雲南省迪慶藏族自治州，深林密布，環境優美。吸引遊客的秘境，卻是電力人員的險境。
因為地形複雜，很多輸電線路都在山脊、密林之中，線路上連 4G 信号都沒有，一些自動化巡檢手段根本用不了，隻能依靠人工巡檢。所以，迪慶供電局的電路巡檢員，日常工作是這樣的：
長時間奔走在山路上。拿該州金格線來說，全長隻有 39 千米，但人工巡檢雙回路 88 基鐵塔，往返一次就需要 7 天時間。
人工巡檢時需要随時警惕周圍的情況。每一次穿山越林，巡檢員被蛇蟲幹擾、猛獸侵襲都時有發生。
很難有閑暇休息時間。因為電路線路的隐患多且不确定，比如出現火災，大型挖掘機碰到了高壓電網等，等人工巡檢發現故障的時候，可能隐患已經發生了很長時間，所以電路巡檢員的工作強度很大，這才能最大程度地保障電網的穩定運行。
工作過程十分艱苦。遇到隐患需要排除，工人們需要在高空作業，吃飯時是不能從線上下來的，要把飯吊上去，在大山谷裡伴着高處呼呼的風聲，吃着工作餐。晚上，巡檢人員經常要露宿在巡檢沿線。大多數情況，他們就睡在電線杆下，但卻無電可用，連手機都要小心翼翼地打開。
工人們負重前行，還是無法徹底杜絕意外的發生。
2021 年初，該州金格線 220 千伏高壓線路曾因單相接地導緻山火。火勢經供電局聯合林草局緊急處置，但當地 2 至 3 天才恢複正常供電。
回顧那些年接觸過的電力人，以及電力行業智能化轉型的故事，會覺得自己是在一層一層地撥開一顆 " 洋蔥 "，有些辛辣，令人淚目。
心酸于他們風餐露宿的艱苦，敬佩于他們保電保供的奉獻，同時也真的特别盼望，智能化能早日在那些隐秘的角落中落地生根，推動改變。
我們就從電力 AI 這顆 " 洋蔥 " 開始，去看看智能技術在走入産業時，到底發生了什麼？
一個切口
康德說過，人是目的，而不是手段。AI 的本質與目的，當然也要服務于人，所以每一個行業中的人，應該是我們理解智能化的第一個切口。
一線電力人的日常，很适合用《洋蔥》中的一句歌詞來形容，" 沉默的守護你，沉默的等奇迹，沉默的讓自己像是空氣 "。
電力系統安全穩定運行，背後是無數電力工人，在無聲地付出。
我們見過一個案例，大别山區的一條線路被毀，工作人員必須順着線路，一米一米地排查導線受損情況。當時恰好遇到降雪，山路積雪，行走十分艱難，一個 50 多人的小分隊，工作一天僅能前移 200 多米。
可以看到，無論是日常的管理運維，還是突發情況的應急處理，AI 的到來會給巡檢員乃至電力系統，帶來實打實的價值。
提起 AI，媒體更傾向于關注一二線城市、科技巨頭、大型峰會和展會等領域的消息，而真正與電力行業及工作者交流之後，會發現傳統的行業與沉默的人，也希望與 AI 發生一段專屬的劇情。他們對 AI 技術和智能化的熱情，并不比知名投資人、高校師生或大廠 CTO 更低，提出的很多問題和對電力 AI 的看法，也格外真實而生動。
一個截面
目前，AI 技術如圖像識别、自然語言處理、知識圖譜等，在電網公司各個領域都進行了一些試點的應用。其中，電路巡檢的應用成效是最為顯著的。
AI 巡檢在電力行業的成功和廣泛複制，是有基本邏輯的。關乎一個行業智能化的首要問題——應用場景的選擇。
一個行業，智能化需求是無窮無盡的，可被改造的場景和環節也很多。拿電力行業來說，從從發電、輸電、配電、售電、用電的所有環節，都可以引入 AI 技術，為什麼巡檢會成為 AI 落地電力企業的頭号選擇？
而這一場景的特點在于：從一線人員中來。
據中國電科院的一位專家分享，目前為止，中國電網企業在使用 AI 的時候，才基本采用的是 " 從自己向上 " 的模式，就是具體執行環節的員工，根據自己日常工作的需要，提出需求，然後算法工程師、模型開發師基于這個場景去策劃、設計模型，開發完成之後，去把相關的模型應用到實際的業務場景中。
而 AI 巡檢，就是從很苦很累的巡檢員出發，形成了一個行業 AI 應用的完美閉環。
人工巡檢難，這個通用性的痛點，催生了廣泛存在于電力行業的 AI 巡檢需求。
前文中提到的雲南迪慶，就在山火發生後，下決心優先嘗試為無 4G 信号、穿越林區和雪山的輸電線路進行智能化升級，将 " 行路難 " 的金格線作為試驗田，解決基層員工巡檢難的問題。
