周飞探讨能源电力大模型研发路径与应用模式

生成式人工智能大模型，正崛起为第三次AI浪潮的核心议题。从宏观视角看，它正在驱动三场深刻变革：人机交互的革命，使人与机器之间的自然语言交流变得前所未有的顺畅；认知协作的革命，大模型开始调动自身认知能力，与人类携手应对复杂挑战；以及计算范式的革命，推动计算体系由CPU主导全面转向以GPU为核心的AI架构。

能源电力领域自然也不例外。国内已涌现出多个行业级大模型，例如光明电力大模型——国内首个千亿级多模态行业大模型，可为电网安全稳定运行、促进新能源消纳、优化供电服务提供“超级大脑”；还有昆仑大模型，专注于支撑油气新能源、炼化新材料等专业领域的海量数据建模。业界正深入探索能源电力大模型的研发路径与应用模式，力求打造专用底座，拓展发展道路，最终让大模型深度融入能源电力业务的全环节，嵌入全业务架构之中。

文/周飞

（中国电力科学研究院正高级工程师，电力异构融合类脑计算关键技术研究项目负责人、电力人工智能大模型分布式算力调度与协同训练推理项目执行负责人）

研发路径：构建电力原生时序大模型

从“世界的本质是数学”这一视角审视，所有问题本质上都能用一个高维度非线性数学方程组来描述。无论是宏大的能源社会电力复杂系统，还是微观的装置设备，都可以借助数学思维进行描述与计算。

人们也一直期望通过AI技术找到一种工具，能够高效刻画这种复杂的高维非线性系统，进而获得一种分析方法，用于观测、预测和决策。但现实是，基于神经网络技术的新一代大语言模型，本质上仍依赖统计概率，去等效或逼近任意复杂的高维非线性动态系统。这决定了此类大语言模型仅具备统计相关性，缺乏逻辑因果性，并不具备真正的逻辑推理能力。

目前，大量行业大模型采用的技术路线是：先选定一个通用大模型作为基座，再通过大量行业通识数据进行增量预训练，使通用模型适应行业特性并掌握领域专业知识；最后，借助行业专家对模型输出结果进行标注，结合多轮专家反馈强化学习，进一步提升模型在行业任务上的专业性。

这条路径虽能快速构建适配行业需求的大模型，但短板同样显著。增量预训练依赖海量高质量行业数据，数据收集、清洗和标注的成本极其高昂；专家反馈学习需要大量专业人员参与，耗时费力，且易受主观因素影响；最关键的是，能源电力的物理特性并未深度嵌入大模型构建过程，导致训练和推理结果往往无法完全满足可信人工智能的要求。

近一年多来，在担任未来产业类脑计算、算力网络项目负责人的过程中，我逐步认识到，传统AI研发路径——依靠大数据量、大参数量、大计算量——已经难以满足实际应用的性能需求。尤其在电力行业这种高时效性、高精度要求的领域，这条路已走到瓶颈。

因此，从0到1构建电力原生时序大模型，成为一条值得探索的思路。电力系统主要处理的数据并非图像或文本，而是能够捕捉系统实时变化的电气量、化学量等时序数据。所以，需要从一开始就将物理方程、符号逻辑等因素融合进神经网络架构设计之中，让电力物理规律与AI智算能力深度结合。由此，可进一步构建出专业中模型和业务小模型，通过大、中、小模型的协同进化，实现从全局到局部、从理论到应用的深度融合——大模型提供宏观视角和全局分析，中模型处理专业领域具体需求，小模型则灵活响应业务变化。

应用模式：构建电力具身智能体

目前，行业大模型的应用模式主要有三种：网页访问、接口调用和私有化部署。网页访问较为通用，用户通过浏览器直接在线使用；接口调用则是通过开放API，将大模型的功能集成到企业业务系统中；私有化部署则是将大模型本地化，确保数据隐私合规，但对本地计算推理硬件有较高要求。

但这三种模式的短板也很明显。网页访问与企业的具体业务流程关联较弱，更多是作为独立工具存在；接口调用往往局限于处理特定任务，无法真正嵌入业务流和信息流；私有化部署成本高、技术门槛高，目前仍停留在辅助工具层面。总体来看，这三种模式更多是对传统人机交互的升级，难以实现真正的认知协作和计算范式变革，模型的潜力远未释放。

说到底，目前大模型的应用还停留在个人（To C）阶段，真正的行业（To B）应用，需要模型直接解决业务问题。它不能只是问答或者通过串联运行方式辅助决策，而应该是一种串并联、相互协作的运行方式，最终实现从人机协同界面到认知协作功能的跨越。

问题的根源在于，大模型能“认知”业务，却无法“行动”。因此，前述三种应用模式始终无法实现全业务环节参与、全业务架构嵌入。

我国的电力系统是世界上规模最大、结构最复杂、能源转型最快的人造巨系统，在电力平衡、系统调控、设备运维、人员作业等方面都面临巨大挑战。必须借助先进的AI技术，提升状态感知、运行认知、控制决策的智能化水平。为能源领域“量身”训练大模型，将成为数实融合的一条可行路径。

大模型要真正融入电力系统的各个业务环节，一个有效的解决思路是：将近年来兴起的具身智能与智能体相结合，构建电力具身智能体，相当于给大模型添加一个“可行动的躯体”。

电力具身智能体的核心，是依托云边端的算力底座，采用大模型和业务小模型构建智能体，并通过具身进化技术指导智能体自主学习。智能体中的小模型负责执行具体作业任务，大模型负责调度编排小模型，并按需发起与云侧行业大模型的云边协同进化。这样一来，具身智能体就能实现跨层级、跨场景的数据、知识、模型协同，完成从数据感知到分析、决策、规划及行动的闭环进化，确保对电力业务的实时感知、精准分析、科学规划，并迅速执行决策。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：周飞探讨能源电力大模型研发路径与应用模式要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题