过去七十多年里，这个结构没有多大变化，变化的是“中间那只盒子”怎样获得能力。早期，人把知识和特征一条条写进去；后来，深度学习开始直接从大量数据中学习表示；再往后，强化学习让机器在交互和反馈中学习策略。今天，研究者又试图把感知、语言、记忆、推理、行动和对物理世界的预测连接起来，由此出现了具身智能、物理 AI 和世界模型等概念。
这些词很难排成一条由低到高、边界整齐的产品版本线。感知智能至今仍是具身系统的基础，世界模型和大语言模型解决的问题也不完全相同；“物理 AI”则是近年产业界形成的宽口径称呼。理解人工智能的发展，可以同时抓住三条线：
能力线 ：机器从“看见、听见”，走向“理解、生成”，再走向“在环境中行动”； 方法线 ：从人工规则和人工特征，走向深度学习、强化学习与多种方法融合； 资源线 ：算法、算力、数据相互推动，也相互制约。 沿着这三条线再回到电力预测，会发现 AI 延续了统计建模、自动控制、气象科学和计算机工程的长期积累。
1. 在“人工智能”这个名字出现以前 人类很早就在想象会思考的机器，但只有在逻辑、神经科学和电子计算机逐渐成熟之后，这种想象才成为可以验证的研究问题。
1943 年，Warren McCulloch 与 Walter Pitts 发表论文，用简化的数学单元描述神经元的“全或无”响应，并讨论神经网络怎样表达逻辑关系。这种模型与今天的神经网络相差很远，却提出了一个影响深远的想法： 看似复杂的智能活动，也许可以由大量简单单元连接而成。 [1]
1950 年，Alan Turing 在《Computing Machinery and Intelligence》中把讨论转向“模仿游戏”：如果人仅通过文字交谈，难以判断对面是人还是机器，那么机器是否表现出了某种可观察的智能？这后来被称为图灵测试。它没有给智能下一个终极定义，却把“机器能不能思考”改写成了可以观察行为、设计实验的问题。 [2]
1956 年，John McCarthy、Marvin Minsky、Claude Shannon 等研究者参与了达特茅斯夏季研究项目，“Artificial Intelligence”由此成为一个正式的研究领域名称。达特茅斯学院也将这次活动视为人工智能作为独立研究领域的诞生节点。 [3]
人工智能没有一个单一的“发明日”。1943 年的人工神经元、1950 年的模仿游戏、1956 年的学科命名，分别回答了三个不同问题：智能能否被计算单元表达、能否通过行为评价、能否形成一个共同研究领域。
图 2｜1956 年达特茅斯人工智能研讨会参会者在 Dartmouth Hall 前合影。后排左起为 Oliver Selfridge、Nathaniel Rochester、Marvin Minsky、John McCarthy；前排左起为 Ray Solomonoff、Peter Milner、Claude Shannon（照片：Margaret Minsky；来源：Dartmouth Alumni Magazine、IEEE Spectrum） [19] [20]
2. 两条早期路线：把知识写进去，还是让机器自己学 人工智能早期就存在两种互相竞争、又不断融合的思路。
第一种是 符号主义 。研究者把世界描述成符号、事实和规则，让机器进行搜索与逻辑推理。例如：
如果设备温度高于阈值，并且振动持续增大， 那么提高“轴承异常”的告警等级。 这类系统的优点是规则清楚、便于审查。在范围有限、知识稳定的任务里，它们可以很好用。专家系统就是代表：先请领域专家讲出判断方法，再由知识工程师把方法写成规则库。
第二种是 连接主义 。研究者用许多简单计算单元组成网络，再根据样本调整连接权重。1958 年 Frank Rosenblatt 提出的感知机，可以从输入特征中学习一个线性分类边界。感知机远没有达到“像大脑一样思考”的程度，但它展示了机器从样本中改进分类规则的可能性。 [4]
还有一条与二者相邻的控制论路线，更关心系统如何感知反馈、调节行为和保持稳定。今天的机器人、自动驾驶和强化学习，都能看到这些早期思想的影子。
图 3｜符号主义把知识写成规则，连接主义让网络从数据和误差中调整权重，两条路线共同汇入现代 AI
3. 为什么人工智能几次从热潮走向低谷 早期研究在下棋、定理证明、简单语言处理等任务上很快取得进展，也带来了过高预期。但真实世界比实验室里的小问题复杂得多。
一套只有几十条规则的系统容易检查，扩展到几万条规则后，规则之间会冲突；在固定背景下识别积木可行，换成光照、遮挡和视角不断变化的街道就困难得多；一个模型能处理训练时见过的情况，不代表它能处理开放环境中的长尾事件。
更现实的限制来自算力和数据。当时的计算机容量小、速度慢，数字化数据也少。许多想法在理论上成立，却没有足够资源训练和验证。当承诺没有兑现、资金收缩时，人工智能研究便进入所谓“寒冬”。
这段历史反复说明： AI 的进步很少只靠一个聪明算法。算法必须遇到合适的数据和算力，才可能从论文里的想法变成可用系统。
图 4｜AI 的历史不是直线上升，而是在能力突破、预期膨胀、瓶颈暴露和基础条件改善之间反复起伏
把人工智能比作一家餐厅：数据是食材，算法是菜谱和烹饪方法，算力是厨房、炉灶与厨师的处理能力。只有厨房没有好食材，做不出好菜；只有食材没有方法，只能堆在仓库；菜谱再精巧，如果一口小锅要做十万人的饭，也无法落地。
1. 数据：告诉机器“世界曾经怎样运行” 数据可以是图片、文字、声音、视频，也可以是电力系统中的负荷曲线、气象观测、设备状态、交易价格和调度记录。训练数据至少承担三种作用：
