来源于 《财新周刊》 2025年06月16日第23期
文｜财新周刊 罗国平 范若虹
2025年甫一开年，以DeepSeek为代表的生成式人工智能（AI）浪潮，吸引了能源资源企业“一把手”们的高度关注。
在年初密集的年度工作会上，紫金矿业（601899.SH）董事长陈景河专门新增内容谈AI，称大模型的智能程度超出认知，开源、低成本特性为满足行业个性化需求提供了可能；中国燃气（ 00384.HK ）总裁刘明辉也明确表态：“AI将颠覆整个行业，公司要更加全面、深入地投入AI应用研究。”
2025年2月以来，国务院国资委加快部署中央企业“AI+”专项行动。公开资料显示，在油气、化工、电网、煤炭、金属等领域，包括“三桶油”（中石油、中石化、中海油）、国家电网、南方电网、国家能源集团等在内数十家央企，落地了至少66个AI大模型。另据国资委统计，能源资源、工业制造等重点行业央企，已在超过500个场景中布局应用AI。
管理咨询公司麦肯锡（McKinsey & Company）认为，石油和天然气、电力、矿产、材料等领域具有利用AI的先天优势——它们极其依赖数据与分析开展创新，采用AI有望加速企业成长并降低成本。
中国石油集团经济技术研究院院长陆如泉指出，AI有望成为继电力之后，新一轮工业革命的核心驱动力。因为擅长预测、检测、优化与仿真的AI，可以进入企业包括生产、营销、安全、调度、规划等整体业务系统。
事实上，AI在能源资源领域的应用几年前已开启，以优化能源与矿产供应、发电和输电、能源与电力消耗等。德勤中国能源资源及工业行业主管合伙人吕岩告诉财新，能源企业推动应用AI聚焦增长与转型、效率与成本四大主题。“当前AI正在快速渗透能源行业，但产业颠覆不会来得那么快。”
在5月21日召开的“2025腾讯云AI产业应用峰会”上，腾讯云智慧能源首席行业专家孙福杰介绍，能源业AI应用可分为传统AI与生成式AI：图像识别等传统AI已有成熟应用场景，如质检、线路巡检、设备预测性维护；生成式AI的应用可分为知识库、多语种客服等行业属性不强的通用场景，以及安全生产等与垂直领域关系密切的应用场景。
展望未来，南方电网公司（下称“南网”）、中国燃气集团（下称“中燃”）的有关人士都认为，AI有望推动能源行业从“经验驱动”迈向“数据智能驱动”，打造“未来能源体系”；而DeepSeek等大模型大幅降低了应用门槛，AI普惠时代加速到来。能源企业正在积极推进“AI+”——即利用AI重构现有系统，打造面向未来的竞争力。
当前，全球能源系统从集中式向分布式转变，中国在构建接入更多新能源的新型电力系统。南网业务部门负责人对财新指出，面对新能源的间歇性与波动性以及更为复杂的电网架构，发展电力AI是一把“关键钥匙”，借此可提高电网的供需动态平衡和设备态势感知的实时性与可靠性。南方电网覆盖广东、广西、云南、贵州、海南五省份，供电覆盖2.72亿人口，其中新能源装机占总装机近40%。
在能源转型的驱动之下，中国在油气、电力、管网等领域的市场化进程显著加快。中燃数字化与AI事业部总经理韩鹏认为，企业对利用新技术、提升竞争力的诉求日趋强烈，希望借此构建自己的护城河。“大家都看到了机会窗口，但如果我们的采购策略、客户服务比别人做得更好，有更好的反馈与收益，就会有更多资金与精力开展创新，也就能拉大跟竞争对手的差距。”他说，“但几乎所有人都是同样的想法。”
韩鹏回忆，仅在三年前，整个能源行业对AI能够产生何种价值还持观望态度；而现在，AI自带加速器而来。“发展方向不可逆也不可阻挡，我们惟一能做的，就是快速用到工作中去，积极投入和拥抱新时代。”但他也提醒，要冷静、客观且审慎地看待AI在关键业务流程中发挥的作用。
