Vikhyat Chaudhry, CTO, COO och medgrundare av Buzz Solutions: Ett återbesök

Vikhyat Chaudhry, CTO, COO och medgrundare av Buzz Solutions, leder företagets teknikutveckling och drift när de tillämpar artificiell intelligens, maskinseende och prediktiv analys för inspektion och underhåll av kritisk energiinfrastruktur. Han co-founderade Buzz Solutions 2017 efter att ha utvecklat erfarenhet inom data science, maskinlärning, inbäddade system, datorseende och autonoma tekniker. Innan han fokuserade fullt ut på företaget arbetade Chaudhry som data scientist på Cisco, utvecklade maskinlärnings- och sensorbaserade system på Altitude Co. och genomförde forskning på Stanford University som involverade autonoma drönare, vindhastighetsmätning och datorseende för vindkraftverk. Hans tidigare forskning på Indiens Defence Research and Development Organisation undersökte landskapsprognoser med hjälp av simuleringar och fjärranalysprogramvara, vilket gav honom en teknisk bakgrund som omfattar infrastrukturrisk, geospatial analys och tillämpad AI. Buzz Solutions identifierar honom för närvarande som medgrundare, CTO och COO.

Buzz Solutions utvecklar visuell intelligensprogramvara som är utformad för att hjälpa energiföretag inspektera, underhålla och skydda överförings-, distributions-, understations- och generatorinfrastruktur. Deras PowerAI-plattform analyserar bilder som samlats in genom drönare, helikoptrar, fastvingade flygplan och markinspektioner, och omvandlar visuell data till diagnostik som hjälper elbolag att identifiera defekter, bedöma tillgångens skick, prioritera reparationer och integrera resultaten i befintliga geografiska informationssystem, tillgångshantering och arbetsflöden. Företaget positionerar sin teknik som ett sätt att upptäcka infrastrukturrisker tidigare, minska det manuella arbetet som krävs för att analysera inspektionsbilder och minska sannolikheten för att utrustningsfel bidrar till avbrott, störningar eller skogsbränder. Buzz Solutions erbjuder också verktyg för understationsövervakning och säkerhet, vilket speglar deras bredare mål att hjälpa elbolag bygga säkrare, mer motståndskraftiga och mer datadrivna nätverksoperationer.

När vi intervjuade dig 2024, fokuserade vår konversation på att använda AI för att flytta elbolag från manuella inspektioner till prediktivt underhåll. Vad har förändrats mest under de senaste två åren, både inom energisektorn och i ditt eget tänkande, som ledde till att du skrev Powering Intelligence och ramade el som en potentiell begränsning för AI:s framtid?

När vi senast talades vid var konversationen mest om nätverkets bakkontor, att flytta elbolag från manuell inspektion till prediktivt underhåll. Det är fortfarande det arbete som utförs. Men något förändrades under alla oss under de två åren, och det förändrades snabbare än nästan alla i min värld förväntade. Då var AI en efterfrågan vi talade om i det abstrakta. Nu visas det som stora tillväxtsiffror för elbolag. Jag började höra samma sak från människor jag har känt i år i den här branschen: interconnection-förfrågningar för laster som skulle ha varit otänkbara för några år sedan, enskilda anläggningar som begärde den typen av kraft som en liten stad drar och begärde den på en tidsplan som inte hade något att göra med hur nätverket faktiskt byggdes. Det var ögonblicket då det klickade för mig. Vi lägger all vår energi på att debattera hur kapabla dessa modeller kommer att bli, och nästan ingen på om de fysiska frågorna om huruvida vi kan mata dem. Jag skrev Powering Intelligence eftersom jag fortsatte att leta efter den bok som kopplade samman de två världarna och den fanns inte. Alla skrev om AI-modellerna. Nästan ingen skrev om elektronerna som behövdes för dem. Och jag satt i en konstig position, tillräckligt nära AI-sidan för att förstå ambitionen, och tillräckligt nära nätverket för att veta exakt hur lång tid en ny överföringsledning och ett kraftverksutvecklingsprojekt verkligen tar. Gapet mellan dessa två klockor är hela historien, och jag ville sätta det på ett ställe.

Du hävdar att AI-industrin skalar i månader medan elnätet förändras under årtionden. Var är den mest omedelbara flaskhalsen idag: elproduktion, överföringskapacitet, understationer, transformatorer, interconnection-köer, tillstånd eller tillgången på utbildad personal?

