Vikhyat Chaudhry, CTO, COO & współzałożyciel Buzz Solutions: Rozmowa powrotna

Vikhyat Chaudhry, CTO, COO i współzałożyciel Buzz Solutions, kieruje rozwojem technologicznym i operacjami firmy, stosując sztuczną inteligencję, wizję maszynową oraz analizę predykcyjną do inspekcji i utrzymania krytycznej infrastruktury energetycznej. Współzałożył Buzz Solutions w 2017 roku po zdobyciu doświadczenia w dziedzinie data science, uczenia maszynowego, systemów wbudowanych, wizji komputerowej i technologii autonomicznych. Zanim poświęcił się firmie na pełny etat, Chaudhry pracował jako data scientist w Cisco, opracowywał systemy uczenia maszynowego i oparte na czujnikach w Altitude Co. oraz prowadził badania na Uniwersytecie Stanforda dotyczące autonomicznych dronów, pomiaru prędkości wiatru i wizji komputerowej dla farm wiatrowych. Jego wcześniejsze badania w indyjskiej Defence Research and Development Organisation dotyczyły prognozowania osuwisk przy użyciu symulacji i oprogramowania do teledetekcji, co dało mu techniczne podstawy obejmujące ryzyko infrastruktury, analizę geoprzestrzenną i zastosowaną AI. Buzz Solutions obecnie wymienia go jako współzałożyciela, CTO i COO.

Buzz Solutions opracowuje oprogramowanie do inteligencji wizualnej, przeznaczone do pomocy firmom energetycznym w inspekcji, utrzymaniu i zabezpieczaniu infrastruktury przesyłowej, dystrybucyjnej, stacji transformatorowych i generacyjnej. Platforma PowerAI analizuje obrazy zbierane przez drony, helikoptery, samoloty stałopłatowe i inspekcje naziemne, przekształcając dane wizualne w diagnostykę, która pomaga zakładom energetycznym identyfikować wady, oceniać stan aktywów, priorytetyzować naprawy i integrować wyniki z istniejącymi systemami informacji geograficznej, zarządzania aktywami i przepływami zleceń pracy. Firma pozycjonuje swoją technologię jako sposób na wcześniejsze wykrywanie ryzyka infrastruktury, zmniejszenie ręcznej pracy potrzebnej do analizy obrazów inspekcyjnych oraz obniżenie prawdopodobieństwa awarii sprzętu przyczyniających się do przerw w dostawie, wyłączeń lub pożarów lasów. Buzz Solutions oferuje również narzędzia do monitorowania i zabezpieczania stacji transformatorowych, odzwierciedlając szerszy cel pomocy zakładom energetycznym w budowaniu bezpieczniejszych, bardziej odpornych i bardziej opartej na danych eksploatacji sieci.

Kiedy rozmawialiśmy z Tobą w 2024 roku, nasza dyskusja koncentrowała się na wykorzystaniu AI do przejścia firm energetycznych od ręcznych inspekcji do konserwacji predykcyjnej. Co najbardziej zmieniło się w ciągu ostatnich dwóch lat, zarówno w sektorze energetycznym, jak i w Twoim własnym myśleniu, co skłoniło Cię do napisania książki Powering Intelligence i przedstawienia elektryczności jako potencjalnego ograniczenia przyszłości AI?

