能源系统人工智能若干思考和产业应用趋势

能源系统人工智能若干思考和产业应用趋势 赵阳 浙江大学能源工程学院 AI+科研的底层逻辑 报告提纲 AI+能源的几个发展方向 3浙大团队的一些尝试 未来展望 典型案例：AI自主发现106个超越人类设计的神经网络架构 ASI-ARCH的核心是一个由「研究员」、「工程师」[分析师」和「认知库」四个模块构成的闭环进化系统 研究员（Researcher)：作为系统的「大脑」，负责提出创新的架构设想，并生成新的架构代码。它从历史经验和人类知识中取灵感，生成新的设计动机。 工程师（Engineer)：作为「动手者」，负责接收「研究员的架构代码，并在真实的训练环境中进行训练和评估。 分析师（Analyst)：扮演「反思者」的角色，它综合分析实验数据，总结成功与失败的原因并将这些洞察提炼成新的知识，反馈给「研究员」以指导下一轮创新。 认知库（CognitionBase)：如同一座「图书馆」，存储了从近百篇人类顶尖论文中提取的核心知识，为AI提供人类专家的「认知」支持。 Liu, Y.,Nan, Y., Xu, W., Hu, X., Ye, L.,Qin,Z., & Liu, P. (2025).A/phaGo Moment for Model ArchitectureDiscovery (No.arXiv:2507.18074).arXiv.https://doi.org/10.48550/arXiv.2507.18074 典型案例：AI发现106个超越人类设计的神经网络架构 研究证明：AI 已经具备了进行科学发现的能力 一一该系统在完全自主的条件下发现了 106 个大的基线模型） AlphaGoMomentforModelArchitectureDiscovery Lyumanshan Yel.2.4Zhen Qin*Pengfei Liui.2,.4 Abstract While Al systems demonstrate exponentially improving capabilities, the pace of Alresearch itself remainslinearly bounded by human cognitive capacity, creating an increasingly severe development botleneck. Wepresent ASI-ARCH, the first demonstration of Artificial Superintelligence for AIresearch (ASI4AD) in thecritical domain of neural architecture discoverya fully autonomous system that shatters this fundamentalconstraint by enabling Al to conduct its own architectural innovation, Moving beyond traditional Neural Architecture Search (NAS), which is fundamentally limited to exploring human-defined spaces, we introduceparadigm shift frotedoprimization to autovation. ASI-ARCH can conducscientific research in the challenging domain ofarchitecture discovery,autonomously hypothesizing novelcnd-to-endarchitectural concepts, implementing them as executable code, traiperformance through rigorous experimentation and past human and Alexperience, ASI-ARCH conducteding and empiricallyvalidating their1,773 autotousexpenstate-of-the-art (SOTA) linear attention architectures, Like AlphaGo's Move 37 that revealed unexpectedpathways for architecturalinnowation (Fig. 2),. Crucilly, we establish thefirst empiricalscaling law forscientifice discovery itself-dtransforming research progress from a human-limited to a computation-scalable process., We providedemonstrating that archicomprehensive analysis of the cmergent design pattems and autonomous research capabilities that enabledthese breakthroughs, establishing a blueprint for self-accelerating Al systems. To democratize Al-drivenresearch, we open-source the complete framework, discovered architectures, and cognitive tracs AI 自主进行 1773次科研探索的过程示意 https://arxiv.0rg/pdf/2507.18074 谷歌进化式编程智能体AlphaEvolve AlphaEvolve就像个AI界的"算法育种大师"。