Jag tror att det finns flera flaskhalsar här, och svaret är att de är alla sammanflätade. Men om jag måste peka på den tajtaste knuten just nu, är det relativt mindre om att generera elektronerna och mer om att leverera dem: överföring och interconnection-processen, med transformatorer och annan elektrisk utrustning som de fysiska delarna som binder allt. Här är det som människor ofta underskattar. Du kan annonsera ett kraftverk och ett datacenter i en pressrelease. Du kan inte press-releasa en stor krafttransformator till existens, vissa av dem har ledtider som mäts i år, och många av dem tillverkas inte ens inom landet. Så även om viljan och kapitalet finns, så slår du i en leverantörsvägg för komponenter. Sedan, i skikt ovanpå, är interconnection-kön, som i många regioner är en flerårig kö bara för att bli studerad. Och under allt är arbetskraftsproblemet för elbranschen. De människor som faktiskt vet hur man bygger och underhåller den här utrustningen pensioneras snabbare än vi ersätter dem.

Så, det är inte en flaskhals. Det är att de långsammaste fysiska delarna, transformatorerna, överföringskorridorerna, de utbildade linjearbetarna, är exakt de som du inte kan accelerera med programvara eller pengar ensam. Det är vad som gör det svårt.

AI-datacenter kan introducera enorma, högt koncentrerade laster i områden vars elnät inte var designade för den typen av efterfrågan. Hur skiljer sig dessa anläggningar från de stora industriella lasterna som elbolag har hanterat historiskt, och vilka nya risker skapar de för tillförlitlighet och kapacitetsplanering?

Elbolag har hanterat stora laster i över ett århundrade. Ett stort stålverk, ett aluminiumsmältverk, bilfabriker, dessa är enorma laster, och nätplanerare vet hur man tänker på dem. Så, instinkten är att behandla ett datacenter som bara en annan stor kund. Jag tror att den instinkten är fel, och skillnaderna är vad som skapar den nya risken.

Tre saker sticker ut för mig. Först är koncentrationen och hastigheten. En traditionell tung industriell last växer vanligtvis tillsammans med nätverket i den regionen under årtionden. Dessa anläggningar vill landa stort, allt på en gång, på platser där det lokala nätverket aldrig planerades runt dem. För det andra är lastprofilen. Många av dessa är inte släta laster, de kan accelerera hårt och snabbt på sätt som stressar utrustningen annorlunda än en fabrik som kör en stabil process. För det tredje, och det är det som oroar planerarna mest, är den spekulativa hopningen, som jag vet är din nästa fråga.

Risken det skapar är att elbolag måste planera runt efterfrågan som beter sig annorlunda än allt i deras historiska modeller, och att de måste engagera kapital och infrastruktur på AI-industrins tidslinje snarare än elnätets. När dina planeringsantaganden byggs på ett århundrade av en typ av last och den nya lasten bryter mot dessa antaganden, blir tillförlitlighetsplaneringen genuint svårare. Det är inte ett skäl att säga nej. Det är ett skäl att planera annorlunda.

Elbolag får ambitiösa effektbegäranden från datacenter-utvecklare, men inte alla föreslagna anläggningar kommer nödvändigtvis att slutföras. Hur kan elbolag skilja på åtagen efterfrågan och spekulativa begäranden och undvika att bygga dyra anläggningar för projekt som anländer sent eller aldrig materialiseras?

Detta är en av de viktigaste operativa frågorna i hela området just nu, och jag är glad att du ställde den direkt, eftersom den inte får tillräckligt med uppmärksamhet bredvid de mer glamorösa ämnena.

En utvecklare kan lämna in interconnection-begäranden för samma projekt i flera territorier samtidigt, shoppa runt för att se vem som kan leverera effekt snabbast. Vissa av dessa projekt är verkliga och finansierade. Vissa är alternativ, platshållare och ett sätt att hålla en plats i kön. Vissa av dessa kallas “spöklast” som kanske aldrig kommer att materialiseras. Om ett elbolag behandlar varje begäran som verklig och börjar bygga kraft och överföring för allt, riskerar de att stranda enorma kostnader, anläggningar byggda för ett datacenter som anländer år senare eller aldrig anländer alls. Och gissa vem som slutligen betalar för strandsatta tillgångar, de befintliga elbolagskunderna. Å andra sidan, om elbolagen bygger mindre, riskerar de att inte kunna uppfylla kraven för den inkommande lasten, vilket kan leda till tillförlitlighetsproblem i nätverket.

