Vikhyat Chaudhry, CTO, COO e Co-Fundador da Buzz Solutions: Uma Conversa de Retorno

Vikhyat Chaudhry, CTO, COO e Co-Fundador da Buzz Solutions, lidera o desenvolvimento de tecnologia e operações da empresa, aplicando inteligência artificial, visão computacional e análise preditiva à inspeção e manutenção de infraestrutura de energia crítica. Ele co-fundou a Buzz Solutions em 2017, após desenvolver experiência em ciência de dados, aprendizado de máquina, sistemas embarcados, visão computacional e tecnologias autônomas. Antes de se concentrar em tempo integral na empresa, Chaudhry trabalhou como cientista de dados na Cisco, desenvolveu sistemas de aprendizado de máquina e baseados em sensores na Altitude Co. e realizou pesquisas na Universidade de Stanford envolvendo drones autônomos, sensores de velocidade do vento e visão computacional para fazendas de vento. Suas pesquisas anteriores na Organização de Pesquisa e Desenvolvimento de Defesa da Índia exploraram a previsão de deslizamentos de terra usando simulações e software de sensoriamento remoto, proporcionando-lhe uma formação técnica que abrange risco de infraestrutura, análise geoespacial e inteligência artificial aplicada. A Buzz Solutions atualmente o identifica como seu co-fundador, CTO e COO.

Buzz Solutions desenvolve software de inteligência visual projetado para ajudar empresas de energia a inspecionar, manter e proteger infraestrutura de transmissão, distribuição, subestação e geração. Sua plataforma PowerAI analisa imagens coletadas por meio de drones, helicópteros, aeronaves de asa fixa e inspeções terrestres, convertendo dados visuais em diagnósticos que ajudam as utilidades a identificar defeitos, avaliar a condição dos ativos, priorizar reparos e integrar os resultados em sistemas de informação geográfica, gestão de ativos e fluxos de trabalho de ordens de serviço existentes. A empresa posiciona sua tecnologia como uma forma de detectar riscos de infraestrutura mais cedo, reduzir o trabalho manual necessário para analisar imagens de inspeção e diminuir a probabilidade de falhas de equipamentos que contribuem para apagões, desligamentos ou incêndios. A Buzz Solutions também oferece ferramentas para monitoramento de subestação e segurança, refletindo seu objetivo mais amplo de ajudar as utilidades a construir operações de grade mais seguras, mais resilientes e mais orientadas por dados.

Quando nos entrevistamos você em 2024, nossa conversa se concentrou em usar IA para mover as utilidades de inspeções manuais para manutenção preditiva. O que mudou mais nos últimos dois anos, tanto no setor de energia quanto em seu próprio pensamento, que o levou a escrever Powering Intelligence e enquadrar a eletricidade como um possível constrangimento para o futuro da IA?

Quando nos falamos pela última vez, a conversa era principalmente sobre o escritório de back da grade, movendo as utilidades de inspeções manuais para manutenção preditiva. Esse ainda é o trabalho. Mas algo mudou abaixo de todos nós nos dois anos desde então, e mudou mais rápido do que quase qualquer pessoa no meu mundo esperava. Naquela época, a IA era uma história de demanda que discutimos de forma abstrata. Agora, ela aparece como números de crescimento de carga grandes para as utilidades. Comecei a ouvir a mesma coisa de pessoas que conheço há anos nessa indústria: solicitações de interconexão para cargas que seriam impensáveis há alguns anos, instalações individuais pedindo o tipo de energia que uma pequena cidade consome e pedindo em um prazo que não tem nada a ver com como a grade é realmente construída. Foi o momento em que isso ficou claro para mim. Gastamos toda a nossa energia discutindo o quão capazes esses modelos serão, e quase nada sobre a questão física entediante de se podemos alimentá-los. Escrevi Powering Intelligence porque continuei procurando o livro que conectava esses dois mundos e ele não existia. Todos estavam escrevendo sobre os modelos de IA. Quase ninguém estava escrevendo sobre os elétrons necessários para eles. E eu estava em um lugar estranho, suficientemente próximo do lado da IA para entender a ambição, e suficientemente próximo da grade para saber exatamente quanto tempo um novo linha de transmissão e o desenvolvimento de uma usina de geração de energia realmente leva. A lacuna entre esses dois relógios é a história toda, e eu quis colocá-la em um lugar.

Você argumenta que a indústria de IA escala em meses, enquanto a grade de energia muda em décadas. Onde está o gargalo mais imediato hoje: geração de eletricidade, capacidade de transmissão, subestações, transformadores, filas de interconexão, permissões ou disponibilidade de trabalhadores qualificados?