提供样本 ：让模型看到输入与结果的对应关系；
覆盖变化 ：让模型接触不同季节、地区、设备和异常场景； 定义任务 ：标签怎样制作，往往决定模型到底学到了什么。 数据量和数据质量是两回事。若用于负荷预测的数据缺少节假日、极端天气和产业停复工时期，模型在普通工作日表现再好，也可能在真正需要它的时候失灵。若电表时间戳错位、测点口径改变、停电数据没有标注，模型会把数据问题当作系统规律。
还要注意“可见数据”和“有效经验”的区别。互联网有大量文字，却没有同等规模、覆盖各种接触和受力情况的机器人操作数据。具身智能之所以大量使用仿真和合成数据，正是因为真实世界试错昂贵、缓慢，有时还很危险。
2. 算法：决定机器如何从数据中学习 算法包括模型结构、损失函数、优化方法、训练方式和推理策略。最常见的监督学习，可以写成一个很朴素的目标：找到一组参数
算法的价值不仅在“模型更大”。好的算法还会把先验知识写进结构：卷积网络利用图像局部相关性，图神经网络利用节点之间的连接关系，物理约束模型则尽量让结果符合守恒定律和设备边界。
3. 算力：让大规模试验成为可能 训练神经网络需要执行海量矩阵运算。CPU 擅长复杂的通用控制，GPU 和专用加速器更擅长并行完成大量相似计算。算力增加后，研究者可以使用更大的数据集、更深的网络、更长的训练时间，也能更快比较不同方案。
算力有两个容易混淆的环节：
训练算力 ：用大量数据调整模型参数，通常集中消耗资源； 推理算力 ：模型上线后，每次预测或生成答案所需的资源。 一个天气模型训练可能很昂贵，训练完成后生成一次预报却可以很快；一个机器人模型即使能在云端运行，也未必能在设备端以毫秒级延迟稳定控制电机。因此，算力不只是“有多少卡”，还包括内存、通信、能耗、延迟和部署环境。
图 5｜算法决定怎样学习，数据提供经验，算力决定训练和推理能够扩展到多大规模
4. AlexNet 为什么是三要素共同作用的典型案例 2009 年发表的 ImageNet 工作，构建了按语义层级组织的大规模图像数据库，为视觉模型提供了远大于过去的数据基础。 [5] 2012 年，AlexNet 在 ImageNet 图像分类任务上取得显著领先。论文中的网络约有 6000 万个参数，训练使用了 GPU、高效卷积实现、ReLU 和 Dropout 等方法。 [6]
这次突破很难只归功于某一项：
三者更像乘法项，任何一项成为短板，都会压低最终效果。数据规模扩大但标签混乱，会把错误放大；模型扩大但算力不足，训练周期不可接受；算力充足但算法不稳定，只会更快地产生失败结果。
图 6｜2012 年 AlexNet 论文首页，论文将大规模图像数据、深层卷积网络和 GPU 训练放进同一个系统（截图来源：NeurIPS） [6]
1. 传统方法的标准流水线 在深度学习普及前，一个典型机器学习项目常分为四步：
数据清洗； 人工设计特征； 用分类器或回归器学习特征与目标的关系； 根据验证结果继续改特征。 以人脸检测为例，原始图片是一组像素矩阵。工程师会设计边缘、纹理、明暗差、局部形状等特征，再交给支持向量机、决策树等模型判断“这里是不是人脸”。识别效果很大程度上取决于特征是否抓住了问题本质。
在电力负荷预测中，人工特征更直观：
前一天同一时刻负荷； 上周同一星期、同一时刻负荷； 气温、湿度与体感温度； 小时、星期、月份、节假日； 工业生产计划和重大活动； 气温是否超过空调启动的舒适区间。 再用一个线性模型把它们组合起来：
图 7｜传统机器学习通常先清洗数据，再由专家定义特征，最后训练模型并输出预测结果
2. 人工特征为什么曾经有效，而且现在仍然有用 人工特征把领域经验压缩成模型能使用的变量。电力人员知道，工作日和周末的负荷曲线不同；气象人员知道，气压梯度与风有关；设备专家知道，某个频段的振动能反映轴承状态。这些知识可以明显降低学习难度。
传统模型还有三个现实优点：
数据量不大时也能训练； 运行成本低，上线和维护相对简单； 输入与输出关系较容易解释。 所以，“深度学习出现后传统方法就过时了”并不正确。如果只有两年历史数据、几十个稳定变量，一套认真设计特征的梯度提升树，可能比庞大的神经网络更可靠、更便宜。
3. 它的瓶颈在哪里 人工特征依赖专家，迁移成本高。一个适用于北方供暖城市的负荷模型，换到南方商业城市后，温度分段和日类型逻辑可能全部要重做。面对图像、语音和长文本这类高维数据，人也很难穷举有效特征。
更大的问题是，人工特征会提前决定模型“看见什么”。如果工程师没有想到某种组合关系，后面的分类器通常也无法凭空发现。人工智能要进一步发展，就需要机器不只学习“特征到答案”的映射，还能学习特征本身。
图 8｜人工特征具有经验清楚、数据需求低、容易解释等价值，也面临容易遗漏、迁移困难和维护成本高等瓶颈
1. 神经网络到底在做什么 一个最简单的人工神经元，可以写成：
是输入， 是权重， 是偏置， 是非线性激活函数。单个神经元能力有限，但许多神经元分层连接后，前面的层可以学习简单模式，后面的层再组合成复杂模式。
在图像识别中，浅层可能响应边缘和颜色，中层组合出纹理与部件，深层形成“猫脸”“车轮”等更抽象表示。这些解释只是帮助理解，真实网络里的表示通常是分布式的，并不保证每个神经元都对应一个人类可命名概念。
训练时，模型先前向计算结果，再比较预测与真实答案的误差，然后把误差信号从输出层向前传播，计算每个参数应该怎样调整。1986 年，Rumelhart、Hinton 和 Williams 发表了关于多层网络反向传播学习的论文：隐藏单元可以在降低输出误差的过程中形成对任务有用的内部表示。 [7]
