當前位置：首頁(yè) » 專(zhuān)題報道 » 第八屆數字中國建設峰會(huì ) » 嘉賓觀(guān)點(diǎn)
數據驅動(dòng)與因果驅動(dòng)的雙向賦能
2025年06月06日 14:07 來(lái)源：數字中國 【打印】 
尊敬的領(lǐng)導、各位來(lái)賓，我今天匯報的題目是《數據驅動(dòng)和因果驅動(dòng)的雙向賦能》。
匯報分成四個(gè)部分：
一、信息－物理－社會(huì )系統 （CPSS）
我們知道電力系統經(jīng)過(guò)了很長(cháng)的時(shí)間，在智能電網(wǎng)方面進(jìn)行了很多研究工作和應用，為了溝通電力系統在智能電網(wǎng)中的研究工作和其他的領(lǐng)域之間的關(guān)系，我在IEEE總刊上發(fā)了一篇文章，介紹了中國提出來(lái)的CPSSE （信息C - 物理P - 社會(huì )S - 系統S概念下的，能源 E – 環(huán)境 E – 經(jīng)濟 E協(xié)同發(fā)展）的框架，這個(gè)觀(guān)點(diǎn)性的文章發(fā)表在IEEE總刊觀(guān)點(diǎn)性欄目，欄目創(chuàng )立到現在近十年，能源領(lǐng)域一共有7篇左右的文章，中國機構僅有一篇，這篇文章闡述了我國的電網(wǎng)、電力走過(guò)了智能電網(wǎng)的道路，擴展到非電力的能源系統和非能源的物理系統，并且在不斷繼續擴展中。
未來(lái)在以前的成果擴大基礎上還要增加第三維的信息，社會(huì )系統包括政策以及人的行為等。這個(gè)開(kāi)放的因素會(huì )越來(lái)越重要，我們知道電力系統是能源鏈中的核心環(huán)節，是溝通可再生能源和終端能源的革命，所以在支撐經(jīng)濟社會(huì )發(fā)展的同時(shí)，電力系統和能源鏈也是對于大氣中以二氧化碳為代表的溫室氣體的主要負責源頭之一。
二、確定性模型整體還原（WRT）
研究復雜系統之間的關(guān)系和正確引導政策制定，由此看到智能電網(wǎng)的概念實(shí)際就是針對行業(yè)能源中的核心環(huán)節，融合一個(gè)學(xué)科，包括Cyber和Physical，所以我們就形成了CPSP電力系統所講的智能電網(wǎng)的概念。
隨著(zhù)開(kāi)放的新型電力系統和新型的能源體系的方向明確以后，我們在行業(yè)中就要擴展全部的能源鏈，引入環(huán)境鏈和經(jīng)濟鏈；在學(xué)科方面，除了在Cyber和Physical兩個(gè)領(lǐng)域之中，我們還要增加社會(huì )因素，改革的時(shí)候離不開(kāi)政策的引導也離不開(kāi)每個(gè)參與者的行為方法。
對于本來(lái)已經(jīng)非常復雜的系統，因為引入了新的因素，使得復雜的系統變得更加復雜。下面講的是確定性的模型是進(jìn)行研究的方法。
可以看到，復雜的系統是在一個(gè)非常高維空間當中隨著(zhù)時(shí)間變化的，對于非線(xiàn)性系統來(lái)講，二維的非線(xiàn)性系統才可以量化求解。要達到一個(gè)較好的科學(xué)管理和控制效果，一定要解決從高維空間中轉化到二維平面上的數學(xué)問(wèn)題。數學(xué)模型是可以降階的，哪怕降一階，在大多數情況下可以接受，特殊情況下就會(huì )迎來(lái)比較大的風(fēng)險，近幾百年來(lái)人類(lèi)在整個(gè)認知里貫穿的都是如何認識復雜的問(wèn)題，在近40年當中，中國科學(xué)家解決了這樣的問(wèn)題。
我們在生產(chǎn)機械零件的時(shí)候，例如軸承蓋，這個(gè)過(guò)程它并不是在三維空間進(jìn)行的，而是在幾何視圖投影平面進(jìn)行的，按照這三個(gè)平面中制造出來(lái)的零部件完全符合原來(lái)的設想，這些信息完全保留。這個(gè)例子啟發(fā)我們，高維空間上的信息是能夠降階的，我們通常說(shuō)，在空間中丟失一個(gè)維度是不同的，而是將一個(gè)高維系統降到三個(gè)層面來(lái)討論。物理系統中四維、五維，可以用視圖表示，狀態(tài)空間可以在線(xiàn)性空間表現出來(lái)。拓展一下，以四維的空間為例，在數學(xué)空間當中可以在三維空間里再增加一個(gè)平面，就可以把新的變量多元到原來(lái)的系統中。
