拒絕case by case，“昇騰+星火”如何破解央國企數智化困局

文 | 智能相對論

作者 | 葉遠風

長期以來，央國企的數智化轉型總被業界認為是一個“case by case”的過程。

相比于中小企業可以借助標準化的云和AI產品快速實現數智化，央國企的轉型路徑似乎天然帶有“定制化”屬性——組織架構復雜、業務流程獨特、數據安全要求嚴苛，這些因素使得每一次成功探索都難以直接復制到另一個場景或另一家企業。

但在過去一年中，這一局面正在發生微妙的變化。一些在油氣、鋼鐵、民航等關鍵領域落地的數智化項目，開始展現出超出預期的可復制性。這背后，是一套正在成型的、具備底層共性邏輯的數智化體系在發揮作用。

央國企數智化的“復制困局”，卡在哪？

事實上，央國企的數智化探索并不算晚。許多頭部企業早在數年前就開始了數字化投入，也打造了一批在特定場景中成效顯著的項目。

但這些項目大多陷入一個共同困境——投入巨資形成的成果，往往只能服務于單一業務或單一部門，難以在企業內部其他板塊復制，更遑論在同行業推廣。

這一困境的根源，可以歸結為三個層面的痛點。

第一，底層技術底座不統一。央國企的數字化建設往往起步于不同時期，由不同部門主導，采用的算力芯片、軟件架構、技術標準各不相同。這種“各自為政”的建設模式，使得任何一個項目積累的技術能力，都很難遷移到另一個環境中，形成了事實上的技術孤島。

第二，數智化能力缺乏復用性。傳統項目開發通常是“一事一議”，針對特定場景進行深度定制。這種模式雖然在解決當下問題時效率較高，但開發出的模型和算法往往與具體場景深度綁定，無法直接應用于其他業務。這就導致每次新的需求出現，都需要投入幾乎相同的開發資源。

第三，落地流程缺乏標準化。由于缺乏統一的實施方法論，數智化項目的成功高度依賴專家團隊的個人經驗。經驗無法沉淀為可復用的流程和工具，使得復制一個成功項目的成本，往往接近甚至超過重新開發一個新項目。

在油氣、鋼鐵、民航等核心領域，上述痛點還被進一步放大——這些行業的數據敏感度高、合規要求嚴、業務流程復雜，使得數智化轉型的試錯成本極高。因此，企業在推進智能化項目時，往往需要在“謹慎試點”和“規模推廣”之間反復權衡，難以形成規模化價值。

要破解這一困局，顯然不能靠零敲碎打的單點突破，而需要一套能夠從算力底座到應用落地全鏈路打通的系統性方案。這正是過去一年中，以昇騰和訊飛星火為代表的中國“算力+模型”生態所聚焦解決的核心命題。

中國算力生態，構建了有底層共性邏輯的“央國企數智化體系”

值得一提的是，當業界還在討論央國企數智化的“復制難”問題時，昇騰AI生態與科大訊飛星火大模型的組合，已經開始從實際落地中摸索出一套可行的方法論。

這套組合的價值，遠不止于“算力+模型”的簡單疊加。從實際落地的經驗來看，它正在從三個維度，構建一套面向央國企復雜需求的、具備標準化潛力的數智化體系。

一、統一的算力底座：從源頭解決“各搞一套”的問題。

央國企數智化復制難的第一道門檻，往往是底層算力的統一。如果每家企業的技術棧都自成一派，那么任何經驗的遷移都將面臨巨大的適配成本。

在這里，昇騰提供了一套自主創新的標準化算力底座，從芯片、硬件架構、AI基礎軟件框架到應用使能工具鏈，都實現了技術上的統一與自主創新，并且與第三方開源生態充分適配。這意味著，無論項目是為中國石油打造賦能油氣全產業鏈的昆侖大模型，還是為寶鋼構建的圍繞濺渣護爐等關鍵場景的轉爐大模型，都可以運行在同一個技術棧上。企業無需再為模型適配、性能調優等基礎問題重復投入，可以更聚焦于上層業務價值的挖掘。

具體來看，中國石油在建設昆侖大模型時，其平臺和應用均基于本土算力、模型構建，完全滿足央國企在信息安全與自主創新方面的嚴苛要求。中海油海能人工智能模型的落地同樣遵循這一路徑，從底層算力到上層應用實現了統一且自主地創新。很顯然，統一的底座使得跨項目、跨企業的經驗復用成為可能——一個項目在模型與算力上的優化經驗，可以快速應用于另一個項目。

二、模塊化的模型能力：讓“可拆可拼”替代“一事一議”。

有了統一的算力底座，下一步就是讓上層的能力能夠被靈活復用。而星火大模型的架構設計，正是為此而構建的，其核心邏輯是“通用底座+行業模塊+場景智能體”的分層結構。通用大模型底座承載了語言理解、文本生成、邏輯推理等核心AI能力，是所有應用的基礎。在通用底座之上，科大訊飛基于在油氣、鋼鐵、民航等行業的深度實踐，將行業共性場景獲取的知識沉淀轉化為可復用的行業模塊。

