中国储能网讯：近年来，人工智能被视为推动产业变革的战略性技术。为了紧握大模型技术革新带来的时代红利，能源企业将充分发挥头雁效应，打造行业人工智能顶层设计与应用先行融合发展新模式。在顶层设计中，充分考虑企业特色，构建大小模型协同、通专模型结合的多层级大模型新体系；在应用先行中，优先选择业务价值高且技术成熟的场景先行先试，小切口实现大纵深，验证场景效果，实践应用集团集中训练与区域分布推理的新机制。

双轮驱动，加快应用

一方面，政策持续加码，加速推动能源行业智能化。全国各省市也同期发布了人工智能助力能源行业高质量发展的地方政策文件。《北京市推动“人工智能+”行动计划（2024—2025年）》提出建设大模型电力管理与规划平台，用于电力智能巡检、优化调度、故障诊断等；《成都市人工智能产业高质量发展三年行动计划（2024—2026年）》，将“提供充足能源保障”作为重点任务之一，加速构建“立体双环”网架结构，推动调峰电站、虚拟电厂建设；《广东省关于人工智能赋能千行百业的若干措施》提出多方融合共建智慧能源，加快人工智能与电力工业、能源互联网等装备及系统的融合应用。

另一方面，基础技术革新，大跨步迈入大模型时代。大模型技术引领科技革命，2024年诺贝尔物理学奖授予人工智能领域科学家，凸显其基础研究的重要性。自ChatGPT问世，大模型技术呈爆发式增长。

2024年，国际层面，OpenAI发布推理模型o3，提升AI推理能力，并推出 Sora 生成逼真视频；谷歌整合团队推出Gemini2.0，深耕多模态能力；在国内，“百模大战”激烈，众多大模型涌现。在C端市场，字节跳动的豆包凭借丰富知识储备和高效交互能力服务用户，小米的 kimi 在智能家居场景表现出色。在B端市场，《中国大模型中标项目监测报告（2024）》的数据显示，大模型落地速度正在逐月加快，中标金额快速上升。2024年1月，可统计的大模型中标项目有10个，当年年底，市场披露的大模型中标数量接近400个；中标金额也从1月的282万元升至年底的超25亿元。分析显示，2025年大模型落地应用速度将进一步加快，真正的应用淘汰赛也将揭开序幕。

顶层设计，多维统筹

在顶层设计方面，能源企业应从总部或集团层面统筹人工智能工作，从建算力、理数据、训模型、保安全、精运营多维度统筹考虑。

建算力的重点在于异构算力、异地算力的集约化统筹纳管。通过贯彻执行国产化升级路线，实现不同国产化厂商的算力资源统一调度。加强异地算力中心统筹管理，构建算力网络，实现就近计算。

理数据的重点在于高质量语料的收集与配比以及数据权责。依托集团平台的数据预处理、标注工具套件，沉淀行业数据和专属数据资产，包括原始数据集、预训练数据集、微调样本集、测试样本集、回流结果集等多类形态，面向全集团提供数据共享集市，在集团生态内构建高质量数据集的数据飞轮。

训模型的重点在于多种类模型选择、多层级模型的实施规划。通过统一规划多种类、多层级的大模型体系，在L0基础大模型（语言大模型、多模态大模型、时序预测大模型等）之上构建大模型体系，包括L1级能源行业大模型、L2级领域大模型（如风、光、水、火、核电大模型等）、L3级场景大模型（如设备运检、安全生产、调度值班、功率预测等），并拟定牵头主责单位。

保安全的重点在于大模型的数据与模型的安全保障。通过构建完善的大模型安全防护体系防范注入攻击和隐私泄露。数据层面，构建专属数据管理体系，分级分类存储，严控访问权限，确保数据全流程加密；模型层面，部署安全隔离环境，定期更新模型补丁，引入监测系统实时预警异常，加强内部人员培训，提升安全意识。

精运营的重点在于集团与产业单位以及区域公司的分工协作。通过构建人工智能整体运营体系，在基础要素运营、业务运营、人才运营、生态运营四方面持续发力。基础要素运营主要覆盖算力、数据、算法模型的资源一体化运营；业务运营以场景需求为驱动，丰富模型能力谱系，牵引人工智能应用研发；人才运营打造一批懂业务懂技术的“人工智能+能源”的专业人才梯队；生态运营通过整合自身及第三方资源形成AI生态，打造行业标杆应用，面向全产业链赋能升级。