2. 深度学习把特征学习也交给模型 传统方法常把任务拆成“人做特征、机器做判断”；深度学习则希望把两部分联合训练：
例如，语音识别可以让网络从波形或频谱中学习与音素、词语有关的表示，减少对人工声学特征和规则的依赖。负荷预测也可以把长时间序列、天气和日历变量一起输入模型，由模型学习日周期、周周期和气温的非线性关系。
这种“端到端”思路降低了人工特征工程的比重，但没有消灭领域知识。数据怎样对齐、目标怎样定义、异常怎样处理、模型怎样满足业务约束，仍然需要人来设计。
图 9｜神经网络用加权求和与激活形成基本计算单元，深层网络再通过误差反传逐层学习局部变化、周期模式和综合表示
3. 从感知模型走向语言模型 深度学习首先在语音和计算机视觉等感知任务中取得广泛成功。随后，循环神经网络和 LSTM 被用于处理序列，Transformer 又改变了长序列建模方式。
2017 年的 Transformer 论文提出主要依靠注意力机制处理序列，不再以循环结构作为核心，并突出并行训练优势。 [8] “注意力”可以通俗理解为：处理当前信息时，模型动态判断上下文中哪些部分更相关。
语言模型的训练目标可以简单到“根据前文预测下一个词”。当模型在海量文本上反复完成这个任务，它会学习词语搭配、句法、知识关联和某些任务模式。2020 年 GPT-3 论文展示了扩大模型和训练规模后，通过少量示例或自然语言描述完成多种任务的能力。 [9]
这推动人工智能从以分类、检测为代表的 感知智能 ，扩展到问答、写作、代码、信息抽取和多模态理解等通常被归入 认知智能 的能力。
但语句连贯不能证明模型拥有人的理解方式。语言模型可能给出流畅却错误的答案，也可能缺少实时数据、稳定记忆和可验证的因果模型。“认知智能”便于描述这类能力范围，并不表示机器已经复制了人类认知。
图 10｜2017 年《Attention Is All You Need》论文首页，Transformer 以注意力机制推动模型从感知任务进一步走向通用语言建模（截图来源：NeurIPS） [8]
五、第三种学习方式：强化学习让机器从行动后果中学习 1. 预测答案和选择行动是两类问题 监督学习的样本通常带有目标答案：这张图是猫，明天下午两点实际负荷是 3200 万千瓦。强化学习面对的则是一连串选择：现在往左还是往右？水库此刻多发电还是留水到晚高峰？机器人应该向哪个方向移动手臂？
强化学习的基本闭环是：
观察状态 → 选择动作 → 环境发生变化 → 获得奖励或惩罚 → 调整策略 智能体的目标通常是长期累计回报：
是当前奖励， 是折扣因子。若 较小，智能体更看重眼前；若接近 1，它会更重视长期后果。
图 11｜强化学习通过状态、动作、环境反馈和奖励反复更新策略，目标是提高长期累计回报
2. 一个通俗例子：机器人学会走到充电站 假设机器人每走一步扣 1 分，撞墙扣 20 分，到达充电站奖励 100 分。开始时它随机行动，走过许多弯路；经过反复尝试，它会逐渐估计“在某个位置执行某个动作，未来大约能获得多少总回报”，最后形成较短且少碰撞的路线。
经典 Q-learning 的更新可以写成：
表示在状态 采取动作 的长期价值。括号里是“新的估计”与“旧的估计”之间的差。不断更新后，智能体会倾向选择价值较高的动作。
图 12｜机器人观察状态并尝试不同动作，根据惩罚、小奖励和到达目标后的奖励逐步学出更好的路径
3. 深度学习与强化学习结合 真实环境的状态太多，不可能给每种状态做一张 Q 表。深度强化学习用神经网络近似价值函数或策略。
2015 年发表的 DQN 工作，直接以 Atari 游戏画面像素为输入，以游戏得分作为反馈，在同一套核心架构下学习多款游戏。它把深度网络的表示学习与强化学习的序列决策连接起来。 [10]
2016 年发表的 AlphaGo 则结合了策略网络、价值网络、树搜索、棋谱监督学习和自我对弈强化学习。它依靠多种算法协作，并非“只靠强化学习凭空学会围棋”。 [11]
图 13｜2016 年 AlphaGo 论文首页，系统将策略网络、价值网络、强化学习和蒙特卡洛树搜索组合起来（截图来源：Google DeepMind/Nature） [11]
4. 强化学习和深度学习各管什么 “人工特征 → 深度学习 → 强化学习”适合描述重心变化，却不能理解成三个互相替代的版本。深度学习是一类表示和函数学习方法，强化学习是一类利用环境反馈学习决策的方法，两者可以组合；预测明天负荷仍主要是监督学习或时间序列建模，决定储能怎样充放电才更接近强化学习或优化控制。
强化学习进入真实电力系统还面临安全约束、样本效率和可验证性问题。游戏失败可以重来，电网越限不能拿来试错。常见做法是在仿真环境或数字孪生中训练，再用安全规则、约束优化和人工审核包住策略，避免模型自由控制关键设备。
图 14｜人工特征、深度学习和强化学习分别侧重特征定义、表示学习与序列决策，成熟系统常把它们组合使用
六、从感知智能到认知智能：机器先学会“看见”，再学会“表达和关联” 1. 感知智能解决“环境里有什么” 感知智能主要处理视觉、语音、雷达、传感器等信号，把高维原始数据变成可用信息，例如：
图片里有没有绝缘子破损； 语音中说了什么； 变压器声音是否异常； 雷达回波中是否正在形成强对流； 无人机画面中导线与树障距离是否过近。 感知模型的进步很大一部分来自表示学习：模型减少了对人工边缘、纹理和频谱统计量的依赖，可以从样本中学习与任务相关的层级特征。
感知智能的输出通常是标签、位置、概率或结构化状态。它像机器的眼睛和耳朵。“看见红灯”只完成了感知，理解交通规则并安全停车还需要判断与控制。
