由 dawei
从有闭门造车之嫌的数据模型优化，到深度融入各行各业， 蛰伏五十年后，人工智能行业进入快速爆发期。
在能源领域，这种深度参与表现得尤为明显， 无论是保障能源安全，还是助力清洁能源消纳， 人工智能都在扮演越来越重要的角色。
2012年以前，人工智能技术还很难做到图像识别后即时处理。近年来，人工智能技术已经步入“深水区”，智能家居、智能穿戴等已走进寻常百姓家，更加深度的应用诸如AlphaGo、无人汽车也在展现人工智能的实力。
相较于生活场景，人工智能在能源领域的应用更偏向数据导向。以发电领域为例，以往数据可能仅仅来自于火电、水电、核电这类发电量大且相对稳定的电厂。近几年，风电、光伏等新能源发电项目快速增长，这些新能源项目有的尽管规模很小，但数据量仍然很大。或大或小的项目，产生了可观的数据，并成为人工智能快速发展的数据基矗
这些数据可能是结构化的，比如在某一个时刻的发电量、输电量，也可能是非结构化的，比如一张照片、一段录音。在数据越来越集中的当下，数据处理对于人工智能的依赖性大大增强；同时，人工智能也需要数据来完善其准确性与可靠性。
两类养料 均不可少
人工智能需要海量的数据来“喂养”。如果把人工智能看成一个嗷嗷待哺的婴儿，某一领域的海量数据就是“喂养”它的奶粉。奶粉的数量决定了婴儿能否长大，而奶粉的质量则决定了婴儿的智力发育水平。
最开始，我们用结构化数据“喂养”。传统的数据都有确定的格式，它们属于结构化的数据，能够在数据库里面查找，可以通过传统大数据的处理方式，比如回归、拟合、分类或者降维，寻找数据内的规律、描述数据的情况，用于下一步的预测和分析。