DeepSeek創(chuàng)新，對新型電力系統(tǒng)的啟示（轉）

“DeepSeek的創(chuàng)新對電力行業(yè)有什么啟示”，這個話題我首先問了DeepSeek R1本尊，它給出了一堆技術創(chuàng)新的應用點，

于是我意識到，我更想知道的是DeepSeek在AI領域創(chuàng)新方法論，對電力行業(yè)的啟示，而不是技術層面，它給出的答案依然很技術。

ChatGPT-4o的回答在抽象層次上，稍微好一點。

綜合AI的觀點，我覺得可以從兩個角度去看待這個問題，一是系統(tǒng)可塑性，二是系統(tǒng)中心化與去中心化的趨勢。

在生物學領域，神經(jīng)網(wǎng)絡的可塑性（Neuroplasticity）指的是神經(jīng)元及其連接（突觸）根據(jù)外界刺激、學習和經(jīng)驗進行調整和重組的能力。這種可塑性是學習、記憶和適應新環(huán)境的基礎。

在原有的LLM模型基礎上，DeepSeek創(chuàng)新的運用了新的思路和技術，比如多頭注意力機制、DeepseekMOE架構、混合精度訓練、知識蒸餾、基于規(guī)則的獎勵模型 (RM)等等，形成了新一代的大語言模型。

這些思路和技術也迅速地被各大頭部廠家所學習，深刻的改變了大模型未來的發(fā)展路線，可以預見采用DeepSeek方法的新版本大模型會迅速超越原有版本。

算法神經(jīng)元網(wǎng)絡

從神經(jīng)元網(wǎng)絡的可塑性角度看，計算機系統(tǒng)上構建的算法神經(jīng)元網(wǎng)絡，架構可以被迅速改變，而且可以在不同的顆粒度、層次、方向上進行快速重構，只需要改變代碼，或者替換算法模塊即可。

1、迭代速度極快

2、改變幾乎不受任何制約

3、可以動態(tài)靈活地分配資源。

缺點是算法模型的訓練優(yōu)化過程，需要海量數(shù)據(jù)和能源的支持。

蛋白質神經(jīng)元網(wǎng)絡

而生物學意義上的蛋白質神經(jīng)元網(wǎng)絡，雖然具備很強的可塑性，但是：

1、受制于生物進化，比如人類大腦的新皮層神經(jīng)元網(wǎng)絡，也經(jīng)歷了幾十萬年的進化過程，其進化目的不是適應快速變化，而是平衡穩(wěn)定性和適應性，盡量避免大規(guī)模的突觸連接重組。

2、進化策略是穩(wěn)定性優(yōu)先，具有記憶、搜索、邏輯思考的大腦新皮層，其學習機制注重長期記憶的鞏固（如通過睡眠中的突觸重組）?？焖俚目伤苄宰兓赡軐е掠洃洸环€(wěn)定或混亂，這對于生存和決策是危險的。

3、人類大腦有系統(tǒng)一和系統(tǒng)二，系統(tǒng)二也就是新皮層需要大量能量進行驅動，所以需要較大功耗（大概20W左右），雖然這和計算機神經(jīng)元網(wǎng)絡學習和推理比也只是九牛一毛，但是對原始人類來說，長時間維持這種功耗所需的能量攝入也是非常困難的——人天生就不喜歡深度思考，因為太累。

電力系統(tǒng)網(wǎng)絡

如果我們用系統(tǒng)進化視角看，電力系統(tǒng)網(wǎng)絡和神經(jīng)元網(wǎng)絡具有一定的相似性，比如：

1、都具有復雜系統(tǒng)特性的拓撲結構，兩者能夠具備涌現(xiàn)特征，只是電力系統(tǒng)網(wǎng)絡對不可控的涌現(xiàn)是極端抗拒的，比如事故的非線性擴大。

2、功能上都是傳遞信號、或者能量，并要求維持相對的穩(wěn)定結構，比如用分層、動態(tài)響應、容錯等機制。

3、都具有一定的適應性，但都具備脆弱性。

在可塑性方面，電力系統(tǒng)網(wǎng)絡是最差的。電力系統(tǒng)網(wǎng)絡的設計目標是穩(wěn)定可靠地傳輸電能，而非動態(tài)適應性或學習能力。網(wǎng)絡結構通常是固定的，線路、變電站等基礎設施的調整需要大量時間和資源，物理上的可塑性極低。

雖然智能電網(wǎng)的引入為電力系統(tǒng)增加了一定的動態(tài)調節(jié)能力，例如通過實時數(shù)據(jù)優(yōu)化電力分配，但這種調節(jié)是基于預設規(guī)則和算法，缺乏物理層面自我重構能力。