Acho que há vários gargalos aqui, e a resposta é que eles estão todos emaranhados. Mas, se eu tiver que apontar para o nó mais apertado agora, é relativamente menos sobre gerar os elétrons e mais sobre entregá-los: transmissão e o processo de interconexão, com transformadores e outros equipamentos elétricos como as peças físicas que amarram tudo. Aqui está a coisa que as pessoas frequentemente subestimam. Você pode anunciar uma usina de geração e um data center em um comunicado à imprensa. Você não pode criar um grande transformador de energia em um comunicado à imprensa, alguns deles têm prazos de entrega medidos em anos, e muitos deles não são construídos domesticamente. Então, mesmo quando a vontade e o capital estão lá, você atinge uma parede de cadeia de suprimentos em componentes. Em seguida, em cima disso, está a fila de interconexão, que em muitas regiões é uma linha de vários anos apenas para ser estudada. E abaixo de tudo isso está o problema de mão de obra para a indústria de energia. As pessoas que realmente sabem como construir e manter esse equipamento estão se aposentando mais rápido do que estamos substituindo. Então, não é um gargalo. É que as peças físicas mais lentas, os transformadores, os corredores de transmissão, os trabalhadores treinados, são exatamente as que você não pode acelerar com software ou dinheiro sozinho. É o que torna isso difícil.

Os data centers de IA podem introduzir cargas enormes e altamente concentradas em áreas cujas grades não foram projetadas para esse nível de demanda. Como essas instalações são diferentes das grandes cargas industriais que as utilidades gerenciaram historicamente, e quais novos riscos elas criam para a confiabilidade e planejamento de capacidade?

As utilidades lidaram com grandes cargas por um século. Uma fábrica de aço, um refino de alumínio, plantas de manufatura de automóveis, essas são cargas enormes, e os planejadores da grade sabem como pensar sobre elas. Então, o instinto é tratar um data center como apenas mais um grande cliente. Acho que esse instinto está errado, e as diferenças são o que criam o novo risco.

Três coisas se destacam para mim. Primeiro é a concentração e a velocidade. Uma carga industrial tradicional geralmente cresceu ao lado da grade nessa região ao longo de décadas. Essas instalações querem aterrissar grandes, todas de uma vez, em lugares cuja grade local nunca foi planejada em torno delas. Segundo é o perfil de carga. Muitas dessas não são cargas suaves, elas podem aumentar forte e rápido de maneiras que estressam o equipamento de forma diferente do que uma fábrica que executa um processo estável. Terceiro, e este é o que mais preocupa os planejadores, é o acúmulo especulativo, que sei que é realmente sua próxima pergunta.

O risco que isso cria é que as utilidades estão sendo solicitadas a planejar em torno de demanda que se comporta de forma diferente do que qualquer coisa em seus modelos históricos, e a se comprometer com capital e infraestrutura no cronograma da indústria de IA, em vez do da grade. Quando suas suposições de planejamento são construídas em cem anos de um tipo de carga e a nova carga quebra essas suposições, o planejamento de confiabilidade fica genuinamente mais difícil. Isso não é um motivo para dizer não. É um motivo para planejar de forma diferente.

As utilidades estão recebendo solicitações de energia ambiciosas de desenvolvedores de data centers, mas nem todos os projetos de instalações propostas serão necessariamente concluídos. Como as utilidades podem distinguir entre demanda comprometida e solicitações especulativas e evitar construir infraestrutura cara para projetos que chegam tarde ou nunca se materializam?

Essa é uma das questões operacionais mais importantes nesse espaço agora, e estou feliz que você perguntou diretamente, porque isso não recebe suficiente atenção ao lado dos tópicos mais chamativos.

Um desenvolvedor pode enviar solicitações de interconexão para o mesmo projeto em vários territórios ao mesmo tempo, procurando por quem pode entregar energia mais rápido. Alguns desses projetos são reais e financiados. Alguns são opções, espaços reservados e uma maneira de segurar um lugar na fila. Alguns desses são chamados de “cargas fantasmas” que podem nunca se concretizar. Se uma utilidade tratar cada solicitação como real e começar a construir geração e transmissão para todos eles, ela arrisca criar custos enormes, infraestrutura construída para um data center que chega anos tarde ou nunca chega. E adivinhe quem acaba pagando por ativos abandonados, os contribuintes existentes. Por outro lado, se as utilidades construírem menos, então elas arriscam não ser capazes de atender às demandas da carga de entrada, o que pode levar a problemas de confiabilidade na grade.

