夜雨聆风
内容已做精简，如需获取专家完整版课件和视频，请扫码领取。
01
十年前，我们围绕能源数字化，结合大数据与人工智能，提出了三大应用场景：
一是设备的可靠性管理，即预测性维护；二是从单体设备到整体系统的运行效率提升；三是由点及面，构建综合能源的能源互联网架构。
如今回看这套思路，既感亲切，也发现很多内容并未过时。能源电力行业极其庞大，从设备部件到源网荷各侧，涉及众多企业与环节。数智化在其中也是一个宏大的命题。今天，我们仅从有限的认识与实践出发，管中窥豹，分享对数智化的一些理解和看法。
十年间，我们每年都与大量能源行业企业合作，切身体会到行业发展非常迅速。
举个例子，就以源、网、荷三个环节来说。
发电侧，火电虽然仍是主力，但这十年大家更多在讨论深度调峰、低负荷稳定运行，以及如何满足绿色低碳的环保需求。风电方面，去年北京风能展上，大家热议“两海一沙”，尤其是如何出海、如何发展海上风电。机组也日趋大型化，十年前刚开始与风电企业合作时，还是1.5兆瓦、2兆瓦的机组，现在陆上已到十多兆瓦，海上更是超过20兆瓦。
水电方面，抽水蓄能发展极快，包括我们对雅鲁藏布江等流域的开发。如何在不同流域、不同来水条件下实现灵活调节和综合管理，尤其是兼顾防洪、救灾、大坝安全监测等职能，都是重要课题。
核电则始终安全优先，从三代堆到四代堆，规模化扩容的同时，还拓展了供热等多场景应用。
石油天然气领域，除了传统开采，非常规资源的开采和安全生产保障也愈发重要。
网侧，高比例新能源并网一直是电网的重点。电网友好性如何提升？大量风电并网后，冬季防灾抗灾怎么做？油气管道作为多输入、多输出的庞大网络，如何实现全局优化控制、供需两端智能匹配？这些始终是关键场景。
负荷侧，这几年国家推动园区分布式能源、多能互补、综合能源管理，企业在低碳、零碳目标下也在积极调整。
客观来说，并非所有场景都能用数字化解决。但今天提到的很多场景，未来发展都离不开数据，离不开智能化的辅助和支撑。过去十年如此，未来十年、二十年也是如此。能源行业，始终会是数字化转型升级的先锋和桥头堡。
所以我们认为，能源企业数字化转型“正当时”。过去几十年，能源行业已经做了大量的自动化和信息化工作，数字化的基础越来越好。现在，企业确实有了向智能化迈进的现实需求。
但我们也接触到不少企业，面对一波又一波的新技术，也会感到困惑和迷茫。我在给企业分享的时候，一直强调，抛开概念和热词，万变不离其宗的有两点。
第一，归根结底，我们要解决的是企业在实际生产运营过程中遇到的真实问题。
第二，在数字化时代，解决问题的手段，一定是以核心的资产数据为基础，以行业知识为重要积累和分析对象，构建起企业生产运营的智慧体系。
回过头来看，不管是十年前讲数字化，还是今天讲数字化，抛开IT或信息化技术，背后的本质对企业来说始终是：以核心业务为载体。
无论是上游的能源装备企业、能源业主，还是最终的用能企业，都要抓住自己的核心业务，围绕核心产品研发、核心资产的管理运营、用能耗能的优化，来展开相关工作。
02
我们跟很多工业企业交流，大家都很认可，未来数字化、人工智能一定是大方向。不像十多年前讲工业大数据，还得先解释什么是工业大数据、有什么特点。现在不需要了，企业都很认同。而且很多董事长、总经理、高层领导都非常支持。
现在真正的挑战在于，我也认同技术方向，也看清了行业挑战，但两者怎么结合？怎么找到一条适合自己落地的路？
所以我们和企业一起思考，跳出技术本身来看，为什么说能源电力是数字化的天然落地土壤？因为它的业务特质。
能源电力的特色是什么？过去这些年，我们本来就拥有非常复杂的生产系统或设备。比如火电，有燃烧系统、汽水系统、电气系统、环保岛；水电，有发电机层、水轮机层、涡壳层；核电，有一回路、二回路、三回路、四回路；油气管道，有各种压缩机、储油罐、分离器。
大量不同类型的生产设备，加上过去几十年自动化、信息化带来的海量数据，导致现在的挑战是：一方面要面对复杂的生产现场，另一方面需要分析决策的信息数据极多。海量的现场数据叠加海量的领域知识，已经超出了人脑的算力和存储能力。
