本刊记者 王红茹 宋杰 | 北京、上海报道

在陕北毛乌素沙漠，智能开采系统使单井日产提升40%，吨煤能耗下降 15% ；在长江经济带，燃煤电厂通过燃烧优化，每年减排二氧化碳超百万吨；在黄骅港煤炭港区，工作人员轻点鼠标，仅一个小时就完成了 8000 吨煤炭卸车作业……这是国家能源集团以人工智能等新技术驱动各产业板块智能化发展的新图景。

6月28日，国家能源集团在京正式发布“擎源”发电行业大模型。

目前，“擎源”已在水电、火电、风电、光电、储能等关键领域成功构建41大智能体，实现发电业务全流程的自动感知、智能决策与精准执行。这一里程碑式成果，标志着我国发电行业智能化、数字化转型迈入全新阶段。

当前，我国正处在产业升级的关键阶段，人工智能作为新一轮科技革命的核心驱动力，正在深刻改变传统产业模式，成为产业变革和升级的关键引擎。

近日，本刊记者深入一线企业调研采访，系统梳理了人工智能技术赋能传统产业转型升级的实践与成效。

龙源电力智慧化光伏电站采用无人机智能巡检

国能黄骅港务集控操作员正在通过对讲机联系现场生产

能源产业打造“新大脑”

人工智能作为新一代技术的代表，正深刻推动着各行各业的创新与变革。AI除了在互联网领域成为各大公司“标配”，在能源、制造、农业等传统领域，也开始深度融入。在国家能源集团，“AI+能源”的发展路径日益清晰，不断催生出新的业态和模式。

从煤矿“无人采掘”到电站“黑屏运行”，再到化工全流程数字化，国家能源集团吹响“AI+”行动号角，火力全开，按下“快进键”。

让AI真正懂发电

“行业大模型，必须‘懂行业’。”国家能源集团数智科技公司（以下简称“数智科技公司”）研发工程师罗玮的这句话，道破了模型研训的核心。数智科技公司是“擎源”发电行业大模型的建设主体。

然而，让大模型真正懂发电绝非易事。通用大模型在步入发电行业时，可能会对“锅炉负荷调整”“配煤掺烧规则”等专业术语理解偏差，还可能对“今天煤质咋样”这类半句话提问意图误判，更可能因工具库庞大而选择困难。

数智科技公司团队以“数据、意图、工具”为三大攻坚方向，展开技术突围。在数据治理上，团队用8个月时间，从700T原始数据中“沙里淘金”，清洗出450G覆盖文本、视觉、时序、语音的高质量数据集，并邀请380位行业专家逐笔标注；独创的多模态融合对齐技术，更让模型能“触象鼻、摸象身、听象声”，全方位掌握行业知识。

罗玮告诉本刊记者：“传统电力领域中，不同业务场景的专业系统因开发标准不一、数据接口各异，往往会陷入各自为战的困境——用户需反复切换系统登录，数据调用依赖人工导出，新场景开发更要从头再来。这些问题，成了制约大模型价值释放的‘隐性壁垒’。”

为了应对这一挑战，数智科技公司团队深入分析了各类任务需求，并结合对上千种工具功能特性的理解，开发出能够自动优化工具调用顺序的AutoTOC智能调度算法。

智能体是大模型与生产一线的“最后一公里”。数智科技聚焦火电核心场景，开发覆盖安全环保域、电力交易域、产调中枢域、设备检修域四大核心业务领域的智能体，用解决真问题的实效，让“擎源”从“实验室”走向“生产线”。

从打破应用孤岛的协作平台，到锻造行业“最强大脑”的模型研训，再到激活一线价值的智能体开发，数智科技公司一年多来的技术攻坚，为“擎源”发电行业大模型的发布交上了一份硬核答卷。

