如何实现中国的“双碳” 目标？ 新型电力系统面临新能源不确定性、分布式资源协调难、数据处理融合不足、决策实时性要求高、安全韧性挑战大等“成长 烦恼”。而大模型凭借强大的数据处理与模式识别、 出色的上下文学习与推理、多模态融合潜力等能力 ，成为破局关键 ，助力解 决系统难题。 数据 “爆炸 ”与融合困境 ： 海量 、 多源 、 异构数 不确定性剧增 ： 高比例能源的接入 ， 新能源的 随 机性、 、 网络 、 气候等 多 据处理需求迫切 ，价值挖掘不足 决策实时性要求严苛 ： 复杂优化问题需在秒级甚 强大的数据处理与模式识别能力 ，有望从海 量数据中洞察运行规律 出色的上下文学习与推理能力 ，可辅助甚至 优化复杂决策过程 多模态融合潜力 ，整合文本、 时序、 图像 等 多元信息 ，实现全景感知 挑战与机遇并存：大模型技术破局电力系统复 杂性 新型电力系统的“成长烦恼” 区域电网 的不同粒度。只关注设备细节可能忽略系统性风险；只看宏观整体可能无法定位具体问题根源。通过构建层次化网络结构和跨 层级信息交互使模型能够根据任务需求 ，灵活地在不同层级进行分析和推理 ，实现全面认知。 ● 多维编织：构建从设备到系统的认知网 络 实时控制类：继电保护、紧急控制等需毫秒级 响应。 在线分析 / 调度类： 日内调度、安全校核等需秒 级至 分钟级响应。

公司 作业区 井场/场站 生产监管 融合集成平台 ROMA Site 边缘 计算节点 智能安防 工况诊断 …… 公共数据存储服务 三维数字孪生 GIS服务 物联设备管理 边缘推理平台 APIC 统一认证和权限管理 统一接入LINK MQS 统一运营 AC-IoT 10W+设备并发 海量接入 标准化物模型 设备统一 接入管理 云边协同 应用、算法、模型 统一下发管理 保产节能： 通过“一井一策”，保障不减产， 同时降低能耗30% • 提升运维效率： 基于边缘计算和云管理架构，实现 管理效率提升50% 智慧井场 • 云边协同架构： 集团训练中心云和油田边缘推理协 同，管理生产效率双提升 • 边用边学，越用越好： 专家经验赋予人工智能能力持续提 升，边用边学，越用越好 • 非正常即异常： 理念革新，模型训练工作量节省 85%以上 油气生产大模型 作业效率提升 自主创新技术，提升 了整体作业效率 18% 综合运维成本下降 自动化样本筛选和 标注，成本降低 端侧推理 • 安全部署：保障全链路安全 • 智能调度：实时感知，动态优化算力 • 效能提升：弹性编排提高算力利用率 推理管理平台 集团中心 油田公司 端侧推理（Edge） 油气田 • 资源优化：集中管理区域算力资源 • 运维升级：智能化降低运维成本 • 业务加速：人工处理→智能自动化

/ 策 略 / 模型等 ) 新特征发现 新策略组合 评 估 主动量化分析 指定分析任务 效果评 估 ( 业务 / 策略 / 规则 / 模型等 ) 量化分析总结 分析结果生成 决策推理驱动的风险动态量化与主动收敛 基于监控预警结果， 自动生成量化分析 报告 发现问题 定位原因 新风控策略再次进入监控预警，执行持续问题反馈和循环优化的动态运营流程，直至风险自动收敛和 业务持续健康发展。 模 型 起于 AI ，用于智能 : 学会与 AI 协作的风控实 践 融合 客户 在贷前、贷后全 流程中的各类数据，全景 呈现客户信息 使用大模型深度推理，结 合规则、图谱、小模型等 多种能力，实现客户画 像维度的深度推理 授信 评级 预警 逾期 基于富文本数据的风险态势感知 调度引擎 任务编排、自动调度 指 标引擎 实时、离线指 标计算 大模型 非结构化知识抽取、实体链接 实时、离线数据接入与加工 决策引擎 实时、离线的客户标签计算 工商 司法 舆情 经营 集团派系、实际控制人、 担保圈链、风险传导、资 金流向、反洗钱 … 全流程 业务 模型 深度 推理 AI 风险态势感知 大模型自动更新黑产情报、监管政策、新型作案手段、 特征自学习、风险预判等知识，面向银行业风险管理人员、 策略运营人员、业务人员等不同角色，提供模块化组合式 的情报洞察报告。