结果就是，工业现场无论是运维检修、生产控制还是运行管理，更多还是靠人员的管理水平。而人的水平参差不齐，很多问题变成后知后觉、亡羊补牢。
所以我们核心在做的事情，不管是过去的数据分析，还是现在的大模型，本质都是，帮助现场的从业人员和业务专家，通过数字化技术把握生产现场的现状，围绕“人、机、料、法、环、测”的数据进行综合管理和分析，积累、沉淀、运用领域知识，把现场隐性的、非量化的定性知识转化为显性的量化知识，辅助生产决策。这就是我们在数字化过程中看到的一个很好的落脚点和切入点。
从我们的角度看，大模型技术更像是现场各个业务岗位或团队工作质量和效率的“倍增器”。
一方面，它能帮助解决管理水平的参差不齐和波动性问题，把很多老师傅的经验进行汇总和积累。另一方面，有了这个基础，像数据获取、分析校验、报表生成这类工作，就可以用大模型或智能体技术快速增效。
同时，一些过去做不到的事情，在新的时代也可能从不可能变为可能。
最开始，大模型出来的时候，它像是一个具有推理能力的“大脑”，而且推理能力越来越强。
后来大家觉得还不够，因为它不懂行业，所以前些年大家开始做知识库，比如RAG、现在的KAG技术，希望它能懂专业。
懂专业之后，又不能只是一个被动问答的机器，还得了解实际的生产运营状态。于是我们给它一双“眼睛”，让它对接现场的各种系统（如EAM、MES、DCS、SCADA），看到生产现场发生了什么、有什么数据。
最后，它不仅要能看到、分析、告诉我们信息，还要能真正完成一些落地工作。这就是今年“龙虾”火起来的原因，它实现了业务操作的闭环。
我们总结为：要有“大脑”，还要有“眼睛”，更要有“手和脚”。
未来，当大模型智能体以更多智能助手的形态加入后，工业企业会变成什么样？
从我们的视角看，工业生产运行管理已经延续了几十年，形成了一套成熟的岗位设置和管理制度。但未来，随着新兴技术的迭代，人员能力的划分可能不再以专业岗位为主，而是以承担的职责来区分。
人，可能更多扮演创新决策、深度思考以及方向性、战略性层面的角色。而执行层面的工作，包括基础知识的沉淀和总结，将更多地由AI助手来承担。
也就是说，未来在传统岗位划分的基础上，还会形成一个新的分工：人负责创新决策，AI助手负责执行与沉淀。
03
这些年，我们与能源产业链上的不少企业合作，从发电企业到管网，再到下游的用能企业，围绕大家非常关心的设备运行维护、安全管理、生产运行等高业务价值场景，做了很多探索。我们一直与企业一起，探索高价值的数字化场景，推动数据技术的落地变现。
我们的工作大多建立在现有信息化和数据基础之上，从DCS、SCADA、EAM、ERP等系统中获取数据，围绕工艺参数优化、安全风险防护、设备智能管理等方向展开。这些场景100%都是在生产现场落地，力求产生可量化的实际业务价值。
今天要讲的案例，是我们为电站做的一个AI运维工程师。
正如刚才所说，电站的生产现场极度复杂，信息量已经超载，超出了一个人能够处理的数据和计算容量。在这样的场景下，AI运维工程师就能发挥更大的作用。
电站生产过程中，设备种类繁多，有容器类、机械类、电气类设备。随着电力基础设施不断扩张，对人才的需求非常强烈。我们一直在帮企业做的是，运用大模型和智能体技术，为运维工程师打造一个“全能助手”。
这个助手具备行业知识，借助大模型拥有思考能力，能对现场各类数据进行及时管理和洞察，围绕生产运行、设备健康、能耗物耗、跑冒滴漏等业务场景展开分析，并给出决策建议。
当然，能源行业有特殊性，短期内要实现控制自动化闭环还有难度，主要受限于安全防护隔离要求。但即使不能直接通过DCS下发指令，我们至少可以做到，形成维修建议、生成工单、给出控制参数调整建议，在中控室弹出提示信息，让检修或控制人员及时处理。这已经是向前迈了一大步，让原来的专家从“人找问题”变成“问题找人”，进一步减轻他们的负担。
基于这些工作，我们可以把它分成几个大类。
第一，得有一个“大脑”。现在各种类型的模型不断涌现，参数越来越多，从开源到商用，版本和选择都很丰富。所以第一步是选择一个强大的大脑。
