阿里云电力 AI 调研（一）：总览——全栈版图与产品矩阵
本系列共八篇，逐环节拆解阿里云在电力行业「发、输、变、配、用」的 AI 与 Agent 落地现状。 全部结论标注信源等级：A 官方（阿里云/客户官网、官方技术博客）、B 权威媒体 / 行业白皮书 / 信通院、C 厂商 PR 稿或会议演讲、D 二手转载（仅作线索）。 本系列刻意区分「已投产」与「方案宣传」，并对厂商口径保留独立判断。
一、为什么要做这个调研
「AI + 电力」是 2025—2026 年 to-B 领域声量最高的赛道之一。阿里云在这条赛道上的位置看起来非常牢固：2025 年 9 月云栖大会披露，中国超 70% 的能源央企已接入阿里 AI，阿里云已与所有能源央企建立合作（C，阿里云政企业务稿）。
但这个数字经不起细看。同一主题在 2026 年的现场推进会上，口径已经变成了 80%——这本身就是一个典型的信源漂移。更关键的是，“接入"是一个极低成本的动作：买了云、部署了平台、跑了一个知识库问答，都可以叫"接入”。它对回答下面这些真正重要的问题毫无帮助：
- 哪个环节做到了可验证的生产级落地？哪个环节还停留在方案卡片阶段？
- 那些亮眼的效率数字（“效率提升 8 倍"“准确率 98%"）究竟是谁的成果？AI 在其中贡献了多少边际价值？
- 电力这种强安全约束行业，大模型的幻觉问题是怎么被工程手段压住的？
- 一个省级电网能用的东西，一家地市供电局或者一家民营新能源企业能不能用？
本系列的定位是做一次「可核查」的梳理。 不重复厂商稿的叙事结构，而是把每个案例按"客户主体 → 时间线 → 可查数字 → 信源等级 → 归属判定"逐项过一遍，该说"未找到公开信源"的时候就直说。
二、三条总结论（结论先行）
读完八篇之后，最值得记住的是这三条。它们是全系列的骨架，各环节篇的细节都可以挂在这三条下面。
结论一：版图是「底座强、应用分层不均」
阿里云的电力 AI 产品是三层结构：算力与数据底座层、模型与平台层、智能应用层。这三层的证据强度完全不同：
- 底座层与平台层证据最足。飞天企业版、百炼专属版、通义系列模型都有官方文档级的公开信息，技术细节可验证（详见第七篇）。
- 应用层差异极大。同样是"五环节”，用电侧的公开可查案例数量是输电侧的数倍。输电侧甚至找不到一个阿里云主导的线路本体视觉识别客户案例（详见第三篇）。
所以"阿里云电力 AI 解决方案"这个说法，实际上是一个平台 + 若干不均匀落点，而不是一张均匀铺满五个环节的网。
结论二：客户侧是解耦的多供应商格局
这是本系列最重要的一条方法论。不要把客户的技术栈整体归给某一家厂商。
最硬的证据是光明电力大模型：它由国网牵头，阿里巴巴与百度共同支持——2024 年 12 月 19 日的发布会上，两家 CEO 同台启动（B）。宁夏的公开信息明确写着"阿里百炼、百度千帆"并行部署验证（B）。同时，国网浙江的 AI 辅助评审跑在昇腾 910B 上（B）。
也就是说：算力、模型、平台在客户侧是被拆开采购的。国网买了阿里的平台能力，也买了百度的模型能力，还可能跑在华为的芯片上。任何"国网选择了阿里云全栈"的表述都是失实的。
这条判断直接改变了很多案例的读法。详见第四篇与第七篇。
结论三：公开可验证的 Agent 天花板是 L2
电力行业对"智能体"的营销叙事已经跑到很远，出现了"百余个智能体"“自学习自优化"这类表述。但如果按自主度分级（L1 单点问答 / L2 工具调用闭环 / L3 多智能体自主协同决策），电力行业公开可验证的天花板是 L2，没有任何 A/B 级证据支持 L3 已落地（详见第七篇）。
