。 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 （ LLM ） - 发出 数据创新中心 2 约 1, 438 磅二氧化碳 (CO2) 在 79 小时的 使用 64 个高级图形处理单元 (GPU) 、芯片进行培训 通常用于训练 AI ， 原始的研究论文和随后的新闻 文章经常指出 ， 虽然大型人工智能模型的性能优于现有的 在语言翻译基准测试中 ， 改进只是 边际。这意味着人工智能研究人员正在做琐碎的事情 性能改进以牺牲大量的 碳排放。事实上 ， 其他人工智能研究人员在一份报告中明确了这一点 广泛阅读的论文 “关于随机鹦鹉的危险 ： 可以语言 ” 模型太大 ？ ”15 他们认为这是 “环境种族主义 ” 富裕的西方国家部署更大的 AI 系统将对全球贫困社区产生负面影响 南方。具体来说 ， 他们写道: 例如 ， 问马尔代夫的居民是否公平或公正 （ 到 2100 年可能会在水下 ） 或苏丹的 80 万人 受严重洪水影响的培训和环境代价 部署越来越大的英语 [语言模型] ， 当类似的大 - 没有为 Dhivehi 或苏丹阿拉伯语生产比例模型 ？16 考虑到这些指控 - 训练 AI 系统不仅对 环境 ， 但也是一种公开的种族主义行为 - 这并不奇怪 ， 许多人

主机安全 应用层 平台层 基础设施层 接入门户 服务门户 管理门户 应用服务 基础设施服务 资源管理 虚拟资源 物理资源 外围基础设施 量子物理资源 经典物理资源 平台服务 编程开发 程序编译 任务调度 数据库 中间件 任务调度 图表 量子计算云平台功能框架 光子盒研究院 QUANTUMCHINA | 2025.2 第一章 2024产业发展概览 18 除了 量子主机软件：AI辅助系统运行 量子编译软件在规范量子编程范式的同时，为量子程序提供了编译与执行的环 境。2024年是量子编译软件迈向成熟的重要一年，众多量子领军企业纷纷发布相关 软件。Microsoft于1月发布Azure Quantum Development Kit 1.0，使其速度提高了 100倍，体积缩小了100倍，并能在浏览器中运行。Quantinuum于1月发布量子自然 语言处理软件lambeq 0.4 1。IBM于3月发布Qiskit SDK 1.0，进一步提 高量子硬件电路优化速度和存储资源占用量等性能，5月将其扩展至整个软件开发 栈，8月发布1.2版本。NVIDIA于11月推出混合量子-经典开源编程平台CUDA-Q的扩 展版CUDA-QX。 量子编译软件：软件栈迭代频繁 第四章 软件算法 64 量子应用软件通过集成开发组件、调试工具与算法库，有力地支撑了跨领域的 研究创新。目前，诸

现场的智能物联设备，实现对生产现场物料、设备、环境、人 员等各类关键信息的实时采集、连接与传输。设备边缘层主要 涵盖物联网和边缘计算等模块。在物联网感知设备方面，借助 11 集散控制系统（DCS）、可编程逻辑控制器（PLC）、远程终端 单元（RTU）等精准控制生产流程，智能仪器仪表精确采集实时 数据，联合智能机器人、无人机等智能设备及其他端侧设备等 共同构成设备边缘层的感知网络。物联网通过构建各类感知设 可在 产品销售环节优化销售策略和客户体验。基于机器学习与自然 语言处理技术，构建市场预测与客户交互的双引擎智能系统。 通过时间序列分析挖掘历史销售、舆情及宏观经济数据中的潜 在规律，融合包含社交媒体趋势、供应链波动等在内的多源异 构数据，生成高置信度的市场需求预测报告，动态优化定价策 略与库存分配。同时，部署预训练语言模型、驱动的智能客服 系统，结合知识图谱生成准确、有针对性的回复，提供个性化