孙福杰强调，能源资源领域对可靠性要求很高，AI预测准确度仍待市场考验，因此企业对在核心业务上使用AI态度谨慎。多家能源企业的业务负责人向财新坦言，目前“绞尽脑汁”想出的场景实际有限，还未出现可以颠覆商业模式的业务场景。
“对煤矿来说，未来肯定是最危险的工序最应该被AI替代，但最危险的部分也是最难被替代的。”中国煤炭工业协会信息化分会秘书长王丹识表示。此外，对央国企而言，快速推进AI应用可能导致某些岗位用人需求的削弱甚至消失，势必波及员工就业问题，态度也颇为审慎。
“目前，AI已融入必和必拓的每一个业务领域，而这仅仅是一个开始。AI的潜力究竟有多大，我们仍在探索之中。”全球最大矿业公司必和必拓（BHP，NYSE：BHP）首席执行官（CEO）韩慕睿（Mike Henry）称。
“保持积极、稳健的态度，不低估AI的长期价值，也不高估它的短期价值。”央企中国化学五环公司科数部副主任张科在上述产业峰会的发言颇具代表性：要对AI做好准备，但也要稳步推进。
吕岩认为，AI在能源领域进入大规模铺开、可实现商业化闭环的平价阶段，或还需大约五年时间：一方面，产业侧的验证周期较长，“AI+能源业”被信任需要时间；另一方面，能源资源领域是国民经济发展基础，意味着其体量、模式、技术都要相对稳定。在企业意愿提升的同时，算力、算法供给端能力提高并持续降低成本，代理服务等新商业模式出现，最终有望引领AI平价并大规模应用。
AI 渗透气与电
过去五六年，随着深度学习在计算机视觉（CV）、自然语言处理（NLP）、语音识别等领域的应用取得突破，AI在产业端落地提速，聚焦于提升效率与安全。
孙福杰总结称，当前主要从两方面考虑大规模应用场景：一是巡检等这类在核心业务中可显著带来价值的小场景；二是客服等知识密集、容错率较高的场景。
中燃在2020年开始规模化使用AI，最初目标是预测用气情况。“初衷是用AI技术，对城市天然气的用气负荷进行相对精准的预测，因为这是业者一直希望突破的技术难题。”韩鹏告诉财新。中燃是国内五大燃气集团之一，燃气供应覆盖城镇人口超过2亿。
“我们的诉求和AI技术实现的效果比较接近。”韩鹏进一步称，此前公司的预测绝大多数依靠经验，而AI可复盘历史情况，再充分考虑天气、价格、地缘政治、经济走向等多种因素，推演之后提供预测数据。
2021年至2022年，中燃尝试在安全生产中使用计算机视觉技术，通过部署大量采用边缘计算技术的AI摄像头，以此发现并规范员工不戴安全帽等行为。2023年后，中燃又将自然语言处理技术应用到客服、市场销售、内部信息查询等业务中，结合生成式AI进一步优化；其中又以客服应用最为成熟。
中燃与南网都部署了智能客服业务场景，先用AI接听，利用AI多语言、方言支持，将客户语音转变成文字，分析客户所处的状态、情绪以及诉求，并准备客户基本情况再转到人工客服专员——相当于给人工客服配备了一个AI助理。
韩鹏补充称，AI还广泛植入到了重复性的标准化流程中，如招投标的合同审核等，在提升效率与准确率的同时，避免人为因素干扰。截至目前，中燃AI审批通过率提升90%，自称规避潜在损失超千万元。中燃还大范围应用照片识别技术，以分析人工抄表存留的海量图片数据。此前传统照片审核方式依赖人工肉眼识别，后端人力成本巨大，效率也低；而图片识别技术可以对单张图片快速给出审核结论，发现用户在天然气使用过程的错误行为等。该业务使得人工审核成本减少七成。
此外，韩鹏介绍，AI还可以感知巡检，并对设备开展预测性维护。AI结合历史数据与实时上传的数据，可以分析设备运行波动，24小时监测隐患设备的不安全状态，由此减少大修频次、减少资本投入，设备故障率也降低了30%；而以前设备维护主要依靠经验与定期检查。