应用先行，协同赋能

在场景应用先行试点方面，能源企业总部或集团层面需要从业务价值和技术成熟度两个维度进行评估。从业务价值维度来看，主要评估应用场景是否能够切实解决能源企业的实际业务问题，带来明显的经济效益或社会效益。从技术成熟度维度来看，要评估所采用的人工智能技术是否已经相对成熟，是否能够稳定可靠地运行。

经过对能源行业200多项场景应用的研究分析，在检维修引导式排查、设备故障诊断维护、经营生产报告生成、运行调度值班预警、安全巡检智能预警、能源营销智能客服、行业情报混域检索、多模态安全培训等20余项场景适合先行试点。以某能源企业在风电场的人工智能应用试点为例，其核心试点场景为风机叶片故障诊断。通过在风机上安装传感器，采集叶片的振动、温度等数据，利用人工智能模型进行分析，提供引导式故障排查建议，实现快速排查报警原因、成因追踪解析、检修溯源与规程引用、检维修报告智能生成。有效减少了风机因叶片故障停机的时间，提高了风电场的发电效率，每年可为企业带来数百万元的经济效益。

大模型作为中枢统筹调度视觉图像、科学计算、语音识别、图文识别等传统小模型能力，形成合力，共同赋能。在能源生产监测方面，大模型可以接收来自各个小模型的信息，如视觉图像小模型采集的生产设备外观图像、科学计算小模型分析的生产参数等，然后进行综合处理。例如，大模型可以根据视觉图像小模型发现的设备外观异常情况，结合科学计算小模型提供的设备运行参数，准确判断设备是否存在故障隐患，以及故障的严重程度，从而及时采取措施进行维修。

基于通用L0级别大模型，构建L1行业大模型、L2领域大模型、L3场景大模型体系，打造多层级专用大模型，提高专用场景的准确率，同时通用大模型兜底回答。

以2024年中国石油发布的昆仑大模型为例，创新提出了四层大模型架构体系。L0通用大模型具备基本的自然语言处理、逻辑推理、视觉分析、多模态识别、科学计算等能力。L1行业大模型针对石油行业的特点，对能源化工的相关知识进行了深入学习。L2领域大模型进一步聚焦于地震处理、测井处理、炼化装置等专业领域，打造一批具备专业特色的大模型。L3场景大模型则是针对具体的应用场景，如常减压装置、地震研究、试验测试、地质工程、设备完好性检查等进行微调训练，打造一系列大模型场景应用助手。

集中训练，分布推理

在预训练方面，能源企业总部或集团层面应负责集中训练，构建 L0基础大模型，搭建统一训练工具链，收集共享高质量数据集，提供统一算力环境。利用总部优势，整合各业务环节数据，为大模型训练提供充足资源，提升训练效率和质量。

产业单位和区域公司进行分布推理，在集团基础上训练专用大模型，通过云边协同实现分布式部署和推理，就近计算。同时，回流推理结果，实现模型迭代演进。以某能源企业区域公司为例，基于集团基础大模型，训练新能源设备检维修专属模型，通过云边协同部署，回流结果优化模型，形成良性循环。

随着技术发展，人工智能与能源行业融合前景广阔。在技术层面，未来大模型多模态融合将更精细化。当前，多模态融合在能源场景应用还有提升空间，未来有望在能源生产现场同时处理设备图像、声音、运行参数等多模态信息，实现精准设备状态监测和故障诊断。

人工智能算法也将持续优化，深度推理大模型提升了边端有限算力下数学计算相关算法模型的准确率。例如，在新能源发电功率预测方面，通过引入时序大模型与深度学习算法构建组合模型，在长三角新能源场站试点，月均短期发电功率预测准确率提高 5%，为单场站节省百万元成本。

人工智能与能源行业的融合在政策和技术的推动下已取得显著进展，能源企业通过积极探索实践，形成了有效的发展模式。未来，随着技术的不断进步，二者融合将在能源行业发挥更大作用，推动能源行业向智能化、高效化、绿色化发展，为构建现代化经济体系提供有力支撑。

  （作者系科大讯飞羚羊工业电力行业解决方案总监。编辑：王伟）