迪慶供電局經過前期考察，最後選擇通過自組網微波 + 電網自有通信通道相結合的方式，改變了該輸電線路沒有通信覆蓋的局面。有了通信網絡和數據傳輸，大量數字化、自動化技術就可以被應用起來了。金格線落地了端到端電力巡檢解決方案，就把端（智能攝像頭）、邊（邊緣計算與存儲）、應用（AI 算法），融為一體。
端側采集的實時視頻回傳之後，通過主站側 AI 分析 + 攝像頭端側 AI 分析，就能實現遠程智能巡維，隻需要 2 小時就能完成原本需要 7 天的巡檢任務，大大減少了人工巡線的次數，AI 實時告警也有效減少了外力破壞導緻的非計劃停電，讓當地居民和企業的用電更加穩定。
除了迪慶供電局輸電管理所的實踐之外，還有很多巡檢的細分應用值得關注，比如：
變電環節。亞聯發展推出的變電站智能運檢解決方案，對變電站設備狀态、人員行為、區域安全等進行智能化監控，将傳統的人工監測變成機器自動識别，也對電網穩定運行十分重要。國家電網也變電站引入了智能機器人，機器人每天沿着固定的線路去巡一遍，一些缺陷都能自動識别，也能夠減輕人員的巡檢負擔。
輸電環節。實踐中，可能存在前端算法精度過低、端側算力不足、模型識别速度低、實時性不足、監控空白期長等問題，這些都會讓 AI 巡檢的效果打折扣。我們看到，有 ISV 企業與百度、華為這樣的平台型公司合作，不斷對算法模型進行訓練優化，推出更高準确率、更高報警速度、更高計算效率的模型，将 AI 巡檢報警的速度也從小時級提升到了秒級。
一位工作人員向我們透露，某日下午 5 點 35 分，山東淄博的郊區就發生過一次火情，上方剛好就是國家電網的 220 千伏的高壓，飛槳加持的輸電線路可視化監控第一時間發現并且報警了，從而避免了一場災難的發生。
可以看到，相比 " 自上而下 " 的研發模式，AI 巡檢 " 從基層向上 " 的模式，從基層員工開始，針對一線人員的具體痛點問題提出應用需求，電力企業内部科研單位進行相關模型開發，完成之後再由産業單位進行部署實施，在具體模型運行過程當中再收集新的樣本，重新優化模型。
曾有一個智能化項目的負責人跟我們吐槽，AI 行業參與者對應用場景并不陌生，但行業用戶 CRO 們、數據科學家在申請預算投資 AI 的時候，又會覺得無從入手。到底哪些應用場景是真正成功的實踐，真正能夠給業務部門帶來價值，ROI 真的合理，很難找到充足的實踐案例。
一個個 AI 巡檢案例 / 解決方案的不斷成型，或許可以看到，行業 AI 往往趨于保守和謹慎，産業智能化的開端，可能會從基層人員的痛點開始，比如危重工作或高風險的作業環境，需求強烈，價值确定，更适合作為 AI 落地的第一站。
一個導遊
電力 AI 的蛋糕很大，AI 巡檢隻是其中的一個切角，AI 要向更廣闊、豐富的産業腹地前行，是必然趨勢。
那麼問題來了，優質數據從哪裡來，行業知識怎麼積累，專屬模型誰來研發，誰又有能力研發？這就涉及到行業 AI 從單點走向全線、從案例走向普及的一個關鍵——重點企業的示範效應。
大型企業和頭部企業的數據多，人才優勢明顯，基礎設施相對完善，數字化水平較高，擁有更好的技術創新土壤，非常适合作為 AI 應用的中轉站。
電力行業中，将 AI 從巡檢、運檢等場景推廣到全鍊路的，大多是位于北上廣等地的頭部電力企業，比如國家電網、上海電廠、南方電網。
它們扮演着三種智能化的必要角色：
1. 規劃者。他們為整個行業的智能化建立路線圖。比如國家電網從 2018 年開始就開展電力人工智能頂層設計，開展總部人工智能平台的開發，到 2020 年基本完成總部級平台開發并開始省級平台建設，總部的成熟模型可以快速的下發到省級和邊端側，形成全過程的完整鍊條。
2. 優化者。如前所說，AI 算法在實際落地中會遇到很多約束，面對複雜的戶外光亮環境、用電忙閑時分配、缺陷及事故數據不足等問題，逐一針對性地綜合解決，才能真正提升輸電通道巡檢的準确度，頭部企業是 AI 應用叠代、效果優化的重要力量。
3. 賦能者。頭部企業的數字化水平高，更容易訓練出行業大模型，為其他中小型企業降低智能化門檻。比如飛槳與國家電網共同打造了知識增強的能源行業 NLP 大模型，就将電力業務積累的樣本數據和特有知識，交給 AI 進行訓練，從而提升傳統電力專用模型的精度。行業大模型開源之後，能夠降低個性化算法的研發門檻，讓更多服務商、開發者以此為基礎，運用 AI 來針對性地解決電力行業的問題。
