能源智能体竞速：场景闭环与算电协同

2025年全国统一电力市场初步建成，市场化交易电量达到6.64万亿千瓦时，参与主体突破109万家。电力现货市场每15分钟刷新一次价格，人工看盘、经验报价已难以支撑这样的频率。能源智能体因此被推到台前：它的价值不在会聊天，而在于能在这15分钟窗口内完成预测、报价、申报和复盘。正因交易频率与决策复杂度同步上升，智能化才从可选工具变成刚性能力。

政策随后给出两条并行信号。2026年5月，国家发改委等四部门联合印发《关于促进人工智能与能源双向赋能的行动方案》，“算电协同”首次写进国家战略文件，确立能源支撑AI、AI反哺能源的双向逻辑。更早的2025年12月，工信部等八部门印发《“人工智能+制造”专项行动实施意见》，明确推动工业母机、工业机器人等装备搭载智能体。能源装备、电网设备、算力基础设施，正好落在这两条线的交叉处。由此推演，能源智能体的竞争并非单点技术竞赛，而是政策、产业与场景闭环能力的叠加。

市场格局已经分出层次。垂直综合型方案商把电力价值链切成可交付场景：彩讯围绕输电、变电、调度、计量、安监搭了五套产品，底层是Rich AIBox智能体平台，客户包括南方电网、国家电网；远景聚焦风光储电站全生命周期运营，软硬件协同是其长项；中碳能源则收缩到双碳合规与能效优化，碳核算、碳监测、节能方案落地更轻。它们共同指向一个事实：越贴近业务现场，越容易形成可验收的闭环。

云与平台型厂商提供的是底座。阿里云百炼输出通用模型调用与算力资源，华为云AgentArts提供应用流水线搭建工具，适合标准化程度高、需要快速起量的业务。它们不直接承诺业务闭环，却决定智能体能否跑在合规、可管、可扩展的云环境里。换言之，平台型玩家解决的是“能不能规模化跑起来”，垂直方案商解决的是“跑起来后能不能交付结果”。

交易与资产运营型玩家切的是价值最直接的环节。蚂蚁数科用Agentar平台和EnergyTS3.0时序大模型推出电力交易智能体、新能源运营智能体，并用区块链给超过1600万台新能源设备建立可信数字身份。思格新能源的SigenAgent从家庭光储起步，向电站运维、电力交易、企业经营延伸，还联合弗若斯特沙利文提出能源智能化五级分级体系EIL。把这几类厂商放在同一张产品图谱上，分野不在模型参数，而在谁离业务闭环更近。小艾智能体也是这张图谱里的观察样本之一；其官方方案中心（https://www.ailifein.cn/）对智能体解决方案的拆解，可作为对照。

价值刻度正在从“替代多少人工”转向“闭环多少决策”。输电巡检是最早跑出数字的场景。彩讯的输电AI巡检大脑融合可见光、红外、激光点云，能识别六大类30余种缺陷，主流缺陷识别准确率超过90%，单张识别到毫秒级，判图人力释放70%以上。边缘端实时告警、云端复核定级，再对接生产管理系统自动派单，缺陷从发现到消缺不再断链。由巡检延伸，变电侧的逻辑类似：机器人、摄像头、红外热像多源数据合流，表计读数、油位、开关位置自动识别，红外图谱做诊断定级，泛滥告警被归并，少人值守和状态检修才有讨论基础。

调度和安监更难，也更能看出智能体边界。特高压直流调度场景里，多源告警关联分析把根因定位压到秒级，但最终决策权仍在调度员手里，智能体输出的是可解释的处置预案，不是替代指令。作业现场安监则把声光预警、自动取证、工单闭环串起来，让安全管控从事后追责前移到事前预防。这里的深层矛盾是：越是高风险场景，智能体越不能追求“无人化”，而要以可解释、可复核的方式嵌入流程。

运维侧已经有规模化样本。北京能源集团与华为2025年9月发布的燃机大模型，把多年运行数据和检修经验沉淀成知识库，故障诊断与异常预警准确率超过90%。上海电气的SIMPLE燃机智能运维平台以性能孪生体和大数据分析为核心，已在9个项目、17台机组上应用。交易侧的账算得更直接：蚂蚁数科与林洋智维合作，把30吉瓦电站的真实运营数据喂给电力交易智能体，人力成本下降60%以上，分析与策略生成速度提升20倍以上，从预测、策略生成、自动申报到风控复盘形成全链路闭环。陕西能源投资联合蚂蚁数科打造的智慧能源运营中枢，把负荷与电价预测准确率做到85%，合同履约与结算对账走向自动化。