“百余个智能体"是数量口径，与自主度正交。一百个各自独立、按固定流程调用工具的小助手，和一个能自主编排、互相协商的多智能体系统，是完全不同的两种东西。
三、本系列的方法论声明
为了让后面的判断可复核，这里把五条规则先写清楚。各篇都遵循这五条。
规则一：信源分四级
| 等级 | 定义 | 采信方式 |
|---|---|---|
| A | 阿里云 / 客户官方发布的案例页、官方技术文档、财报 | 可作为事实引用 |
| B | 权威媒体（新华网、央广网、CCTV）、行业白皮书、信通院评选、学术期刊 | 可引用，作为交叉印证 |
| C | 厂商市场稿、会议演讲 | 引用但明确标注"厂商口径” |
| D | 二手转载、自媒体解读 | 仅作线索，不单独支撑结论 |
规则二：亮眼数字先问归属（归因三问）
看到任何一个效率或准确率数字，按顺序问三个问题：
- 谁主导的？ 是厂商交付，还是客户自建、厂商只是底座供给方？
- 谁验证的？ 有独立第三方吗？还是厂商稿与媒体报道同源（同一个通稿的两次发布，不构成交叉验证）？
- AI 的边际贡献能否剥离？ 如果同一时期还有电价下行、限电、设备更新换代等外因，“效率提升"里有多少是 AI 带来的？
这三问在本系列里反复使用。第三篇澄清的三个张冠李戴案例、第四篇拆解的"自愈率 80%"，都是这三问的直接产物。
规则三：客户侧解耦
不把"客户用了某厂商的芯片 + 另一家的模型 + 第三家的平台"写成"客户选择了某一家的全栈方案”。
规则四：信源矛盾不取平均
当同一案例在不同信源中数字不一致时，原样并列，不做平均、不取高值。已发现的矛盾包括：央企覆盖率 70% vs 80%；龙源电力的机组数量在不同年份口径下从"近 1.4 万台"到"超 2 万台"且"风机"与"机组"概念混用；广东某案例的"效率提升 8 倍"与"提升 80%“两个量级并存；朗新交易电量"60 亿度 / 100 亿度”、“17 省 / 18 省"口径混乱。
取平均会制造一个没有一个信源支持过的虚构数字，这比引用任一原始数字都更糟。
规则五：把"时态"写清楚
任何一项能力，明确落在四个时态之一：
- 已投产：有客户主体、有运行时间、有可查效果
- 试点 / 测试环境：范围受限，不宜外推（例如朗新的账单解读明确限定"测试场景下”）
- 路线图：官方明确说是下一步（例如"调度智慧大脑"的第三阶段"高效运行策略生成”）
- 方案宣传：只有产品页描述，无客户、无架构、无数据
第四篇提到的"智能配电网"“电网一张图"等条目，就属于第四类。
四、阿里云电力 AI 版图
4.1 客户版图（按信源等级）
电网侧：国家电网（含山东、江苏、浙江、福建、湖南、重庆、冀北等省公司）、南方电网（含广东、广西、云南、贵州、深圳等，其中广东电网案例最密集）。
发电侧：国家能源集团（含旗下龙源电力、浙江北仑电厂、山西霍州电厂）、以及其他发电集团。
能源与相关领域（不属电力但同一技术栈）：国家管网集团、中国石化、中国煤科、山东能源集团。
新能源与用电生态企业：宁德时代、隆基绿能、固德威、古瑞瓦特、星星充电；以及电力营销侧的朗新集团。
需要说明的是，这份名单里客户体量的差异极大。央企总部级的项目（如光明大模型、国网云）与一家地市供电局的自建项目，在"是否可复制"这个问题上的答案完全相反。第七篇的结语部分会给出可复制性的分层评估。
4.2 三层产品架构（详见第七篇）
┌────────────── 智能应用层（Agent / 应用） ──────────────┐
│ 调度大脑 · 计量 AI 指挥官 · 巡检智能体 · 评标智能体 · 账单助手 │