Gdy rozmawialiśmy ostatnio, dyskusja dotyczyła głównie zaplecza sieci, przejścia firm energetycznych od ręcznych inspekcji do konserwacji predykcyjnej. To nadal jest nasza praca. Jednak coś zmieniło się pod nami w ciągu tych dwóch lat i zmieniło się szybciej niż prawie ktokolwiek w moim świecie się spodziewał. Wtedy AI była tematem popytu, o którym mówiliśmy w abstrakcji. Teraz pojawia się jako duże liczby wzrostu obciążenia dla firm energetycznych. Zaczęło mi się to mówić od ludzi, których znam od lat w tej branży: wnioski o przyłączenie dla obciążeń, które byłyby nie do pomyślenia kilka lat temu, pojedyncze obiekty żądające takiej ilości energii, jaką pobiera małe miasto, i żądające tego w terminie, który nie ma nic wspólnego z tym, jak sieć faktycznie jest budowana. To był moment, w którym wszystko się ze mną zgryło. Poświęcamy całą naszą energię na debatę o tym, jak zdolne będą te modele, a prawie nic nie poświęcamy nudnemu, fizycznemu pytaniu, czy możemy je zasilić. Napisałem Powering Intelligence, ponieważ szukałem książki, która połączyłaby te dwa światy, a takiej nie było. Wszyscy pisali o modelach AI. Prawie nikt nie pisał o elektronach potrzebnych do ich działania. A ja siedziałem w dziwnym miejscu, wystarczająco blisko strony AI, by rozumieć ambicje, i wystarczająco blisko sieci, by dokładnie znać, ile czasu naprawdę zajmuje budowa nowej linii przesyłowej i rozwój elektrowni. Luka między tymi dwoma zegarami to cała historia i chciałem ją umieścić w jednym miejscu.

Twierdzisz, że branża AI rozwija się w ciągu miesięcy, podczas gdy sieć energetyczna zmienia się w ciągu dziesięcioleci. Gdzie dziś znajduje się najpilniejsze wąskie gardło: generacja elektryczności, pojemność przesyłowa, stacje transformatorowe, transformatory, kolejki przyłączeniowe, pozwolenia czy dostępność wykwalifikowanych pracowników?

Uważam, że istnieje wiele wąskich gardeł i że wszystkie są ze sobą powiązane. Ale jeśli mam wskazać najgłębszy węzeł właśnie teraz, to jest to mniej kwestia generowania elektronów, a bardziej ich dostarczania: przesył i proces przyłączeniowy, z transformatorami i innym sprzętem elektrycznym jako fizycznymi elementami, które wszystko wiążą. Oto rzecz, którą ludzie często niedoceniają. Można ogłosić budowę elektrowni i centrum danych w komunikacie prasowym. Nie można jednak wypuścić dużego transformatora elektrycznego na rynek w ten sam sposób – niektóre z nich mają czasy realizacji liczone w latach, a wiele z nich nie jest nawet produkowanych krajowo. Tak więc nawet gdy wola i kapitał są dostępne, napotykasz barierę łańcucha dostaw na komponenty. Do tego dochodzi kolejka przyłączeniowa, która w wielu regionach jest wieloletnią linią tylko po to, by zostać zbadana. A pod wszystkim leży problem siły roboczej w przemyśle energetycznym. Ludzie, którzy naprawdę wiedzą, jak budować i utrzymywać ten sprzęt, odchodzą na emeryturę szybciej, niż ich zastępujemy.

Więc nie jest to jedno wąskie gardło. To najwolniej poruszające się elementy fizyczne – transformatory, korytarze przesyłowe, wykwalifikowani linowcy – są właśnie tymi, których nie da się przyspieszyć wyłącznie oprogramowaniem czy pieniędzmi. To właśnie czyni to trudnym.

Centra danych AI mogą wprowadzać ogromne, silnie skoncentrowane obciążenia do obszarów, których sieci nie były projektowane pod taki poziom popytu. Czym te obiekty różnią się od dużych obciążeń przemysłowych, które tradycyjnie obsługiwały firmy energetyczne, i jakie nowe ryzyka stwarzają dla niezawodności i planowania pojemności?

Firmy energetyczne radziły sobie z dużymi obciążeniami od ponad wieku. Fabryka stali, huta aluminium, zakłady produkcji samochodów – to ogromne obciążenia, a planujący sieci wiedzą, jak o nie myśleć. Dlatego instynkt polegał na traktowaniu centrum danych jak kolejnego dużego klienta. Uważam, że ten instynkt jest błędny, a różnice właśnie tworzą nowe ryzyko.