国家能源集团公司党委委员、副总经理、大模型专项工作组副组长高彦超说：“作为国家能源集团‘AI+能源’战略的核心技术支撑者，我们奋力担当数字化转型重要实施者、数字化技术关键提供者、智慧化信息化领域创新引领者，通过打造全球首个千亿级发电行业大模型，树立发电行业智能化转型的新标杆，加速实现前沿技术在产业数字化和数字产业化领域的融合赋能。”

从“单点优化”到“全局智能”

在北京二环中轴路附近的国家能源集团生产调度中心，调度人员只需轻点鼠标，可视化大屏上便立即展现出这些场景：智能矿山百米井下正在前进的无人化采掘工作面，与东海之滨繁忙运转的港口智能翻车机遥相呼应；戈壁滩上旋转的白色风车，与高峡平湖间矗立的百米水坝“隔空对话”；钢铁洪流般呼啸前行的运煤列车，与电厂堆煤场的乌金交相辉映，共同构成一幅令人振奋的蓬勃发展景象。

这是国家能源集团以煤电化运一体化协同为核心、构建智能化生产运营调度平台打造的基石系统。

国家能源集团电力产业部运行分析处经理王安向本刊记者详细介绍了数字时代能源产业创新发展成效——

技术创新不断突破。大模型成为核心驱动力。能源行业大模型通过多源数据融合与行业知识注入，实现从“单点优化”到“全局智能”的跨越，如“光明电力大模型”“能源通道（基石）大模型”“昆仑大模型”等能源行业大模型不断发展，面向不同用户群体和不同业务应用场景，可以提供全局化服务，构筑智慧能源“大脑”。

算力基础设施不断完善。“算力+能源”是深化算力赋能行业应用的重要领域之一，能源算力应用中心逐步建设，支撑能源智能生产调度体系，实现源网荷（如光伏、风电等能源源头、电网、用电负荷）互动、多能协同互补及用能需求智能调控。同时，全国一体化算力网建设加速，正在不断优化算力与电力基础设施的时空布局，因地制宜整合分配能源生产、消费、存储及算力资源。

产业生态逐步构建。我国能源AI产业生态已形成“算力筑基、数据赋能、场景驱动、跨界协同”的发展格局，覆盖从底层基础设施到上层应用的全链条。高校、科研机构与能源企业形成“基础研究—技术开发—场景验证”的闭环生态。

“总之，人工智能的深度应用不仅有效解决了当前能源行业面临的诸多挑战，更是推动能源系统绿色低碳、灵活高效、安全可靠发展，以及面对日益复杂的能源市场波动，供给侧响应敏捷性全面提升，为构建新型能源体系提供了强有力的技术保障。”王安说。

“AI+ 能源”已经在多个场景应用 

“AI+能源”应用场景日益丰富，催生新业态

在能源行业，“AI+能源”的发展路径日益清晰，不断催生出新的业态和模式。

在电力领域，AI技术贯穿于发电、输电、配电和用电等各环节，通过优化运行参数、调度策略和用电设备控制，显著减少了能源浪费和损耗，提高了整个能源链路的效率。

例如，在发电侧，AI可以优化发电机组的运行方式，提高发电效率；在电网侧，可以优化电力调度，减少线路损耗；在用户侧，则可以通过智能控制实现节能降耗。在电网运行上，AI技术可以实时监测电网运行状态、辅助调度决策，及时发现并预警潜在的安全隐患，有效提升电网的安全性和稳定性。

在煤炭领域，2024年以来，我国煤炭智能化产能占总产能的比例提升至50%以上。AI技术可以有效应用于煤矿开采、设备诊断、安全预警等方面。例如，通过实时分析矿区传感器与监控数据，精准判断安全隐患，自动调整预警策略，有效预防事故。通过设备诊断模型可以实现掘进机、采煤机等关键设备故障智能预警与诊断，促进煤炭行业设备检维修模式从被动计划检修向主动状态维护转变。