它把Gemini大模型（GeminiFlash负责广撒网，洞察力强的GeminiPro负责深挖）和一套“自动化考官”（负责验证算法靠不靠谱、效率高不高）结合起来，再套上一人“进化论"的框架，让好算法能一代更比一代强 AlphaEvolve: A coding agent for scientific andalgorithmic discovery Alexander Noviko’, Ngin Ve', Marvin Eisenberger', Emilien Dupont', Po-Sen HuaSergey Shirobokow ,BorisawKoarat Chaudhuri, Geoege Holland, Alex Davies, Sebao J. R.Ruiz, Abbas Mehrabian,M Paw 2025年5月谷歌发布的进化式编程智能体AlphaEvolve 谷歌发布的进化式编程智能体AlphaEvolve AlphaEvolve展现出自主科学发现范式的三大特征： 1.无约束探索：不依赖人类预设的分块规则，自由组合复数运算与递归结构 2.跨尺度优化：同时操作标量级乘法与矩阵级分块策略 3.可解释进化：通过代码进化树展示算法改进路径（如从Strassen式分块到非对称分块） https://www.techopedia.com/deepmind-alphaevolve-ai-code-evolution 谷歌发布的进化式编程智能体AlphaEvolve 4×4矩阵乘法的最小乘法次数。 传统方法（标量乘法）：64次乘法+48次加法。 Strassen先处理2×2矩阵。 传统方法：8次乘法。 Strassen方法：7次乘法。（自定义计算元素和序列一一每个Mi只用一次乘法） 把4×4矩阵划分成4个2×2矩阵。 分块矩阵和内部2×2矩阵都采用Strassen方法，最后进行7×7=49次乘法 谷歌发布的进化式编程智能体AlphaEvolve 在时隔半个世纪（56年）后，AlphaEvolve将4x4的复数矩阵计算次数，从1969年Strassen的49次减少到了48次 新算法一一新的自定义计算模块。 （Strassen一人工分解，计算机一张量分解） 把C=A·B升维成张量线性操作C=T·A·B ·T：三阶张量（告诉计算机如何组合A和B中的元素来生成C的每个元素） 、T被拆分成R个简单张量（三个向量的外积）之和。每个外积对应一个基本计算模块。 ·AlphaEvolve的任务：找到最小R。 ·实验中，AlphaEvolve总共测试了54种不同规模的矩阵乘法问题。 ·可以看到很多规模的矩阵都找到了优于现有答案的最优解。 ·其中<3,4,7><4,4,4><4,4,8>采用的是复数矩阵乘法。 ·<4.4.4>采用48次乘法和183次加法。 歌发布的进化式编程智能体AlphaEvolve 1.改善数据中心调度： AlphaEvolve给谷歌庞大的数据中心Borg系统发现了一种简单却极其有效的启发式方法。这套方案上线一年多，平均给谷歌全球计算资源节省了0.7%的算力 2.设计芯片(TPUCircuitDesign)： 在谷歌的Al芯片TPU设计中，AlphaEvolve直接上手改起了Verilog（芯片设计语言）。它优化了一个矩阵乘法关键电路，去掉了亢余。 3.给AI训练和推理再提速： AlphaEvolve找到了更巧妙的方法来拆解大矩阵乘法，让Gemini架构里的这个核心“零部件”快了23%。 它甚至还能优化底层的GPU指令。 对于Transformer模型里常用的FlashAttentionAlphaEvolve给整出了最高32.5%的加速。这块通常是编译器啃的硬骨头，人一般不轻易动 思考1：这次AI本质上是对人的智力的一种模拟和增强 (2025年4月5日，OpenAl)大语言模型的推理成本 基于大语言模型的自动化系统性系统性文献综述方法 口 ottoSR在所有任务上都超越了人类,将系统性文献综述的速度提高3000 倍以上口两天内完成了 12 人年的 Cochrane 研究，质量更高！ AI自主发现106个超越人类设计的神经网络架构 科学发现的速度和质量与投入的计算资源呈现稳定的缩放关系。。科学发现缩放定律表明，通过增加计算资源投入，可以系统性地提升科学发现的效率和质量。这意味着科学研究正在经历从人力密集型向计算密集型的根本性转变，为解决人类面临的重大科学挑战提供了新解决方案 需要妥善使用力的结构思考2：当前阶段AI更像是一种“力”的源泉， 结论：AI是新时代的“能量”必须构建系统化的“智力工程”才能有效释放其潜能 怎么创建”智力的齿轮体系”：基于大语言模型的智能系统开发范式 智能体Harness架构原理：核心组件与编排 案例：基于大语言模型的自动化科研 AI-powered Research and Review Ecosystem [ICLR 2025] 该研究团队开发的基于LLM的AIresearcher首次实现了可训练的科研流程的全链路端到端训练，可以实现： 智能文献检索模型主动提问强化学习选代优化论文创新点方法论架构设计、实验设计到论文自动生成的完整闭环 CycleResearcher:ImprovingAutomated Research via AutomatedReviewhttps://openreview.net/forum?id=bjcsVLoHYs 智能体可以自动完成的编程任务的大小（2025年4月5日，OpenA( 当高级认知能力的成本接近于电费时会发生什么？ 口近乎