2026年政府工作报告强调发展新质生产力，深化拓展“人工智能+”，加快构建新型能源体系，打造智能经济新形态，培育智能原生新业态新模式，为我们坚持自主科技创新、深耕电力AI技术指明了方向。在全球技术格局加速演进的背景下，工业AI的自主创新能力与关键行业规模化落地能力，正成为把握新一轮科技革命主动权的重要支点。中国是全球工业体系最为完备的国家，拥有完善的数据和知识体系，且应用场景丰富多样，相比通用AI，更具备在全球智能化赛道中弯道超车甚至直道超车的充要条件。
作为世界上最复杂、规模最大的工业系统，电力系统不仅为各行业提供能源保障，是能源转型与新型能源体系建设的核心载体，也是推进算电协同、支撑智能经济运行和完善全国统一电力市场体系的重要基础。立足新型电力系统建设，聚焦“AI+电力”融合目标，构建面向电力工业的原生AI技术体系，在运行、规划、生产、市场等高价值场景实现技术落地，助力电力系统安全可靠运行与源网荷储协同高效发展。
■电力工业的复杂系统基因
从系统复杂度、公共属性和战略地位来看，电力系统具备成为原生工业AI“首发承载体”的天然条件。电力并非单一行业，而是贯通能源生产、工业运行、城市治理与社会生活的关键基础系统，其运行形态呈现高度连续、严约束、强耦合，任何局部扰动都可能被系统级放大。这种复杂性决定了电力行业对智能化能力的要求显著高于一般工业场景，也决定了只有真正内生于系统运行机理的AI，才能长期稳定发挥作用。
新型电力系统演进进一步放大了对原生AI的需求。随着新能源高比例接入、电力电子化水平提升以及源网荷储协同推进，电力系统正由“可预测、强计划”加快演化为“高不确定、多主体协同”的复杂系统。系统运行也由单纯保障供电，转向统筹安全、效率、低碳与韧性。传统依赖规则、经验和分层控制的运行模式，正逐步逼近调度优化、风险防控和全局协同的能力边界，AI也因此由辅助工具走向支撑系统稳定运行与复杂决策的内生能力。
■AI原生的范式跃迁逻辑
AI正在从能力工具演进为系统基础设施。AI原生不是在既有系统上外挂模型，而是以模型能力重构设计、开发、部署与运维全流程，使数据成为生产要素、算力成为基础设施、模型成为能力组织中枢。与传统“业务+AI”的嵌入式升级不同，AI原生强调系统从一开始就围绕智能能力构建。其核心可概括为四个维度：交互原生、架构原生、过程原生和工具原生，分别对应目标表达、能力调度、持续演化和可信执行，最终推动任务形成“可规划、可执行、可验证”的闭环。
交互原生是智能范式演进的起点。传统GUI以功能操作为中心，系统被动响应。大模型推动交互转向LUI，用户直接表达目标，系统理解意图并自动编排流程；进一步走向SMUI后，交互将融合语言、视觉、时序与空间信息，延伸到复杂现场。其根本变化不在界面，而在于驱动逻辑从“操作功能”转向“表达任务”。
架构原生重构的是能力组织方式。传统系统围绕功能模块搭建，模型只是局部工具。AI原生架构则以能力为核心，通过MCP实现工具与数据的协议化连接，通过A2A支持多智能体协同，通过Skills沉淀可复用能力单元。其本质不是技术堆叠，而是系统从功能集合转向可扩展、可治理的能力网络。
过程原生改变的是任务推进机制。传统系统依赖固定Workflow，AI原生系统则转向目标驱动的Agentic过程，能够进行任务分解、在线规划、执行反馈与自我修正。以OpenClaw为代表的探索说明分层记忆是关键支撑，即时记忆维持上下文，长期记忆沉淀阶段经验，永久记忆保留跨任务知识，使智能体具备持续学习和动态执行能力。
工具原生决定智能体能否真正落地。工具不再是外围资源，而是可复用的标准执行单元，每次调用都应具备明确接口、结构化输入输出，以及权限控制、结果校验、异常回退和人工确认机制。同时，还要配套原生工具链，支撑调度、日志、审计和优化，保证执行过程可管理、可治理、可追溯。
AI原生不是一次普通升级，而是系统结构的重构。它意味着从“人编排流程”走向“目标驱动智能”，从“功能堆叠”走向“能力协同”。谁能率先完成这种跃迁，谁就更可能在下一阶段技术竞争中占据主动。
■面向电力工业的原生AI技术体系