在油气领域，以“三桶油”为代表的油气化工企业在勘探开发、炼化销售、装备制造等领域积极打造特色鲜明的应用场景，如以大模型为核心的人工智能技术融合多元数据源，构建三维可视化油藏模型，提高油井产能衰减预测精度和储层识别准确率，优化开发方案决策，提升采收率。同时，行业也不断推动工业机器人、无人机应用到智能钻井、检维修、高危作业等场景。

在可再生能源领域，针对风能、太阳能等可再生能源的间歇性和不稳定性，AI技术能够精准预测发电情况，优化并网和消纳流程，提高可再生能源的利用率。此外，通过智能调度和储能技术的应用，AI有助于解决可再生能源供电的稳定性问题，确保其持续可靠地为电网供能。

“接下来，国家能源集团将持续深化5G、AI、数字孪生等技术应用，不断推动能源产业向‘安全、 高效、绿色、智能’方向迭代，为高质量发展和中国式现代化建设提供坚强能源保障。”王安说。

千行百业都在拥抱AI

不只是能源行业，人工智能正在全方位推动传统产业智能化升级。

在农业领域，智能监测和精准灌溉技术显著提升作物产量；冶金行业借助机器学习优化冶炼工艺，提高能效；医药研发则因AI的介入大幅缩短新药研发周期。此外，港口自动化、智能印刷、AI手机和材料计算等创新技术，正在持续提升行业效率并创造新价值。

在全球科技竞争日益激烈的背景下，AI赋能已成为传统行业提升生产力的关键——既催生新业态，也倒逼企业加速转型。在政策支持与技术迭代的双重驱动下，AI与实体经济的深度融合，正深刻重塑产业格局。

在农田，在采油厂，在服装制造厂里……

在江苏某现代农业示范基地的玻璃温室内，一架搭载多光谱相机的巡检无人机正沿着作业通道平稳飞行。这套由上海开放大学研发的智能监测系统，成功攻克了温室环境下的世界性技术难题——在信号复杂的封闭空间实现厘米级精准定位。

该基地技术团队负责人向本刊记者介绍，该系统创新性地解决了钢结构对无线信号的干扰问题，确保了无人机在复杂环境中的稳定运行。

据了解，该系统集成了自主飞行、精确定位和多模态传感三大核心功能，能够对温室作物进行无损化、高通量的数据采集，实时获取植株的图像、光谱、温度等多维度生长信息。

“我们不仅采集表面数据，还通过定点植株汁液离子浓度的原位检测进行模型校准，确保数据的精准性。”技术团队负责人说。在数据处理环节，系统运用AI技术，可精准解析作物长势、营养状态和水分胁迫程度，实现从传统“经验管理”向基于实时需求的“数据对话”式精准调控转变。

实际应用数据显示，该技术使合作基地的作物产量提升3%，节水率达10%，肥料使用减少5%。“过去靠老师傅的经验，现在靠精准的数据说话。”技术团队负责人感慨道。

除了农业，人工智能技术正在向工业、服装制造业、通信等领域加速渗透，推动传统产业实现智能化升级。

近日，大庆油田采油三厂迎来了一位特殊的“新员工”——智能巡检机器人。这款机器人集成了自主导航、避障、图像分析与视觉识别等技术，可实现生产参数的实时监测、异常报警以及设备优化运行管理，不仅将工人从危险作业环境中解放出来，还实现了岗位资料的自动化处理，大幅提升了管理效率。

在服装制造业，头部企业通过引入AI辅助设计大模型，实现从裁剪、车缝、整烫到仓储配对的一体化生产流程无缝对接，大幅提升定制服装占总产量的比例。

在通信行业，中国电信自主研发全国产化星辰大模型，支持多模态。在政务领域，星辰政务大模型落地民生诉求场景，为市民提供在线文本问答服务；在经济分析方面，星辰经分大模型落地某市经信局，利用大模型生成能力快速草拟产业研究报告。