Trzy rzeczy wyróżniają się dla mnie. Po pierwsze, koncentracja i szybkość. Tradycyjne ciężkie obciążenie przemysłowe zwykle rosło razem z siecią w danym regionie przez dziesięciolecia. Te obiekty chcą wylądować ogromnie, jednorazowo, w miejscach, gdzie lokalna sieć nigdy nie była planowana pod ich kątem. Po drugie, profil obciążenia. Wiele z nich nie jest równomiernym obciążeniem, mogą gwałtownie i szybko narastać w sposób, który obciąża sprzęt inaczej niż fabryka pracująca w stałym procesie. Po trzecie, i to jest to, co najbardziej niepokoi planistów, jest spekulacyjne nagromadzenie, o którym wiem, że to naprawdę Twoje kolejne pytanie.

Ryzyko, które to tworzy, polega na tym, że firmy energetyczne są proszone o planowanie wokół popytu, który zachowuje się inaczej niż cokolwiek w ich historycznych modelach, i o zobowiązanie kapitału oraz infrastruktury według harmonogramu branży AI, a nie sieci. Gdy Twoje założenia planistyczne opierają się na stu latach jednego typu obciążenia, a nowe obciążenie łamie te założenia, planowanie niezawodności staje się naprawdę trudniejsze. To nie jest powód, by mówić „nie”. To powód, by planować inaczej.

Firmy energetyczne otrzymują ambitne wnioski o moc od deweloperów centrów danych, ale nie każdy proponowany obiekt zostanie zrealizowany. Jak firmy energetyczne mogą odróżnić zobowiązany popyt od spekulacyjnych wniosków i uniknąć budowy kosztownej infrastruktury dla projektów, które przyjdą z opóźnieniem lub w ogóle się nie zmaterializują?

To jedno z najważniejszych pytań operacyjnych w całej dziedzinie w tej chwili i cieszę się, że zadałeś je bezpośrednio, ponieważ nie otrzymuje ono wystarczającej uwagi w porównaniu z bardziej efektownymi tematami.

Deweloper może jednocześnie złożyć wnioski o przyłączenie tego samego projektu w wielu terytoriach, szukając tego, który najszybciej dostarczy moc. Niektóre z tych projektów są rzeczywiste i finansowane. Niektóre to opcje, miejsca rezerwowe i sposób na zajęcie miejsca w kolejce. Niektóre z nich są określane jako „obciążenia fantomowe”, które mogą nigdy nie się zrealizować. Jeśli firma energetyczna potraktuje każdy wniosek jako rzeczywisty i zacznie budować generację i przesył dla wszystkich, ryzykuje pozostawienie ogromnych kosztów, infrastruktury zbudowanej dla centrum danych, które pojawi się z wieloletnim opóźnieniem lub wcale nie pojawi się. I zgadnij, kto ostatecznie płaci za te zablokowane aktywa – istniejący odbiorcy. Z drugiej strony, jeśli firmy energetyczne budują mniej, ryzykują niezdolność do zaspokojenia popytu przychodzącego obciążenia, co może prowadzić do problemów z niezawodnością sieci.

Rozwiązaniem jest uczynienie spekulacji kosztowną, a zobowiązania tanim. Oznacza to realny finansowy wkład przed tym, jak firma energetyczna zobowiąże kapitał, znaczące depozyty, etapowe zobowiązania powiązane z kamieniami milowymi budowy, warunki umowy przenoszące ryzyko na podmiot składający wniosek, a nie na bazę odbiorców. Niektóre jurysdykcje zaczynają iść w tym kierunku. Zasada, do której ciągle wracam, jest prosta: podmiot żądający mocy powinien ponieść ryzyko, że moc nie będzie potrzebna. Obecnie zbyt często to ryzyko cicho spada na wszystkich innych.

