, meningsfulle innskudd, faserte forpliktelser knyttet til bygge-mål, kontrakt-vilkår som legger risikoen på den som sender forespørselen, i stedet for på kunder. Noen jurisdiksjoner begynner å flytte i denne retningen. Prinsippet jeg kommer tilbake til er enkelt: enheten som ber om kraft, bør bære risikoen for at kraften ikke er nødvendig. Nå er risikoen for ofte at den lander på andre.

Hvem bør ultimate betale for generering, overføring og transformator-oppraderinger som kreves av kunstig intelligens-data-sentre? Hvilke rate-strukturer eller kontrakt-sikkerhetsmessige tiltak kan forhindre at husholdninger og eksisterende bedrifter subsidierer infrastruktur bygget primært for hyperskala-teknologi-selskaper?

Dette er spørsmålet som vil definere politikken for de neste ti årene av kraft-systemet, og jeg tror det ikke har et rent teknisk svar. Jeg tror det handler om rettferdighet. Min ærlige mening er at kostnadene bør ligge hos den som forårsaker dem, så mye som mulig. Hvis et hyperskala-selskaps anlegg krever en ny transformator-stasjon og en overførings-oppgradering, bør anlegget betale for hva det utløser, ikke pensjonisten ned veien hvis regning stiger stille for å dekke det. Det høres enkelt ut, men måten rate-strukturer har fungert historisk, er at stor ny infrastruktur ofte blir sosialisert over hele kunde-basen, noe som har fungert når den nye lasten var en fabrikk som sysselsatte byen. Det fungerer mye dårligere når beneficieren er ett av de mest verdifulle selskapene i verden.

Verktøyene finnes. Store last-tariffer designet spesifikt for denne kunden. Minimum-inntakts-kontrakter så et data-senter ikke kan få infrastruktur bygget og så forlate. Lange kontrakter som matcher levetiden til de eiendommene som bygges. Hva betyr noe, er at regulatorer og energiselskaper faktisk bruker dem, og bruker dem før byggingen, ikke etter. Fordi når betongen er støpt og kostnadene er i rate-basen, er det svært vanskelig å trekke tilbake. Jeg skriver om dette i boken fordi jeg tror det er ett av stedene hvor å få incitamentene litt feil kunneQuiet tøffe offentlig tillit til både energiselskaper og kunstig intelligens-industrien.

Kan kunstig intelligens-data-sentre bli fleksible kraft-tilgjengelighets-ressurser i stedet for infleksible kilder til etterspørsel, gjennom arbeids-omfordeling, etterspørsels-respons, batterier, termisk lagring eller på-sitt-eget-generering? Hvilke kunstig intelligens-arbeidsbelastninger kan realistisk flyttes over forskjellige timer eller lokasjoner uten å kompromittere ytelse?

Ja, og jeg tror dette er ett av de mer håpefulle ideene i dette emnet, så jeg vil være forsiktig med ikke å overdrive det, fordi fleksibiliteten er virkelig, men den er ikke ubegrenset. La oss starte med å skille mellom det som betyr noe: ikke all kunstig intelligens-beregning er den samme. Det er inferens, som er beregningen etter at disse store modellene er trent (live-modellene), og du ber en modell en spørsmål og trenger et svar nå. Det er forsinkelses-følsomt og vanskelig å flytte rundt. Og så er det trening, de massive, batch-stil-arbeidsbelastningene som bygger modellene. Trening er mye mer fleksibel. Den bryr seg ikke nødvendigvis om den kjører klokken 14 eller klokken 2 om natten, eller i denne staten eller den staten, så lenge den blir gjort. Den fleksibiliteten er åpningen. Hvis en stor del av et data-senters last er den typen som kan flyttes i tid, kan det lenke seg inn i timene når kraft-systemet har overskudd av ren kraft og trekke seg tilbake når systemet er anstrengt.

Nå legg på batterier, termisk lagring og på-sitt-eget-generering, og et anlegg som ser ut som en stiv blokk av etterspørsel, kan begynne å oppføre seg som en ressurs som faktisk hjelper med å balansere kraft-systemet, sugende opp overskudd sol-kraft midt på dagen, ri gjennom toppene på lagret energi. Den ærlige forbeholdet er at dette krever at operatøren faktisk vil samarbeide, og det krever rate-strukturer som belønner dem for det. Teknologien er den enkle delen, men incitament-design er den vanskelige delen. Men en verden hvor data-sentre er fleksible partnere til kraft-systemet, i stedet for motstandere av det, er virkelig mulig, og det er mye bedre enn alternativet.

Hva kombinasjon av energi-kilder kan realistisk møte kunstig intelligens’ elektrisitets-krav i løpet av de neste ti årene? Hvordan ser du for deg at fornybar energi og lagring, naturgass, konvensjonell kjernekraft, små modulære reaktorer og geotermisk energi passer inn i denne blandingen?

