巨大白色油罐壁上，一條形似爬蟲的黑色機器從底端出發，沿著光滑的油罐開始緩慢爬行。就在這條機器的頂端，有一對仿如眼睛的攝像頭，時行時停間，攝像頭已經把油罐的各種細節全數拍下，并向數據中心傳輸。而后臺的機器，則迅速通過對這些數據的分析，確定油罐設施情況以及是否需要做進一步的檢測。
這個類似蟲子的黑色機器，來自一家名為AvitasSystem的公司。這家公司在今年6月的初秀格外引人關注，其中除了人工智能（下文簡稱AI）技術在能源領域的應用讓業界耳目一新，還因為它的老板——通用電氣（下文簡稱GE）旗下的風險投資機構GEVentures。
談起AI，人們更多地會想到微軟、IBM、亞馬遜這些在消費領域大放異彩的公司。事實上，長期精于能源和制造的GE也在早有布局：2011年起就開始了數字化轉型——由設計、生產轉為軟件數字服務，并成立GE數字集團，整合資產性能管理（APM）系統和ServiceMax云服務，意在變革服務操作，降低成本并減少設備的非計劃停機時間；2016年大手筆收購BitStewSystems和Wise.io兩家公司，加上2017年AvitasSystem的誕生，不難看出，GE在能源AI領域的信心和野心。
提升效率是殺器
GE數字轉型成功的標志，是創建了工業互聯網平臺Predix，而人工智能則堪稱是Predix上的“刀尖舞者”。如果說，Predix類似于電腦系統Windows和手機系統Android，那么在2016年，GEPredixAnalyticsRuntime引入機器學習能力，就是對系統做了徹底的升級——通過機器學習模型的訓練，參與數據及信息分析，產生富有價值的預測性解決方案。
對GE材料、航空、醫療等板塊，AI的作用在于更新業態模式、實現節能降耗；但能源板塊上，AI的意義更為直接和明顯，因為它不僅實現了“節流”，還通過“開源”，提升了整個價值鏈的效率。
僅以在電力領域為例，GE不單建立了涵蓋設備維修、改造升級、長期服務協議、電廠日常運營及維護的全廠解決方案（Fleet360），同時，通過人工智能的機器算法，可對生產的實時數據進行分析，實現故障預測、效能比對，并對設備全生命周期進行監控和管理，提高設備的可靠性，提升電力資產精益水平，縮短管理響應時間，全面提升資產盈利能力和市場競爭力。
在發電環節，GE近年收購的NeuCo公司致力于幫助發電廠商實現節能減排。該公司成功運用人工智能技術對各發電設備實時監測以及運行維護，可提供一系列的故障診斷與解決方案，在故障初級階段快速補救反應，提升了設備運行穩定度和發電效率，確保系統正常運行，延長運行壽命。機器學習允許軟件識別微小變化，從燃煤機組的實踐經驗看，不僅提高了燃煤系統的效率和穩定性，減排效益也較為可觀，效率提高1%相當于減少1000輛機動車的碳排放量。
在輸配環節，GE人工智能技術替代了人工巡檢、電話報障的傳統方式，利用智能電表和機器學習進行定位和檢測，提高故障響應，自動識別問題的根源，迅速恢復供電。由于電網公司通常面臨技術線損和非技術線損問題，因此為減少技術線損，GE利用人工智能實現對輸配電過程中的電壓、電流、有功、無功、相位等進行自動實時調整；而對于非技術損失，則通過智能電表、網絡傳感器等智能設備識別可能存在的竊電或其他功率損耗。
在用電環節，GE開發了ConsumerWebPortal連接發電商、輸配電企業、工商業用戶、居民用戶，以雙向智能電表作為流量以及數據入口，積累消費者用電詳細數據，建立消費者個人檔案，形成發輸配端與消費端的互動。輸配電端的AI技術根據消費者用電習慣以及發電廠的發電量制定差異化電價，匯總到ConsumerWebPortal；消費者可以根據自身情況選擇相匹配的供電方，同時工商業用戶可采用電廠直供電模式進行交易。