某種意義上說，電力線路和設備從規(guī)劃開始，就決定了整個系統(tǒng)的可塑性較低，而強調穩(wěn)定性和可靠性，因為電力系統(tǒng)的核心是硬件基礎設施，物理改變（如增加線路、提升容量）需要長期規(guī)劃和施工。在面對突發(fā)性需求變化或故障時，調整能力有限，更多依賴冗余設計而非自我適應。

新型電力系統(tǒng)面臨的最主要挑戰(zhàn)，是當電源結構發(fā)生較大變化，大量不穩(wěn)定、難預測的電源，在電力系統(tǒng)的高壓側和低壓側同時并網(wǎng)，原有的網(wǎng)絡可塑性較低，不得不增加更多的冗余（如果我們把儲能也看成一種增加緩沖的冗余機制）去應對這種挑戰(zhàn)，最終還是導致系統(tǒng)運行風險增加，且系統(tǒng)調節(jié)成本快速上升。

雖然包括虛擬電廠在內(nèi)的智能電網(wǎng)技術，甚至大模型深度參與電力系統(tǒng)調度，可以解決一部分的電力系統(tǒng)脆弱性問題，但是如果電力系統(tǒng)物理網(wǎng)絡沒有更強的彈性，風險依然存在。

也就是用二次系統(tǒng)的技術（自動化、通信、計算機），無法較好的解決一次系統(tǒng)（物理網(wǎng)絡和物理網(wǎng)絡運行機制）的問題。

這也是虛擬電廠技術本身的制約所在。

ChatGPT在分析中提到一個有趣的觀點：

電力系統(tǒng)早期的設計，更強調“小世界特性”，也就是電力系統(tǒng)是從小配電系統(tǒng)慢慢進化而來（我國到上世紀80年代，還處于多家辦電的本地配電系統(tǒng)占主導的局面），發(fā)展到今天的某種極致狀態(tài)“特高壓交直流互聯(lián)”。

神經(jīng)網(wǎng)絡和電力網(wǎng)絡都表現(xiàn)出“小世界網(wǎng)絡”的特性，即局部節(jié)點之間高度連接，同時通過少數(shù)長程連接實現(xiàn)全局通信。這種結構在提高效率的同時降低了連接成本。

從能量/信息傳輸效率來看，一定是短期、局部的傳輸和處理效率，高于長期、長程的。

而從演化的趨勢看，神經(jīng)網(wǎng)絡和電力系統(tǒng)都具有某種本能的去中心化趨勢：

電力系統(tǒng)正在從傳統(tǒng)的集中式發(fā)電（如大型電廠）向分布式能源（如太陽能、風能）轉變，這類似于神經(jīng)網(wǎng)絡的分布式處理能力。

大腦的神經(jīng)網(wǎng)絡本身就是一個去中心化的系統(tǒng)，不依賴單一節(jié)點，任何局部損傷都不會導致整個系統(tǒng)崩潰。

所以從電力網(wǎng)絡的重塑可能性看，在網(wǎng)絡末端的分布式重塑，部分去中心化的重塑（不是絕對去中心化，個人認為去中心化電力系統(tǒng)在電量上最多只占20%），能夠較大程度的降低新型電力系統(tǒng)的整體風險。

AI在進化過程中，也出現(xiàn)了集中性大模型平臺，逐步衍生出適應不同場景的，能滿足端到端智能需求的AI Agent。

AI Agent與末端重塑的電力網(wǎng)絡場景—微電網(wǎng)又可以形成新的耦合，比如AI Agent微網(wǎng)，與配電網(wǎng)進行互動，是新型電力系統(tǒng)新形態(tài)的可塑性。個人感受是AI的進化速度，將拉動新型電力系統(tǒng)在最具備可塑性的各個場景，進入快速迭代過程，并產(chǎn)生更大的價值。

雖然與整個電力系統(tǒng)的規(guī)模比，無論是資產(chǎn)規(guī)模，還是電量規(guī)模，可能都是只是二八定律中的二，但是二這部分的改變，將極大影響整個網(wǎng)絡的進化和面貌，比如在算法神經(jīng)元網(wǎng)絡中，權重網(wǎng)絡的少數(shù)參數(shù)變化，或者某個重要算法模塊、訓練思維的改變（比如DeepSeek采用MOE專家機制等），就極大的提升的整個網(wǎng)絡的表現(xiàn)。

新型電力系統(tǒng)20%的去中心化、微網(wǎng)化和AI Agent融合，也是如此。