能化的感知、人机交互、决策和执行技术 ，实现设计过程、制造过程和制造装备智 能化。 • 智能制造系统是一种由智能机器和人类专 家共同组成的人机一体化智能系统，借助 计算机模拟人类专家的智能活动进行分析 、推理、判断、构思和决策等，从而取代 或者延伸制造环境中人的部分脑力劳动。 同时，收集、存贮、完善、共享、集成和 发展人类专家的智能。 -- 百 度 6 赵敏： “ 智能制造，基于 CPS （赛博物理系统）技术构建„状态感知 敏捷感知市场和 客户输入的实时 状态 学习创新 利用人工智能， 自学习，作出创 新的方案 自主推理 按照设定的规则 ，根据数据分析 的结果，自主作 出推理和选择 实时分析 对感知的实时状 进行实时分析和 计算 智能制造 典型特征 快速反应 根据推理和选择 的结果，快速地 作出本能反应 通过工业 4.0 将传统工厂向智能工厂转 变 以太网 SCADA 入的实时状 态 学习创新 利用人工智 能，自学习 ，作出创新 的方案 时分析和计 算 智能制 造 典型特 征 自主推理 按照设定的规 则，根据数据 分析的结果， 自主作出推理 和选择 快速反应 根据推理和 选择的结果 ，快速地作 出本能反应 2.3.4 MES 智能化，即与智能制造相结 合智能制造的基础是企业生产过程彻底的（完备的）数据化。智

（二）总体架构 “联算”，“联智”，“联数”，“联空”共同构成了新质互联网的场景，也对新质互联网的架构和能力提出了新的要 求。在物理网络结构方面，新质互联网需要构建入算、算内、算间三张网络，构建多级推理中心和高质量的边端 网络，构建高速连接的数据网络，构建空天地一体的全域覆盖网络。 图 2 新质互联网整体架构 ² “联算”网络包括算内、算间、入算三张网。在入算和算间网络方面，智能 IP 广域网（AI 高速时代，对数据中心网络提出了超大规模扁平化组网、网络级负载均衡、 设备液冷、超高吞吐、无损传输、快速故障闭环的要求，以实现算力效率的 100% 释放。 “联智”网络主要通过边端网络连接各类智能体终端，满足与推理中心的交互需求，实现实时决策等智能功能。 不管是个人服务，家庭服务还是企业服务，智能终端和端云协同都对网络提出了高带宽，低时延，安全认证，数 据加密，应用级策略控制等诉求。在实践层面，智能万兆园区网络（AI 络化共享”转变，更加速了人工智能应用在千行百业的落地进程，是构建未来智能社会不可或缺的神经中枢。从空 间维度上看，联算网络由智算中心网络和智能 IP 广域网组成，二者正日益成为业界关注的重点领域。 智算中心网络是支撑 AI 训练和推理的核心载体，承担着在智算中心内提升算力利用率、实现资源动态调度 的重要使命，正向超大规模集群扁平化组网、算网协同、设备液冷等方向演进。一方面，AWS、Meta 等科技巨 头推动智算集群向百万卡级

风险能力。最后，边缘算力系统通过多样化的网络实现离散边缘算力 3 节点互联互通，具备将网络与算力统一管控的能力，支持网络对计算 任务的动态适配和优化。 1.2 边缘算力基本概念 边缘算力是指在靠近用户侧部署的计算能力，具体包含推理决策、 执行计算任务、存储数据、训练模型等能力，它不仅包括硬件层面的 计算能力，如处理器的运算速度、内存容量、存储能力等，还涵盖软 件层面的算法处理能力，如数据预处理、实时分析、智能决策等算法 的效率和准确性。 边缘算力为各类实时应用提供了算力底座，通过在靠近数据供需 两侧的位置提供数据处理能力，大幅缩短原始数据传输距离，从物理 层减少延迟产生的因素，最终大幅降低端到端延迟。人工智能的训练 和推理过程需要大量算力，鉴于各领域终端设备自身算力较低，智算 中心实时性较差，边缘算力成为未来承载人工智能应用的重要载体。 边缘算力系统是一种依托多种网络连接技术将多元边缘算力整 合为有机整体的算力 加强各应用业务标准化接口与协议适配，建立跨设备协议对接机制， 利用 ONNX Runtime 等框架实现模型跨平台部署，在边缘节点可将深 度学习推理速度提升，使用轻量化中间件通过异步优化消息传输，降 低边缘设备内存占用。最后，边缘算力系统实现端边云协同与弹性扩 展，通过大量边缘节点构建泛在算力服务能力，支持大模型推理的弹 性调度，算力管控平台可动态匹配任务与算力资源。 靠近用户提供服务，支撑全域实时响应。单一边缘节点的覆盖范

