近日,通用电气(GE)子公司GE Power发布了一套新的基于人工智能的分析产品,从而帮助电网客户更好地利用他们的网络数据,应对运营问题。
这些新产品采用了GE最新的机器学习技术——可以让机器在无需明确编程的前提下,即可从经验中进行学习和改进。GE表示,这些产品利用从电网运营商网络中提取的数据,可以提高运营效率。
产品中集成了Storm Readiness工具,它可以利用高精度天气预报、停机历史信息和响应数据,提醒用户即将发生恶劣天气的可能性。借此,能够提前让响应团队做好准备,帮助他们预测未来可能发生的中断故障的风险,进而缩短重新上线所需的时间。
Exelon公司是最早采用该工具的客户之一,该公司公用事业公司副总裁兼首席分析官Brian Hurst表示:“[Storm Readiness]让公用事业企业能够在天气预报之前更好地预先安排工作人员,节省时间和金钱,提高客户满意度并加强员工安全。”
此外GE还推出了Network Connectivity,这款产品旨在纠正和维护网络数据的完整性。网络数据中的错误(通常出现在手动输入信息时)可能会给电网运营商带来很大问题,妨碍他们对故障做出快速响应。而Network Connectivity则利用人工智能来检测和纠正错误,并防止此类问题再次发生。
GE发布的新套件中的最后一款产品是Effective Inertia,该产品提供了对传输系统操作的更高可视性。GE表示,这一点对于可再生能源供应商来说尤为重要,因为他们通常会遇到“系统惯性位移,这是电网的一种属性,会在当电力不平衡时控制频率变化率”。
据GE称,传输系统的低效管理可能会导致停电故障,以及对电网运营商的巨额经济处罚。Effective Inertia的机器学习算法通过测量和预测系统惯性帮助确保电网变得更加稳定。
GE Digital首席执行官、GE Power首席数字官Steven Martin表示:“如今能源行业只利用了很小一部分的运营数据。我们的Grid Analytics能够让公用事业企业很好地利用更多数据,协调分配他们的网络和工作人员。”
去年,有报道称GE未能在所谓的“工业互联网”领域建立自己的领导地位。而GE Power利用基于AI分析改善电网运营之举,可能有望改变这一局面。
据报道,由于面对来自IBM和微软等大型软件公司的的激烈竞争,因此GE放弃了在这个领域的雄心壮志。然而,到目前为止,GE未能为其数字资产寻找到合适的买家,而如今GE发布这些新产品似乎仍然表明,他并没有抛弃这部分业务的打算。
Constellation Research分析师Holger Mueller表示,GE继续软件方面的开发并不令人感到奇怪,因为这是GE工业产品的一个重要组成部分。Mueller说:“对于GE来说唯一的选择就是合作伙伴,但显然他们尚未找到一个合适的选择。也就是说,这些新功能的定位相当保守,因为十多年前‘预测分析’就已经流行起来了,不过这次推出的新功能仍然能带来一些价值。”
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。