​周飞：能源电力大模型的研发路径与应用模式探讨

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）

生成式人工智能（AI）大模型已成为当前第三次AI浪潮的研究热点，代表了AI技术最新发展趋势，将引领三场革命：人机交互革命，人与机器的自然语言沟通更加自然高效；认知协作革命，大模型运用自身认知能力与人类共同解决复杂问题；计算范式革命，推动以中央处理器（CPU）主导向以图形处理器（GPU）核心的AI计算体系转变。

在能源电力领域，生成式AI技术正在快速发展，已经出现多个行业大模型。例如，国内首个千亿级多模态行业大模型——光明电力大模型可以为电网安全稳定运行、促进新能源消纳、做好供电服务提供“超级大脑”；昆仑大模型支持油气新能源、炼化新材料等专业海量数据建模需求。

从“世界的本质是数学”这个角度看，所有的问题都能够用一个高维度的非线性的数学方程组来描述，从宏大的能源社会电力复杂系统，到微观的一个装置设备，都可以用数学的思维进行描述、展开计算。

人们也期待通过人工智能技术找到一种工具，去高效描述复杂的高维非线性系统，进而找到一种分析方法去观测、预测和决策。目前的现实是，基于神经网络技术的新一代大语言模型，还是依赖统计概率性，去等效或者逼近任意复杂的高维非线性动态系统。这决定了大语言模型只具备统计相关性，欠缺逻辑因果性，不具备逻辑推理的能力。 

当下大量行业大模型所采取的研发技术路线是：选择通用大模型作为基座模型，然后通过使用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内的专业知识，最后，通过行业专家对模型输出结果进行标注，再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和准确性。

这样的研发路径虽然能够快速构建适配行业需求的大模型，但存在一些不足：增量预训练依赖于大量高质量行业数据，而行业数据的收集、清洗和标注成本高昂；专家反馈学习需要大量专业人员参与，耗时且主观性强；能源电力的物理特性未能深度嵌入大模型构建过程，导致训练和推理结果无法完全满足可信人工智能的要求。

近一年多来，我在担任未来产业类脑计算、算力网络项目负责人期间逐步认识到，传统AI研发路径即基于大数据量、大参数量、大计算量的训练方式，已难以满足实际应用性能需求，尤其在电力行业这种高时效性、高精度要求的领域，传统路径面临瓶颈。

目前，行业大模型应用模式主要包括网页访问、接口调用和私有化部署。网页访问方式较为通用，用户通过浏览器在线访问大模型；接口调用则通过开放应用程序编程接口（API），将大模型功能集成到企业的业务系统中；私有化部署则将大模型部署到企业本地环境中，确保数据隐私合规，但对本地计算推理硬件有性能要求。

上述三种应用模式不足之处在于：网页访问方式与企业的具体业务流程关联性较弱，更多是作为独立工具存在；接口调用发挥的作用往往局限于特定任务处理，无法实现对业务流和信息流的真正嵌入；私有化部署具有较高的成本和技术门槛，目前停留在辅助工具层面。总之，三种模式更多是对传统人机交互的升级，难以实现真正意义上的认知协作、计算范式变革，模型潜力尚未得到充分释放。

总体来看，目前大模型的应用还处于一种个人（To C）应用的阶段，真正的行业（To B）应用需要模型解决业务问题。它不能仅仅是问答，或者通过串联运行方式辅助决策，应该是一种串并联或者相互协作的运行方式，最终实现从人机协同的界面到认知协作功能的跨越。 

问题的根源在于大模型实现了业务认知而无法付诸行动，因此前述三种应用模式未能实现全业务环节参与、全业务架构嵌入。

我国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、人员作业等方面存在诸多挑战，需借助先进人工智能技术提升状态感知、运行认知、控制决策的智能化水平。“量身”训练能源领域的大模型，将为数实融合寻找可行的新路径。

大模型要融入到电力系统各业务环节，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，为大模型添加“可行动的躯体”。

电力具身智能体的核心在于依托云边端算力底座，采用大模型和业务小模型构建智能体，以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，大模型负责对小模型进行调度编排，并按需发起与云侧行业大模型的云边协同进化，具身智能体能够实现跨层级、跨场景的数据、知识、模型协同，实现从数据感知到分析、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。