提供模型全生命周期管理 支持灵活的部署模式 提供车富的案例集和分析模板 2.4 智能分析：更强大 的数据分析和建模能 力 云上训练 , 边侧推理 采用 Kubernetes 原生的容器编排和调度能力 ，模型容器化部署， 无缝下发应用到多个边侧执行推理任务。 边云协同 , 统一管理 云上采用边侧采集的数据分布式训练和统一管理机器学习模型， 并远程 监控模型运行 情况 ，实现边云协同能力。 发 上 传 数 据 模型训练 模型管理 各种传感器收集信息 信 息 上 报 上 传 数 据 执行推理 执行推理 执行推理 2.4 智能分析： 模型下发，边云协 同 电力 开箱即用 , 支持定 制 装备智能化应用 生产智能化应用 化工 油气 轨道交通 离散制造 水务 半导体制造 2.5

。其次，能源行业发展迅速，新技术、新政策、新数据不断涌现。 DeepSeek 可能无法及时获取和更新最新的能源数据和信息，导致在处理与时效性相关的能源问题时，给出的结果滞后或不准确。 2 、逻辑推理方面： 1 ）复杂逻辑处理能力有限，能源系统涉及发电、输电、配电、用电等多个环节，各环节之间存在复杂的因果关系 和 逻辑联系。 DeepSeek 在处理一些需要深入理解和分析复杂能源逻辑关系的问题 DeepSeek ，限制了其在这些场景下的应用。 其次，模型本地部署存在缺陷。本地部署的 DeepSeek 版本可能存在参数规模受限、功能不完整等问题，如一些本地版缺少多模动态、文件分析、实时联网等核心功能，推理能力 也 相对较弱，无法满足能源行业复杂业务场景的需求。 三、挑战与应对策略 Te n c e n 腾 讯 n 应对策略：以人为本 1 、构建专业语料库： 收集能源领域的专业文献、研究 、模型优化：利用能源领域的特定数据集对 DeepSeek 进行微调，针对能源领域的复杂逻辑关系问题，调整模型的参数和结构。将 DeepSeek 与其他专门用于处理逻辑关系的模型或算法进行集成，如知识图谱、逻辑推理引擎等，结合各自的优势来提升处理复杂逻辑 关系的能力。 3 、多模态融合与交互： 除了传统数据，融入能源场景的图像、视频等多模态数据，如利用卫星图像分析能源设施分布、利用监控 视 频识别能源设备状态，结合文本数据，能让

器人或其他形式的系统，具备一定的自主性和智能性。 02 智能体定 义 简单反射型智能体 简单反射型智能体主要是基于固定的条件 - 动作规则，它们的智能行为受限于事先定义好的规则，缺乏复杂的推理和学习能力， 不 能灵活地决策和解决问题。这种类型的智能体智力水平非常有限，无法适应环境的变化。 基于模型的智能体 基于模型的智能体主要利用条件操作规则，即通过查找满足当前情况的条件规则进行工作。此类智能体能够利用智能体内部状态和 方式，通过获取外部实时信息、 访问专有的信息知识库等方式 更新信息。大语言模型擅长文 本处理、意图理解等，但是对 于计算等操作能力较弱。因此 需要使用工具提升大语言模型 的操作能力，常用工具包括模 块化推理、知识和语言。 01 规划 规划主要是对子目标的管理和 拆解，将大的任务拆解为小的 子任务，并对这些子任务进行 管理，从而有效地处理复杂的 任务。同时，规划会基于过去 将查询路由到适当的 工具，或依赖其自身 知识进行回答。 Reflection: 在响应 前先审查并修正答案， 大多数 LLM 系统中也 可添加反思步骤。 ReAt: 通过迭代方式 推理如何解决问题， 执行操作，观察结果， 并决定是否采取下一 步行动。 Plan-then- Execute: 将任务分解 为子步骤，然后逐步 执行每个子步骤任务 完成。 6

异常检测 n 众多 AI 算法 多元线性 规划 帕雷托优化 (Pareto Improvement) 整数混合线性 规划 (MILP) 贝叶斯推理 粒子群算法 (Particle Swarm Optimization) 拖拽代替硬编码 元数据管理 主数据管理 自定义报表 分类 图像识别 聚类 知 识图 谱 数据采集 数据治理 实时计算 建筑模型库 园区模型库 推理服务 NLP 商业金融 25 25 4. 利用 AI 平台和数据智能，实 现对政策及商业模式研究预测， 负荷预测研究、智能调度技术 研究、多能优化建模技术研究 智慧控制方法研究、数据管理