中國石油昆侖大模型便是一個典型案例。該模型集成了油氣勘探、煉化工藝、油氣儲運、產品銷售、工程建設、裝備制造六大領域的萬億級行業語料，形成了可復用的行業知識模塊。在此基礎上，科大訊飛深度參與了昆侖大模型100個行業場景中的32個場景建設，覆蓋生產與安全、管理與服務兩大業務領域，涵蓋油氣勘探開發、煉油化工、銷售、裝備制造、辦公管理、財務管理等15個子領域。

寶鋼的情報洞察智能決策系統同樣體現了這種模塊化思路。在模型層以通用大模型為基座，結合OCR模型與鋼鐵行業專項篩選模型；在平臺架構層采用“智能體+服務庫”的雙軌設計，集成政策分析師、市場分析師、數據分析師等專業智能體。

不難發現，通過這種分層架構，科大訊飛將數智化能力從“針對單一場景的一次性開發”轉變為“可拆解、可組合的模塊化能力”，大幅降低了復制的邊際成本。

三、標準化的落地路徑：將“個性化項目”轉化為“工程化操作”。

除了技術能力的標準化，科大訊飛在與眾多央國企的合作中，還形成了一套可復制的落地方法論，可概括為“建算力-理數據-訓模型-落場景-保安全-精運營”。這套流程將復雜的數智化轉型，從一個充滿不確定性的“個性化項目”，轉變為高效的“標準化操作+個性化適配”的工程化過程。

以中國海油的實踐為例，在成功落地知識管理、員工健康、輔助辦公等通用領域場景后，進一步賦能海上作業安全分析、鉆井地質設計等專業場景，形成了“專業+通用”雙輪驅動的應用體系。寶鋼的實踐同樣遵循了這一路徑，平臺建設遵循“數據層-模型層-平臺架構層”的遞進邏輯，先構建鋼鐵行業高質量數據集，再通過通用與領域專項模型協同，最后采用“智能體+服務庫”雙軌架構，形成了一套完整的落地閉環。

正是這種從“單點突破”到“根據地深耕”再到“多場景延伸”的戰術，使得成功經驗可以在企業內部快速復制推廣。而對于同行業的其他企業而言，這套已經驗證的方法論提供了明確的可參考路徑。新項目不需要從零開始探索，只需在標準化流程基礎上進行相對較少的業務適配，就能快速復刻已有的成功經驗。

非標品但可高效復制的數智化，是央國企下一階段的關鍵需求

時至今日，昇騰與星火構建的這套可復制體系，已經在多個行業的標桿項目中得到驗證，并輸出了可量化的價值成果。

在油氣行業，昆侖大模型的落地帶來了顯著的效率提升，如地震解釋效率提升40%，設備故障預警準確率達到92%，煉化領域的設備智能診斷系統幫助客戶節省檢修環節人力30%等等。這些數據不是孤立的試點成果，而是可以成為同行業企業對標和參考的標準。

在鋼鐵行業，寶鋼情報洞察平臺將營銷人員的工作效率整體提升約20%。通過多智能體協同分析市場動態，平臺能夠自動生成行業研究報告，幫助營銷人員更及時、更精準地把握市場變化。

在民航行業，航行通告智能助手將人工解析投入預計減少50%，非計劃性維修助手大幅縮短排故預案時間。這些成果已經在國航、南航、東航、廈航等多家航司的不同業務場景中落地驗證。

這些量化成果的價值，不僅在于為企業帶來了實實在在的降本增效，更在于它們為同行業企業提供了明確的可復制范本。當一個成功案例的成效被量化和驗證后，它就不再是“僅此一家”的定制孤品，而成為可以在行業內批量化推廣的成熟方案。

展望未來，央國企的數智化轉型正在進入一個新的階段。從宏觀層面看，國家戰略要求央國企在新質生產力發展中發揮引領作用，這需要更大范圍、更深層次的智能化升級。從企業自身來看，面對日益激烈的市場競爭，央國企也需要通過數智化實現降本增效、提升核心競爭力。

很顯然，像過去那樣靠一個一個“燈塔項目”緩慢推進的模式，已經無法滿足現實需求。央國企需要的是能夠快速復制、規模化落地的數智化方案。而昇騰與訊飛星火構成的成熟的“算力+模型”生態，已經為迎接這一需求做好了準備。

結語

“復制難”曾是央國企數智化轉型的突出瓶頸。如今，這一問題正在被自主創新的算力生態所破解——昇騰與星火的深度融合，不僅為央國企提供了一套“懂行業、能落地、保安全、可進化”的整體解決方案，更重要的是，它構建了從底層算力到上層應用皆可復制的能力體系。

這套體系的成熟，標志著中國數智化產業正在從項目驅動走向體系驅動。當“復制”不再是難題，央國企數智化的規模化落地便具備了現實可能。

*本文圖片均來源于網絡