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

的骨干网络和接入网络，这为智算中心互联提供了得天独厚的网络优势，可以为用户提供低延迟、高带宽的 连接服务，尤其是在边缘计算场景下更具优势。 AI的发展依靠算力、算法和数据。OpenAI在2020年提出Scaling Laws（尺度法则）。对于基于trans- former的大模型而言，在AI训练中有以下结论：1）模型规模要大：即增加模型参数量、数据集和计算量， 就可以得到性能更优的模型。2）模型参数量

但在目前，这 种分离策略在性能、风险管理和模型训练效率 等方面展现出明显的优势。 具身智能学习进化能力的提升也在持续学习中 显现，伴随着不断的学习迭代，能够实现更多 跨场景的通用复杂任务。基于Scaling Law理论， 模型的性能会随着模型大小、数据集大小和计算 资源的增加而提高。通过将数据分为直接操作数 据、半模拟数据和海量互联网数据，采用多层级 的数据学习策略，从每种类型的数据中提取最有 价值的部分，增强了数据的利用效率。