Jeg vil gi deg svaret folk ikke elsker, som er at det er alt sammen, og hvem som helst som selger deg en enkelt-kilde-sølvkule, selger noe. Fornybar energi og lagring er det raskeste vi kan faktisk utvikle; sol og batterier kan bygges på tidsplaner som ser ut til å være rimelige sammenlignet med alt annet, og den hastigheten betyr enormt når etterspørselen stiger så raskt. Så det er arbeidshesten på kort sikt. Men fornybar energi er variabel, og disse lastene kjører døgnet rundt, noe som gjør at lagring gjør mye av det tungt arbeidet i den setningen, og hvorfor fast kraft fortsatt betyr noe. Naturgass vil være en del av broen, uansett om folk liker det eller ikke, bare fordi det er dispatchbart og det er her. Kjernekraft er fascinerende nå, vi ser på anlegg som var på vei til å bli pensjonert, men som får en ny livsløp, spesifikt fordi et data-senter vil signere en langtids-kontrakt for deres utgang, noe som nesten ingen forutså. Små modulære reaktorer og geotermisk energi er de langtids-spillene, men jeg prøver å være disiplinert omkring tidsplaner, de er en betydelig del av historien mot slutten av tiåret og utover, ikke det som redder deg i 2027.

Så, den realistiske blandingen er en lagd en: fornybar energi og lagring som bærer veksten, gass som broer over fasthets-gapet, eksisterende kjernekraft utvidet og nyverdi, og neste-generasjons-kilder som kommer på nett når de modnes. Feilen er ideologisk renhet i begge retninger, fordi kraft-systemet ikke bryr seg om våre preferanser. Det bryr seg om kilowatt-timer levert pålitelig og på tid.

En av de sentrale ideene i din bok er at samme kunstig intelligens-industri som setter press på kraft-systemet, også kan tilby verktøyene nødvendige for å modernisere det. Hvor kan kunstig intelligens skape de største nær-tids-gevinstene: last-estimering, prediktivt vedlikehold, overførings-optimalisering, vegetasjons-håndtering, strøm-avbrotts-gjenoppretting, digitale tvillinger eller autonome kraft-kontroller?

Dette er hjertet av boken, og ærlig talt den delen jeg finner mest håpefull, samme industrien som strekker kraft-systemet, håndterer oss de beste verktøyene vi noensinne har hatt for å fikse det. Hvis jeg rangerer etter hvor avkastningen er virkelig i dag, i stedet for på en skjerm, ville jeg si det her.

Prediktivt vedlikehold, kontinuerlig overvåking og inspeksjon først, fordi det er der Buzz har brukt år, og jeg har sett det fungere. Bruke datamaskin-visjon og visuell kunstig intelligens for å finne de defekte komponentene før de feiler, den sprukne isolatoren, den overhetede transformator, den rustne kroken, det er ikke spekulativt, det er utviklet og redder virkelig penger og forhindrer virkelige strøm-avbrudd nå. Rett ved siden av det ville jeg plassere last-estimering og etterspørsels-respons, fordi hele data-senter-problemet vi har diskutert, blir mer håndterbart hvis du faktisk kan estimere etterspørsel med mer nøyaktighet i stedet for å planlegge blindt. Deretter overførings-optimalisering, å presse mer kapasitet ut av ledningene vi allerede har, noe som betyr enormt gitt hvor langsomt det er å bygge nye. Vegetasjons-håndtering og strøm-avbrotts-gjenoppretting er like bak, fordi begge er områder hvor kunstig intelligens gjør noe langsomt og manuelt til noe raskt og effektivt, samtidig som det gir nok innsikt og situasjons-bevissthet for å gi motstandsdyktighet til kraft-systemet for å forhindre hendelser som skog-brann, storm-skader og strøm-avbrudd.

Digitale tvillinger og fullt autonome kraft-kontroller er den lengre horisonten, de kommer, og de er kraftfulle, men de bærer tillits- og sikkerhets-spørsmål som jeg tror er ditt neste spørsmål. Så nær-tid, min ærlige rangering begynner med det uglamorøse: se kraft-systemet bedre, estimere dets atferd bedre, og få mer ut av hva som allerede er i bakken ved å gjøre kraft-systemet mer bevisst. Det er der kunstig intelligens betaler for seg selv først.

Vår tidligere samtale diskuterte Buzz Solutions’ avhengighet av virkelige energi-data og menneske-i-løkken-gjennomgang. Når kraft-systemer blir mer autonome, hvilke beslutninger kan trygt bli delegert til kunstig intelligens, og hvor må menneskelig dømmekraft forbli obligatorisk? Hvordan bør energiselskaper forberede seg på uklare modell-beslutninger, cyber-angrep eller feil som kan spre seg over kritisk infrastruktur?

Når vi sist talte, beskrev jeg vår egen tilnærming som menneske-i-løkken, fag-eksperter som gir tilbakemelding til kunstig intelligens-modellene på alt under en tillit-terskel eller dårlige prediksjoner, og jeg vil starte der fordi min mening om dette har ikke blitt mykere, den har hardnet.

