图片系 AI 生成
十四五以来，中国在加快能源产业转型方面，政策上一直有两项主体要求：一类是推进企业生产安全高效；一类是实现节能降碳。
这两类要求虽然没有约定指向，却最终正中一个靶心：能源产业要与数字技术、智能技术相融合。
花几十万引入一套数字能源管理系统和物联网设备，去直接完成上述要求绝非易事。能源产业一般被视为有较高的护城河，且头部国央企占主导地位，先进的技术想要渗透到这个领域并不容易。不同于信息化，数字化更需要一把手工程，智能化的技术含量更深，对数据治理要求也高。而细数历来 IT 服务商对该领域的开拓，必须要解决掉核心的业务痛点，才有可能让企业有动力切换新技术。
新奥能源副总裁、新奥泛能网总裁程路近日与钛媒体交流中谈到：“ 过去，除非能源成本占到企业成本的 50% 以上，严重牵制其生命线时，才会进一步选择这条路。如今的情况是，不仅是节省能源成本，依赖出口贸易但没有碳足迹认证的企业，也在面临生存的压力。”
存量时代的竞争，能源数字化转型无疑成为企业必然要做的事情。但大企业用能环境复杂，定制化程度高，中小企业很多对能碳认知不强，或对这件事情并不敏感，加之产数融合型人才缺乏，以及投入成本与缺乏标准等问题，大量企业还没有获得与预期相符的能碳投资回报。
“ 产业互联网也提了很多年，能源行业的网络效应还没有探索出成熟路径。我们也在等风来。” 程路说。
能源产业的数字化是个复杂而长期的过程，涉及政策、市场、技术、人才、资金等多方面因素，幻想能一招鲜地彻底改造能源产业也是不现实的。
改变能源，将 AI 推进至“ 最优”
翻看过去几年，能源行业的数字化或智能化实践，是伴随着技术的演进而在线下产业的深耕中持续深入。对于泛能网而言，同样经历了从传统机理模型，到机器学习模型，再到行业大模型的探索。而不同阶段技术路径的转变，也反映出针对客户痛点所能实现的最优解，已经从早期的 BI 或可视化跨越到了“ 智能决策”。
以 AI 优化能源设备运维为例。起初，传统办法就是构建一套机理模型，将能源的运行原理包括传热学和热工学等理论知识，形成规则和公式，再通过公式去计算一套能源系统的输入产出效率情况，针对性参数调优。
再就是直接跳到数理阶段，这也是很多互联网、AI 公司此前探索的路径，即用 AI 去学习历史数据，找经验找规律，但问题是，这种路径往往限定于某些特定任务或小样本学习场景，环节琐碎，无法泛化，很多项目在客户场景根本无法延续。
泛能网采用的是“ 基于仿真的机理+数理” 方式，即泛能仿真系统，在机理与数理模型的融合下，相当于拥有了一个高智商且具有丰富经验的智能体，同时不同于传统机理模型，仿真可以让机理“ 针对单一项目变得更实体化或具象化”。
“ 过去仿真系统是机械化的，我们想做的是能够模拟物理世界运行，跟物理规则结合起来的高阶版数字孪生。单纯的机理或数理，永远达不到新大陆。” 程路对此解释。
这是小模型的应用经验。然后到了大模型时代，现阶段，不能否认大模型无法忽视的黑盒问题，由于无法通过演绎的方式进行逻辑推导，导致其安全和可靠性存疑。
从 2023 年起，泛能网也在着手探索“ 能碳产业大模型” 的可能性，将大模型与小模型结合，构建一套能源行业的“ 智能驾驶系统”。其底层逻辑可以用“ 选用训生” 来理解，即选择业内多个开放的基础大模型再加上原有的小模型，用行业专家知识和积累的私域数据，训练行业专业模型如负荷预测、碳排分析、荷源网储优化，最后生成面向工业、公建、园区等广泛场景的 AI 应用，并进一步整合为智能化解决方案。
“ 要很懂行业，也很懂数据”
能源行业的门槛高，其实并不仅限于客户门槛，单从需要具备的专业学科背景就足以让不少外行人望而却步。想要“+AI”，得先啃一啃这些学科知识。理解不了客户，给出的方案都只能是隔靴搔痒。
而客户需要往往不是某个单点产品，而是能够对其能做出一套全面且系统的个性化能效提升和能源优化流程。
回到泛能网的服务方案，大致也分为五步：企业首先明确当前的能耗状况，对能耗基线进行标的；分析识别出能耗较高的区域或设备；用数字技术监测波峰波谷，了解企业用能特征；识别出后，将设备与生产系统进行更紧密的联动。到了最后一公里，则是需要专家团队基于 AI 对能源供应和生产供应进行匹配，“ 一定要对客户有很强的认知，要很懂行业，也很懂数据。”