大模型与用气预测数据结合，帮助中燃优化了另一核心业务——涉及复杂决策的天然气采购。韩鹏介绍，燃气企业要在上游供应商中开展不同类型、价格与用量的采购，下游发货到不同区域，在多变且“多对多”的约束条件下，AI可通过算法进行匹配，优化资源配置与输配路径，以降低采购成本、提高销售收益，增强供应链的稳定性。“只有AI能帮我在第一时间算出最优解，并且触发下单等实际动作。”他说。据中燃预计，AI助力合同外采购减少50%，节省费用数千万元。
另一家燃气公司新奥股份（600803.SH）技术委员会主席张军在5月底召开的世界燃气大会（WGC）上表示，AI在改变着燃气领域的商业模式。以往燃气企业拿到经营区域与气源，做好区域运营即可；而现在，AI帮助企业更好地理解客户需求，在此基础上联通管网、上游等环节的变化，再在供给端做系统化配置，借助AI可打造跨越本地运营乃至全国、全球的生态联动模式。
能源行业的思路逐渐打开：AI不仅可以预测用气量，也能预测用电、风功率、气象数据等等，而这些领域相对精准的预测，能优化采购、平衡供需，乃至减少弃风限电，最终提高供气供电的效益与安全。
南网从2020年开始利用AI的时序预测、科学计算能力，负荷预测全面实现了“机器代人”，智能评估电网供需充裕度，智能校核分析安全稳定性，并智能生成运行控制策略。到2024年，全网调度计划业务人员工作效率提升10倍以上，全网平均预测准确率达到98.4%。
南网也在推广输变电设备缺陷隐患识别，目前典型缺陷识别准确率超过90%，输电巡检效率提高了约80倍。在南网旗下的广东电网，超过八成输电线路缺陷由AI发现。AI平台Ultralytics指出，改造原有电网系统是打造稳定可靠能源系统的关键部分，而通过训练模型可以识别图像和视频中的物体与模式，并在检查、监控和管理等多个业务场景派上用场。
2024年前后，ChatGPT等大模型产品的出现推动AI应用爆发，而到2025年初DeepSeek爆火，韩鹏认为这给行业带来了本质的改变：DeepSeek不只降低了AI应用的成本，而且其开源策略打破了市场使用的瓶颈限制以及生态的固有围墙，倒逼其他厂商跟进。“我们都在摩拳擦掌、跃跃欲试。”
大模型擅长语言能力，企业内部知识库、方案生成、办公辅助等场景在快速铺开。负责知识库筹建的张科介绍，2023至2024年，高层和一线公司希望在AI方面有所作为，但不可能像大厂一样自己开发大模型，因此走了一条务实路线：先以知识库的建设作为重要试点，为后续AI场景落地提供经验。
南网在2023年9月发布了电力行业首个自主可控的大模型“大瓦特”，不仅赋能生产、营销、办公和调度等业务，还可生成配电网规划方案。接入DeepSeek后，不仅客服、办公等通用领域AI能力提升，还在推动电力系统分析、复杂故障处理、设备异常溯源等专用领域AI模型的发展。
南网相关负责人认为，电力作为最复杂的工业系统之一，具有独特的运行特性和工业控制体系，对数字化、自动化技术的需求和应用一直走在能源工业前沿。在数字化发展过程中，电网已经积累了很好的数据基础。
国家能源集团旗下国能数智科技公司科技研发中心主任聂志勇则介绍，该集团的财务管理在应用AI以后，原本员工出差报销填报需要20分钟完成的事情，目前只需要30秒。
“向地下更深处找矿”
资源领域也是AI应用的积极探索者。洛阳钼业（603993.SH/ 03993.HK ）在洛阳栾川县运营的钼矿，是国内最智能的矿山之一。其多金属多目标生产管控系统的核心，就是智能配矿系统与智能卡车调度系统。
洛阳钼业富川公司经理贾宝珊向财新介绍，上房沟钼矿属于多金属共伴性矿床，矿石岩性分布不均匀，开采后要供给多个选厂，而选厂要添加药剂、控制流程，因此前端必须对矿石进行配矿。为此，公司在测量上借助无人机航测、图像识别技术等，先确定矿山品位、成分等分布，再利用数字化矿山管控平台实现多目标复杂配矿。