O caminho é tornar a especulação cara e o compromisso barato. Isso significa que há uma participação financeira real antes que uma utilidade se comprometa com capital, depósitos significativos, compromissos faseados vinculados a marcos de construção, termos de contrato que colocam o risco na parte que faz a solicitação, em vez de na base de contribuintes. Alguns jurisdicionais estão começando a se mover nessa direção. O princípio ao qual eu continuo voltando é simples: a entidade que solicita a energia deve carregar o risco de a energia não ser necessária. Agora, muitas vezes, esse risco cai silenciosamente em todos os outros.

Quem deve pagar, em última análise, pela geração, transmissão e melhorias de subestação necessárias para os data centers de IA? Quais estruturas de taxa ou salvaguardas contratuais poderiam evitar que residências e empresas existentes subsidiassem infraestrutura construída principalmente para empresas de tecnologia de hiperscale?

Essa é a pergunta que vai definir a política da próxima década da grade, e não acho que tenha uma resposta puramente técnica. Acho que é sobre justiça. Minha visão honesta é que o custo deve estar, tanto quanto possível, com a carga que o causa. Se uma instalação de um hyperscaler exigir uma nova subestação e uma melhoria de transmissão, a suposição padrão deve ser que a instalação pague por aquilo que dispara, e não a aposentadoria ao longe cuja conta aumenta silenciosamente para cobrir. Isso soa óbvio, mas a forma como as estruturas de taxa funcionaram historicamente, grande infraestrutura nova frequentemente foi socializada em toda a base de clientes, o que fez sentido quando a nova carga era uma fábrica que empregava a cidade. Isso faz muito menos sentido quando o beneficiário é uma das empresas mais valiosas do mundo.

As ferramentas existem. Tarifas de carga grande projetadas especificamente para essa classe de cliente. Contratos de retirada mínima para que um data center não possa obter infraestrutura construída e depois sair. Compromissos de longo prazo que correspondem à vida dos ativos sendo construídos. O que importa é que os reguladores e as utilidades realmente os usem, e os usem antes da construção, não depois. Porque, uma vez que o concreto é derramado e o custo está na base de taxas, é muito difícil recuperar. Escrevi sobre isso no livro porque acho que é um dos lugares onde obter as incentivos ligeiramente errados poderia erodir silenciosamente a confiança pública tanto nas utilidades quanto na indústria de IA.

Os data centers de IA podem se tornar ativos de grade flexíveis em vez de fontes inflexíveis de demanda por meio de transferência de carga, resposta à demanda, baterias, armazenamento térmico, geração local ou outros meios? Quais cargas de IA podem realisticamente ser movidas em diferentes horas ou locais sem comprometer o desempenho?

Sim, e acho que essa é uma das ideias mais promissoras nesse tópico, então quero ser cuidadoso para não exagerar, porque a flexibilidade é real, mas não é ilimitada. Comece com a distinção que importa: não todos os cálculos de IA são os mesmos. Há inferência, que é o cálculo após que esses grandes modelos são treinados (os modelos ao vivo), e você perguntando a um modelo uma pergunta e precisando de uma resposta agora. Isso é sensível à latência e difícil de mover. E há treinamento, as cargas de trabalho em lote maciço que constroem os modelos. O treinamento é muito mais flexível. Ele não se importa se é executado às 14h ou às 2h, ou nesse estado ou naquele, desde que seja feito. Essa flexibilidade é a abertura. Se uma grande parte da carga de um data center é do tipo que pode mudar no tempo, então pode se inclinar para as horas em que a grade tem energia limpa em excesso e recuar quando o sistema está estressado.

Agora, adicione baterias, armazenamento térmico e geração local, e uma instalação que parece um bloco rígido de demanda pode começar a se comportar como um recurso que realmente ajuda a equilibrar a grade, absorvendo energia solar em excesso no meio do dia, passando por picos com energia armazenada. A ressalva honesta é que isso requer que o operador realmente queira cooperar, e requer estruturas de taxa que recompensem por isso. A tecnologia é a parte fácil, mas o design de incentivos é a parte difícil. Mas um mundo onde os data centers são parceiros flexíveis da grade, em vez de adversários, é genuinamente possível, e é muito melhor do que a alternativa.

Qual combinação de fontes de energia pode atender realisticamente às necessidades de eletricidade da IA nos próximos dez anos? Como você vê as fontes de energia renovável e armazenamento, gás natural, energia nuclear convencional, reatores modulares pequenos e energia geotérmica se encaixando nessa mistura?