在手机行业，各大厂商都已推出内置AI助理的AI手机。

中国电子信息产业发展研究院电子信息研究所工程师刘恩稷接受本刊记者采访时说，AI手机作为移动通信技术迭代与人工智能范式革命的协同产物，是消费者感知人工智能能力的重要抓手，也是激发手机市场活力的重要引擎，能推动智能手机市场在经历周期性调整后迎来结构性拐点。

“当前，AI不再是一个孤立的技术领域，而是在逐渐渗透并融合到各个传统行业中。无论是制造业、农业、医疗还是金融服务等行业，AI都在与这些领域的专业知识和业务流程紧密结合，产生新的服务模式和运营方式。”国家工业信息安全发展研究中心人工智能所副所长李卫说。

工作人员正在对煤质快检结果进行数据分析

龙源电力集中调控中心

在工艺优化、市场预测、产品创新中……

2024年，“人工智能+”被首次写入《政府工作报告》，产业发展进入快车道。

工信部统计数据显示， 2024年我国人工智能核心产业规模接近 6000 亿元，年均增长率达13.9%。特别值得注意的是，据国资委网站信息，2024年中央企业人工智能产业投资增速达46%，在工业制造、能源电力、智能网联汽车等重点领域已部署超过500个AI应用场景，展现出技术与产业深度融合的强劲势头。

在李卫看来，AI在助力传统产业改造升级方面已实现诸多突破。

在提升生产效率方面，AI通过对大量生产数据的精准分析，优化生产工艺、降低生产成本，并且在产品质量控制上表现出卓越能力。例如，在智能工厂中，机器人可以自动完成物料搬运、组装、检测等任务，极大降低了人工操作的需求，同时提高了生产的精度和效率。

在提供决策支持方面，AI能够提供基于数据分析的决策支持，减少人为因素带来的不确定性。例如，机器学习和深度学习等技术能够在短时间内对生产线数据进行挖掘，帮助企业作出更加准确的市场预测和资源分配决策。

在推动产品和服务创新方面，传统产业在转型升级过程中，通过整合各方资源与AI技术，能够开发出新的产品和服务，满足市场多元化需求。例如，通过分析汽车行驶数据，AI可以提供个性化驾驶建议、智能路线规划服务等。

在促进产业链重构方面，AI能够打破传统产业链中的信息壁垒，实现上下游之间的无缝对接和协作，形成智能联动的经济网络组织。供应链上的节点企业不再是孤立的个体，而是形成了一个集成式的“虚拟+现实”生产和服务模式。

不仅如此，AI在产品质量的改进和企业管理方面也起到了关键作用。

中国电信高级专家孙道伟介绍说，“在产品质量方面，基于AI的视觉检测技术,能够快速、准确地对产品的外观、尺寸、缺陷等进行检测，及时发现质量问题并加以处理，从而有效提升良品率。在管理方面，它能够对大量的生产数据、市场数据等进行分析和挖掘，为企业提供有价值的信息和决策建议，帮助企业制定更加科学合理的生产计划和营销策略，从而提高企业的决策效率和准确性。”

破局“不愿转、不敢转、不会转”

从农业生产到能源管理，从冶金制造到医药研发，从印刷出版到港口物流，从智能手机到新材料开发……AI正以前所未有的速度重塑我国传统产业。

在把握这一重大发展机遇的同时，也要认识到伴随的风险挑战。当前，传统产业数字化转型仍面临诸多瓶颈：技术迭代速度滞后、数据要素价值释放不足、技术受制于人等问题亟待突破。特别是中小企业普遍存在转型成本高、抗风险能力弱等困难，导致“不愿转、不敢转、不会转”现象突出。

降低成本，让AI真正“普惠”传统企业

IT团队没有AI开发经验，基础设施和数据库待升级，这些都是传统产业引入AI需要考虑的潜在成本。

传统企业的IT团队往往擅长维护现有系统，但对AI开发经验有限。一家制造业企业负责人坦言：“我们懂生产流程，但不懂人工智能和神经网络。”