“以前都是手工算，列个电子表格，这里调几车、那里调几车，看各有多少吨矿，品位、成分如何，加权平均再看行不行。现在采用智能矿山数字化平台，AI直接把目标数据算出来，在此基础上进行人工优化。”贾宝珊说，早期人工配矿偏差率在11%—15%，智能配矿将偏差率降至3%以下。
在必和必拓，韩慕睿向财新介绍，公司已将AI应用在勘探、采矿、矿车调度，以及选矿厂、冶炼厂等矿石加工环节，再到招聘、设备维护等公司各个环节；不止于此，AI还应用在优化高度耦合的供应链端到端流程，以此提供公司产量等整体表现。
在勘探领域，必和必拓正在应用AI技术找到更深层的铜矿资源。韩慕睿解释，新发现的铜矿往往规模更小、品位更低，或者埋藏更深；铜矿的密度差较小，一旦超过一定深度，就很难识别其存在。而通过结合新的探测技术和AI数据分析，公司就能不受传统勘探深度限制，“有了向地下更深处找到铜矿的机会”。
他举例称，在南澳，公司几年前即利用AI技术发现了新铜矿Oak Dam。此前，该区域的勘探结论一直是“无矿床存在”。必和必拓主要采取了两项关键措施：首先运用机器学习算法对历史勘探数据进行了深度挖掘；同时组建新的研究团队对区域成矿系统进行重新解析。这两方面结合起来后果然发现了潜在矿体，首钻验证即成功发现铜矿化现象，但矿体埋深显著增加：同区域的奥林匹克坝铜矿（Olympic Dam）矿床平均深度约400米，而Oak Dam矿床深达约800米。
在全球最大铜矿埃斯孔迪达（Escondida），必和必拓也在通过AI技术提高选矿厂的处理能力，以抵消矿石品位自然下降带来的部分影响。
韩慕睿认为，必和必拓作为全球最大的矿业公司，拥有非常庞大的数据资源，而AI能够帮助公司挖掘数据，进行提炼、再利用，并优化迭代。“由于我们是高利润率的企业，AI带来的改进具有非常高的价值。对矿业来说，擅长应用AI的公司可以建立竞争优势。”
福德士河集团（Fortescue）金属业务首席执行官狄诺（Dino Otranto）认为，随着大规模、优质的矿床越来越少，AI变得至关重要。“我们必须比以往更深入地理解数据，‘外科手术式’地投放资本。要做到这一点，就得清楚地知道在哪个位置钻探、在哪里建设下一个矿山和选矿厂。未来对数据的依赖会大大超出当前水平。”他说。
生成式AI最强大的优势之一，是制造业急需的推理与模拟仿真。在油气领域，由于围岩和油气资源之间的密度差相对较大，油气领域通过模拟地震——即“给地球做CT”来识别地下油气资源情况。博众智合（Agora Energy Transition China）发布的报告介绍，油气资源正在向超深层、非常规区块转移，传统勘探技术在应对信号衰减、复杂构造等领域面临瓶颈，而可提高精度和效率的地震AI大模型的应用，有助于解决这一难题。
“不见兔子不撒鹰”
AI发展速度极快，能源企业须在过度投资与谨慎投资之间取得平衡，核心关注的是ROI（Return On Investment，投资回报率）。
“很多企业首先强调投入产出，‘不见兔子不撒鹰’，所以他们还很纠结：AI发展这么快，是重度投入跟上脚步，还是先观察，等待应用更成熟后再跟进？”腾讯云副总裁曹磊如此描述企业心态，而传统行业应用大模型还有数据安全、模型私有化等系列诉求。
孙福杰指出，能源资源领域对可靠性、准确性、安全性的要求非常之高，而大模型是“黑箱子”，可解释性较差，落地过程中还可能出现幻觉、不准确、速度跟不上等问题，因此企业对核心业务使用AI仍较谨慎。
“大模型demo（示范）往往酷炫，但企业应用时担心的是不能有漏洞、风险，注重避坑与补齐能力的下限。”腾讯云智能制造与智慧能源行业首席专家邴金友称，当前普遍属于“试水”状态。