Kto ostatecznie powinien płacić za generację, przesył i modernizację stacji transformatorowych wymaganych przez centra danych AI? Jakie struktury taryfowe lub zabezpieczenia kontraktowe mogłyby zapobiec subsydiowaniu tej infrastruktury przez gospodarstwa domowe i istniejące firmy, które są budowane głównie dla firm technologicznych o skali hyperskalowej?

To pytanie zdefiniuje politykę energetyczną w nadchodzącej dekadzie i nie ma na nie czysto technicznej odpowiedzi. Chodzi o sprawiedliwość. Moim szczerym zdaniem koszt powinien spoczywać, tak bardzo jak to możliwe, na obciążeniu, które go powoduje. Jeśli obiekt hyperscalera wymaga nowej stacji transformatorowej i modernizacji przesyłu, domyślne założenie powinno być takie, że to obiekt płaci za to, co wywołuje, a nie emeryt w przyszłości, którego rachunek cicho rośnie, aby to pokryć. Brzmi to oczywiście, ale w przeszłości struktury taryfowe często socjalizowały dużą nową infrastrukturę na całej bazie klientów, co miało sens, gdy nowe obciążenie było fabryką zatrudniającą miasto. Ma to znacznie mniej sensu, gdy beneficjentem jest jedna z najcenniejszych firm na świecie.

Narzędzia istnieją. Taryfy dużego obciążenia zaprojektowane specjalnie dla tej klasy klientów. Umowy minimalnego poboru, aby centrum danych nie mogło zbudować infrastruktury i potem odejść. Długoterminowe zobowiązania dopasowane do okresu życia budowanych aktywów. Ważne jest, aby regulatorzy i firmy energetyczne faktycznie je wykorzystywali i wykorzystywali przed budową, a nie po niej. Ponieważ gdy beton zostanie wylany, a koszt znajdzie się w bazie taryfowej, bardzo trudno go odzyskać. Piszę o tym w książce, ponieważ uważam, że to jedno z miejsc, gdzie nieodpowiednie ustawienie zachęt może cicho podważyć zaufanie publiczne zarówno do firm energetycznych, jak i branży AI.

Czy centra danych AI mogą stać się elastycznymi zasobami sieci, a nie sztywnymi źródłami popytu, poprzez przesuwanie obciążeń, reakcję na popyt, baterie, magazynowanie cieplne lub generację na miejscu? Które obciążenia AI można realistycznie przenieść w różne godziny lub miejsca bez uszczerbku na wydajności?

Tak, i uważam, że to jedna z bardziej obiecujących idei w tym temacie, więc chcę być ostrożny, by nie przesadzać, ponieważ elastyczność jest realna, ale nie nieograniczona. Zacznijmy od rozróżnienia, które ma znaczenie: nie wszystkie obliczenia AI są takie same. Jest inferencja, czyli obliczenia po wytrenowaniu dużych modeli (modele działające na żywo), i zadajesz modelowi pytanie, potrzebując odpowiedzi natychmiast. To jest wrażliwe na opóźnienia i trudne do przeniesienia. A potem jest trening, masywne, wsadowe obciążenia, które budują modele. Trening jest znacznie bardziej elastyczny. Nie musi mu zależeć, czy działa o 14:00 czy o 2:00, czy w tym stanie, czy w tamtym, pod warunkiem że zostanie ukończony. Ta elastyczność jest otwarciem. Jeśli duża część obciążenia centrum danych to rodzaj, który może się przemieszczać w czasie, może ono korzystać z godzin, gdy sieć ma nadmiar czystej energii i odsuwać się, gdy system jest obciążony.

Teraz dodajmy baterie, magazynowanie cieplne i generację na miejscu, a obiekt, który wygląda jak sztywny blok popytu, może zacząć zachowywać się jak zasób, który faktycznie pomaga równoważyć sieć, pochłaniając nadmiar energii słonecznej w południe i wykorzystując zgromadzoną energię w szczytowych momentach. Szczera uwaga brzmi, że wymaga to od operatora rzeczywistej chęci współpracy oraz struktur taryfowych, które go za to wynagradzają. Technologia jest łatwą częścią, ale projektowanie zachęt jest trudne. Jednak świat, w którym centra danych są elastycznymi partnerami sieci zamiast jej przeciwnikami, jest naprawdę możliwe i znacznie lepsze niż alternatywa.

