关于数字技术的能源使用 ， 并产生了误导 估计。这些研究通常考虑 AI 所需的能量 系统在其生命周期中分为两个阶段 ： 1) 训练 AI 模型 ； 以及 2) 使用 AI 模型来响应特定的查询 - 这个过程称为 “推理 ” 。 训练 AI 模型 马萨诸塞州阿默斯特大学的研究人员估计 2019 年几个 AI 模型的碳排放 ， 第一个主要模型之一 同类研究。10 研究发现 BERT - 当时是 Google 最先进的大型语言模型 基于给定的输入 ） 。例如 ， Amazon Web Services 估计 AI 模型 90% 的成本来自推理。33 同样 ， a 施耐德电气的研究估计 ， 80% 的人工智能工作量 2023 年的数据中心是来自推理 ， 20% 是用于培训。34 最后 ， Meta 研究人员的一项研究指出 ， 确切的分解 训练与推理之间的差异在不同的用例中有所不同。对于 LLM ， 他们 估计推断与 65% 的碳有关 足迹 ， ， 但对于参数必须为的推荐模型 根据新数据经常更新 ， 他们估计平均分裂 在训练和推理之间。35 多个因素影响推理过程中使用的能量 ， 包括任务类型和 AI 模型。如表 2,能源 推理的要求可能因任务而异。例如 ， 使用 AI 模型对文本进行分类通常计算强度较低 （ 因此使用更少的能量 ） 比使用 AI 生成图像。36 不同 AI 模型也有不同的能源成本 ， 并且在特定模型中 (例如 ， Llama

景适配验证。数据集成能力进一步加强，工业互联网集成技术 向更深层次的模型集成和更广范围的数据主线演进，为数据和 模型融合决策提供底座支撑，使更深层次的互联互通互操作成 为可能。识别类、数据建模类、知识推理决策类以及组合优化 类等传统工业智能由简单感知识别向深度认知演进，随着应用 认知水平依次递升，应用范围加速由质检、巡检等外围环节向 工艺优化、设备运维等核心环节演进。 （五）工业互联网特征优势 理广泛的计算任务，如业务处理、数据分析等；超算算力凭借 其浮点运算能力，专注于解决大规模数值计算、复杂物理模拟 等科学计算问题；智算算力则聚焦于人工智能和机器学习领域， 通过定制化的深度学习框架、高效的模型训练与推理引擎，加 速人工智能应用的开发与部署。 网络资源包含局域网、广域网及数据中心网络。局域网包 括办公网及生产网，两者通过科学机制进行互相隔离，确保生 产安全。广域网包括企业内部应用的内网，专供海外业务应用 中台是工业互联网平台应用智能化的支撑，实现对大模 型和传统人工智能模型的统一模型管理、迭代更新和服务发布。 通过 AI 中台提供大模型应用开发框架，支撑“语料从收集到处 理，模型从训练到推理，应用从推理到发布”的流水线开发， 面向业务用户提供通用模型服务，面向开发用户提供应用服务 调用 API 接口，助力大模型应用生态构建和运营。 （四）应用层提供场景化解决方案服务能力 应用层是工业互联网最终价值体现。新工业应用依托于工

大模 型在复杂现场的认知能力。 3.攻克行业大模型可信认知决策难题。研究矿山行业大模型多模 融合架构，建立行业大小模型可信推理机制，突破多智能体协同技术、 低算力高效推理技术、零样本/小样本可信推理技术，实现多模融合 推理资源的高效管理，整体形成大模型推理应用平台，满足行业人工 智能可持续应用的需求。 4.加速建设大模型基准能力测试体系。研究矿山大模型测试数据 体系，建立矿山大

器人能够在现实世界中 进行感知、学习、推理和行动的智能体。这种机器人不仅具备传统 AI 系统的认知能力，还能够与物理环 境进行交互，从而实现更加自然、灵活的智能行为。这一技术融合了多领域的前沿研究，旨在创建能够自 主适应和应对复杂环境的机器人系统。其主要技术方向包括多模态感知与融合、运动控制与规划、人机交互、 深度学习与强化学习，以及知识表示与推理。作为人工智能技术应用的最佳载体，具身智能技术机器人已 多模态感知认知智能理论是指整合多种感知渠道（如视觉、听觉、触觉、文本等）信息，实现对环境 或对象的全面理解与解析，模拟人类多维感知与认知机制的智能计算范式，实现机器对视觉、听觉、触觉 等多模态数据的协同理解与推理。 多模态感知智能主要依托深度学习、数据融合和模式识别技术，处理和分析不同模态的数据，研究多 模态数据表示、跨模态信息融合、模态间关联挖掘、多模态任务联合优化等，以提升感知系统的准确性和 鲁棒 理论基础；③ 基于生物 群体智能和前沿智能技术的大规模集群协同控制方法，以实现仅依赖邻居通信的分布式自组织协同控制； ④ 基于大模型等先进人工智能技术的协同控制理论与方法，利用大模型强大的学习和推理能力进行智能决 策，以实现控制系统能对外部变化的快速响应，提升系统的鲁棒性和适应性。 （8）超大规模集成光计算芯片 超大规模集成光计算芯片是采用光作为信息处理的基本载体，基于光学单元构建大规模集成光学芯片，

电力AI大模型即在通用大模型的基础之上，使用海量电力行业 信息加以训练，打造出具备适配于电力调度、巡检、交易等行 业特色场景的思维链能力的专业大模型。电力AI大模型在语言 模型、深度学习等算法加持下，可成为具备理解和推理能力的 中枢平台，并集成其他各类可用工具，全面赋能预测、预警、 诊断、调度、交易等业务场景；同时，电力AI大模型可基于自 身的学习能力，在应用中自主优化迭代，持续提升预测精度和 泛化能力，促进电力系统智能化水平快速跃升。

电力AI大模型即在通用大模型的基础之上，使用海量电力行业 信息加以训练，打造出具备适配于电力调度、巡检、交易等行 业特色场景的思维链能力的专业大模型。电力AI大模型在语言 模型、深度学习等算法加持下，可成为具备理解和推理能力的 中枢平台，并集成其他各类可用工具，全面赋能预测、预警、 诊断、调度、交易等业务场景；同时，电力AI大模型可基于自 身的学习能力，在应用中自主优化迭代，持续提升预测精度和 泛化能力，促进电力系统智能化水平快速跃升。

第四章 数智化与储能产业的融合发展 2025 中国新型储能行业发展白皮书 4.1人工智能+储能 随着人工智能技术的迅猛发展，储能行业正迎来一场深刻的智能化变革。从大模型的应用到中国 自主可控推理模型DeepSeekR1的问世，AI不仅为储能领域注入了新的活力，也为企业提供了前所未 有的机遇。AI通过优化储能系统管理效率、降低运营成本、增强市场竞争力等形式重塑储能行业价值 链，其应用场景

示，由二氧化碳造成的气温每升高1℃，大气的温室气温会提升3℃。 这将引发多么严重的结果？ 另外，地球升温可能带来更恶劣的影响。一些气候学家强调还有 其他缓慢的反馈作用。例如，暖和的大气最终会打破二氧化碳和甲烷 固有的稳定状态。据此推理，假如二氧化碳造成气温上升1℃，则最终 的结果是温室气温升高6℃。 这实在是一件棘手的事情。 当大气中的二氧化碳含量增多时，海洋吸收的二氧化碳相应增 加。这些二氧化碳溶解在海水中，形成大量碳酸。