Vägen framåt är att göra spekulation dyrt och åtagande billigt. Det betyder verklig ekonomisk risk för en utvecklare innan ett elbolag åtar sig kapital, meningsfulla depositioner, fasade åtaganden knutna till byggnadsprojekt, avtalsvillkor som lägger risken på den part som begär effekt snarare än på elbolagskunderna. Vissa jurisdiktioner börjar flytta i den riktningen. Principen jag fortsätter att återkomma till är enkel: den enhet som begär effekt bör bära risken för att effekten inte behövs. Just nu hamnar risken alltför ofta tyst på alla andra.

Vem bör slutligen betala för kraft-, överförings- och understationsuppgraderingar som krävs av AI-datacenter? Vilka tullstrukturer eller kontraktsskydd kan förhindra att hushåll och befintliga företag subventionerar anläggningar byggda främst för hyperskala-teknikföretag?

Detta är den fråga som kommer att definiera politiken för de kommande decenniernas elnät, och jag tror inte att den har ett rent tekniskt svar. Jag tror att det handlar om rättvisa. Min ärliga uppfattning är att kostnaden bör sitta, så mycket som möjligt, med den last som orsakar den. Om ett hyperskala-facilitet kräver en ny understation och en överföringsuppgradering, bör faciliteten betala för vad den utlöser, inte den pensionär som bor i närheten och vars räkning tyst ökar för att täcka det. Det låter självklart, men det sätt som tariffstrukturer har fungerat historiskt är att stora nya anläggningar ofta socialiseras över hela kundbasen, vilket hade en viss mening när den nya lasten var en fabrik som sysselsatte staden. Det har mycket mindre mening när förmånstagaren är ett av de mest värdefulla företagen i världen.

Verktygen finns. Stora last-tariffer utformade specifikt för den här klassen av kunder. Minsta-tariffer så att ett datacenter inte kan få anläggningar byggda och sedan gå. Långsiktiga åtaganden som matchar livslängden på de anläggningar som byggs. Vad som betyder något är att regulatorer och elbolag faktiskt använder dem, och använder dem innan bygget, inte efter. Eftersom när betongen har hällts och kostnaden är i tariffbasen, är det mycket svårt att återkräva. Jag skriver om det i boken eftersom jag tror att det är en av de platser där att få incitamenten lite fel kunde tyst urholka allmänhetens förtroende för både elbolag och AI-industrin.

Kan AI-datacenter bli flexibla nätverksresurser snarare än oflexibla källor till efterfrågan genom arbetsbelastningsförskjutning, efterfrågegensvar, batterier, termisk lagring, på plats-generering eller annat?

Ja, och jag tror att det är en av de mer hoppfulla idéerna i det här ämnet, så jag vill vara försiktig så att jag inte översäljer det, eftersom flexibiliteten är verklig men inte obegränsad. Börja med distinktionen som betyder något: inte all AI-beräkning är densamma. Det finns inferens, som är beräkningen efter att dessa stora modeller har tränats (de levande modellerna), och du frågar en modell en fråga och behöver ett svar nu. Det är latenskänsligt och svårt att flytta runt. Och sedan finns det träningsmodellerna, de massiva, batch-stil arbetsbelastningarna som bygger modellerna. Träningsmodellerna är långt mer flexibla. De bryr sig inte nödvändigtvis om de körs klockan 14.00 eller 02.00, eller i den här staten eller den där, så länge de blir klara. Den flexibiliteten är öppningen. Om en stor del av ett datacenters last är den typ som kan skifta i tid, kan det luta sig mot de timmar när nätverket har överskott av ren energi och backa när systemet är ansträngt.

Nu lägg till batterier, termisk lagring och på plats-generering, och en anläggning som ser ut som en stel block av efterfrågan kan börja bete sig som en resurs som faktiskt hjälper till att balansera nätverket, suger upp överskott av solenergi mitt på dagen, rider genom toppar på lagrad energi. Den ärliga varningen är att det kräver att operatören faktiskt vill samarbeta, och det kräver tullstrukturer som belönar dem för det. Teknologin är den lätta delen, men incitamentsdesignen är den svåra delen. Men en värld där datacenter är flexibla partners till nätverket snarare än motståndare till det är genuint möjlig, och det är mycket bättre än alternativet.

Vilken kombination av energikällor kan realistiskt tillgodose AI:s elbehov under de kommande tio åren? Hur ser du på förnybara energikällor och lagring, naturgas, konventionell kärnkraft, små modulära reaktorer och geotermisk energi i den mixen?