Jakie połączenie źródeł energii może realistycznie zaspokoić zapotrzebowanie AI na elektryczność w ciągu najbliższej dekady? Jak widzisz udział odnawialnych źródeł i magazynowania, gazu ziemnego, konwencjonalnej energii jądrowej, małych reaktorów modułowych oraz energii geotermalnej w tym miksie?

Podam Ci odpowiedź, której ludzie nie lubią, a mianowicie że to wszystko, i każdy, kto sprzedaje Ci jednoskładnikową „srebrną kulę”, sprzedaje coś nieprawdziwego. Odnawialne źródła i magazynowanie to najszybsze, co możemy rzeczywiście wdrożyć; energia słoneczna plus baterie mogą być budowane w terminach, które wydają się prawie rozsądne w porównaniu do wszystkiego innego, a ta szybkość ma ogromne znaczenie, gdy popyt rośnie tak szybko. To więc krótkoterminowy konik. W rzeczywistości wielu klientów Buzz (Dominion, Ameren, AEP, NYPA, Southern i inni) nieustannie zwiększa swój udział energii słonecznej, aby sprostać zapotrzebowaniu centrów danych. Ale odnawialne źródła są zmienne, a te obciążenia działają całą dobę, dlatego magazynowanie odgrywa tak dużą rolę w tym zdaniu, i dlatego stała moc wciąż ma znaczenie. Gaz ziemny będzie częścią mostu, niezależnie od tego, czy ludzie to lubią, po prostu dlatego, że jest dyspozycyjny i jest tutaj. Energia jądrowa jest teraz fascynująca; obserwujemy elektrownie, które miały być wycofane, otrzymujące drugie życie właśnie dlatego, że centrum danych podpisze długoterminową umowę na ich produkcję, co prawie nikt nie przewidział. Małe reaktory modułowe (SMR) i energia geotermalna to naprawdę ekscytujące długoterminowe projekty, ale staram się być realistyczny co do terminów – będą znaczącą częścią historii w drugiej połowie dekady i później, ale nie są rozwiązaniem na 2027 rok.

Tak więc realistyczny miks to warstwowa struktura: odnawialne źródła i magazynowanie zapewniają wzrost, gaz wypełnia lukę w stałości, istniejąca energia jądrowa jest przedłużana i nowo wyceniana, a źródła następnej generacji wchodzą na rynek w miarę dojrzewania. Błędem jest ideologiczna czystość w dowolnym kierunku, ponieważ sieć nie dba o nasze preferencje. Dba o kilowatogodziny dostarczane niezawodnie i na czas.

Jedną z centralnych idei w Twojej książce jest to, że ta sama branża AI wywierająca presję na sieć może również dostarczyć narzędzia potrzebne do jej modernizacji. Gdzie AI może przynieść największe krótkoterminowe korzyści: prognozowanie obciążenia, konserwacja predykcyjna, optymalizacja przesyłu, zarządzanie roślinnością, przywracanie po awariach, cyfrowe bliźniaki lub autonomiczne sterowanie siecią?

To jest sedno książki i szczerze mówiąc, część, którą uważam za najbardziej obiecującą – ta sama branża obciążająca sieć daje nam najlepsze narzędzia, jakie kiedykolwiek mieliśmy, aby ją naprawić. Gdybym klasyfikował według tego, gdzie zwrot jest realny już dziś, a nie w prezentacji slajdów, umieściłbym to tutaj.