模式穩健但單一
不難看出，在這一輪的AI混戰中，各大企業都顯現出自己的獨門絕招——谷歌立足AI底層算法及芯片方面的積累優勢，以覆蓋更多的消費使用場景；亞馬遜雖然其深度學習能力暫時還不及谷歌、微軟、Facebook，但圍繞Alexa在人工智能語音市場中的領先地位，重點布局智能家居和云服務；IBM則主推人工智能Watson系統，更多是聚焦商業問題。
在各個公司拼命在消費品領域爭搶AI地盤的過程中，GE根據自己的特色，選擇了重視集成應用的模式。
具體以能源領域為例，就是圍繞其能源設備及業務流程，建立Predix，以數字鏡像作為核心創新，通過連續收集設備上的傳感數據，運用自學習的人工智能算法，分析設備性能和運行特征，預測能源價值鏈各種用戶面臨的問題并作出響應，實現節能或預防性維護，提高設備運行性能、企業財務業績及能源用戶收益。
這種模式，也是不少能源電力企業在AI領域尋求發展的方向，它穩定且實用，但并不一定適應于未來。
根據PRNewswire、IDC等機構預計，人工智能撬動的智慧能源市場，到2020年市值將達到5160億美元。其中，僅人工智能市場收入就達470億美元，而與之密切相關的機器人系統硬件、軟件及相關服務營收將達1880億美元，AI外延的智能電網、智能住宅、智能太陽能等預計更是高達2810億美元。
同時，隨著云計算的日益強大，深度學習算法的逐步優化，再加上指數增長的海量數據，傳統的模式需要不斷更迭，GE如果想在能源AI領域實現領跑，只有不斷挖掘自身產品的痛點，并與這三股強大動力密切結合，才能尋找新的應用空間。
我們可以學什么
無論是成績還是教訓，GE的經驗都可視為能源行業AI開拓的有效借鑒，特別是在以下三個方面：應用場景、數據應用和人才培養。
眾所周知，應用場景是AI的核心生命力，但這也是GE的短板——在AI上的技術發展與突破，除在醫療領域進行了原始創新和早期應用外，包括能源在內的其他業務領域，GE仍把自己定位為“沒有章法下的快速追隨者”，言下之意，就是對當前的場景結合并不滿意。
因此，中國能源行業要實現AI的落地應用，需要在準確理解AI的基礎上，將AI植入于適合企業自身特點的具體業務，真正發揮AI的學習和分析能力，從而提高產品與服務的質量和效益。
和應用場景同樣的重要的是數據資源。它就像AI最重要的原料，在AI基礎層和技術層的發展階段，軟件依賴于程序代碼編制，因而擁有優秀編程人員的公司占有優勢。隨著AI深度學習算法的興起，其功能完善得益于大數據的訓練。GE的經驗是，數據越多，算法性能越強，AI提供的服務也就越智能。
對于中國能源行業而言，連接著發電與用戶的電網企業擁有豐富的大數據資源，應抓住能源互聯網的發展契機，加快推進智能表計安裝、智能巡檢運行、智能電網建設，為AI的應用夯實數據基礎。
比前兩者更重要的是人才資源。AI的核心是提高經營效益，提出具體的商業解決方案，這根本上有賴于人的決策。但短期內，全球AI業界培養不了幾個像李飛飛這樣的深度學習專才。在人才培養方面，GE并沒有走尋找出類拔萃的精英路線，而是選擇培養復合型人才。
與谷歌、微軟這樣的純AI研發不同，GE成立了專門的全球研發中心，盡管加強AI基因的植入，但它最終培養出的AI專家還能了解能源業務和制造業務。這或許正是能源企業與互聯網企業不同之處，不僅需要專業的信息技術人才，更需要培養熟悉市場前景、運營模式、資金投入、項目產出的復合型業務人才。