Josh Wong, grundare och VD för ThinkLabs AI – Intervjuserie

Josh Wong är grundare och VD för ThinkLabs AI. Han har tidigare arbetat på GE Vernova (GEV ) som generell chef, Grid Orchestration. Josh Wong studerade vid University of Waterloo.

ThinkLabs AI är ett specialiserat företag för AI-utveckling och distribution. Dess mission är att ge kritiska industrier och infrastrukturer tillförlitlig AI som syftar till att uppnå global energihållbarhet. Företaget utvecklar sin flaggskeppprodukt, ThinkLabs Copilot, en digital assistent som förstår den verkliga världen genom proprietära fysikbaserade AI-digitala tvillingar, som tillhandahåller en grundmodell för ingenjörssystem.

Kan du berätta mer om visionen bakom ThinkLabs AI och vad som inspirerade dess skapelse?

Visionen bakom ThinkLabs är en tillförlitlig, hållbar och prisvärd energiinfrastruktur som drivs av tillförlitlig AI. Vi förstår att elnätet förblir i centrum för energiomställningen. För att avkarbonisera måste vi elektrifiera. För att elektrifiera behöver vi elnätet, och elnätet måste moderniseras. Vi tror att korsningen mellan elkraftsystem, AI och molnteknik är lösningen.

Hur skiljer sig ThinkLabs AI från andra AI-startups inom elnätshantering?

Elnätet är komplext, och så komplext att AI i sig inte kan lära sig om de komplexa effektflödena och driftsprocesserna som finns i elnätet. ThinkLabs kombinerar den rika historien och förtroendet för traditionell elkraftssystemteknik med AI, som tillförlitlig fysikbaserad AI, för förtroende i skalad, automatiserad inferens och beslutsstöd för kritisk infrastruktur. Det kräver också mer än teknik, men ett erfaret team som förstår nyanserna av elnätet och hur elbolag och myndigheter tänker. Vårt team kommer från elkraftsystemområdet med beprövad erfarenhet, inklusive grundaren Josh Wong som har sålt sitt föregående företag Opus One Solutions till GE, och står vid korsningen mellan ingenjörsvetenskap, AI och molnteknik.

Vilka specifika utmaningar inom elnätshantering syftar ThinkLabs AI till att lösa?

Automatiserad analys och rekommendationer för realtids situational awareness över hela elnätet, storskaliga simuleringar och kontinuerligt lärande och rekommendationer för att mildra elnätsbegränsningar och optimera elnätsprestanda. Specifika funktionsområden inkluderar:

1. Insikter – nära realtids tillståndsestimering av elnätets effektflöde, upptäckt av flaskhalsar, spänningsbrott och hur kapitaltillgångar faktiskt används.
2. Lösningar – optimala dispatchrekommendationer, inklusive switchning, elnätsenheter och DER, för att lindra flaskhalsar, mildra DER-anslutningar, minska förluster, återställa avbrott etc.
3. Modellvalidering – validering och korrektioner i elbolagens källdata för elnätsmodeller, vilket sparar driftskostnader och ökar operatörens förtroende för elnätsdrift.
4. Operatörens Copilot – operatörsdispatchrekommendationer utbildade med elkraftssystemfysik, affärsregler, standardförfaranden och operativ erfarenhet, som möjliggör utbildning och vidareutbildning av personalen.

Vad är ThinkLabs Copilot, och hur förbättrar det elnätsplanering och -drift?

ThinkLabs Copilot är en digital assistent som förstår den verkliga världen med proprietära fysikbaserade AI-digitala tvillingar som tillhandahåller en grundmodell för ingenjörssystem. Den arbetar med elbolagens planerare och operatörer för att modellera elnätet till dess “AI-digitala tvilling”, utföra höghastighets- och storskalig analys, inklusive i nära realtid, och ge rekommendationer om elnätsdrift, planer och utformning.

Kan du förklara vad en fysikbaserad AI-digital tvilling är och hur den gynnar elnäts tillförlitlighet?

AI i sig kan inte lära sig ett så komplext system som elnätet med endast mätdata. AI-digitala tvillingar av den verkliga världen tränas med, arbetar för och arbetar med ingenjörssystem, därför “fysikbaserad”. Träning sker med hjälp av stora mängder syntetisk data som genereras från ingenjörssimulering. Traditionella fysikbaserade digitala tvillingar är deterministiska och matematiskt optimerade, men utmanas av datakvalitet, hög beräkningskraft och lång svarstid. Omvänt lovar allmänna AI-tekniker hastighet, men sparsam data, hallucinationer och “svarta lådan”-effekter orsakar problem för kritiska elnätsoperationer. En fysikbaserad AI-digital tvilling erbjuder transparent och tillförlitlig analys, robust och motståndskraftig mot dålig data, snabb respons och åtgärd lämplig för realtidsoperationer, förberedd med stora förtränade driftscenarier och en sluten, kontinuerlig lärande- och förbättringsprocess.

Hur säkerställer ThinkLabs AI tillförlitligheten och noggrannheten hos sina AI-modeller i realvärldsscenarier?

Karaktären hos fysikbaserad AI håller AI grundad, knuten till den verkliga världen och begränsad av den verkliga världen. Vi gör också kontinuerligt lärande och övervakning av modellprestanda.

Vad gör er AI-teknik särskilt lämplig för att hantera komplexiteten i moderna elkraftssystem?

Att vara tränad av bestämda ingenjörsmodeller, men hantera den ofullständiga datakvaliteten i realvärldens drift. AI erbjuder också en rikedom av optimerings- och genereringsmetoder som inte kan matchas av traditionell ingenjörsmatematik.

Hur integrerar ThinkLabs AI:s teknik med befintliga elnätshanteringssystem som ADMS och DERMS?

ThinkLabs integrerar som en Copilot med befintliga ADMS, DERMS och AEMS, som kommer att förbli som det grundläggande kommunikations- och kontrollplattformen, medan ThinkLabs kommer att lägga till ytterligare intelligens och automation som liknar ett fordonssystem för förarstöd.

Vad betyder den nyliga 5-miljonersseedinvesteringen för ThinkLabs AI:s framtid?

Denna seedinvestering har möjliggjort för oss att spinna av och lansera från GE, samarbeta med en grupp världsklassinvestorer, investera i vårt team och produkt, komma till marknaden med vår första kommersiella Copilot och arbeta med ett antal kanalpartners för att ta detta till kundernas händer. Detta är det första grundläggande steget till efterföljande expansion och skalning.

Hur ser du på AI:s roll i elnätshantering och andra kritiska infrastrukturer utvecklas?

Vi ser elnätshantering och andra kritiska infrastrukturer som alltmer “AI-först”, särskilt med fysikbaserad AI. Öppna upp för en långt större förståelse, situationsmedvetenhet och ökande automatiserad beslutsfattning och orkestrering av kritiska åtgärder. Men alltid förbli ödmjuk och tillförlitlig som AI, sann mot de grundläggande fysik- och ingenjörsvetenskapliga designprinciperna.

Tack för den utmärkta intervjun, läsare som vill lära sig mer kan besöka ThinkLabs AI.