2. 认知智能解决“信息意味着什么，可以怎样组合” 认知智能通常包括语言理解与生成、知识关联、推理、规划、记忆和多模态信息整合。大语言模型显著扩大了机器处理非结构化知识的能力：用户可以直接用自然语言提出任务，模型可以总结文档、解释代码、生成方案，并调用工具完成多步骤工作。
在电力行业，认知智能可以把调度规程、设备台账、告警记录和实时数据连接起来，帮助用户查询“为什么昨天预测偏差突然增大”，或把异常测点、天气变化和检修记录整理为候选原因。
但认知任务更难评价。分类答案通常有明确对错，一段分析可能局部正确、整体却误导。模型还可能把统计上常见的说法拼成不存在的事实。因此，认知智能系统需要检索、工具调用、来源引用、权限控制和人工复核，不能只看语言是否自然。
图 15｜感知智能回答看见了什么，认知智能进一步把表计、异响、发热和检修记录组合为原因判断与复核建议
七、具身智能与物理 AI：当模型拥有身体，错误就会产生现实后果 1. 什么是具身智能 具身智能让智能体通过某种“身体”在环境中感知和行动。这个身体可以是机械臂、移动机器人、无人机、自动驾驶车辆，也可以是虚拟环境中的智能体。
一个具身系统至少要形成闭环：
例如，“把桌上的透明杯放进洗碗机”看似一句话，机器人却要完成物体识别、三维定位、抓取点选择、碰撞规避、力度控制和失败恢复。杯子可能被遮挡，也可能因反光难以识别；抓得太松会掉，太紧可能碎；开门后场景还会改变。
具身系统的数据会随着行动继续产生。机器人移动摄像头，会改变自己看到的画面；手指碰到物体，会获得触觉信息；一次错误抓取，又会改变下一步可用状态。感知与行动因此很难彻底分开。
2. 物理 AI 与具身智能有什么区别 “物理 AI”近年常被产业界用来概括能感知、理解并作用于物理世界的自主系统。NVIDIA 的官方定义把摄像头、机器人和自动驾驶汽车等都纳入其中，并强调三维空间、物理规律、仿真、合成数据以及实时部署。 [12]
这个词目前没有像电压、功率那样唯一且严格的学术边界。可以用下面的方式理解它与具身智能的差别：
二者大量重叠。具身智能更像研究视角，物理 AI 更像面向产业系统的总称。物理 AI 无意证明模型已经“理解全部物理学”，它要求系统至少能处理空间、时间、接触、运动和因果后果，并满足实时性与安全性。
图 16｜巡检机器人把感知、仿真规划、真实行动和反馈接成闭环，并在安全边界内运行
3. 为什么机器人不能只靠语言模型 文本里写“杯子放到桌边会掉下去”，与机器人真正判断杯子距离桌边还有多少、桌面是否倾斜、抓取时摩擦力是否足够，是两种不同能力。
真实世界有三个难点：
连续性 ：位置、速度和力是连续量，无法简化成有限的文字选项； 不可逆性 ：摔坏设备后不能撤销到上一步； 长尾性 ：光照、材质、磨损、遮挡和人的行为会产生大量训练中没见过的组合。 因此，物理 AI 往往需要多模态模型、控制算法、强化学习或模仿学习、数字孪生、传感器融合和硬件安全机制共同工作。大模型可以理解任务、拆解步骤，底层控制器仍要负责稳定、快速地执行动作。
图 17｜语言模型进入机器人系统后还要面对幻觉、延迟、空间误差和碰撞风险，必须由规则、控制、传感器反馈与人工接管共同设防
1. 世界模型是一套状态变化预测器 所谓世界模型，是智能体内部用于描述“环境状态怎样随时间和行动变化”的模型。最简化地写：
如果向前走，会不会撞到人？ 如果现在抓杯子，杯子会不会滑落？ 如果储能此刻放电，晚高峰还剩多少电量？ “世界”不一定指整个现实宇宙。围棋程序的世界可以是棋盘，仓库机器人的世界可以是货架、通道和搬运任务，天气模型的世界则是大气状态的演化。
图 18｜世界模型先在内部推演候选动作的未来结果，比较风险后再选择现实行动
2. 为什么世界模型与强化学习关系密切 没有环境模型的强化学习，常通过大量试错学习“在什么状态做什么”。有了世界模型，智能体可以在内部模拟未来，相当于先做成本较低的“想象试验”，再选择现实动作。
2018 年的 World Models 工作，把环境压缩表示、时序预测和控制器组合起来，并展示了控制器可以在学习到的环境模型内部训练。 [13] 世界模型的概念出现得更早，这项工作用直观实验推动了它在现代深度学习语境中的传播。
2022 年，Yann LeCun 在关于自主机器智能的架构设想中，把世界模型、感知、短期记忆、行动和代价模块放进同一系统，强调机器需要预测世界状态并进行分层规划。 [14]
图 19｜强化学习可以在真实环境中获得经验，也可以借助世界模型生成想象经验；现实数据仍需持续校准内部模拟
3. 世界模型在具身系统里能做什么 一个只会识别物体的模型能告诉机器人“前方是箱子”，世界模型则要进一步回答：“如果从左侧推，箱子会怎样移动？移动后是否挡住出口？需要多大力？”
世界模型有三类潜在价值：
生成训练经验 ：在模型或仿真里制造稀有、危险场景； 辅助规划 ：比较不同动作带来的未来结果； 形成因果线索 ：学习行动与环境变化之间的关系，而不只学习静态相关性。 但世界模型也可能“想错”。如果它没有学会摩擦、遮挡或设备约束，内部模拟越长，误差可能积累越大。生成视频看起来逼真，并不等于每个物体都满足真实动力学。实际系统需要用传感器不断校正模型，用不确定性限制规划范围，并在安全约束下执行。
图 20｜机器人避障、自动驾驶预判和电网状态仿真虽然场景不同，都体现了先推演、再行动的共同思路
4. 六个概念应怎样放在一张图里
感知智能不会被认知智能淘汰，具身智能也离不开前两者。系统正在把原本分散的能力组装到同一个闭环里。
图 21｜感知和认知提供能力基础，具身与物理 AI 负责真实交互，强化学习和世界模型分别支持学习与推演