Vou dar a resposta que as pessoas não gostam, que é que é tudo isso, e qualquer um que lhe vende uma solução de única fonte está vendendo algo. As fontes de energia renovável e armazenamento são a coisa que podemos implantar mais rapidamente; solar mais baterias pode ser construído em prazos que parecem quase sensatos em comparação com tudo o mais, e essa velocidade importa enormemente quando a demanda está aumentando tão rápido. Mas as fontes de energia renovável são variáveis, e essas cargas funcionam 24 horas por dia, 7 dias por semana, o que é o motivo pelo qual o armazenamento está fazendo tanto da carga nessa frase, e o motivo pelo qual a energia firme ainda importa. O gás natural vai fazer parte da ponte, independentemente de as pessoas gostarem ou não, simplesmente porque é despachável e está aqui. A energia nuclear é fascinante agora, estamos vendo usinas que estavam indo para a aposentadoria ganhando uma nova vida, especificamente porque um data center vai assinar um contrato de longo prazo para sua saída, o que quase ninguém previu. Os reatores modulares pequenos e a energia geotérmica são os jogos de longo prazo genuinamente emocionais, mas eu tento ser disciplinado sobre prazos, eles são uma parte significativa da história por volta da segunda metade da década e além, não a coisa que nos salva em 2027.

Então, a mistura realista é uma mistura em camadas: fontes de energia renovável e armazenamento carregando o crescimento, gás natural preenchendo a lacuna de firmeza, energia nuclear existente estendida e recém-valorizada, e as fontes de energia de próxima geração vindo online à medida que amadurecem. O erro é a pureza ideológica em qualquer direção, pois a grade não se importa com nossas preferências. Ela se importa com quilowatt-horas entregues de forma confiável e no horário.

Uma das ideias centrais em seu livro é que a mesma indústria de IA que está colocando pressão sobre a grade também pode fornecer as ferramentas necessárias para modernizá-la. Onde a IA pode criar os maiores ganhos de curto prazo: previsão de carga, manutenção preditiva, otimização de transmissão, gerenciamento de vegetação, restauração de falta de energia, modelos digitais ou controles de grade autônomos?

Essa é a essência do livro, e honestamente a parte que eu acho mais promissora, a mesma indústria que está estressando a grade está nos dando as melhores ferramentas que já tivemos para consertá-la. Se eu estivesse classificando por onde o pagamento é real hoje, em vez de em uma apresentação, eu o colocaria aqui.

Manutenção preditiva, monitoramento e inspeção contínuos primeiro, porque é onde a Buzz passou anos, e eu vi isso funcionar. Usando visão computacional e IA visual para encontrar os componentes defeituosos antes que falhem, o isolador rachado, o transformador superaquecido, os ganchos enferrujados, isso não é especulativo, isso é implantado e economizando dinheiro real e prevenindo falhas reais agora. Diretamente ao lado disso, eu colocaria previsão de carga e resposta à demanda, porque o problema de data center todo se torna mais gerenciável se você pode realmente prever a demanda com mais precisão em vez de planejar cegamente. Em seguida, otimização de transmissão, espremendo mais capacidade dos fios que já temos, o que importa enormemente dado o quão lento é construir novos. Gerenciamento de vegetação e restauração de falta de energia estão próximos, pois ambos são áreas onde a IA toma algo lento e manual e o torna rápido e eficiente, mas ao mesmo tempo fornecendo insights e consciência situacional suficientes para fornecer resiliência à grade para prevenir incidentes como incêndios, danos de tempestades e falta de energia.

Modelos digitais e controles de grade totalmente autônomos são o horizonte mais distante, eles estão vindo, e são poderosos, mas eles carregam as questões de confiança e segurança que suspeito que é sua próxima pergunta. Então, no curto prazo, minha classificação honesta começa com as coisas menos glamorosas: veja a grade melhor, preveja seu comportamento melhor, e obtenha mais do que já está no chão, tornando o sistema de grade mais consciente. É onde a IA paga por si mesma primeiro.

Nossa entrevista anterior discutiu a dependência da Buzz Solutions de dados reais de utilidades e revisão humana no loop. À medida que os sistemas de energia se tornam mais autônomos, quais decisões poderiam ser delegadas com segurança à IA, e onde o julgamento humano deve permanecer obrigatório? Como as utilidades devem se preparar para decisões de modelo opacas, ataques cibernéticos ou falhas que poderiam se propagar por infraestrutura crítica?

