1 Insights into Scaling Virtual Power Plants Real-World Findings for Successful Deployment January 2025 Angela Long (Rockcress Consulting) Ryan Long (Rockcress Consulting) Smith, Puget Sound Energy 5 5 REAL-WORLD FINDINGS FOR SUCCESSFUL DEPLOYMENT Insights into Scaling Virtual Power Plants Executive Summary Introduction Leadership Investments Planning Case Studies Introduction Leadership Investments Planning Case Studies Appendices Introduction This project, Scaling VPPs: Insights, Profiles and Inventory, seeks to overcome several challenges of accelerating the

2 ables, thresholds for dangerous AI capabilities, and voluntary risk management policies for scaling AI capabilities. The workshop proceedings synthesize insights from these sessions, outline the methodology seeks to continuously measure dangerous model capabili- ties, allowing for the development of scaling laws and appropriate mitigations. Unlocking AI Capabilities Regarding unlocking model capabilities dialogues, and considering the insights and innovations of the private sector. Responsible Capability Scaling Gradient of Risks and Benefits This dialogue examined the feasibility and implica- tions of establishing

万卡，占全国万卡集群的 58%。 （二）海外加快十万/百万卡集群演进，跨地域的多节点协同部 署成为新方向。 一方面，规模定律（Scaling Law）依然有效，海外科技巨头积 极建设十万/百万卡级集群。以美国为代表的算力资源较充沛的国家 依然延续 scaling law 路径，利用十万卡集群推动其在基座大模型、 智能算法研发，以及生态服务等方面的技术创新，如谷歌已利用十万 卡自研 TPU

between 0 and 1 and satisfy wh + wf + wn = 1, ˜Cn,e, ˜Ch,e, ˜Cf,e are normalized costs. The prior scaling of the objectives are mandatory to make them comparable. Min-max normalization is used in this study:

大语言模型的总体发展趋势 随着 GPT 系列模型的成功，人工智能界意识到扩大模型参数所带来的质变，即所谓的“涌现能力”。随 后人工智能界提出了模型性能随模型规模、训练数据等增加而改善的“拓展定律”（Scaling Law）。在拓展定 律的指导下，各大人工智能厂商不断提高模型参数量、训练数据量以及推理计算量；随之而来的巨大算力需求 和资本投入，引发了人工智能的投资热潮，并塑造了当今人工智能产业的竞争格局。 pp. 5–32. Kahneman, D. (2011). Thinking, fast and slow. macmillan. Kaplan, J. et al. (2020). Scaling Laws for Neural Language Models. Kok, T. de (2025). “ChatGPT for Textual Analysis? How to Use Generative

硬件资源弹性方案 根据业务波动动态调整资源： - 日常时 段：保持 70%基础资源占用 - 两会/年报期：自动扩容 50%计算节 点 - 夜间维护窗口：自动缩容至 30%资源 通过阿里云 Auto Scaling 实现分钟级扩容，成本较固定资源模 式降低 28%。所有优化措施需通过 A/B 测试验证，确保业务指标正 向增长后才全量上线。 10. 风险与应对措施 在政务系统接入 DeepSeek 构建智能体的过程中，需重点关注

衡资源无法相互通信； – 负载均衡绑定的外网 IP 网络隔离取决于用户物理网络的配置，如不 同的 Vlan 等。 4.3.10 弹性伸缩 4.3.10.1 概述 弹性伸缩（Auto Scaling）是指在业务需求增长时自动增加计算资源（虚拟机） 以保证计算能力，在业务需求下降时自动减少计算资源以节省成本；同时可结 合负载均衡及健康检查机制，满足请求量波动和业务量稳定的场景。 用户可

实施路径，已成为教育大模型建设亟待解决的重 要课题。 4.4.1 以算力、数据、算法的协同优化实现高算效和高能效 2020 年 1 月，OpenAI 基于长期研究与实践提出了“规模法则（Scaling Law）”：通过持续增加模型规模、 扩充训练数据量以及投入更多计算资源，能够显著提升人工智能模型的性能表现。因其直观的“投入越多、效 果越好”特性，被 OpenAI 等头部企业和美国 AI

前状况和上次执行快照时的状况之间的差异。对该磁盘再次创建快照时，原磁盘 和当前增量磁盘均被置为只读，系统会在数据存储中再创建一个增量磁盘。 （9）视频组件弹性伸缩 视频组件弹性伸缩（Auto Scaling）将虚拟机的弹性伸缩和应用组件的弹性伸 缩进行对接，提供应用级的弹性伸缩能力。可根据用户的业务需求和预设策略， 自动调整其弹性计算资源的服务。使虚拟机数量可自动随业务负载增长而增加， 随业

的负载均衡资源无法相互通信； – 负载均衡绑定的外网 IP 网络隔离取决于用户物理网络 的配置，如不同的 Vlan 等。 4.3.10 弹性伸缩 4.3.10.1 概述 弹性伸缩（Auto Scaling）是指在业务需求增长时自动增加计 算资源（虚拟机）以保证计算能力，在业务需求下降时自动减 少计算资源以节省成本；同时可结合负载均衡及健康检查机制， 满足请求量波动和业务量稳定的场景。 用