第二，构建专有的知识库。从原来的RAG技术到现在的KAG，核心是帮助企业把本地、专有、私有、敏感、机密的信息挂载到大模型上，发挥大模型的能力。这在能源企业特别典型。我们接触的很多能源企业都在做这件事，因为无论是企业内部、部门内部，甚至个人手上，都有大量专有知识。如何融合这些知识，是第一步要做的事。
有了知识库之后，当然不能只停留在一个基于历史知识的问答系统。我更想知道的是当前生产系统、生产环境发生了什么。所以，我们需要把各种生产系统和大模型打通。
有人把这叫作“智能问数”或新一代BI，但在我看来，这些技术让用户通过大模型灵活、友好地访问和查询实时数据，固然重要，但更关键的是，让大模型真正“看到”这些数据。这些数据不是喂给人看的，而是喂给大模型的。最终，我们要让大模型和智能体对实时数据进行解读和分析。
再往前一步，就是推理和决策。但在工业场景下，这更复杂。因为大模型本质上是一个多参数的概率模型。而工业现场环境多样、业务场景不同，对分析准确性的要求也各异。
所以过去我们常讲，工业现场要用起来的模型，大概率是大模型与小模型、数据模型与机理模型的融合。
当然，所有这些表象的背后，是我们需要完成的一系列工作。哪怕只是一个设备的健康维护，背后也由若干组智能体协同完成。
比如，要判断设备是否正常，首先需要一个在线状态评估智能体，实时盯着设备运行状况，结合知识库判断异常类型。有了初步判断后，还需要定位根因、给出解决方案，这就要用到异常解决方案智能体。维修过程中，还需要维修过程支持，包括风险点提示等。维修完成后，还要把运维经验沉淀下来，迭代回知识库，成为未来的设备运维知识。
最终，不管我们做什么工作，还是要落到业务价值上。
第一，提升企业掌握和处理全局信息的能力，缩短处理时间窗口。
第二，提升运维、报表、报告等工作的效率。
04
最后，基于对行业的理解、实践和思考，我们总结了一个“一二三”。
4.1一个坚持：构建专业、可用的高级智能体
很多企业都在纠结，到底该从哪里入手？
我们一直建议，以终为始。也就是说，先设定一个终极目标，构建一个能够形成业务闭环、对标专家或“老法师”的智能助手。然后倒推回来，规划设计大模型和智能体的路径。
简单来说，就像自动化取代了重复性的体力劳动一样，现在AI大模型要取代的是重复性的脑力劳动。这是一个很好的切入口。
如果再具体一点，我们认为应该是，知识密集型、可校验的、可重复的脑力劳动。这往往是最佳的切入点，也是我们在前期规划中首先要做的事情。
4.2 两个关注：工业知识的精准表达与推理
4.3 两个关注：关注数据，保障决策的实时与可靠
我们做数据治理已经很多年。到了大模型时代回头看，数据的准确性、可靠性被提到了更高的优先级。因为大模型输出的结论和结果，都依赖于数据是怎么来的、是否准确、是否有效。如果数据输入有问题，却想得出正确决策，概率实在太低。
因此，建立一套好的机制和管理来做好数据治理，已经成为企业领导和数字化团队需要重点关注的问题。
4.4 三个变革：人才结构的变革
过去很多工业企业是金字塔式的管理，高层、中层、基层。现在有了大模型等新技术，大家常讨论人才结构会变成“松树型”，意思可能是基层人数减少。但我不太想从减员的角度去谈，更愿意从能力结构的变化来看。
4.5 三个变革：组织架构的变革
未来，部门之间的壁垒会被打破。创新团队一定是业务与技术的融合团队，以敏捷的组织形式，与信息化、数字化团队紧密配合，快速解决现场生产问题，推进一线工作。
4.6三个变革：项目管理方式的变革
当人才和组织都变了，项目的组织方式、管理评审方式也会随之改变。未来更多会采用敏捷迭代、快速运行的节奏，而不是传统信息化项目那种“立项—需求分析—模块拆解—并行开发—集成测试—上线”的长周期模式。
可能一两周、一个月就是一个迭代，快速验证、快速试错、快速上线。创新速度，将成为评估未来数字化项目的一个非常重要的因素。
未来，在人与智能体共生的企业数字化系统中，我们将更加聚焦于数据和工业知识的积累。
运用大模型、传统机理模型、数据分析模型，去勾勒和沉淀工业知识，并将其外化、泛化为各种各样的工业助理，帮助我们执行工作。
⩓
