审慎推进AI电力应用由低敏向高敏领域渐进落地

来源：中国电力报 时间：2026-09-17 11:22

苗中泉

　　当前世界前沿的人工智能技术正发展出两大迥然有别的路径：一条是追求更强的模型能力，为此不断扩大知识库、堆累先进算力、更新算法逻辑，其最终目的是发展出“超级人工智能”；另一条是把业已相对成熟的通用模型工具与具体产业应用场景深度融合，将人工智能打造成行业生产力的倍增器，由此涌现出适用于各个细分行业的“垂类模型”。

　　无论是哪条路径，其对人类经济社会的作用及产生的影响大体可以分为四个等级：一是作为知识检索的工具，使信息获取更加精准、高效、便捷；二是作为简单指令的自动化执行工具，在获得授权后替人操作，或者作为构思创意落地的效率工具，基于创作者的想法产出初步的创新样稿；三是作为主动思考的智能个体，基于已有的信息产生新的此前不存在的知识，或者解决以往人类长期未能解决的问题；四是作为超级智能体，具备强大的自我学习和进化能力，足以在全然陌生的领域迅速具备超越一流专家的素养。

　　目前基本上所有的互联网搜索引擎都已经与人工智能实现不同程度的融合，这对应的是人工智能第一等级的应用部署。一些工作流智能体，例如Manus、“龙虾”、Codex等，实际上就是大模型在研判所接收的任务指令之后，受权获取相关工具的执行权限，完成原本需要由人逐一调用才能完成的一系列或简单或复杂的操作任务，这对应的是第二等级的应用部署。前不久美国的Antropic公司开发的旗舰级大模型Claude Mythos Preview（预览版），在没有人为干预的情况下自行攻破模拟的企业网络，并在几周内找出了主流操作系统和浏览器中数千个隐藏几十年的0 day漏洞。今年5月，美国Open AI推出的前沿通用推理模型GPT-5.2 Pro，通过融合代数数论与离散几何的技术，自主解决了匈牙利数学家埃尔德什在1946年提出的“平面单位距离问题”。7月，Anthropic的大模型Claude Fable 5独立解决了代数几何领域存在近一个世纪的“雅可比猜想”。最近，Open AI宣布其尚未公布的内部模型成功解决纳维—斯托克斯存在性与光滑性问题，仅用88个小时就推导出了这道困扰流体力学和数学界近一个世纪的千禧年大奖难题，这些对应的正是人工智能第三等级的发展应用。第四等级的人工智能，目前尚未出现。按照世界顶级人工智能科学家和实验室的预测，大约今年下半年到明年上半年，将出现首个超级人工智能模型。

　　电力行业作为现代经济社会有序运转的基础部门，同时也是直接关乎国家总体安全的关键基础设施部门，人工智能的应用总体上相对保守。更确切地说，不管是国内还是国外，当前电力行业企业在应用部署人工智能方面表现出非常显著的“范围广、程度浅”的特征。范围广，是说绝大多数企业已经在日常业务中使用人工智能，甚至有些企业的某些岗位已经深度依赖人工智能。程度浅，是指这些电力企业对人工智能的应用，集中在文档起草、内容摘要、资料检索等个体业务层面。对于产业级的应用场景，如负荷预测、系统预测性维护、沿线植被管理、客服自动化、电网运维优化等，主要还是停留在“预测+建议”的阶段。即大模型基于特定场景下积累的数据给出预测判断，提出操作建议，但最终的决策和具体的执行仍由人工完成，大模型并不能自主执行其最优的操作选项。真正被赋予操作权限、能自主执行任务的智能体系统，从公开信息看，在电力行业的核心业务领域仍为空白。

　　少数已落地近似人工智能的案例，如美国杜克能源的“自愈电网”技术，通过布设大量的远程传感器和实时通信设备，在检测到局部故障后，不需要人工介入就能实现自动切换供电路径，多数情况下能在一分钟以内完成故障隔离和供电恢复，把停电影响降到最低。但该系统与其说是智能化，不如说是基于“传感器+预设规则+自动切换”的自动化，其自主执行的权限被严格限定在预设规则、后果可逆且非常有限的决策场景之内，本质上属于接近自主决策边界的自动化，尚未真正达到由机器学习驱动的自主自为状态。美国阿贡国家实验室今年3月发布了一套基于多智能体的电网调度决策系统GridMind，不同的智能体分别负责电网运行中的不同专业任务，再由大语言模型统一协调这些智能体，让操作员可以同时完成原本需要多个独立工具、强大的专业编程能力和深厚的技术背景才能完成的可靠性校核、调度排班、应急预案演练等分析工作。但该系统的官方定位也只是电网调度员的“推理助理”，主要任务是辅助决策，而不是替代调度员自主下达调度指令。到目前为止，该系统尚未在真实电网、真实调度场景中部署运行，仍处于实验室原型验证阶段。