我們分析整個(gè)系統的時(shí)候，在每一個(gè)平面系統上并沒(méi)有得到完整信息。以俯視圖為例，這個(gè)圓到底是一個(gè)洞還是柱子看不出來(lái)，只有在其他維度上把它補充上來(lái)，如果要把全部的信息都保存在俯視圖上，我們可以用顏色的深淺來(lái)反映高度信息，可以在這個(gè)平面包含整個(gè)信息。
三維很好利用，我們可以在中國的衛星影像上看到海拔高度隨著(zhù)平面點(diǎn)的變化而變化。如果說(shuō)增加一個(gè)維度應該怎么辦，就提出了把一個(gè)復雜系統、一個(gè)新的觀(guān)點(diǎn)分成兩個(gè)部分。
一個(gè)部分就是脫離具體的系統，還有一個(gè)部分就是指導問(wèn)題研究來(lái)支撐它。
第二，時(shí)間的切片可以把非線(xiàn)性和時(shí)變性變成定長(cháng)的線(xiàn)性化，然后再進(jìn)行分析，因為橋梁映射是一個(gè)線(xiàn)性的矩陣，是可以進(jìn)行變換的，經(jīng)過(guò)理論證明，可以完全保留原來(lái)的性質(zhì)。
三、 基于符號串的預訓練 （SPT）
對于具體問(wèn)題來(lái)講，在這樣的認識中要提供模型，要保證映射中的推導、映射的矩陣，另外還要求分段的線(xiàn)性化深層次知識的提取。把這樣的概念應用到實(shí)際的復雜系統中，對于空間來(lái)講是分成不同的行為模式，在時(shí)間上分成不同的時(shí)間段，在矩陣中把模式是怎么隨著(zhù)時(shí)間變化表示出來(lái)了，就可以把它的微結構表示出來(lái)。
信息通過(guò)映射的方法映射到用光點(diǎn)來(lái)表示的時(shí)候，是不丟失的，這樣一個(gè)概念用在了我讀博士學(xué)位時(shí)創(chuàng )立的面積法則，這個(gè)方法是迄今為止國際上唯一一個(gè)得到嚴格證明的理論，并且得到大規模應用的量化方法，成功地支撐了電力防御系統。但是這碰到了兩個(gè)本質(zhì)上的困難。
第一個(gè)困難雖能?chē)栏袂蠼獯_定性的復雜系，難以應對高維不確定性。原來(lái)我們研究的電力系統，是把它的注入量和受到的擾動(dòng)設定為已知，隨著(zhù)電力系統的開(kāi)放、外部的一次能源的變化和自然界的極端災害，包括日常管理、通信系統、人才的適應性和水平都會(huì )影響電力系統的正常運行，反過(guò)來(lái)電力系統的任何擾動(dòng)也會(huì )影響到身邊環(huán)境。
第二個(gè)困難雖能揭示系統模型的行為機制，但并不是客觀(guān)系統的行為機制。我剛才介紹解決的問(wèn)題和顏色的部分邊界條件和擾動(dòng)情況是給定的，可以分析它并且把對策優(yōu)化出來(lái)。這么高維的非線(xiàn)性的東西都是組合的，你如何指定確定性的分析邊界條件這個(gè)問(wèn)題到現在都沒(méi)有很好解決，我們的目的是希望經(jīng)過(guò)我們的分析能夠反映實(shí)際的客觀(guān)系統的規律性。但是我們現在沒(méi)有辦法做到，實(shí)際上研究的是把客觀(guān)的復雜系統變成一個(gè)數學(xué)模型，是去研究一個(gè)數學(xué)模型的行為，這個(gè)部分是我們認識中已經(jīng)解決的。
剛才所介紹的整體還原論的理論，也是我國科學(xué)家在國際上首創(chuàng )的，能夠把整體論和還原論結合起來(lái)的，并不能夠保證模型反映客觀(guān)協(xié)同，問(wèn)題也沒(méi)有解決。這兩個(gè)問(wèn)題本質(zhì)的缺陷都可以溯源到原因，沒(méi)有辦法有效地顧及復雜的不確定因素影響，這個(gè)對我們因果驅動(dòng)來(lái)講沒(méi)有辦法做到，恰恰是人工智能，特別是語(yǔ)言模型的一個(gè)長(cháng)處。我們知道大語(yǔ)言模型實(shí)際是反映了條件概率的分布問(wèn)題，可以根據前面詞匯的順序預測后面的詞匯，就可以在大規模的文本語(yǔ)料中進(jìn)行預訓練和微調，進(jìn)行深度強化學(xué)習，這個(gè)方法已經(jīng)是得到廣泛的應用，具有非常強大的能力，并且也在不斷地快速發(fā)展當中。
