首页

工业人工智能的两条落地路径：机理模型守底线与时序模型抓前瞻

中国能源产业发展网发布时间：

2026-10-29 12:04

【中国能源产业发展网原创】【作者：林墨】

2026年10月的这十天里，能源与流程工业的人工智能出现了一组看似零散、实则指向同一个问题的进展。10月23日，朗新科技举办2026媒体开放日，展示九功AI能源大模型的技术进展，主题是让人工智能从算得准走向做决策；10月27日，广东资环新能源与中山大学地球环境与地球资源研究中心联合研发的能碳监测与AI智控平台2.0正式上线运营，其核心升级是把节能诊断结论直接转化为设备控制指令下发执行；同样在10月，一篇发表于《过程工业损失预防杂志》的同行评议综述量化了基础模型在化学过程安全任务上的幻觉率区间，并指出主流过程安全标准尚未引用人工智能。把这三件事并排看，能得到一个比任何单一产品发布都更有价值的判断：工业人工智能的落地难点正在从模型能力问题，转变为边界管理与责任归属问题。

机理优先路线：把诊断结论锚回物理事实

第一条路径以机理模型为诊断主体。10月27日公开的中能拾贝双脑协同架构材料把这套逻辑讲得相当清楚：整套体系以CyberwIIOS为统一底座，向上由工业数据接入与边缘运行、工业模型引擎、智能体构建与受控执行三层能力承接应用，横向融合企业资产管理、故障预测与健康管理、工业控制系统三类能力，覆盖设备运维管理、故障根因分析、预测性维护与性能优化等业务闭环。关键的设计取舍在于算力分工：大模型完成问题拆解与资料归集，故障判定的硬核计算交由沉淀大量工业经验的机理模型库完成，从而在底层隔离大模型幻觉风险，使故障结论全部由机理模型输出。

机理模型库的技术含量体现在它输出的东西与它处理的东西。模型矩阵覆盖水电核心设备并兼容风机、泵、电机等泛工业旋转设备，具体包括水轮发电机组转子磁路与定子铁芯与导轴瓦轴承故障模型，水轮机转动部件、水力激振与空化涡带故障模型，断路器、气体绝缘金属封闭开关设备局放、变压器溶解气体分析与六氟化硫绝缘密封等高压电气模型，以及泵、风机、齿轮箱、电机等辅机故障模型。底层算法栈包括小波变换、经验模态分解、变分模态分解、快速傅里叶变换与包络谱分析等信号处理方法，提取峭度、峰峰值等特征，结合决策树与支持向量机完成故障判别。输出格式包含故障类型、发生概率、证据链与检修建议，全部结论均可回溯原始采集数据。

把可回溯这一点单独拎出来评估，意义远大于技术清单本身。工业现场的诊断结论如果不能回溯到原始波形与工况数据，就无法在班组层面被接受，也无法在事故追责时作为证据使用。该材料还提到一个具体的失效教训：某电厂汽轮机诊断模型复盘中，操作员的一句非标准化惯用语被模型吸纳并强化，最终使得模型在特定工况下总是错误地指向低加疏水系统，而忽视了真正的高频泄漏点——运维日志与交接班记录里混杂的口语化表达与经验性推测，经模型强化学习后固化为顽固先验偏见。这条教训指向的治理手段是数据入库前的语义屏障：用领域词典与实体链指识别主观词汇，把非标准操作描述对齐到标准作业程序节点，使模型学到的不是某位老员工的个人判断，而是厂家设计规范与历史故障库的结晶。

时序预测路线：从曲线到可执行动作

第二条路径以预测能力为入口。朗新科技CTO在10月23日的媒体开放日上给出的架构是：以时序预测与统一智能体引擎为核心，时序预测回答接下来会怎样，智能体进一步回答知道了该怎么办。预测环节的技术基础是千亿级时序数据预训练的跨对象、跨频率基础模型，目的是应对新省份、新场站与新建数据中心等缺乏历史数据的场景——这是工业场景里最现实的约束之一，因为新建项目的投产期往往没有足够的运行数据来训练专用模型。2026年3月，九功时序大模型在GIFT-Eval国际时序评测零样本赛道取得中国第一。

真正体现这条路径工程含量的是决策环节的行为边界设计。统一智能体引擎通过权限门控、隔离运行环境与全过程记录等机制约束行为边界，其具体分工是：分析计算可以自动执行，交易申报、场站定价等动作需要人工审批，直接控制设备不在该引擎的能力清单内。这套分级设计的技术含义在于把不可逆动作与可逆动作分离开——一次错误的价格申报可以修正，一次错误的设备指令可能造成物理后果。朗新方面对此的表述是，能源智能体与通用智能体的关键区别在于前者不仅要有能力，更要守住行为边界，AI的建议必须可信、可追溯、不越权，才能真正进入业务流程。此外，业务执行结果、交易员经验与人工纠偏可持续沉淀为知识与技能供后续任务调用，这构成了一个以执行为反馈源的闭环。