电力系统必须时刻维持发电与用电大体平衡。预测结果要用于提前安排机组、交易、电网方式、备用和检修，曲线本身只是中间产物。
1. 负荷预测：明天大家会用多少电 负荷受时间规律、天气、经济活动和突发事件共同影响。短期负荷预测常服务日前和日内计划，超短期预测则服务实时平衡与滚动调整。
一个模型可能使用：
历史负荷及其滞后值； 温度、湿度、风速、辐照度； 星期、节假日、季节； 分行业用电、生产计划； 电动汽车充电、分布式光伏等新型负荷信息。 传统回归模型善于处理清晰的人工特征，树模型善于发现非线性分段，LSTM、时序卷积和 Transformer 等深度模型则适合从长时间序列和多变量中学习复杂关系。实际项目更常把多种模型组合起来。
图 22｜历史负荷、天气、日历和事件进入模型，形成带有早晚高峰的次日负荷曲线，并服务机组计划与备用安排
2. 风电预测：风速的一点误差，为什么会被放大为更大的功率误差 在低于额定风速的一段工作区间内，风轮可获取的功率与风速立方大致相关：
但
图 23｜低于额定区间时风能近似随风速三次方变化，而真实风机还存在切入、爬升、额定和切出四个工作区间
3. 光伏预测：云移动到哪里，决定功率曲线怎样变化 光伏出力可粗略理解为：
是到达组件的太阳辐照度， 是组件面积， 是随温度变化的转换效率， 汇总逆变器、线损、灰尘和遮挡等因素。
晴天时，太阳高度角带来稳定日曲线；多云天气下，云团移动会造成快速爬坡和下降。短时预测可使用地面云图、卫星和雷达，日前预测更依赖天气模式。分布式光伏还会遇到装机位置、朝向、容量和实时量测不完整的问题。
NREL 关于风光预测的资料把方法概括为物理方法与统计方法的结合，并指出预测会影响计划、调度、实时平衡和备用需求。 [15] 今天的 AI 模型主要增强统计订正、时空特征学习和多源数据融合，但业务链条仍然需要物理模型和运行数据。
图 24｜云影经过光伏阵列时，辐照度和光伏功率曲线会同步下凹，组件温度也会进一步影响转换效率
4. 预测还包括哪些对象 除了负荷、风电和光伏，AI 还可用于：
水电来水与径流预测； 电价、阻塞和交易量预测； 设备剩余寿命与故障风险预测； 线路覆冰、山火和树障风险预测； 用户侧可调负荷和电动汽车充电需求预测。 美国能源部支持的 PNNL 报告把机器学习在电力系统中的应用范围扩展到故障检测、资产管理、预测性维护、振荡检测等多个环节，同时也强调深度脱碳背景下系统动态性、不确定性和数据复杂度都在上升。 [16]
图 25｜负荷、风电、光伏以及更多电力对象的预测共同服务调度、备用、交易和运维
1. 第一代：规则、统计和人工特征 最简单的预测是“持续性预测”：假设短时间内未来值接近当前值。它是常用基线。若一个复杂模型连持续性预测都赢不了，就没有上线价值。
再复杂一些，可以用线性回归、ARIMA、指数平滑等统计方法，配合温度、日类型和历史滞后特征。这些方法容易解释，适合规律稳定、数据量有限的场景。
2. 第二代：机器学习和深度时序模型 随机森林、梯度提升树等模型可以自动学习变量之间的非线性关系。深度模型进一步直接处理长序列、多场站和网格化天气数据。例如，模型可以同时学习“周一早高峰”“连续高温第三天”“降雨导致商业活动下降”等组合效应。
但模型越复杂，越要警惕数据泄漏。若训练样本中意外使用了预测时刻之后才能获得的实际气温、事后修正负荷或最终限电记录，离线精度会异常漂亮，上线后却迅速恶化。
3. 第三代：物理模型、深度学习和概率预测融合 电力预测不应只输出一个点。调度真正想知道的是：最可能发多少？偏高或偏低的范围多大？极端情况下会怎样？
概率预测可以给出分位数：
如果某时刻风电的 10%、50%、90% 分位预测分别为 800、1000、1250 兆瓦，就比单独报“1000 兆瓦”多提供了风险边界。调度可以结合备用成本、弃风风险和安全要求决策。
实际工程更常采用混合系统：天气模型提供大尺度状态，AI 做场站订正和时空映射，物理功率曲线限制不合理结果，概率模型生成多种场景，优化或强化学习再根据这些场景安排储能与机组。
图 26｜电力预测从规则统计与人工特征，发展到深度时序模型，再走向物理约束、深度学习和概率预测融合；三代方法将长期共存
4. 评价模型不能只看一个平均数 常用误差指标包括：
MAE 直观地反映平均偏差，RMSE 对大误差更敏感。MAPE 用百分比表达误差，但当真实值接近零时会失真，因此不适合不加处理地评价夜间光伏。
除了总体误差，还应分别查看：
不同预测提前量； 晴天、阴天、寒潮、高温和台风过程； 爬坡事件与峰值时刻； 新建场站和数据缺失时段； 预测区间是否真的覆盖了相应比例的实际值； 误差对备用、交易偏差和弃电成本的影响。 精度是技术指标，成本和可靠性才是业务结果。
图 27｜MAE、RMSE 和 MAPE 之外，还要关注峰值偏差、爬坡漏报和业务成本；平均误差相近的模型可能具有完全不同的业务风险
十一、天气预测案例：GraphCast 怎样把“大气演化”学成模型 天气预测是理解深度学习、世界模型与电力预测关系的好例子。天气本身是一个巨大的动态系统：某地未来的温度、风和降水，取决于全球范围内大气状态的连续演化。
1. 传统数值天气预报怎样工作 传统数值天气预报先汇集卫星、雷达、气象站、探空等观测，通过数据同化估计当前大气状态，再在超级计算机上求解描述流体运动、热力和水分过程的方程。
它的优势是有明确物理基础，变量体系完整，也积累了长期工程经验；难点是计算成本高，方程离散、参数化和初始状态误差都会影响结果。