WRT的這兩個(gè)本質(zhì)局限性都可以溯源到：難以有效計及復雜不確定性因素的影響，而基于統計學(xué)及概率論的AI 技術(shù)則適合于處理不確定性，這種方法和AI技術(shù)也都遺傳了本質(zhì)的局限性，數據和語(yǔ)料的可信度，另外在不同場(chǎng)景的泛化性和可解釋性都比較差。
在電力系統這樣非常嚴格地要求可靠性和可追溯性的情況下能不能應用大模型就成為我們要解決的主要問(wèn)題了。
因此，我引入了這個(gè)主題，探討如何將原本的整體還原論視為一種嚴格的數學(xué)方法，進(jìn)而解析其中的機制并最終加以驗證。該方法在底層由非常堅實(shí)的因果關(guān)系驅動(dòng)。然而，在計算初始條件時(shí)存在一定的不確定性。例如，對于大語(yǔ)言模型或電力系統，我們提出的觀(guān)點(diǎn)不能簡(jiǎn)單地照搬大語(yǔ)言模型的做法。相反，我們提出了一種符號串預訓練技術(shù)，其基本概念與大語(yǔ)言模型非常相似，并且受其啟發(fā)。然而，我們的方法不僅僅是給出一個(gè)結論，而是提供一系列可能的潛在風(fēng)險結論。這是我們目前正在進(jìn)行的一項新的研究工作，旨在將前述的兩種方法綜合成一種新的方法。這張圖，表示的是因果算法和機器學(xué)習之間是怎么樣進(jìn)行算力賦能的框架。這里面每個(gè)箭頭都是對另外一側思維方法的支撐，可以分別介紹一下。
四、SPT的統計觀(guān)+WRT的機制觀(guān)
從1986年開(kāi)始我開(kāi)始在EEAC 算法中探索因果與AI 思維的融合，并不斷完善后廣泛應用于國內外的電力工程，我們把因果模型轉化成積分的時(shí)候，完整的積分就是算子，可以把一個(gè)模型所有的信息和參數、故障反映在軌跡上，近百年的研究工作就止于這里，得到這個(gè)模型，后面工作就是靠人的解釋和經(jīng)驗解讀，但是這條路走不通，研究進(jìn)展因此停滯。我們提出了一種方法，求出曲線(xiàn)并進(jìn)行量化分析，從而突破了局限，在參數條件和故障場(chǎng)景給定的情況下可以量化分析了。但是，對于未來(lái)尚未發(fā)生的事件，我無(wú)法確定在何種系統參數和故障場(chǎng)景下進(jìn)行分析。因此，如果是基于因果驅動(dòng)的方法，我們很難在龐大的空間中找到應關(guān)注的重點(diǎn)。我們希望利用人工智能來(lái)解決這個(gè)關(guān)注度的問(wèn)題，在極其復雜的環(huán)境中，找到在未來(lái)短時(shí)間內或特定時(shí)間段內應關(guān)注系統的哪個(gè)部分。這是我們當前需要解決的關(guān)鍵問(wèn)題。
在這個(gè)過(guò)程中，我利用了大量機器學(xué)習方法。雖然當時(shí)我對其了解不深，也不完全理解自己所做工作的本質(zhì)，但憑借工程直覺(jué)，我對軌跡進(jìn)行了分解，并在一個(gè)二維等值平面上將量化結果進(jìn)行可視化，然后再將這些結果聚合起來(lái)，從而解決了原方案中的問(wèn)題。經(jīng)過(guò)這20多年的努力，我們已經(jīng)有了國際上唯一的工程化軟件，在國外，使用的都是20世紀末的出口軟件，后來(lái)因為種種關(guān)系，他們擔心我們軟件沒(méi)把源碼給他們，他們就不愿意采用，我們也不愿意把我們的研究結果再輸出了，所以我們是遙遙領(lǐng)先于國外的水平。
在因果（EEAC）算法中，我們還可以引入人工智能因素，以協(xié)調因果關(guān)系的精度和適度。例如，我們有許多不同的近似因果算法。在使用積分時(shí)，可以通過(guò)不同的積分補償方法來(lái)獲得不同的精度。如果采用較大的積分補償，雖然無(wú)法得到嚴格的積分結果，但可以得到一個(gè)近似的結果。如果我改用大補償，用另一個(gè)更大一點(diǎn)的稍微修正一下，得到兩個(gè)結果我就塑造到AI中去，如果剛才兩個(gè)信號的差別很小，就意味著(zhù)這個(gè)案例對補償是不敏感的，所以我們可以直接按照近似的解來(lái)判斷穩定性，如果發(fā)現這兩個(gè)補償改變以后結果曲線(xiàn)變化很大，就可以結合這樣一個(gè)嚴格的因果算法，經(jīng)過(guò)嚴格算法輸出一個(gè)非常精確的結果。但是需要比較多的計算量，這樣的方法就可以使天文數字這樣的算力得到比較好地轉化。