能碳智控：把诊断接到控制回路上

第三条路径的关注点不在预测也不在诊断，而在闭环。10月27日上线的能碳监测与AI智控平台2.0沿用了1.0版本的数据实时采集、边缘算法、集成网关、远程控制四项基座能力，核心升级是新增能碳人工智能智控模型，该模型以Copula图模型为耦合骨架、以模型预测控制为执行中枢、以领域大模型为交互界面，构建感知、推理、决策、核证、优化、交互六大引擎闭环。依托已授权发明专利《一种基于Copula图模型的工业节能监察方法》，平台不只报告用能异常，而是把诊断结论直接转化为设备控制指令下发执行，同时让碳排放核算结果可核证、可追溯。

公开信息给出的三个场景验证结果口径相对清晰：某集装箱码头2025年碳排放量38390.76吨二氧化碳当量，同比下降10.86%，按行业通行参数测算预计2030年较基准年下降40.4%、2035年进入净零区间；某零碳工厂创建认定的三项门槛指标全部达标，人工智能智控预计可实现相对基准情景20%至35%的节能降碳潜力；某国家级零碳园区12家规模以上企业完成全口径碳排放在线核算，五年内预计可相对基准情景削减碳排放300万至600万吨。这组数据里需要提示两点：一是平台本身不产生减排，减排来自它下发的控制指令在工艺侧的实际执行效果，测算部分依赖行业通行参数而非实测归因；二是码头同比下降10.86%属于已发生的结果，而后两组属于基于模型的预期区间，两类数字不能放在同一口径下做横向比较。

可靠性边界：幻觉率与标准的空白

工业人工智能必须谈的负面数据，在2026年10月终于有了可引用的量化区间。10月发表于《过程工业损失预防杂志》第103卷的一篇同行评议叙述性综述，综合了2020年至2026年的52项研究，主题是基础模型在化学过程安全任务中的应用。综述给出的关键数字有两个：一是基础模型在危害识别任务上的幻觉率区间为8%至23%，作者判断这一误差带对于完全自主的安全关键运行是不可接受的，必须有人类验证；二是对CCPS反应过程安全行为规范、OSHA过程安全管理标准（29 CFR 1910.119）与IEC 61511三套文件的分析结论是，均未明确引用人工智能或基础模型。综述还给出了分阶段时间表：12至18个月建立化学专用安全基准，约2年建立人在环验证协议，约1年试点安全案例模板，2至3年更新国际监管标准。

这个8%至23%的区间为什么必须被认真对待，答案在应用链条的传导方式上。一个被误判的异常，如果进入了变更审批或工单流程，风险就从设计阶段转移到了运行阶段——故障类型判错会导致检修方向错误，检修方向错误会导致停机时间被拉长，重复开停机又会加剧设备损伤。这类损失不会以事故的形式出现，而是以效率损失与设备寿命消耗的形式缓慢累积，正因为不显眼，它比事故更难被治理体系捕捉。与此呼应的是，一篇济南市应急管理局10月10日刊发的评论所记录的两起真实案例：某供电所在收到线路接地告警后调度无人机巡检，员工使用人工智能分析视频未见放电痕迹，判定为系统误报，而经验丰富的老员工坚持人工徒步巡线，发现线路存在树枝摩擦导线、绝缘层破损情况，有微弱放电隐患；某水泥企业利用智能摄像头对罐区巡检时，系统分析一切正常，员工随即填报无隐患，车间主任不放心，拿着检测仪钻进管廊深处排查，在泵阀连接处发现了泄漏异常，原因是智能摄像头受蒸汽、雾气干扰导致系统漏掉了这一风险。两起案例的共同点是人工智能擅长标准化、可视化、无干扰场景的显性隐患排查，而在复杂工况、环境遮挡、微弱异动等隐蔽问题上存在感知盲区。文章给出的结论是，在人工智能技术尚未完全成熟的现阶段，人工智能辅助加人工主导才是安全生产的最优解。

工程判断：边界比能力更早到位

把这几条线索合起来看，可以给出四条判断。第一，工业人工智能的技术路径不会收敛为一种形态，机理优先与时序优先解决的是不同问题：前者回答设备为什么坏了，后者回答接下来会发生什么，两者在资产全生命周期中处于不同环节，未来更可能共存于同一底座而非互相取代。第二，真正构成门槛的既不是模型参数规模也不是算力规模，而是行为边界的可执行程度——能否明确区分自动执行、需人工审批与禁止执行三类动作，能否把每一次决策的证据链留痕，这些是可以在项目初期就定下来的工程约束。第三，责任与验证的制度空白比模型精度问题更靠前，8%至23%的幻觉率在标准体系尚未引用人工智能的当下，意味着责任归属尚无明确的规则接口，企业在落地前必须自建验收标准与托管协议。第四，工业人工智能的价值兑现路径高度依赖场景选择，从公开信息看，先在数据积累充分、效果可量化、与安全生产直接相关的生产核心环节落地，再向管理端延伸，比直接做智能体问答或专家数字分身更稳妥。

-本文参考资料来源于中能拾贝、朗新科技、广东资环新能源与中山大学地球环境与地球资源研究中心公开技术资料；国家能源局及《中国“人工智能+”能源发展报告2026》等公开文件；新浪财经、同花顺财经、碳排放交易网、美国工程新闻网站、《过程工业损失预防杂志》等报道。

来源：

作者：

林墨