Jag ska ge dig svaret som folk inte gillar, som är att det är allt, och att den som säljer dig en enda käll-lösning säljer något. Förnybara energikällor och lagring är det snabbaste som vi faktiskt kan distribuera; solenergi plus batterier kan byggas på tidsplaner som ser nästan sunda ut jämfört med allt annat, och den hastigheten betyder enormt mycket när efterfrågan ökar så snabbt. Så det är den närmaste arbetshesten. Men förnybara energikällor är variabla, och dessa laster körs dygnet runt, vilket är varför lagring gör så mycket av det tunga arbetet i den meningen, och varför fast kraft fortfarande betyder något. Naturgas kommer att vara en del av bron, vare sig man gillar det eller inte, enbart för att det är dispatchbart och det finns här. Kärnkraft är fascinerande just nu, vi ser anläggningar som var på väg att pensioneras som får en ny chans specifikt för att ett datacenter kommer att skriva ett långsiktigt kontrakt för deras utmatning, vilket nästan ingen förutspådde. Små modulära reaktorer och geotermisk energi är de genuint spännande långsiktiga spelarna, men jag försöker vara disciplinerad när det gäller tidsplaner, de är en betydande del av historien först under den senare delen av decenniet och därefter, inte det som räddar dig 2027.

Så, den realistiska mixen är en skiktad en: förnybara energikällor och lagring som bär tillväxten, gas som broar över det fasta gapet, befintlig kärnkraft förlängd och nyvärderad, och nästa generations källor som kommer online när de mognar. Misstaget är ideologisk renhet i vilken riktning som helst, eftersom nätverket inte bryr sig om våra preferenser. Det bryr sig om levererade kilowattimmar, tillförlitligt och i tid.

En av de centrala idéerna i din bok är att samma AI-industri som sätter press på nätverket också kan tillhandahålla de verktyg som behövs för att modernisera det. Var kan AI skapa de största närmastidsvinsterna: lastprognos, prediktivt underhåll, överföringsoptimering, vegetationshantering, återställning av avbrott, digitala tvillingar eller autonoma nätverkskontroller?

Detta är hjärtat av boken, och ärligt talat den del som jag finner mest hoppfull, samma industri som belastar nätverket ger oss de bästa verktygen vi någonsin har haft för att fixa det. Om jag rankar efter var avkastningen är verklig idag snarare än i en presentation, skulle jag sätta det här.

Prediktivt underhåll, kontinuerlig övervakning och inspektion först, eftersom det är där Buzz har lagt år, och jag har sett det fungera. Användning av datorseende och visuell AI för att hitta de defekta komponenterna innan de misslyckas, den spruckna isolatorn, den överhettade transformatorn, de rostiga krokarna, det är inte spekulativt, det är distribuerat och sparar verkliga pengar och förhindrar verkliga avbrott just nu. Rakt bredvid det skulle jag sätta lastprognos och efterfrågegensvar, eftersom hela datacenterproblemet vi har diskuterat blir mer hanterbart om du faktiskt kan förutsäga efterfrågan med större precision snarare än att planera blindt. Sedan överföringsoptimering, pressa mer kapacitet ur de ledningar vi redan har, vilket betyder enormt mycket med tanke på hur långsamt det är att bygga nya. Vegetationshantering och återställning av avbrott är nära efter, eftersom båda är områden där AI tar något långsamt och manuellt och gör det snabbt och effektivt, samtidigt som det ger tillräckligt med insikt och situationsmedvetenhet för att ge motståndskraft mot nätverket för att förhindra incidenter som skogsbränder, stormskador och strömavbrott.

Digitala tvillingar och fullt autonoma nätverkskontroller är den längre horisonten, de kommer, och de är kraftfulla, men de bär förtroende- och säkerhetsfrågorna som jag misstänker är din nästa fråga. Så närmast, min ärlig ranking leder med det oglamorösa: se nätverket bättre, förutsäg dess beteende bättre, och få mer ut av vad som redan är i marken genom att också göra nätverkssystemet mer medvetet. Det är där AI betalar för sig själv först.

Vår tidigare intervju diskuterade Buzz Solutions beroende av verklig elbolagsdata och mänsklig granskning. När elsystem blir mer autonoma, vilka beslut kan säkert delegeras till AI, och var måste mänskligt omdöme förbli obligatoriskt? Hur bör elbolag förbereda sig för opaka modellbeslut, cyberattacker eller fel som kan spridas över kritisk infrastruktur?