差距往往就在最后一公里拉开：既懂客户又懂数据的产数人才，这往往需要时间培育。时至今日，“ 做模型的不懂业务，做业务的不懂模型” 这种现象依然普遍存在。
泛能网起初在单品数字化时，就已经有很多基本的产数融合人才，也是最艰苦的阶段。后来在单品数字化基础上叠加智能化，将算法人才与产业人才融合，产业人慢慢有了数字化思维，数字人也专注在产业领域提升产业层次。
“ 这并非是最终模式，大模型到来之前，即便是专业的算法人才加上产业人才一起，训练某个暖通场景算法也需要数月。” 泛能网首席产品官王尊告诉钛媒体。
现在，AI 也在塑造泛能网自身的生产力工具：一是泛能仿真系统，将产业人对能源系统的认知，以机理模型沉淀在仿真系统里，实现数字孪生；二是能碳产业大模型，结合通用大模型基础+机理模型沉淀的产业知识，直接生成应用如能碳智伴、节能测试报告。
现在，每个环节都可以用上泛能仿真+能碳大模型，对企业原有工作模式实现提效颠覆。比如节能测试报告，只需给大模型一个命令，即可基于历史做的节能测试报告模板，加上项目的关键数据直接生成报告。
这也是为什么泛能网塑造能碳大模型的另一个原因：加速产数人才融合。“ 在体验上，传统产业专家会更容易上手，使用习惯得到满足，同时在速度上，从事互联网的人才也能快速上手，哪怕是来自互联网或 AI 行业的相关人才，只要他有一定 ToB 经验，有一定能源知识，也能很快通过工具上手。模型训练上，基本也从过去三个月缩短至一周。” 王尊说。
工具的趁手，认知边界的突破，一系列的裂变也在团队内部悄悄展开，保证了“ 业务飞轮” 的基本盘。
节能降碳，降了成本客户才买单
那么回到最后一点：数字化节能降碳，究竟能为客户带来什么价值？
这个问题的背后，看似是绿色问题，本质上解决的是发展问题。推动企业用上能碳产品，节能往往只是其决策中因素之一，出于市场环境、经营管理的角度，企业会综合判断。
“ 客户的生存压力是第一位的。” 程路举例道，“ 过去像纺织、玻璃企业的能源成本维持在 10%-20%，这些企业已经习惯了粗放式管理。可变成本可能就在能耗上，减人工也是有一定底线的，而每单位节省的成本就会变成它的核心竞争力。”
在安徽某纺织印染企业的落地中，泛能网为其实现了“ 以需定供”，不仅节能又减碳，还进一步提升了企业生产工艺和产线良品率。
该行业长期面临着单产值相对较低而能耗却居高不下的挑战。其生产流程复杂，在传统染色工艺中，高度依赖蒸汽染缸和热水循环，辅以天然气等能源，对着色温度有严格要求，而能源供应往往缺乏精细调控，导致能效低下、成本高昂且环保压力大。
面对这一困境，泛能网为其构建了印染智控技术，实施了一系列创新改造：首先对通过 AI 优化能源分配，将原本冗长的能量链条拆解为多个微循环单元，实现了更贴近能源需求侧的精准供给；其次建立高度集成的中央控制系统，将 AI 与印染生产工艺深度融合，实时监控染缸状态，精准调节能源供应，确保布料着色质量稳定，实现一次成品率提升 5%-10%。同时，通过数据分析和预测，进一步优化工艺参数，实现约 5% 至 10% 的能耗节省。
更在更多的场景，比如公建暖通，本身公共建筑内暖通能耗占比高达 40%~60%，同时可以在各个能耗点进行调控，具备可改造的空间；在园区荷光储场景，光伏和储能的运营商主体各自为战，收益保障难、策略执行难。如果能从园区整体，将用能方、储能、光伏、充电桩以及园区对外的整个电力市场的售电交易实现打通，将极大提升园区运营效率和综合收益。
在此判断下，背靠新奥能源的产业经验，以及在数字化领域的积极探索，泛能网短短几年就已完成从最初的 2000 万实现到 3 亿元营收的跳跃，为中国 200 多座城市中的 9000 多个用能方、200 多个产业园区提供能碳管理与智能运营等多维服务。2024 年，泛能网构建了染缸运营及节能智控、荷光储一体化智控、暖通端边云一体化智控三款智能化解决方案，这些方案吸取了客户对智能、安全、高效、便捷等现实问题诉求。
诚然，能源行业的节能降碳多受政策导向，但行至当下，市场环境倒逼需求侧改变，大幕正一点点拉开。（本文首发于钛媒体 APP，作者 | 杨丽，编辑 | 盖虹达）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
#对话泛能网总裁程路未来企业竞争力将由能源成本决定 #智造观察