编排实现行业应用功能快速开发。 工程组态环境主要是面向工程实施 人员和系统配置管理人员，提供多种 开箱即用、具备组态能力的工程配置 工具，包括算法逻辑组态工具、数据 模型组态工具、HMI图形组态工具、 工业智能算法编程工具等，加速生 产系统行业应用软件从现场数据初 始化到上线的过程，实现项目快速交 付和系统便捷配置。在线运行环境 主要提供实时（RTE）/非实时运行服 务，通过分布式服务中间件，实现各 服务之间的高效协作和交互，同时支 撑实时控制与非实时应用服务的整 体部署和调度。运维环境提供硬件 资源-平台服务-应用任务多层级监控 能力，可监控所有服务器节点的系统 状态及运行日志，并提供可视化界面 方便查看及分析。 — 虚拟化P LC：可编程逻辑控制器 (PLC)是一类坚固耐用的工业计算机， 因其可靠性和时间确定性而被广泛 用于控制制造过程，例如控制机器 人系统和其他自动化机器的动作。 虚拟化PLC让任何计算机都可以作为 PLC运行，同时保持开放架构。这种 融合生态 拥抱智能： 2030中国智能制造及自动化行业展望 9 融合生态 拥抱智能： 2030中国智能制造及自动化行业展望 10 投入大量精力或无需具备IT知识便 可编程。生成式AI将进一步降低代 码编写要求，可能让完全没有编程经 验的人也能开发好用的软件。这意味 着IT工作负载降低，需求响应速度加 快。 第三，智 能 化 趋 势 促 使 企 业 从 传 统经验决策转向全面数据驱动，实 现以人

智能结构开发、接触 / 非接触式变形驱动设计等。该领域近年来的新型智能结构主要有泊松比可调结构、 受自然生物启发的仿生结构、折纸 / 铰链结构等。随着材料科学和打印技术的进步，由于结合了 SMP 智能 材料的可编程变形优势和 3D 打印的多材料可定制化复杂结构制造优势，4D 打印的 SMP 智能结构的未来 发展趋势主要包括具有高机械性能和快速响应的 SMP 材料与结构、多材料联合打印、4D 打印理论模型建立、 重数据的同步与异构融合，提升系统 的整体感知能力和适应性。多模态认知智能将逐步朝着深度神经网络与认知科学深度融合的方向演进，致 力于突破模态间的语义鸿沟，实现更接近人类认知水平的智能系统，为自然语言理解、视觉问答、跨模态 检索等任务提供重要的理论基础与技术支撑。 （5）超高灵敏度跨尺度缺陷检测技术 人工智能的飞速发展促使全球先进半导体芯片的需求持续旺盛，推动制程工艺节点迈入 20 Å（2 出：借助生成模型提出新颖的科学假设，从而扩展研究边界，例如在药物研发中预测新的活性化合物。 ④ 实验验证：构建自动化实验验证流程，例如通过具身机器人将数据模型与物理测试无缝连接。⑤ 结 果报告与可解释性：通过实验结果的可视化、自然语言生成技术以及模型可解释性工具，揭示对结果 具有关键预测作用的模式和规律。⑥ 专家反馈与进化：引入专家经验和领域知识，建立反馈机制，持 续优化模型与假设。 数据和物理规律驱动的智能科学计算的未来

IQM专注于开发针对特定应用进行优化的协同设计量子计算机。 在2023年11月推出54比特超导量子处理器。IQM的专有技术 结合了量子硬件和软件设计，可实现最佳性能和可扩展性。 其量子云服务可通过流行的编程框架访问量子处理器。2024 年9月，宣布实现了生产30台全栈量子计算机的量产里程碑， 还成功向全球客户交付和安装了六台全栈量子计算机。 图表 欧洲量子科技代表性厂商 欧洲 光子盒研究院 QUANTUMCHINA 理 单元（QPU）发送任务并实时监控。他们还发布了模块化、 可重构、互联和可扩展的光子量子计算平台MOSAIQ。此外， 他们还发布了与PyTorch兼容的基于Python的光子量子机器学 习编程框架。2024年，Quandela宣布在蒙特利尔成立加拿大 子公司Quandela Canada，迈出国际扩张的关键一步。 Oscilloquartz提供精准可靠的计时和同步方案，弥补 GPS 等 量子芯片高真空 存储箱等产品，目前已上线第三代72位超导量子计算机“本 源悟空”，并已通过云平台开放使用。在行业合作方面，与金 融、医疗、化工等领域广泛合作。公司还发布教学书籍《量子 计算与编程入门》、量子计算教学机，举办量子计算比赛，在 丰富产品和品牌推广的同时，也培养了行业人才。 78 第三章 中国量子科技产业发展概况 启科量子成立于2019年，拥有具有自主知识产权的模块化离子