　　应用范围铺得很广，但真正触及核心运行环节的应用却相当有限，电力行业企业人工智能的这种部署现状有其必然性。一方面，这与电力行业在经济社会中的基础性地位密切相关。影响越大，每一个创新举措越是关乎全局发展，牵一发而动全身，相关前沿技术的部署应用也就会越谨慎。往往以试验示范的方式且经过长时间的实际验证之后才会稳妥有序地列装，而很少在全行业快速大规模推广。另一方面，这也表明目前人工智能与电力行业的深度融合还处于起步阶段，距离成熟仍有较大距离。更重要的是，目前还存在不容忽视的影响人工智能深度部署的一系列制度性因素。一是监管缺失问题。作为强监管的对象，电力行业企业人工智能应该部署到何等程度，相关数据信息如何确保合法合规，部署的技术成本是否应纳入一般电力成本，目前都有待进一步探索完善。中国已连续出台相关部门法规，而美国目前尚无州级公用事业委员会就此制定正式规则，监管机构大多处于观望状态。二是数据质量问题。相较于其他众多部门，电力行业的数据信息可得性及可靠性已经比较领先，但依然存在严重的问题，财务、营销、规划、调度、人资等各个细分部门的数据壁垒林立，碎片化现象严重，采集颗粒度参差不齐，相互之间融通难度很大。如不花大力气进行治理，基本上无法满足训练可靠行业垂类模型的要求。三是安全责任认定问题。无论多发达的人工智能，其出错的概率始终存在。对于核心设备智能检修、电力调度等高敏感场景，一旦出现因人工智能决策错误导致的系统安全事故，责任该如何认定？人工智能与负责具体工作的在岗人员之间，安全责任如何划分？这些问题不解决，无论人工智能技术本身发展到何等地步，其在电力行业核心领域的部署恐怕都难以实现。

　　随着能源清洁低碳转型加速，电力系统中的新能源渗透率不断提高，电网运行面临的不确定性也随之上升。人工智能在多大程度上真正参与到电力系统运行决策的核心领域，关系到智慧电网建设的成败。我国正在加快建设新型能源体系、新型电力系统和新型电网，人工智能的深度嵌入无疑是应对诸多挑战的必由之路。近年来，国家相关部门先后出台一系列指南、方案，推动制定能源领域人工智能应用安全责任划分标准。相关骨干企业也加快研发辅助调度决策、智能设备巡检等重要电力场景的电力大模型，并有序扩展人工智能的覆盖范围。电力行业企业的人工智能发展势头迅猛。总体上看，未来我国电力行业人工智能技术的落地应用，大体将遵循从一般低敏领域向核心高敏领域渐进扩散的逻辑。电力客服、日常办公文件编纂起草、一般财务汇算、员工排班等场景率先广泛应用。其次是设备预测性维护、各类一般性风险识别等要求有一定技术门槛的场景。第三是企业内部数据挖掘分析、档案资料智能检索、人力资源智能开发等重要场景。最后才是电力调度和实时电网控制等核心关键场景。而核心场景下的部署应用，最终仍需技术与相关制度的双重成熟，非单独技术本身所能决定。

　　与上述发展过程相协调的，是各类电力设备与人工智能模块的深度耦合。核心特征是把具有自主学习和深度推理能力的大模型集成于单台（套）设备之内。变压器、断路器、智能电表等设备不再只是被动采集数据、上传后台分析，而是直接嵌入具备本地推理能力的算力模块，将数据传感器、边缘计算芯片、执行单元集成于同一物理单元，形成可以自主异常检测、预警乃至执行部分修复任务的“智慧终端”，拥有强大的数据存储、本地学习与系统适应能力。该终端的人工智能模块学习和处理的是局部范围、边界清晰的物理信号，决策空间相对封闭，即便出现误判，影响范围也主要限于单台（套）设备之内，与N+1机制相配合，不会触发更大范围的系统扰动。同时这些终端能够持续积累可审计的运行数据，在一定程度上也有助于解决前述电力行业数据质量和责任归属问题。但在这样的前景中，电力系统最终会从当前主要由一次和二次系统构成的复杂巨系统，转型为由大量智能体堆叠出来的巨型智能体集群。其运行逻辑也会从经过长期验证的人为设定的确定性规则，转变为具有复杂系统涌现属性、难以完全预测，甚至无法完全解释的智能进化原理。人类是否愿意把如此庞大且重要的人造系统，放手交给一个最终很可能难以完全掌控的另一个人造系统，这不仅仅是人工智能发展的技术问题，更是关乎人类自身、人类文明最终将如何演化的终极命题，需要科学家和哲学家携手解决。

　　（作者系山东大学区域国别研究智能化实验室主任）

责任编辑：高慧君