2. GraphCast 换了一种学习方式 GraphCast 是 Google DeepMind 团队提出的图神经网络天气模型。它把全球网格上的气象状态看成具有空间连接的图，学习大气从当前状态到六小时后状态的变化。
模型输入当前和六小时前的两组天气状态，预测六小时后的状态；再把预测结果作为新输入，按六小时一步不断向前滚动，生成最长十天的预报：
GraphCast 使用 ERA5 再分析数据训练。ERA5 由传统数值预报与观测融合形成，因而 GraphCast 依托的是传统气象体系生产的高质量历史大气状态，并在这些数据上学习演化规律。
2023 年发表在《Science》的论文报告，GraphCast 能以 0.25° 经纬度分辨率预测十天、数百个气象变量，在单台 TPU 上推理不到一分钟；在论文设置的 1380 个变量与预测时效组合中，它在 90% 以上的目标上优于当时用于比较的 ECMWF HRES 确定性系统。 [17]
这些数字有明确的论文时间和比较口径，不能被理解成“AI 已经在所有地区、所有变量和所有极端天气上全面替代数值天气预报”。降水、局地强对流、物理一致性、概率预报和气候变化下的分布漂移，仍需要专门验证。更合理的方向是让数据驱动模型与传统天气系统互补。
图 28｜GraphCast 根据前一状态和当前状态预测下一个六小时，再逐步滚动形成多日预报（图片来源：Google DeepMind） [18]
3. Hurricane Lee：一次可理解的实际预报例子 Google DeepMind 在 2023 年公开介绍中称，当年 9 月部署在 ECMWF 网站上的 GraphCast 实时版本，约提前九天预测 Hurricane Lee 将在加拿大新斯科舍登陆；其对照的传统预报路径起初分歧更大，约提前六天才较一致地指向新斯科舍。 [18]
单次成功不能证明模型在所有过程中都更好。这个例子展示的是另一点：AI 天气模型可以快速生成较长时效的全球预报，提前给下游系统提供需要关注的风险信号。
图 29｜GraphCast 在气旋路径跟踪测试中的中位路径误差低于 HRES，这类能力帮助理解 Hurricane Lee 案例中更早锁定登陆区域的意义（原图来源：Google DeepMind） [18]
4. 从天气预报到电力预测，还要走完四步 GraphCast 输出的是温度、风、气压、湿度等气象状态，不会直接告诉调度员某座风场能发多少电。完整链条是：
全球天气预报 ↓ 区域与场站订正：地形、轮毂高度、局地偏差 ↓ 气象—功率转换：风机功率曲线、光伏模型、负荷温度响应 ↓ 可用率与运行约束：检修、限电、积雪、尾流 ↓ 形成点预测、区间预测和爬坡告警 做一个仅用于说明的简化计算：若某风场处于尚未达到额定功率的工作区间，预报风速从 7.5 米/秒修正为 9 米/秒，只按 粗算，理论风能比例约为：
也就是风速增加 20%，理论可获取风能可能增加约 73%。真实出力不会简单按此比例变化，因为还受额定功率、空气密度、尾流、控制策略和机组状态影响。风速预报会直接影响风电功率预测，气象模型之后还必须接入场站模型和设备约束。
同一份天气预报也会进入负荷模型。高温可能提高空调负荷，寒潮可能提高采暖用电，云量会改变分布式光伏出力。天气预测因此位于新能源预测与负荷预测的共同上游。
图 30｜天气预报还要经过场站订正、气象—功率转换和运行约束，才能变成可执行的预测区间与爬坡告警
5. GraphCast 算不算世界模型 从宽口径看，GraphCast 学习大气状态怎样随时间演化，可以视为一个面向天气领域的世界模型：它把当前状态映射到未来状态，并能反复滚动推演。
GraphCast 属于特定领域的学习型动力学模型，和机器人语境中可接受动作输入的通用世界模型还有明显差别。它主要预测自然大气演化，不能回答“机器人推箱子后会怎样”，也不能直接规划电网控制动作。
“世界模型”描述的是一种建模思想，没有统一覆盖范围。只要系统要根据当前状态预测未来，就可能需要某种形式的内部环境模型；它究竟覆盖多大范围、能否处理行动和因果，需要结合具体任务判断。
图 31｜GraphCast 学习状态演化并滚动预测未来，与世界模型有共同点；但它没有动作、奖励和主动控制环境的能力
1. 数据决定模型能看见多少真实运行状态 电力项目往往不缺数据，先遇到的是口径不一致。负荷曲线可能经过追补，气象预报有不同发布批次，场站装机容量会变化，限电与故障又会让“资源充足但实际没发出来”。
建设训练集时，应至少保留：
预测发布时刻当时真正可获得的数据版本； 测点、单位、时区、采样周期和缺失规则； 装机、检修、限电和设备可用率变化； 气象预报版本与实况版本的区别； 节假日、重大事件和规则变更记录。 否则，模型可能学到事后信息，或者把容量扩建误认为季节性增长。
2. 算法决定怎样利用规律和约束 负荷预测未必需要最大的模型。若区域规律稳定、变量清晰，树模型可能已经足够；若要联合数百个场站、网格天气和长序列，深度时空模型更有优势；若需要确保功率不为负、不超过可用容量，则应显式增加边界或物理约束。
除了网络结构，算法系统还要处理异常检测、缺失值回退、模型组合、概率校准和在线监控。生产系统的总体可靠性，往往比单个网络结构更重要。
3. 算力决定预测能否按业务节奏更新 日前预测每天更新一次，与五分钟滚动预测的要求不同。一个精度略高、却要两小时才能完成推理的模型，不适合十五分钟一轮的业务。算力规划要考虑：
训练多久、多久重训一次； 单次推理延迟； 多少场站需要并行； 概率预测要生成多少场景； 主系统故障时能否降级到轻量模型； 云端、边缘端和内网部署限制。 4. 三要素之外，还有第四个条件：明确的业务闭环 同一条预测曲线，对交易员、调度员和运维人员的价值不同。交易员关心偏差成本，调度员关心爬坡与备用，运维人员关心异常是否来自设备。