一段旅程
在這些重點頭部電力企業的探索下，可以看到，AI 在電力行業的應用正在變得更多、更深，展現出電力智能化的整體面貌。
具體表現在幾個方面：
1. 智能客服。電力企業要服務廣大居民和各行各業，咨詢服務量非常龐大，而傳統坐席客服越來越難以滿足日常客服的需求。很多人用過國網 95598，就會發現自動對話機器人在回答問題，而這個智能客服系統，就采用了大量 AI 技術，包括 NLP、語音識别、電力領域知識圖譜。
2. 智能調度。把電送到千家萬戶，要有一套穩定的控制系統，調度很多輸變電設備，這是電網運行的一個關鍵環節。一些省級電力公司，用 AI 幫助調度員來幹這件事。智能調度會根據調規、知識、規程，自動給出決策建議，出現一些故障搶修的情況，就能夠迅速的提供搶修的路徑規劃，減輕故障處理的時間。
3. 節能減排。雙碳目标是國家的整體趨勢，新型電力系統建設又是促進雙碳目标實現的關鍵因素，太陽能、風電等分布式電源接入電網，已經有了時間表。這會形成一個直流、交流、混合的大電網，而風機、光伏的穩定性，遠沒有煤電技術那麼高，一旦風沒有了、光沒有了，如何防止突發性能源短缺，對電網系統運行的影響？這些問題都需要依靠 AI 等數字化技術去解決。
上海某電力企業的工作人員跟我們分享，應對風電、光伏的不确定性，AI 預測是非常重要的。AI 預測準了，才知道明天該安排多少機組，要消納多少可再生能源，現在的配備和資源準備能否保證明天電網的安全穩定運行。
4. 運營管理。電廠進入精細化運營，需要智能技術參與到降本增效中去。外面買進來的水電、風電或其他新能源，能不能完全消納，需要強大的分析能力，來保障供需平衡。
此外，用電端的負荷調節、電氣化水平的提高和用電需求的增加也讓用電負荷越來越大。保障居民用電體驗就需要精細化的調度，比如同樣是電動汽車充電，上海比北京的電動汽車保有量多，據某上海電廠統計，每一周要在上海裝 4000 個充電樁。電網運行就需要對負荷的資源數據匹配，通過 24 小時實時分析，對整個電網的負荷做最優的控制，将負荷變化對用電體驗的影響最小化，這是人力所無法做到的。
可以看到，AI 正在成為電力行業的真正 " 大腦 "，從簡單的識别、預警，走向預測、決策。
這段旅程，可以提煉出一個行業智能化的幾步走方法論：
第一步，單點探索。這些行業的企業往往都有很多年的沉澱，有些是核心資産，有些是曆史包袱，反正都很難為了引入 AI，就一下子将原本的設施推倒重來。所以，智能化一般都從一些特定行業、危重崗位等，進行淺層的、靈活的單點探索，比如電路巡檢，來快速驗證 AI 的可行性。沒有第一步，不可能跨出第二步。
第二步，廣泛試點。頭部企業為代表，推動 AI 在各樣業務場景裡面進行技術探索，在電網的調度、運檢、營銷、基建、安檢、财務、辦公等領域，都開展大量的試點應用，叠代優化、去僞存真。這個過程中，容易出現 " 按下葫蘆起來瓢 " 的情況。即一些算法模型在技術上很成熟，但實際應用中根據現實環境、光線條件、網絡情況等，各種各樣的規則和阈值疊加，導緻效果不太理想，A 地的解決方案未必能解決 B 地的問題，這就需要定制化的深度開發，錘煉出更加務實、個性化的解決方案。
第三步，深入融合。随着 AI 應用場景越來越豐富，形成了一些通用場景和模型組件，構建高質量的行業樣本集和模型庫，帶動更多行業企業參與進來，促進電網 AI 生态的繁榮。如果行業 AI 開發平台能夠提供豐富的資源支持，包括包括軟硬件兼容、模型基礎、端到端能力、開發工具、社區等，會大大加速這一進程。
總的來說，AI 在行業的表現，并沒有點石成金的神奇，也沒有懷疑者所認為的那麼虛無。它就是一個從最苦最累的基層員工出發，經由行業内外的人、企業、平台所攜手推動，星星之火逐漸燎原的過程。
我聽說過一個故事，某一天美國紐約證券交易所斷了電，無法正常運轉，為了恢複電力供應，電力工人計劃沿着曼哈頓下城的街道，鋪設巨型的延長電線。紐約聯邦儲備銀行時任行長威廉 · 麥克唐納冷酷地評論道：" 它看起來有點像第三世界的解決方案。"
這确實是某種現實，人拉肩扛的工作模式，很長時間都是中國一線電力工人的日常。
AI 盡快先去到這些地方，将工人從可能流血流淚的危重崗位上，解脫出來。更先進的行業解決方案，為什麼不能率先發生在這片大地上呢？