“企业明白，要量入为出。”吕岩表示，“任何一项技术走向产业化，最关键在于平价、跑通商业逻辑。”但目前企业使用AI仍然“太贵”，受制于算力、电力等配套能力的跟进；此外在企业层面，从厘清AI应用边界，到算完账、申请预算再到落地都需要时间。
上述南网相关负责人士就坦言，在目前阶段，AI属于资源投入型产业，AI应用对资金、技术依赖度极高。
韩鹏则强调，国内仍处在大模型技术落地产业的早期阶段。“AI植入产业是简单的，但融合需要漫长的过程。”他解释，一方面，训练模型需要高质量数据，这有赖于此前的积累和沉淀；另一方面，大模型采用全球数据，不能完全适配垂直或专业领域，因此企业更倾向于部署专有小模型。“企业相关数据要在小模型里训练，再与大模型能力整合。中燃自建了算力中心，也部署了多套模型，未来会是一个小模型与大模型百花齐放的时代。”他说。
韩鹏进一步解释，小模型调用成本较低，对硬件与算力资源要求不算高，但企业须基于大模型做研发与前端训练。“这个难度很大，人力资源和资金投入都是挑战。”
近两年，企业在加速构建专属小模型。比如，中燃构建了基于大数据智能分析的数据用能模型，以及针对天然气的图像识别模型等；南网则在不断推进电网故障诊断、预测性维护、电力负荷预测等方面的专业模型建设。
多家企业告诉财新，当前的算力成本依然不低。“我们以市场化的经济效益为标准，但也会考虑自主可控，因为自主可控是未来AI持续发展、自我掌控的核心要素。”韩鹏称。
此外，当前很多应用场景的收益无法保证，也难以量化。“如果考核AI应用，往往讲不清楚ROI，也讲不清楚对原有业务模型带来了什么样的本质改变。”新奥股份的张军坦言，AI从演示到落地有大量细节问题需要打通和解决，在此过程中，如何对AI客观评价是个系统性难题。
中国化学五环公司的张科介绍，公司领导层也在观察AI项目的成效，为此还上线了专门的项目定期评估AI发挥的作用，同时积极探索市面上相对成熟或有潜力的应用场景。
“现在给AI算账，要看是省了人、省了时间，还是提高了效率。”邴金友认为，计算投资收益要分场景，也取决于技术成熟度。在比较成熟的AI检测等场景，一台机器可以覆盖六个人的成本，投入效果就比较明显。
腾讯云能源资源行业总经理宋芳进一步表示，“从0到1”的成本很高，计算ROI还要看是否具备规模效应。腾讯的策略是优先选择标准场景及规模可复制场景，再从局部替代渗透到深度业务应用。
2023年7月，山东能源集团联合华为公司发布了全球首个能源行业商用AI大模型——盘古矿山大模型，致力于破解矿山AI应用场景深度广度不足等瓶颈问题，目标是减人提效、降低劳动强度、提高安全水平等。云鼎科技（000409.SZ）是山东能源集团旗下负责AI业务的公司，其AI技术专家高桢介绍，该矿山大模型先在集团内部五座矿进行验证，效果不错，随后进行大规模推广复制。现在这个大模型已覆盖山东能源集团45座煤矿，以及在国家管网集团、皖北煤电集团、陕煤集团、华能煤业等30余个央国企能源企业规模化落地，覆盖了山东、内蒙古、山西、陕西等13个省份。
AI大模型应用于煤矿防治冲击地压环节是一个典型场景。该环节涉及安全生产，原本需要大量人工审核工作。“冲击地压”是指在煤矿开采过程中，煤岩体因发生弹性形变而具有大量势能，进而产生突然、剧烈破坏的动力现象，可能导致设备损坏及人员伤亡，监管部门对此有明确的责任和防范措施。山东能源集团在李楼煤矿等下属多个煤矿引入了AI大模型视觉识别技术，对卸压钻孔施工质量进行智能分析，大幅降低了人工审核工作量，实现防冲工程100%验收率，工作效率提升了85%。
张科进一步认为，能够大规模推广应用的场景要规则比较明确，数据收集和采集比较便捷，数据真实性也能得到保障，且行业属性壁垒没有太高。