Kunstig intelligens er usedvanlig god på oppgavene med persepsjon og anbefalinger, se på all denne dataen, finn anomalien, flagg risikoen, rangere hva som trenger oppmerksomhet. Å delegere det er ikke bare trygt, men også bedre enn hva mennesker kan gjøre alene på den skalaen. Hvor jeg blir mye mer forsiktig, er konsekvens-aksjoner på kritisk infrastruktur og misjons-kritiske prosjekter, beslutningene hvor å være feil tar ned strøm for et sykehus eller sprenger seg over en region. Disse trenger en menneskelig (fag-ekspert) ansvarlig, ikke fordi modellen nødvendigvis er dårligere i gjennomsnitt, men fordi kritisk infrastruktur er nettopp stedet hvor den sjeldne katastrofale tilfelle er hele ballspillet.

Så, forberedelsen er tre-delt. Først, hold mennesker meningsfullt i løkken på konsekvens-beslutninger, ikke som en gummi-stempel, men med virkelig myndighet til å overstyre. Andre, insister på forklarbarhet for alt som berører kritisk drift, hvis du ikke kan forstå hvorfor modellen gjorde hva den gjorde, kan du ikke være ansvarlig for det, og “kunstig intelligens bestemte” er ikke et akseptabelt svar når lyset går ut. Tredje, og dette er det jeg tror industrien er farlig etter på, behandle disse autonome systemene som en utvidet angreps-overflate fra dag én. Jo mer vi lar programvare kjøre kraft-systemet, jo mer arver kraft-systemet programvare-sårbarheter. Et cyber-angrep på et autonomt kontroll-system er ikke et data-lekkasje, det er en fysisk hendelse. Vi må designe for den virkeligheten før vi blir fullt autonome, ikke etter. Det positive er at energiselskaper nå tar datasikkerhet, info-sikkerhet og kunstig intelligens-styring meget alvorlig og har også begynt å etablere kunstig intelligens- og data-styrings-råd i sine organisasjoner. Vi, i Buzz, har publisert cybersikkerhets- og kunstig intelligens-styrings-håndbøker for industrien for å lære mer om de suksessfulle utviklingene av kunstig intelligens-systemer på en sikker og skalerbar måte.

Om fem år, hva vil skille land og regioner som kan støtte videre kunstig intelligens-utvikling fra de som er begrenset av elektrisitet-tilgjengelighet? Hva ville en suksessfull strategi for å aligne kunstig intelligens-utvikling med kraft-system-modernisering se ut som i 2031?

Jeg tror at om fem år vil vi se tilbake og innse at begrensningen for kunstig intelligens aldri var chipene eller talentet. Disse flytter lett over hele verden. Det som ikke kunne flytte, det som faktisk bestemte hvem som vant, var kraft og infrastruktur. Elektrisitet blir den strategiske ressursen for kunstig intelligens-æraen, på samme måte som olje var for det siste århundret, og jeg tror ikke det er en overdrivelse; jeg tror det er bare begynner å bli synlig.

Så, regionene som kommer i forkant, vil være de som behandlet kraft-kapasitet som en konkurranse-ressurs og startet bygging og reform tidlig, stedene som strømlinje-formet kobling, som moderniserte tillatelser uten å underminere sikkerhetssikringene som betyr noe, som investerte i overføring før etterspørselen fullt ut ankom, i stedet for å haste etter. De som faller bak, vil ikke mangle ambisjon eller kapital. De vil ha data-senter-erklæringer og investerings-dollar, og de vil bare ikke være i stand til å levere elektronene, og prosjektene vil stille og rolig gå et annet sted som kan.

En suksessfull strategi i 2031 ser ut som de to klokkeene jeg kommer tilbake til, som til slutt arbeider sammen i stedet for mot hverandre. Det betyr å aligne hastigheten på kunstig intelligens-ambisjon med virkeligheten på energi-infrastruktur-tidsplaner, å bruke kunstig intelligens selv til å få mer ut av kraft-systemet vi har, mens vi bygger kraft-systemet vi trenger, å få kost-neddelingen rett, så offentlig mening om kraft-priser ikke blir ekstremt negativ, og å ta arbeidskraft-problemet alvorlig nok til å faktisk trene neste generasjon av mennesker som bygger og kjører dette systemet. Ingen av det er et teknologisk problem, fordi vi har teknologien. Det er et koordinerings- og en vilje-problem. Jeg tror det gode nyhetene er at det er problemene vi vet hvordan vi skal løse; det ville bare kreve at teknologi-industrien, energi-industrien og politikerne og regulatorne sitter ned sammen og har den relevante samtalen. Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Buzz Solutions eller lese hans bok: Powering Intelligence: Hvorfor fremtiden til kunstig intelligens avhenger av kraft-systemet.