在A(yíng)I中，我們也可以利用因果關(guān)系算法中得到的中間結果，例如每個(gè)節點(diǎn)的注入量。由于涉及幾十萬(wàn)個(gè)變量，獲取的信息質(zhì)量往往較差，因為難以確保所取的變量是關(guān)鍵變量。這些變量會(huì )隨著(zhù)不同的擾動(dòng)而變化，使得確定關(guān)鍵變量變得復雜。如果我們把信息綜合下因果關(guān)系用Y來(lái)表達它的注入量和拓撲結構，那么這個(gè)Y中的信息量就大大減少了，這是我們如何用因果關(guān)系幫助我們機器學(xué)習的例子。
解決了算法層次上如何把人工智能和因果驅動(dòng)兩者進(jìn)行結合后，在宏觀(guān)上探討這兩者之間是否存在互補的地方。為此我們提出一個(gè)新的做法，現在研究團隊正在全力做這個(gè)工作。
這個(gè)工作我們使用確定性的整體還原，保證出口只要在你給定的條件下，它的出口是嚴格的，可以使用數學(xué)證明的，剛才講到，第一，外界情況是變化的，比如臺風(fēng)經(jīng)過(guò)福建的時(shí)候，是動(dòng)態(tài)的可能轉向，如果希望提前知道15分鐘的情況，哪些線(xiàn)路處在核心區域、高強度的臺風(fēng)區域中，按照實(shí)際的臺風(fēng)走向，理清楚哪些線(xiàn)路風(fēng)險最高，用這個(gè)東西從大到小進(jìn)行風(fēng)險排序，排成一系列確定性場(chǎng)景，人工智能起到的作用就是把高維的不確定性因素降維到一大批確定性的問(wèn)題來(lái)解決，底層是有確定性的整體還原論保證出口的正確性，這是嚴格的，但是不確定性是靠人工智能捕獲我們的注意力應該在什么地方，所以這兩者結合就可以解決目前的難題，也就是說(shuō)如何在不確定性問(wèn)題的風(fēng)險決策中解決確定性問(wèn)題的決策。但是對不確定性的問(wèn)題需要做人工智能的幫助。
要打破現在的人工智能和語(yǔ)言模型的最大障礙，以電力系統為例，在嚴格控制要求情況下，需要解決的問(wèn)題是能夠把語(yǔ)言模型提供給確定性分析的模型仿真，發(fā)揮作用，這是兩層模型，下層是非常嚴格的因果量化保證，可以保證它的出口是完全精確的，并且可解釋的，但是故障系統的初始條件和考慮在什么擾動(dòng)情況下分析確定性，這個(gè)交給語(yǔ)言模型來(lái)做，希望很快就可以做出一個(gè)實(shí)際的效果。
直到現在，除了電力系統已經(jīng)得到了廣泛應用外，這些應用普遍存在一個(gè)局限性，即沒(méi)有結合嚴格性。
語(yǔ)言模型的出現使得我們重新反思了一下，解決一系列認識論中的協(xié)調過(guò)程，這些存在不同視角的協(xié)同，把兩個(gè)表面上非常矛盾地統一到一個(gè)框架里，這是我們正在做的非常宏偉的一個(gè)設想。這個(gè)設想在國際上都是第一次提出，也沒(méi)有其他方法在做。我們想到的就是用機器人的兩只眼睛觀(guān)測和左面、右面大腦分別主管不同的確定性分析和不確定性分析，這樣就可以攜手實(shí)現復雜系統的風(fēng)險決策。我們用底層嚴格的整體還原論來(lái)表達，但是，高層不確定性的部分由語(yǔ)言模型來(lái)做，整體還原論就從一般的經(jīng)驗性判斷擴展到非常嚴格的應用上面。
最后簡(jiǎn)單總結一下。
第一點(diǎn)我們處在一個(gè)發(fā)展動(dòng)態(tài)的社會(huì )當中，我們的對象越來(lái)越復雜，一定要在決策中從確定性分析提升到風(fēng)險性決策中去。第二點(diǎn)新型電力系統同CPSSE一樣，是這個(gè)領(lǐng)域的護航者。第三點(diǎn)CPSS-EEE是南瑞集團提出新型電力系統發(fā)展的優(yōu)化理論框架。第四點(diǎn)WRT是認識論中提出基礎理論。第五點(diǎn)如何把基礎理論和不確定性人工智能結合起來(lái)，以解決風(fēng)險性方法論，這是一個(gè)非常重要的問(wèn)題，特別是對電力系統，這些關(guān)鍵的技術(shù)中，不是只靠經(jīng)驗來(lái)解決問(wèn)題的時(shí)候，我們希望能夠找出一條新的路徑。
謝謝大家的關(guān)注。
（以上內容根據嘉賓發(fā)言速記整理）