化工领域专业程度较高，张科指出，行业希望重点突破核心生产过程的自动设计，但短期内突破较难。一方面，当前的小模型准确率不够高，而化工行业容错率非常之低；另一方面，不同化工企业生产路线多元，针对一个场景开发出的AI应用难有大面积推广的可能性，对应成本就非常高；此外，部分数据涉及企业核心商业机密，企业决策层会担心供应链数据泄露等问题。
不过韩鹏强调，AI在推动管理调整上的重要性往往被忽视了。对于一家大体量公司，集团层级与规模往往带来管理上的巨大投入，而“AI会让管理和企业变得更轻，所有流程跑得更快”。
应用AI的意愿和行业周期密切相关，下行周期中的企业更希望借新技术“搏一把”。狄诺指出，在利润率极低或负利润率产业，企业会更积极采用技术去盈利，“当企业被逼着另辟蹊径，技术就这样促成了应用”。
能源行业数据密集，对安全要求高，数据往往是应用AI的初始挑战。南网相关负责人表示，一切AI算法的学习都离不开训练样本数据，而数据的全面性、完整性对学习效果至关重要。目前，南方电网在输配电、营销、人力资源、安监、数字化等7个业务域构建了28个企业级AI数据集。
紫金矿业地勘院总工程师康旭向财新介绍，公司部署AI的成本主要在前端：需要野外工作获得第一手资料，并进一步整理与测试数据。但在数据处理中，往往无法保证历史数据100%可靠，关键的“地物化遥”（地质调查、地球物理勘查、地球化学勘查、遥感技术）、地质工程等数据不一定齐全，而不同单位的资料由于口径不一致等也存在差异。
“部署AI主要是找到好矿，并解决生产中的一些技术问题，对地质灾害、环境问题等进行预测。”康旭认为，“AI+”的最终目的是实现经济合理地开采与利用矿产资源。尽管当前地质调查机构与公司都在研发AI大模型，但仍处在效果评估与完善阶段，主要作为专家诊断的辅助系统。未来，公司规划给到AI自主深度学习功能，减少人工干预，不断提高资源预测的可靠性和准确率。
汉威科技集团股份有限公司副总裁李春蕾建议，应建立适合行业管理的数据标准，建立长期有效的基础数据采集和更新机制，做好制度化保障，提升数据治理能力，“这样才能更好地拥抱AI”。
在能源领域，国企和央企在大模型应用中，需要做好数据开放共享与隐私保护的平衡。在AI应用过程中，数据收集、存储、标注等环节存在一定的安全性和隐私保护风险，需要完善数据管理制度与标准。部分企业为保障数据安全，也存在数据孤岛现象。
山东能源集团的AI训练中心就是基于内部网络私有化建设的，即完全应用集团内部数据，不与外部网络连接。据高桢介绍，该训练中心一次性投入近1.5亿元，包括了AI大模型的底座、算力服务器等，私有化模式旨在保障数据安全、严防数据泄露。
如何平衡AI技术需求与数据保密之间的矛盾，高桢认为，需要从技术保障、管理制度与生态协同三个方面入手：一是对生产数据进行脱敏，或通过隐私计算技术实现数据“可用不可见”；二是在应用层面通过私有化部署，保障数据不出园区；三是在生态协同方面，积极构建行业联盟，推动安全技术与数据资源的共享。“为保障用户能自己优化模型，我们打造了可调整升级的模型部署方案，用户可以在边缘自主进行模型迭代，不需要把数据交给建设厂商。”高桢举例称。
“AI+”缺什么？
“AI是个好东西，但在能源领域的发展仍有不确定性，要稳步推动。”吕岩建议，AI是高度数据依赖的转型驱动技术，要从上至下通盘看待AI，从何处起步、耗资多少、怎么使用，需要全盘规划、耐心求证、小心起步。
“AI发展之快远超世人想象，带来的隐患也会很快出现。”韩鹏预判，伴随AI发展而来的是数据安全、AI治理、冲击就业、IP（知识产权）侵权等诸多问题。
博众智合能源转型中国区总裁涂建军提醒，要谨防“AI幻觉”：一方面，AI可能并不具备市场期待的诸多能力；另一方面，如果过度依赖AI，也将影响企业从下至上乃至下一代的决策能力。“这里面潜伏着巨大的危险，从政府监管到行业利用，应提前思考在什么样的边界条件下应用AI。”