├────────────── 模型与平台层（MaaS / 工具链） ────────────┤
│ 百炼专属版 · 通义 7B–72B · 八观气象 · 智能体中心 · 知识库/RAG │
├────────────── 算力与数据底座层 ───────────────────────┤
│ 飞天企业版 · 专有云 · 国产 GPU 异构调度 · 数据中台 · 数字孪生 │
└───────────────────────────────────────────────────┘
这一层的产品细节不在这里展开，第七篇会逐层给出产品清单、能力边界与可查信源。
五、五环节结论速览
上表是本调研对五环节的总体判断。需要强调：“充分度"衡量的是公开信息的可核查程度，不是阿里云的实际投入程度。 一家厂商在某些领域做了很多事但没公开，与没做，对外部观察者来说是同一件事——这正是本系列要暴露的信息缺口。
以下是各环节的一句话展开：
发电侧（第二篇）：有第三方背书的量化收益集中在两处——国网山东的新能源功率预测（准确率 96.5%，B）与国家能源集团「擎源」的火电技术监督、电力交易。但阿里云在「擎源」中的具体技术组件从未公开，官方口径仅为"参与平台建设与场景落地探索”（C）。风电以数据底座切入，光伏强在组件制造质检而非电站运维。抽水蓄能无任何公开落地案例。
输电侧（第三篇）：五环节中公开信息最稀薄。阿里云的算力与平台能力确凿，但在线路本体的视觉识别上找不到一个阿里云主导的客户案例。行业格局是国网光明 CV 与南网"大瓦特"自研、华为盘古与百度一见分据。阿里拿到的是"底座"而不是"眼睛”——这是国家队"不押注单一供应商"采购逻辑的必然结果。
变电侧（第四篇）：最容易张冠李戴的一环。由于光明电力大模型是国网牵头、阿里与百度共建，山东广固、重庆永川、冀北、江苏的多数变电案例严格说只是"阿里为底座之一”。同时阿里自曝的变电视觉指标呈 99% / 93% / 81% 的明显梯度——分合储能开关 99%、刀闸 93%、外观本体缺陷仅 81%。引用时应用 81% 这个锚点，而不是 99%。
配电侧（第五篇）：流传最广的"故障自愈率 80%“需要先拆开——它指的是计量设备层面的自愈（AI 巡检 17 分钟完成，传统方式要 3 天），不是配网线路自愈率。配电侧真正可查的完整案例只有三到四个，且"电网一张图"“配网自愈"“台区线损"的标杆工程几乎都由国网南网自建。
用电侧（第六篇）：落地最扎实的一环。广东电网计量大脑把异常处置从 3 天压到 17 分钟；达摩院八观气象大模型让山东新能源功率预测站上 96%；东莞的线损智能体把单条线损分析从 1 小时压到 10 秒。但责任边界最模糊——AI 给出的电费与峰谷建议属价格类敏感事项，国标要求人工最终确认，经营者不能以算法自动生成免责。
横向能力（第七篇）：三层技术栈、Agent 工程化的五个关键设计（大小模型协同、图模融合、智能体中心、RAG 知识工程、高风险决策边界），以及"幻觉不是靠更好的模型解决的，而是靠模型外挂确定性校验流水线"这一核心工程判断。
六、阅读建议
- 只想看结论：读本篇第二节的三条总结论，再读第八篇的可复制性评估。
- 关心技术架构：直接读第七篇，再回头读各环节篇。
- 关心某个具体场景：按环节跳读第二至第六篇，每篇都有独立的"场景地图”。
- 关心怎么判断厂商材料的水分：读第五篇（拆"自愈率 80%"）、第三篇（三个张冠李戴案例）、第六篇（NL2SQL 天花板）——这三篇的方法论最集中。
本系列其余篇目