这导致许多企业虽有AI需求，却因技术门槛过高而迟迟未能落地。即便企业掌握了AI技术，如何将其融入现有系统也是一大挑战。

“许多传统企业仍在使用老旧的信息化系统，数据库架构封闭，接口不兼容，导致AI模型难以直接调用业务数据。例如，一家零售企业希望用AI优化库存管理，但发现现有系统无法实时对接AI预测模型，最终只能依赖人工导出数据，效率大打折扣。”孙道伟说。

此外，AI模型的持续优化需要数据反馈闭环。如果企业的生产、销售、物流等环节数据分散在不同系统中，AI就无法实现动态学习，效果会随时间下降。

“因此，企业在引入AI前，往往需要先升级IT基础设施，打通数据孤岛，这又是一笔不小的投入。”孙道伟说。

面对这些挑战，企业并非无路可走。李卫介绍，传统企业在引入AI技术时，通常面临自主研发或与科技公司合作的选择。

采用自主研发方式，企业可以根据自身业务流程和需求开发最适合的技术解决方案，对技术的选取原则和应用模式有较大自主权，同时也能够积累自己的专利和技术秘密，增强长期竞争力。

“但自主研发需要大量的资金投入，用于招聘专业人才、购买设备和技术等，从零开始研发周期一般较长，容易错过市场机会，而且如果企业前期基础薄弱、经验不足，可能存在较大的失败风险。”李卫说。

另一方面，与科技公司合作，可以利用科技公司的专业知识和技术，更快地将AI解决方案应用于实际业务中，减少内部研发带来的不确定性和失败的可能性，同时通过共享合作伙伴的研发成果和资源，节省研发投入成本。

“不过，外部提供的解决方案可能需要高度专业定制化，以适配企业的特定需求，同时过度依赖外部伙伴可能导致失去技术独立性，引入不可控风险，严重情况下甚至可能影响核心业务的安全。”李卫说。

选择哪一种方式引入AI，企业要根据自身规模、业务特点等因素综合考虑。在当前的实践中，在传统企业引入AI技术时，与科技企业合作方式占比更大。

孙道伟认为这主要基于三个方面的原因：首先，科技企业在AI技术的研发和应用方面往往具有深厚的专业知识和丰富的经验，可实现专业技术优势互补。

其次，AI技术的研发难度大、周期长且成本高，传统企业独立研发面临诸多挑战。与科技企业合作可以降低传统企业对技术研发不确定性的担忧，避免了因技术选择失误或研发进度不及预期而导致的风险和成本增加。

最后，科技企业能够提供成熟的AI解决方案和产品，帮助传统企业快速部署AI系统，加速AI技术在传统企业中的落地应用。

对于中小型传统企业来说，如何以较低成本实现AI技术的初步应用，是一道必答题。孙道伟建议，可以通过云服务、AI能力开放平台、数据管理、网络服务以及培训咨询等一系列解决方案，能够帮助中小型传统企业以较低的成本实现AI技术的初步应用。

构建“三位一体”防御体系，防范数据安全风险

当人工智能技术深度融入制造业、农业、能源等传统领域，伴随海量数据的采集、分析和应用，数据泄露、算法偏见、网络攻击等风险也日益凸显。如何在享受AI技术红利的同时，筑牢数据安全防线，成为推动产业智能化升级必须回答的关键命题。

“当传统产业拥抱人工智能时，首先遭遇的是数据采集与存储环节的风险。”孙道伟说，传统产业在生产运营过程中积累了大量的数据，这些数据往往关系到企业的核心竞争力和商业机密。在引入AI技术时，需要对大量数据进行收集、存储和处理，数据泄露、被恶意攻击等安全风险随之增加。比如：制造业企业的生产数据、医疗行业的患者病历数据等一旦泄露，将给企业和用户带来严重损失。