因此，AI 项目开始前应先明确：谁在什么时点使用结果，可以采取什么动作，错误的代价是什么，预测改善后怎样计量收益。没有业务闭环，再高的离线精度也可能停留在演示系统。
图 32｜数据、算法和算力共同形成预测能力，只有连接调度、交易、储能、运维并接收业务反馈，才能构成完整价值闭环
十三、电力产品经理怎样建设一套可信的 AI 预测产品 1. 预测任务要先于模型 一个完整任务至少要说清：
2. 建立从简单到复杂的基线 建议至少保留三层基线：
持续性或昨日同期； 线性回归、统计模型或树模型； 深度学习或组合模型。 新模型不仅要平均误差更低，还要证明它在高温、寒潮、爬坡和数据缺失时更可靠，并且新增计算与维护成本值得。
3. 严格按时间切分训练和测试 时间序列不能随意随机打乱。模型应在过去训练、在未来验证，并模拟真实滚动发布。天气输入也必须使用当时发布的预报，不能偷看事后实况。
还应单独保留极端天气和规则变化时期。平均工作日样本很多，会淹没数量少但风险高的样本。
图 33｜可信预测产品先定义任务，再建立从简单到复杂的基线，并严格按时间验证和滚动回测
4. 输出不确定性和原因线索 一个可信产品应同时提供：
点预测； 上下界或分位数； 与昨日、上次发布相比的变化； 主要影响因素； 数据缺失和模型降级状态； 典型相似历史过程。 “模型置信度 83%”如果没有校准定义，意义有限。更实用的是告诉用户：在类似条件下，80% 的实际值是否真的落在给出的 80% 区间内。
5. 让预测、优化和控制各守边界 预测模型回答“可能发生什么”，优化算法回答“在约束下怎样安排最好”，控制系统回答“怎样稳定执行”。强化学习可能跨越预测与决策，但仍要遵守设备和电网安全边界。
不应因为一个模型预测准确，就直接赋予它控制权限。涉及关键业务时，可以先采用建议模式、人工确认、沙箱仿真、动作限幅和一键回退，再逐步扩大自动化范围。
6. 上线之后持续监控漂移 新建光伏、电动汽车增长、产业迁移、电价机制变化、极端气候和测点改造都会改变数据分布。模型上线后，要进入持续观测和校正周期。
监控至少包括数据完整性、输入分布、预测偏差、分场景指标、业务成本和回退次数。发现漂移后，要判断问题来自数据、天气源、设备状态还是模型本身，再决定重训、订正或切换模型。
图 34｜可信预测产品还要输出不确定性与原因线索，守住预测、优化和控制的边界，并在上线后持续监控漂移
回顾人工智能历史，可以看到每一轮进步都在扩大机器所处的闭环。
早期符号系统把人的知识写成规则，机器在一个人为定义的世界里搜索答案；传统机器学习让机器根据人工特征拟合数据；深度学习让模型直接从图像、语音、文字和时间序列中学习表示；强化学习把行动和长期反馈加入训练；具身智能与物理 AI 又把模型放回有摩擦、有延迟、有风险的真实环境；世界模型则试图让系统在行动前预测未来。
这条演进可以浓缩成六句话：
规则系统 ：人告诉机器每一步怎样做； 传统机器学习 ：人告诉机器看哪些特征，机器学习特征与答案的关系； 深度学习 ：机器从大量数据中同时学习特征和任务映射； 强化学习 ：机器根据行动后果学习长期策略； 具身与物理 AI ：机器在真实或仿真环境中形成感知—决策—行动闭环； 世界模型 ：机器学习环境怎样变化，并在内部推演可能的未来。 它们不会依次消失。机器人底层仍有控制规则，深度模型仍可使用人工特征，强化学习仍依赖感知网络，世界模型仍需要数据与物理先验。成熟系统往往让多种方法分工合作。
人工智能的起源常被讲成一串人物和年份。这个领域一直在追问两件事：怎样把经验变成可计算的知识，怎样在不确定环境中作出更好的判断。
算法决定机器怎样学，数据决定它从什么经验中学，算力决定这种学习能够扩展到多大规模。三者共同推动 AI 从人工规则和人工特征，走向深度表示学习、强化学习、具身系统和世界模型。任何一个要素缺失，能力都会在某个环节遇到上限。
电力预测把这段技术史落到了具体业务里。历史负荷、气象和设备数据提供经验，统计模型与深度模型学习规律，天气模型预测风、云和温度，概率预测描述不确定性，优化与控制再把预测变成备用、交易、储能和调度动作。
GraphCast 没有把物理科学清空后重新开始。它使用传统气象体系形成的再分析数据，学习大气状态的演化，再以更快推理为下游风电、光伏和负荷预测提供新输入。传统模型、深度学习与物理约束更可能长期共存。
对电力产品经理而言，与其追逐每一个新名词，不如始终问四个问题：模型看到了什么数据，依据什么方法得到结果，结果有多大不确定性，业务人员能据此采取什么安全行动。
AI 的价值不在于把未来说得像确定事实，而在于让系统更早看见可能性，更清楚地衡量风险，并为下一步行动留下更充分的准备时间。