Konserwacja predykcyjna, ciągłe monitorowanie i inspekcja to priorytet, ponieważ to obszar, w którym Buzz spędził lata i widział jego działanie. Wykorzystanie wizji komputerowej i wizualnej AI do wykrywania wadliwych komponentów przed ich awarią – pękniętego izolatora, przegrzanego transformatora, skorodowanych haków – nie jest spekulacyjne, to wdrożone i oszczędza prawdziwe pieniądze oraz zapobiega rzeczywistym awariom już teraz. Równolegle umieściłbym prognozowanie obciążenia i reakcję na popyt, ponieważ cały problem centrów danych staje się bardziej zarządzalny, jeśli można dokładniej przewidzieć zapotrzebowanie, zamiast planować w ciemno. Następnie optymalizacja przesyłu, wyciskanie większej pojemności z istniejących linii, co ma ogromne znaczenie, biorąc pod uwagę, jak wolno buduje się nowe. Zarządzanie roślinnością i przywracanie po awariach są blisko za nimi, ponieważ AI przekształca powolne i ręczne procesy w szybkie i efektywne, jednocześnie dostarczając wystarczających wglądów i świadomości sytuacyjnej, aby zapewnić odporność sieci i zapobiegać incydentom takim jak pożary lasów, uszkodzenia po burzach i przerwy w dostawie energii.

Cyfrowe bliźniaki i w pełni autonomiczne sterowanie siecią to dalszy horyzont, nadchodzą i są potężne, ale niosą ze sobą pytania o zaufanie i bezpieczeństwo, które przypuszczam, że są Twoim następnym pytaniem. Dlatego w krótkim okresie moja szczera klasyfikacja zaczyna się od mniej efektownych elementów: lepsze widzenie sieci, lepsze prognozowanie jej zachowań i wydobycie więcej z tego, co już jest w ziemi, poprzez zwiększenie świadomości systemu sieciowego. To właśnie tam AI zwraca się w pierwszej kolejności.

Nasza poprzednia rozmowa dotyczyła zależności Buzz Solutions od rzeczywistych danych użytecznościowych i przeglądu z udziałem człowieka w pętli. W miarę jak systemy energetyczne stają się bardziej autonomiczne, które decyzje mogą być bezpiecznie delegowane AI, a gdzie osąd ludzki musi pozostać obowiązkowy? Jak firmy energetyczne powinny przygotować się na nieprzejrzyste decyzje modeli, cyberataki lub awarie, które mogą rozprzestrzenić się w krytycznej infrastrukturze?

Kiedy rozmawialiśmy ostatnio, opisałem nasze własne podejście jako człowiek-w-pętli, eksperci tematyczni dający informacje zwrotne modelom AI w przypadku, gdy ich pewność spada poniżej progu lub pojawiają się błędne prognozy, i chcę od tego zacząć, ponieważ moje podejście nie osłabło, a wręcz się wzmocniło.

AI jest niezwykłe w zadaniach percepcji i rekomendacji – analizuje wszystkie te dane, znajduje anomalię, oznacza ryzyko, klasyfikuje, co wymaga uwagi. Delegowanie tego nie tylko jest bezpieczne, ale także lepsze niż to, co mogą zrobić ludzie sami w tej skali. Gdzie staję się znacznie ostrożniejszy, to działania o konsekwencjach na krytycznej infrastrukturze i projektach o kluczowym znaczeniu, decyzje, w których błąd może odciąć zasilanie szpitala lub spowodować kaskadę w regionie. Wymagają one odpowiedzialności człowieka (eksperta tematycznego), nie dlatego, że model jest koniecznie gorszy w średnim przypadku, ale dlatego, że krytyczna infrastruktura jest właśnie tym miejscem, gdzie rzadki, katastrofalny przypadek jest najważniejszy.