更需要警惕的是，某些关键基础设施行业的数据涉及国家安全，如电网运行数据、油气管道压力数据等，其价值已超出商业范畴。

数据安全风险的复杂性在于，它不仅是技术问题，更是管理问题和生态问题。

“从技术角度看，传统产业的数据防护体系往往滞后于AI应用需求，许多企业仍依赖传统防火墙，难以应对新型网络攻击。在管理层面，部分企业对数据权限划分模糊，内部人员违规操作或第三方服务商数据滥用时有发生。更值得警惕的是，随着产业链上下游数据共享成为趋势，单一环节的漏洞可能引发系统性风险。”孙道伟说。

化解AI赋能传统产业的数据安全困局，孙道伟认为需要构建“三位一体”的防御体系。

在技术层面，隐私计算技术可在数据“可用不可见”的前提下支持AI训练；管理层面，企业需建立覆盖数据全生命周期的安全管理制度，如中国某汽车集团实施的“数据分级分类保护”机制；政策层面，则应加快完善行业数据安全标准，如针对智能电网、数字医疗等特定领域制定细化的数据治理规范。

企业更需既懂AI技术又了解行业的人才

在传统产业向智能化转型的浪潮中，一个突出的矛盾日益凸显：AI人才供需严重失衡。一边是传统企业对AI人才的渴求，另一边却是专业人才供给的严重不足，这种结构性矛盾正成为制约传统产业智能化升级的关键瓶颈。

李卫一语道破AI领域专业人才困局：“AI领域的专业人才需求量大，但流向传统行业的AI人才资源相对不足。传统产业往往难以吸引到足够数量和质量的专业人员来推动AI项目的实施和发展。培养内部员工的相关技能需要时间，而且不一定能够完全满足项目需求。”

从人才供给端来看，我国AI人才培养体系尚不完善。李卫介绍，高校AI相关专业设置起步较晚，课程内容与企业实际需求存在脱节，导致毕业生往往需要企业二次培养。同时，顶尖AI人才更倾向于选择互联网巨头或科研机构，传统产业在人才争夺战中处于明显劣势。

在人才需求端，传统企业对AI人才的需求呈现多元化特征。李卫认为，不同于互联网公司专注于算法研发等，传统企业更需要既懂AI技术又了解行业特性的复合型人才。以智能制造为例，既需要精通机器视觉的工程师来优化质检流程，又需要熟悉生产制造的业务专家来确保技术落地。这种“技术+行业”的双重能力要求，使得合适的人才更为稀缺。

面对人才短缺的困境，不少企业开始探索多元化的人才解决方案。一些大型企业选择与高校共建实验室，通过产学研合作定向培养所需人才；中型企业则倾向于与第三方AI服务商合作，以外包方式获取技术支持；更多中小企业则尝试内部培养，选拔有潜力的员工进行AI技能培训。

然而，这些方案各有利弊：产学研合作周期长、见效慢；外包服务难以形成核心竞争力；内部培养又面临人才流失风险。

要破解这一人才困局，需要多方协同发力。李卫认为，教育部门应加快调整高校专业设置，增加应用型AI人才培养；行业协会可以搭建人才交流平台，促进供需对接；企业自身则需要建立更具吸引力的人才发展机制。

“传统产业不必一味追求顶尖算法人才，而应着重培养能够解决实际问题的应用型技术团队。毕竟，AI转型的最终目的不是拥有最先进的技术，而是实现实实在在的效益提升。”李卫分析说。

针对传统企业拥抱AI面临的困惑，赛迪智库电子信息研究所数智经济研究室副主任苏庭栋提出四点建议：第一是立足行业特性和发展阶段，结合企业自身优势，明确企业对AI赋能的战略定位。第二是聚焦重点场景，实现精准赋能，避免“贪大求全”。第三是推动试点突破，降低转型风险，避免“盲目转型”。结合企业自身技术水平和资源供给能力，小步快跑推动重点场景应用，总结相关经验逐步推广，避免“一拥而上”。第四是加强与行业龙头、科技公司的交流和对接，将自身AI赋能融入行业发展大势，推动形成“需求牵引—技术支撑—人才培养—市场拓展”的正向循环。