McCulloch、Pitts：A Logical Calculus of the Ideas Immanent in Nervous Activity（1943） https://doi.org/10.1007/BF02478259 The Turing Digital Archive：Computing Machinery and Intelligence（1950） https://turingarchive.kings.cam.ac.uk/publications-lectures-and-talks-amtb/amt-b-9 Dartmouth：Artificial Intelligence Coined at Dartmouth https://home.dartmouth.edu/about/artificial-intelligence-ai-coined-dartmouth Rosenblatt：The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain（1958） https://doi.org/10.1037/h0042519 Deng 等：ImageNet: A Large-Scale Hierarchical Image Database（CVPR 2009） https://www.image-net.org/static_files/papers/imagenet_cvpr09.pdf Krizhevsky、Sutskever、Hinton：ImageNet Classification with Deep Convolutional Neural Networks（NeurIPS 2012） https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf Rumelhart、Hinton、Williams：Learning Representations by Back-propagating Errors（Nature，1986） https://www.nature.com/articles/323533a0 Vaswani 等：Attention Is All You Need（NeurIPS 2017） https://proceedings.neurips.cc/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html Brown 等：Language Models are Few-Shot Learners（NeurIPS 2020） https://papers.neurips.cc/paper/2020/hash/1457c0d6bfcb4967418bfb8ac142f64a-Abstract.html Mnih 等：Human-level Control through Deep Reinforcement Learning（Nature，2015） https://www.nature.com/articles/nature14236 Silver 等：Mastering the Game of Go with Deep Neural Networks and Tree Search（Nature，2016） https://research.google/pubs/mastering-the-game-of-go-with-deep-neural-networks-and-tree-search/ NVIDIA：What Is Physical AI? https://www.nvidia.com/en-us/glossary/generative-physical-ai/ Ha、Schmidhuber：World Models（2018） https://worldmodels.github.io/ LeCun：A Path Towards Autonomous Machine Intelligence（2022） https://openreview.net/pdf?id=BZ5a1r-kVsf NREL：Forecasting Wind and Solar Generation—Improving System Operations https://docs.nrel.gov/docs/fy16osti/65728.pdf Pacific Northwest National Laboratory：Artificial Intelligence/Machine Learning Technology in Power System Applications（2024） https://www.osti.gov/servlets/purl/2340760/ Lam 等：Learning Skillful Medium-range Global Weather Forecasting（Science，2023） https://www.science.org/doi/10.1126/science.adi2336 Google DeepMind：GraphCast—AI Model for Faster and More Accurate Global Weather Forecasting https://deepmind.google/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/ Dartmouth Alumni Magazine：The Birth of “Artificial Intelligence”（1956 年合照，Margaret Minsky 摄） https://dartmouthalumnimagazine.com/articles/birth-artificial-intelligence IEEE Spectrum：The Meeting of the Minds That Launched AI（达特茅斯合照人物考证） https://spectrum.ieee.org/dartmouth-ai-workshop 