Quando nos falamos pela última vez, eu descrevi nossa abordagem como humana no loop, especialistas em assuntos fornecendo feedback aos modelos de IA em qualquer coisa abaixo de um limiar de confiança ou previsões ruins, e quero começar aqui porque minha visão sobre isso não amoleceu, endureceu.

A IA é extraordinária nas tarefas de percepção e recomendações, olhe todos esses dados, encontre a anomalia, sinalize o risco, classifique o que precisa de atenção. Delegar isso não é apenas seguro, mas também melhor do que o que os humanos podem fazer sozinhos nessa escala. Onde eu fico muito mais cauteloso é a ação consequente em infraestrutura crítica e projetos de missão crítica, as decisões onde estar errado derruba a energia para um hospital ou se propaga por uma região. Essas precisam de um humano (especialista em assunto) responsável, não porque o modelo é necessariamente pior no caso médio, mas porque a infraestrutura crítica é exatamente o lugar onde o caso catastrófico raro é o jogo todo.

Então, na minha opinião, a preparação é tríplice. Primeiro, mantenha os humanos significativamente no loop em decisões consequenciais, não como um selo de aprovação, mas com autoridade real para anular. Segundo, insista na explicabilidade para qualquer coisa que toque operações críticas, se você não pode entender por que o modelo fez o que fez, você não pode ser responsável por isso, e “a IA decidiu” não é uma resposta aceitável quando as luzes se apagam. Terceiro, e este é o que acho que a indústria está perigosamente atrasada, trate esses sistemas autônomos como uma superfície de ataque expandida desde o dia um. Quanto mais deixamos o software executar a grade, mais a grade herda vulnerabilidades de software. Um ataque cibernético a um sistema de controle autônomo não é uma violação de dados, é um evento físico. Temos que projetar para essa realidade antes de nos tornarmos totalmente autônomos, não depois. A notícia positiva é que as utilidades agora estão levando a segurança de dados, segurança de informações e governança de IA muito a sério e também começaram a estabelecer conselhos de governança de IA e dados dentro de suas organizações. Nós, na Buzz, publicamos livros de jogadas de governança de cibersegurança e IA para a indústria aprender mais sobre os deploys bem-sucedidos de sistemas de IA de forma segura e em escala.

Olhando cinco anos à frente, o que separará os países e regiões capazes de apoiar a expansão contínua da IA daqueles constrangidos pela disponibilidade de eletricidade? Qual seria uma estratégia bem-sucedida para alinhar o desenvolvimento da IA com a modernização da grade por 2031?

Acho que, cinco anos a partir de agora, vamos olhar para trás e perceber que o constrangimento da IA nunca foi os chips ou o talento. Essas coisas se movem facilmente pelo globo. A coisa que não podia se mover, a coisa que realmente decidiu quem ganhou, foi a energia e a infraestrutura. A eletricidade se torna o recurso estratégico da era da IA, da mesma forma que o petróleo foi para o último século, e não acho que isso seja uma exageração; acho que isso está apenas se tornando visível.

Então, as regiões que se destacam serão aquelas que trataram a capacidade da grade como um ativo competitivo e começaram a construir e reformar cedo, os lugares que simplificaram a interconexão, que modernizaram o licenciamento sem descartar as salvaguardas que importam, que investiram em transmissão antes que a demanda chegue totalmente, em vez de se apressar depois. Os que ficam para trás não vão falta de ambição ou capital. Eles terão os anúncios de data centers e os dólares de investimento, e simplesmente não serão capazes de entregar os elétrons, e os projetos irão silenciosamente para algum lugar que possa.

Uma estratégia bem-sucedida por 2031 parece com os dois relógios (referenciados no livro) que continuo mencionando finalmente sendo configurados para trabalhar juntos em vez de contra si mesmos. Isso significa alinhar a velocidade da ambição da IA com a realidade dos prazos de infraestrutura de energia, usando a IA para obter mais da grade que temos, enquanto construímos a grade que precisamos, obtendo a alocação de custos certa para que o sentimento público em torno da acessibilidade de energia não se torne extremamente negativo, e levando o problema da mão de obra a sério o suficiente para realmente treinar a próxima geração de pessoas que constroem e executam esse sistema. Nenhuma dessas é um problema de tecnologia, pois temos a tecnologia. É um problema de coordenação e vontade. Na minha opinião, a boa notícia é que esses são os problemas que sabemos como resolver; seria apenas necessário que a indústria de tecnologia, a indústria de energia e os formuladores de políticas e reguladores se sentem juntos e tenham a conversa relevante. Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Buzz Solutions ou ler seu livro: Powering Intelligence: Por que o futuro da IA depende da Grade de Energia.