工业大模型有了国标:AI进电厂,先过这四道硬门槛

2026年7月30日，GB/Z 203—2026《人工智能 工业大模型技术要求》发布。这是第一份给"工业大模型"立规矩的国家标准，从预训练、微调、推理到部署，四个环节全部给出量化指标。对正在往电厂、电网、售电公司里塞AI的厂商和业主来说，这份文件就是未来的采购清单和验收KPI。

图一　架构总图

图二　四环节总览

先分清"应"和"宜"：一个字，两种合同后果

全文通读下来，最值得注意的不是某个数字，而是措辞："应"是底线要求，"宜"是加分项。把两类条款分开数一下，预训练环节"应"最多——说明数据底子是第一道关；部署环节量化数字最密集——说明落地验收最容易扯皮。

图三　应宜分布

采购技术规范书里，"应"条款逐条对应验收测试项，不满足就是不合格；"宜"条款才是商务谈判里可以换价钱的弹性空间。分不清这两个字，签合同时就已经输了。

四道硬门槛，条条指向电力场景

标准把工业大模型拆成四个环节，每个环节的"应"条款翻译成大白话，就是四道门槛：

·预训练门槛：多模态数据至少覆盖2种及以上模态——工业时序数据（DCS/SCADA曲线）、CAD/CAE文件、机器指令、工业图像，缺了不叫工业大模型；还要支持电力、钢铁、石化等跨行业预训练；

·微调门槛：任务指令集不少于5种——设备健康诊断、生产调度优化、参数调控这些电力行业最关心的任务被直接点名；行业知识微调必须支持LoRA等高效微调方法；

·推理门槛：必须支持RAG检索增强，且要"具备知识库动态更新与版本管理"——模型 hallucinate 一次设备操作建议的代价，在电厂里可能是非停；

·部署门槛：私有化部署的量化指标最扎眼——推理服务器内存带宽≥800 GB/s、TSN网络数据同步精度≤2 μs、蒸馏小模型处理实时数据延迟≤100 ms、云平台日志保留≥3年。

图四　硬指标清单

把这四个数字放进电力场景就明白分量了：100 ms延迟对应的是AGC和快频调节的时间尺度，2 μs同步精度对应的是PMU级量测。标准起草单位里有清华四川能源互联网研究院、石化盈科、中控技术——写的明摆着就是流程工业和能源行业的验收语言。

大小模型协同：电厂AI最可能先落地的一条

第7.2节专门规定了"工业大小模型协同推理"：基座大模型管知识、推理和规划，专用小模型管现场实时控制，按任务复杂度和时延要求动态调度，还鼓励"蒸馏机制"把大模型能力迁移给小模型。

图五　大小模型协同

图六　关键技术层

这正是电厂AI的合理架构：大模型做运行分析、缺陷诊断、检修策略推荐；小模型接进现控做实时调节。之前各家试点系统五花八门，这份标准给了统一的接口和调度框架描述——选型时可以拿7.2节的a)~f)逐条对标。

一个可验证的判断：GB/Z 203会成为"十五五"期间电厂和电网侧AI项目技术规范书的默认引用文件——就像当年的等保2.0之于信息化项目。理由有三条：

·对发电企业：招标时终于有了逐条验收的依据，"你们模型是不是工业大模型"从嘴仗变成对条款；

·对AI厂商：800 GB/s、100 ms这些数字会直接抬高硬件选型门槛，纯软件团队必须提前绑定硬件伙伴；

·对售电与交易团队：7.1节RAG的"知识溯源与引用"要求，恰好是报价辅助工具合规化的技术基础——每一条报价建议都能标注数据来源，这在监管越来越细的现货市场里不是加分项，是入场券。

标准是指导性技术文件（GB/Z），不强制。但参考第一批试点省现货规则的经验：指导性文件先用，用的人多了，就成了事实门槛。