2024年4月22日，NREL的4名科学家在nature energy期刊上发表了论文《人工智能 AI 辅助风电场优化，用于美国全境范围内的土地利用和尾流转向（wake steering）的经济效益评估》。
既然这篇论文用到的研究方法是AI，那借此机会，正好测试一下现在整天宣传的AI读论文的效果。注：以下内容总结的文字均由AI大模型生成，少量字词由人工修改（风电厂→风电场，风力涡轮机→风力发电机）。文末对AI读论文这个功能谈谈自己的看法。
内容总结
这篇文章的核心内容是关于如何利用人工智能（AI）辅助的风电场优化方法，来评估在美国超过6800个可能的陆上风电场位置使用尾流转向技术的土地节约和经济效益。尾流转向是一种新兴的控制策略，它通过指导风力发电机的尾流来优化整个风电场的能量生产。
研究团队提出了一种可扩展的AI模型，该模型基于工程尾流模拟训练，以评估土地利用和经济效益。主要发现包括：
整个优化工作流程的示意图
1
通过AI模型训练的工程尾流模拟，发现使用尾流转向技术可以平均减少每个风电场18%的土地需求，具体效益因地点而异，从2%到34%不等。
2
尾流转向技术预计在高价值（相对较低风速）时段增加电力生产，提高个别风电场的年收入高达370万美元。
3
地理潜力的考虑揭示了在改善经济和选址灵活性方面的不同全国前景。
4
尾流转向技术在土地受限位置的风电场以及具有更大容量的风电场中效益最大；而在机组间距不那么受限的环境中，其边际经济效益可能较小。
风电场优化目标的关键组成部分的说明
5
通过评估尾流转向技术的地理潜力，研究强调了这项技术在解决系统级能源转型挑战方面能力和局限性。
6
研究使用了美国国家可再生能源实验室（NREL）开发的区域能源部署系统（ReEDS）模型，这是一个高空间分辨率的容量规划模型，用于通知电力部门投资情景。
7
文章还讨论了使用AI替代模型（WPGNN）的必要性，这是一个快速可微的图神经网络模型，它在FLORIS模拟数据库上进行训练，能够高效地评估风电场设计参数和操作的各种组合的功率输出和成本数量。
WPGNN模型的原理图
8
尾流转向技术对于风电场的设计、运营和降低发电成本具有重要意义，并对风能行业和能源转型的社会挑战有更广泛的影响。
9
风能作为清洁能源途径的一部分，需要大规模增加风能的地理可行性创新，以支持在多样化地点的建设。
10
风能技术性能、设计和风险的重要方面是位置依赖的，因此，预测技术的最大影响和效益发生地点是迫切需要的。
你对上面AI生成的内容打几分？我的回答是60分（满分100）。虽然能够明白论文的大致意思，但是很多句子不通顺不明所以，明显能感觉到有些词是强行翻译过来的。
作为一个受到传统工科训练的工程师，我个人认为AI只能解决低级任务。尽管这篇Nature子刊论文用了AI，作为一个AI的外行，我看不懂这篇论文，AI 搞科研究竟是事半功倍还是徒有其表？不敢妄加评判，也许时间会给我们答案。
但是，至少对于“读论文”这个看起来低门槛的任务，当前AI的能力并不能令人满意。看来，真正搞研究还是要踏踏实实地坐冷板凳，不要总想着走捷径！
参考文献
[1]论文相关代码可在Github免费下载：
https://doi.org/10.11578/dc.20220509.2
[2] https://www.nature.com/articles/s41560-024-01516-8
[3] Harrison-Atlas, D., Glaws, A., King, R.N. et al. Artificial intelligence-aided wind plant optimization for nationwide evaluation of land use and economic benefits of wake steering. Nat Energy (2024). https://doi.org/10.1038/s41560-024-01516-8