När vi senast talades vid beskrev jag vår egen tillvägagångssätt som mänsklig granskning, ämnesexperter som ger feedback till AI-modellerna på allt under en konfidensgräns eller dåliga förutsägelser, och jag vill börja där eftersom min uppfattning om det inte har mjuknat, det har hårdnat.

AI är extraordinärt på uppgifterna perception och rekommendationer, titta på all den här datan, hitta anomalin, flagga risken, rangordna vad som behöver uppmärksamhet. Att delegera det är inte bara säkert, utan också bättre än vad människor kan göra ensamma i den skalan. Där jag blir mycket mer försiktig är konsekvenserna av handling på kritisk infrastruktur och uppdragskritiska projekt, de beslut där att vara fel tar ner ström för ett sjukhus eller sprider sig över en region. De behöver en mänsklig (ämnesexpert) ansvarig, inte för att modellen nödvändigtvis är sämre i det genomsnittliga fallet, utan för att kritisk infrastruktur är exakt den plats där det sällsynta katastrofala fallet är hela spelet.

Så, min uppfattning är att förberedelsen är trefoldig. Först, håll människor meningsfullt i slingan på konsekvensbeslut, inte som en gummistämpel, utan med verklig auktoritet att åsidosätta. Andra, insistera på förklarbarhet för allt som rör kritiska operationer, om du inte kan förstå varför modellen gjorde vad den gjorde, kan du inte vara ansvarig för det, och “AI bestämde” är inte ett acceptabelt svar när lamporna slocknar. Tredje, och det är det som jag tror att branschen är farligt efter på, behandla dessa autonoma system som en utvidgad attackyta från dag ett. Ju mer vi låter programvara köra nätverket, desto mer ärver nätverket programvarans sårbarheter. En cyberattack på ett autonomt kontrollsystem är inte en dataintrång, det är en fysisk händelse. Vi måste designa för den verkligheten innan vi blir fullt autonoma, inte efter. Det positiva nyheten är att elbolag tar nu data säkerhet, infosec och AI-styrning på allvar och har också börjat inrätta AI- och datastyrningsråd inom sina organisationer. Vi, på Buzz, har publicerat cybersäkerhets- och AI-styrningshandböcker för branschen att lära sig mer om de lyckade distributionerna av AI-system säkert och i skala.

Om fem år, vad kommer att skilja länder och regioner som kan stödja fortsatt AI-tillväxt från de som är begränsade av eltillgänglighet? Vad skulle en lyckad strategi för att anpassa AI-utveckling med elnätmodernisering se ut som 2031?

Jag tror att om fem år kommer vi att se tillbaka och inse att begränsningen för AI aldrig var chippen eller talangen. De flyttar runt på hela jorden lätt. Det som inte kunde flytta, det som faktiskt bestämde vem som vann, var kraft och infrastruktur. El blir den strategiska resursen för AI-eran på samma sätt som olja var för det senaste århundradet, och jag tror inte att det är en överdrift; jag tror att det bara blir synligt.

Så, de regioner som kommer fram kommer att vara de som behandlade elnätskapacitet som en konkurrensfördel och började bygga och reformera tidigt, de platser som strömlinjeformade interconnection, som moderniserade tillstånd utan att urholka de skydd som betyder något, som investerade i överföring innan efterfrågan fullt ut anlände snarare än att skynda efter. De som halkar efter kommer inte att sakna ambition eller kapital. De kommer att ha datacenter-annonserna och investeringsdollarna, och de kommer helt enkelt inte att kunna leverera elektronerna, och projekten kommer tyst att gå någonstans där de kan.

En lyckad strategi 2031 ser ut som att de två klockorna (som jag fortsätter att återkomma till) slutligen arbetar tillsammans istället för mot varandra. Det betyder att anpassa AI-ambitionens hastighet till elinfrastrukturs tidsplaner, att använda AI själv för att få mer ut av det elnät vi har, medan vi bygger det elnät vi behöver, att få kostnadsfördelningen rätt så att allmänhetens uppfattning om elkostnader inte blir extremt negativ, och att ta arbetskraftsproblemet på allvar nog för att faktiskt utbilda nästa generation av människor som bygger och kör det här systemet. Inget av det är ett tekniskt problem eftersom vi har tekniken. Det är ett samordnings- och viljeproblem. I min uppfattning är den goda nyheten att det är de problem vi vet hur vi ska lösa; det skulle bara kräva att teknologiindustrin, energiindustrin och beslutsfattare och regulatorer sätter sig ner tillsammans och har den relevanta konversationen. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Buzz Solutions eller läsa hans bok: Powering Intelligence: Varför AI:s framtid beror på elnätet.