“任何技术应用都是伴随着成熟度的增长，在不同阶段应用不同场景。”孙福杰认为，AI虽有幻觉、难解释，但不能求全责备，更不能因噎废食。
麦肯锡在调研后也发现，当前，企业部署AI仍在早期阶段，而对企业利润最显著的影响因素在于是否制定了明确的AI部署路线图。
韩慕睿表示，必和必拓在董事会层面高度重视AI技术发展，并制定了明确的AI战略，目的是建立竞争优势。他称，公司也在构建与AI相关的组织能力，包括业务管理层的知识和能力建设，以及为支持AI而设置的内部结构。5月27日，必和必拓宣布在新加坡建立其首个行业AI中心。
福德士河的狄诺介绍，AI部门是公司核心业务之一，直接向自己（CEO）汇报。他认为，相比消费级AI，工业AI更具潜力，“现在我们正从半自动的高级智能迈向完全的高级智能”。
罗盛咨询（Russell Reynolds）在2025年5月发布的报告中指出，2022年下半年以来，领导者对技术变革的担忧一直在上升。到2025年上半年，有52%的受访领导者将技术颠覆视为对组织的主要威胁因素，但只有48%的受访领导者认为已经做好应对这一威胁的准备；且有82%的受访领导者认为，对AI的深刻理解将是未来高管的必修课。
在张军看来，人才和组织能力是企业向智能化转型的基础。而当前“AI+行业”的复合型人才急缺，还要打通从产业到技术的跨界人才组合。高桢表示，当下，复合型人才短缺且培养机制不健全，加之现场业务人员对AI技术的理解程度有限，导致AI在化工、新能源等专业领域难以产出高价值的应用场景，限制了广泛应用与产业深化发展。
“现在我跟招聘团队基本是两天一开会，关注信息发布的进度，关心人员简历的进度。”韩鹏说。中燃AI团队约有200人，在原有数字化转型团队基础上，补充技术和专家团队，包括算法与算力技术人才、数据治理专家，以及大量的业务专家。中燃正在打造一个虚拟化团队，成为现有业务与技术之间的桥梁。
南网相关负责人则表示，公司应用“柔性团队”等机制，以促成专家、业务人才与技术人才的融合。为促进“AI+业务”复合型人才队伍的培养，南网制定了专项措施，推动产学研联合。
张科认为，技术只是工具，更大的挑战是人才与组织的变革。“人的观点、理念、习惯改变，不在一朝一夕。”他说，数智化转型涉及打破原有组织架构和业务范围，甚至涉及权责调整，这要靠高层推动，并与业务层面深入结合。
此外，高桢表示，高质量数据未得到有效采集与治理，是当下AI落地的痛点。当前，企业自动化、信息化基础参差不齐，在数据采集过程中容易造成来源不明、格式不规范、质量不高等问题，导致数据的可用性和可信度不足。他建议，针对不同行业特性，量身定制数据质量与管理规范，明确数据融合共享过程中的质量标准与要求，确保数据的准确性、完整性和时效性，为智能化决策提供可靠依据；出台统一的大模型行业标准，并配套支持AI发展的政策体系，以加速技术迭代与产业升级。
能源等工业企业“AI+”，会否带来颠覆性场景？目前大部分AI应用场景还只是提高个人效率，而企业更关注群体效率。吕岩进一步认为，具有颠覆性可能的业务场景或有两类：一类在于人眼难见的物理世界，比如勘探、钻井优化；另一类则在于化工等流程类制造业，因为流程性生产过程如同“魔盒”，与AI结合有望产出颠覆性材料。“魔盒的不可预测性，恰恰也是最美妙的部分。”她认为，在研发新材料上，AI有望大大缩短从实验室到产业化的进程。
国际能源署（IEA）指出，在生物医学领域，AI使蛋白质结构图谱绘制速度提高了4.5万倍；而新能源技术的创新周期通常长达数十年，缩短周期对实现能源行业的可持续发展等目标至关重要，AI有望显著加快寻找、测试有前景的新材料、电池化学等进程。但目前AI优先的创新方法在能源领域尚未充分体现，应制定政策支持AI主导的发明，并加速其商业化。