3-2 评分，总分为 100 分。按照检查存在不符合要求的 项目进行扣分，各小项分数扣完为止。 本部分设加分两项：（1）5G 网络通信井下全覆盖，实现融 合通信；（2）采用 SDN 架构，实现网络可编程、智能化。 （3）支持 4G、5G、Wifi、Iot 等融合组网。计算方法：实现一 项应用或功能得分加 10 分。 表 3-2 智能化煤矿信息基础设施考核评分表 项目 名称 基本要求 标准

关键数智技术 电力AI大模型 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 调令 供需电价 气象数据 观测、ERA5 设备数据 风机 储能 Transformer类神经网络 词元化 向量化 注意力 机制 前馈 整合 解码 输出 语言/视频 ERA5 短期记忆 长期记忆 机器 语言大模型 气象大模型 人机交互新范式 电 网 中长期合同曲线 中长期竞价曲线 现货交易策略 实时监测 设 备 出力控制 启停复位 视频 机 器 人 时，大幅节约了数据采集成本； • 推动生产管理由 “分散孤立”向“一体协同”转变，驱 动生产全要素效能提升。 电力智能物联技术（AIoT） 电力智能物联技术（AIoT）将机器学习、深度学习、自然语言 处理等AI技术整合到传统物联网中，对传感器采集的海量数据 进行大规模数据处理和分析，使物联网技术突破的监测感知的 范畴，具备更高效的自动化决策以及预测、预警能力。 泛在电力物联网在海量分散的电力设备之间建立联结，支持对

关键数智技术 电力AI大模型 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 调令 供需电价 气象数据 观测、ERA5 设备数据 风机 储能 Transformer类神经网络 词元化 向量化 注意力 机制 前馈 整合 解码 输出 语言/视频 ERA5 短期记忆 长期记忆 机器 语言大模型 气象大模型 人机交互新范式 电 网 中长期合同曲线 中长期竞价曲线 现货交易策略 实时监测 设 备 出力控制 启停复位 视频 机 器 人 时，大幅节约了数据采集成本； • 推动生产管理由 “分散孤立”向“一体协同”转变，驱 动生产全要素效能提升。 电力智能物联技术（AIoT） 电力智能物联技术（AIoT）将机器学习、深度学习、自然语言 处理等AI技术整合到传统物联网中，对传感器采集的海量数据 进行大规模数据处理和分析，使物联网技术突破的监测感知的 范畴，具备更高效的自动化决策以及预测、预警能力。 泛在电力物联网在海量分散的电力设备之间建立联结，支持对

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，其应用场景也从单一问题解决向多维度、全链条的智能化转型拓展。然而，储能行业复杂的工业 系统特性决定了其对AI的需求远超消费领域的传统大语言模型（LLM）。取而代之的是融合型 AI——一种能够整合多源数据、跨越多个领域、实现实时决策与优化的创新解决方案。 （1）明确方向：“AI+储能”赋能企业稳定增收 衡量AI赋能储能的效果，关键 增长。虽然AI当前正在迅速走向成熟并在储能行业的应用潜力巨大，但要实现其长远的价值并促进收 入增长，企业仍需要清晰的战略和步骤。首先，需要明确储能行业的特定需求，这不仅仅依赖消费领 域的LLM（大语言模型），而更需要融合型AI的创新解决方案。其次，明确可实施的技术方案至关重 要。我们可以从两个层面入手：一方面是从实际应用场景出发，遵循可实现性和价值高低的原则来构 建AI框架；另一方面，技术支 AI可协调分布式储能、电动汽车、柔性负荷等资源参与电网调频、需求响应，并基于博弈论和强化学 习制定虚拟电厂在电力市场中的最优报价策略。AI赋能的技术价值在于大模型模拟不同政策下的市场 演化路径，辅助长期投资决策；通过自然语言处理分析用户用电习惯，提升需求侧响应参与率。 4. 储能市场雷达：智能营销系统规模化获客（新兴价值） 该场景借助AI驱动的精准营销工具，快速切入工商业储能市场，抢占增量客户。主要应用方向包 括