W mojej opinii przygotowanie ma trzy aspekty. Po pierwsze, utrzymać ludzi w pętli w sposób znaczący przy decyzjach o konsekwencjach, nie jako jedynie pieczątkę, ale z prawdziwą władzą do odwołania. Po drugie, wymagać wyjaśnialności wszystkiego, co dotyka krytycznych operacji; jeśli nie możesz zrozumieć, dlaczego model zrobił to, co zrobił, nie możesz za to odpowiadać, a „AI zdecydowała” nie jest akceptowalną odpowiedzią, gdy gasną światła. Po trzecie, a to jest to, w czym branża jest niebezpiecznie opóźniona, traktować te autonomiczne systemy jako rozszerzoną powierzchnię ataku od pierwszego dnia. Im bardziej pozwalamy oprogramowaniu sterować siecią, tym bardziej sieć przejmuje luki w zabezpieczeniach oprogramowania. Cyberatak na autonomiczny system sterowania nie jest wyciekiem danych, to zdarzenie fizyczne. Musimy projektować z myślą o tej rzeczywistości, zanim staniemy się w pełni autonomiczni, a nie po fakcie. Pozytywną wiadomością jest to, że firmy energetyczne zaczynają bardzo poważnie podchodzić do bezpieczeństwa danych, infosec i zarządzania AI oraz rozpoczęły tworzenie rad ds. AI i zarządzania danymi w swoich organizacjach. My, w Buzz, opublikowaliśmy podręczniki dotyczące cyberbezpieczeństwa i zarządzania AI dla branży, aby dowiedzieć się więcej o udanych wdrożeniach systemów AI w sposób bezpieczny i na dużą skalę.

Patrząc pięć lat w przyszłość, co odróżni kraje i regiony zdolne do wspierania dalszej ekspansji AI od tych ograniczonych dostępnością elektryczności? Jak wyglądałaby skuteczna strategia dopasowania rozwoju AI do modernizacji sieci do 2031 roku?

Myślę, że za pięć lat spojrzymy wstecz i zdamy sobie sprawę, że ograniczeniem AI nigdy nie były chipy ani talent. Te elementy łatwo przemieszczają się po świecie. To, czego nie można było przenieść, to właśnie energia i infrastruktura. Elektryczność staje się strategicznym zasobem ery AI, tak jak ropa była w ubiegłym stuleciu, i nie uważam tego za przesadę; po prostu staje się widoczna.

Tak więc regiony, które wyprzedzą, będą tymi, które potraktowały pojemność sieci jako aktywo konkurencyjne i zaczęły budować oraz reformować wcześnie, miejsca, które usprawniły przyłączenia, zmodernizowały pozwolenia bez usuwania istotnych zabezpieczeń, zainwestowały w przesył, zanim popyt w pełni się pojawił, zamiast później gonić. Te, które pozostaną w tyle, nie będą brakować ambicji ani kapitału. Będą mieć ogłoszenia o centrach danych i środki inwestycyjne, ale po prostu nie będą w stanie dostarczyć elektronów, a projekty cicho przejdą tam, gdzie jest to możliwe.

Skuteczna strategia do 2031 roku wygląda tak, jakby dwa zegary (wspomniane w książce), do których ciągle wracam, w końcu działały razem, a nie przeciwko sobie. Oznacza to dopasowanie tempa ambicji AI do rzeczywistości terminów infrastruktury energetycznej, wykorzystanie samego AI do wydobycia więcej z istniejącej sieci, podczas gdy budujemy potrzebną sieć, prawidłowe rozdzielenie kosztów, aby nastroje publiczne wobec przystępności cen energii nie stały się skrajnie negatywne, oraz potraktowanie problemu siły roboczej na tyle poważnie, by rzeczywiście szkolić kolejną generację ludzi, którzy budują i obsługują ten system. To nie jest problem technologiczny, bo technologia już istnieje. To problem koordynacji i woli. Moim zdaniem dobrą wiadomością jest to, że są to problemy, które wiemy, jak rozwiązać; wymagałoby to jedynie, aby przemysł technologiczny, przemysł energetyczny oraz decydenci i regulatorzy usiedli razem i przeprowadzili właściwą rozmowę. Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Buzz Solutions lub przeczytać jego książkę: Powering Intelligence: Why the future of AI depends on the Power Grid.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Buzz Solutions lub przeczytać jego książkę: Powering Intelligence: Why the future of AI depends on the Power Grid.