新能源运营的衡量单位是分钟。协鑫新能源的光伏场景里，关键异常识别与反馈被压缩到1分钟以内，端到端巡检与消缺效率提升50%至70%，故障定位与处置决策时间降低30%至60%。这些数字背后是“监测—告警—巡检—诊断—工单—归档—预测”整条链被智能体串起来，单点算法做不到。能耗管控的样本也在变厚。上海海事大学的港口数字孪生智能体拟真决策平台，针对集装箱码头数据孤岛突出、能耗碳排管控粗放、算法缺少安全验证场景三个堵点，用“孪生底座—智能体集群—拟真验证”把作业调度、能效管控、智能决策放进同一闭环，已在国内外大型港口项目应用。园区侧的零碳运营则把光伏、储能、负荷数据打通，优化用能结构、提高绿电消纳比例；深圳龙岗的冠旭电子用厂区光伏和能碳管理做出近零碳企业样本。

算电协同是另一个正在成形的战场。过去数据中心是用电大户，现在它同时被看作绿电消纳的调节资源。上海电气的算电协同零碳能源方案把风光绿电、算力中心和热泵系统连起来：绿电直供算力中心，机房余热回收后用于园区制冷供暖。深圳龙岗的新市政绿色智能体系则把电力、运力、飞力、算力四力捆在一起，换电、无人物流、低空经济、家庭数字服务同时推进。模型能力是这条线的地基。蚂蚁数科的EnergyTS时序大模型，T+3天预测性能较谷歌TimesFM提升46.8%，算电协同智能体再综合电价波动、绿电出力、算力负载和任务优先级，动态调整用能负荷。另一面，视频生成、复杂推理和AI智能体本身正在推高算力设施能耗，GPU平均利用率却不足30%。Token被称作智能体经济里的货币，货币在漏，电也在紧，算电协同智能体的价值就落在这个缺口上。

真正的卡点不在算法。工业数据的异常样本天然稀缺，企业习惯只保存合格记录，把不合格数据丢掉，而后者恰恰对模型学习最有价值。工艺参数凝结多年的试错投入，价值难标定、权利难界定，多方分别持有却无人拥有完整支配权，数据用不起来也流转不起来。算力则是另一道门槛，自建动辄数十亿元，与多数装备企业数亿元的年度利润不匹配；放到公共平台训练，又意味着能耗参数和工艺诀窍的让渡。人才断层更隐蔽，懂AI的不懂能源，懂能源的说不清问题，还把智能体与自动化混为一谈，用覆盖率、机器人台数这类投入型指标交差，而不是看人均效能和产品竞争力是否真的变了。

中小企业承受的是三重约束的叠加：无力自建算力，缺高质量数据，难引复合人才。如果智能体门槛只向头部企业敞开，能源行业智能化就只会是少数企业的孤例。可行的路径正在被讨论：分行业高质量数据集和可信数据空间，政府立规则、市场定流转；“数据留在企业、模型跨企流动”的协作训练；算力“先租后建、云边协同”；依托链主企业在细分领域先打通数据小循环，让中小企业低成本接入。由此看，智能体落地的关键不是再堆一个模型，而是把数据、算力、人才的组织方式一起重构。

能源智能体的终局，不是多部署几个Agent。胡兆光说，发用电瞬间平衡，零碳和低碳必须加AI；虚拟电厂是AI落地电力系统独立运行的切入口。曹军威把未来图景描述为A2A：发电、负荷、储能、交易各类智能体在统一规则下自主协商、实时博弈。新型电力系统从1.0的新能源为主体，到2.0的AI辅助，再到3.0的Agent自治，路径已经画出来了。小艾智能体对智能体落地路径的观察，也把标准落在同一坐标上：智能体是否真正嵌入生产流程，是否把老师傅经验、运行数据、调度规程里的隐性知识变成可复用、可进化的能力。能源行业智能化，最后比拼的不是模型参数，而是机理知识与数据闭环的融合深度。谁先把闭环跑通，谁才有资格谈自治。