电力工业AI的关键在于构建能够长期运行的智能原生技术体系。在电网运行、设备运维与电力市场等核心业务中，智能能力不仅需要完成分析与预测，更需要参与跨系统协同与实时决策，特别是在涉及复杂物理过程和大规模数据处理时，科学计算能力显得尤为重要。去年，笔者在文章《世界模型与科学智算融合，赋能新型电力系统》中就这一技术体系进行了初步探讨，提出了科学计算主要包括计算效率提升、计算范式升级以及科学原理发现三个层面，强调了科学计算与世界模型之间的共生共长关系。因此，电力工业AI的建设重点不在单一模型能力，而在于形成贯穿数据理解、知识推理与任务执行的系统化技术结构。“电鸿+工业AI”的价值，就在于为这一结构提供高质量的数据底座和高可靠的执行保障。在此基础上，智能能力不仅依赖于大模型的计算支撑，还需借助世界模型的推演与模拟，才能在安全约束下稳定运行，并在不同业务场景中持续复用与演进。
电力业务本体建模，是原生AI体系的认知基础。电力系统数据具有多源异构、跨层级特征，既包括SCADA、PMU、继保和配网自动化等时序数据，也包括设备台账、检修记录、缺陷工单、图像点云以及气象地理信息等非结构化数据。原生AI体系需要通过数据资产化和统一语义建模，将分散数据转化为机器可理解、可推理、可调用的资源，并借助业务本体对设备对象、拓扑关系、运行约束和风险规则进行标准化描述，进一步沉淀知识图谱和规则体系，支撑智能体开展跨系统推理与协同决策。
大小模型与智能体协同，是自适应电力AI的核心架构。大模型负责复杂语义理解、任务规划和跨系统信息整合，小模型承担潮流计算、状态评估、故障诊断和风险预测等专业分析，智能体负责流程编排、工具调用和能力调度，使不同模型与工具在统一框架下协同运行。结合电鸿这样的行业级物联底座，电力工业AI还可向边端延伸，形成“云侧持续学习、边端实时决策、协同可靠决策”的闭环能力体系。
自主可控与安全可靠，是电力原生AI体系建设的根本前提。电力系统作为关键基础设施，任何智能能力引入都必须满足严格的可控要求和安全约束。为此，需要通过规则校验、权限控制和人机协同机制，确保智能体决策始终处于可监控、可回溯、可干预的工程边界内。同时，也必须重视智能体系统可能带来的网络安全风险。例如，围绕OpenClaw等智能体框架的快速传播，工信部相关机构已提醒防范潜在的网络安全隐患。对电力行业而言，原生AI体系建设必须坚持自主可控原则，在安全架构、数据治理和模型部署等层面形成系统化保障，使智能能力既能持续演进，也始终服务于电网安全稳定运行。
■面向未来发展的前瞻性思考
AI发展正进入能力跃迁与安全约束并行的新阶段。2026年初，被誉为“深度学习之父”的Geoffrey Hinton指出，当智能体在目标优化框架下运行，可能自然衍生“避免被关闭”的倾向，这并非恶意，而是工具理性的延伸。他还指出，数字智能之间的信息共享效率远高于人类语言交流。在这一视角下，问题不再是AI是否更聪明，而是能否在工程上构建稳定、可靠、可控的安全约束结构。
AI竞争的核心正在从模型能力转向系统结构。与Hinton的警示形成呼应，“强化学习之父”Richard Sutton认为，当下大模型本质上仍是“weak minds”，其能力主要来自人类数据训练，而非基于环境交互的持续学习。真正的智能，应在与环境互动中不断成长，并形成世界模型和长期能力结构。两位学者的观点虽有差异，却共同说明：未来竞争的关键，不在单一模型上限，而在智能系统的组织方式。对工业领域而言，尤其如此。
AI的最终目标是成就人类，而不是取代人类。它应当把人从重复、繁琐和高危劳动中解放出来，使更多精力转向创造性和高价值工作。为实现这一目标，AI必须具备完整能力结构，包括持续学习的智能体、多步规划的世界模型、可复用的知识框架，以及跨任务迁移和自我优化机制。只有当这些能力成为系统内生结构，AI才可能真正走出“weak minds”。
电力工业的原生AI探索正是这一目标的实践体现。在智能经济加速发展的背景下，电力系统通过构建可持续运行的智能结构，推动数据、模型与智能体在安全约束下协同演进，并在运行调度、设备运维和电力市场等关键场景中持续释放价值。未来技术格局的竞争，不再仅仅取决于模型能力的突破，而是构建稳定可靠、可持续发展的智能原生系统，并在能力扩张与安全约束之间找到平衡。真正的领先，终将属于那些既理解智能力量，也理解智能边界的系统建构者。而电力工业的原生AI正是这一变革的核心力量，它将为智能经济时代的到来提供强大的支撑，推动电力行业的持续创新与发展。
（作者系南方电网战略级专业技术专家、教授级高工，南网数字集团人工智能技术官）
