《能源》：百度在能源领域的核心战略目标是什么？如何界定这一过程中的战略风险？

李超：百度的定位是“拥有强大互联网基础的领先人工智能公司”，所以我们的核心战略始终围绕“人工智能”展开，也就是说无论是战略愿景还是研发投入，都聚焦于人工智能基础与通用技术的突破。

具体来说，这些技术覆盖了从底层到应用的全链条：从人工智能芯片（昆仑芯）、模型开发所需的深度学习框架、以框架为基础的软件平台，以及在平台上训练出的通用模型（包括大语言模型、视觉模型、多模态模型，还有专业领域的科学计算模型，比如气象模型、时序预测模型等）。

针对能源行业，我们的目标很明确：让这些AI技术真正走进能源行业的业务场景，帮助客户解决实际问题。而战略风险的界定，更多在于技术落地的“适配性”，比如通用技术能否真正贴合能源行业的专业场景，研发投入是否能转化为客户的实际价值，以及生态协同中各方的认知差异是否会阻碍落地。如果技术只是“看起来先进”，却不能在调度运行、勘探开发、设备管理、安全管控等具体场景中用起来、跑起来、产生效果，那就是最大的风险。

《能源》：百度的AI技术如何与能源产业结合？以与南方电网（下称“南网”）的合作为例，双方的愿景是什么？

李超：我们与产业结合的核心逻辑是“互相理解+生态协同”。愿景很简单：通过AI技术帮助像南网这样的客户在业务中获得成功，也就是让AI在他们的若干业务场景中真正发挥作用，实现提质增效。

百度特别强调“生态伙伴”的作用，南网也多次提到“共建生态圈”的重要性，甚至专门牵头成立行业生态联盟，这正是因为单一企业间的合作对于AI应用还有所不足。比如南网总调前年立项的大模型项目，涉及平台、模型和多个场景应用，初期我们和南网在“场景如何构建”上经历了很长的磨合期。

后来我们引入了电力调度专业的合作伙伴——它既做调度业务系统，又有一定AI研究基础，我们联合起来服务总调，项目推进也更顺利。同时这个季度在南网的二级单位调度专业又延续了推理平台项目，新增了几个应用场景。这就是生态协同的价值：客户提供业务场景、百度提供技术底座、伙伴懂行业细节，三者合力才能把落地做好。

《能源》：通用大模型已经很多，但能源行业专业大模型的研发还在起步阶段。百度从通用到专业的过程中，如何解决不同行业的问题？尤其在能源领域有哪些实践？

李超：从通用到专业，核心是“行业数据+定制化训练”，百度在能源行业都有着充分的实践。具体来说，专业大模型的研发分三步：

第一步是“行业数据准备”。包括数据收集、治理、转化，这是最基础也最关键的一步。如果数据里有错误信息，会直接污染数据集，导致模型“学坏”；如果数据格式不统一、关键信息缺失，后续训练也很难推进。

第二步是“后预训练”。这涉及训练方法、数据使用策略，以及如何确保模型“收敛”也就是稳定输出有效结果。

第三步是“指令微调（SFT）”。针对具体场景设计问答，让模型熟悉行业的业务逻辑、思考方式和输出特征。比如调度场景里的“断面稳定”、设备领域的“绝缘子放电”等，需要用行业专家确认的问答数据去训练，模型才能给出更符合业务场景的答案。

训练行业大模型时，能源企业的专业人员必须深度参与，尤其是两个关键环节：第一，数据准备阶段。哪些数据有用、哪些没用，只有行业专家能判断。第二，指令微调阶段。问答的准确性需要专家把关。

简单来说，技术公司懂“怎么训练模型”，但企业专家懂“模型该学什么”，两者缺一不可。

《能源》：除了电力，百度在油气等其他能源领域的AI应用有哪些？这些行业的特点是什么？

李超：油气行业的AI应用，整体更偏向“从长链条多环节场景切入”，这和他们的投入规模、业务特点有关。

油气行业的产业链非常复杂，包括了上游勘探开发、中游炼化、下游销售等等，产业链不同阶段的业务特点差异较大，场景丰富。目前来看，油气企业的数字化投入处于逐步推进的过程中，在建设行业大模型的同时，直接瞄准长链条中各环节高价值场景。

例如我们和大型石油石化企业合作探索的大模型应用，针对中游和下游，涵盖油价和销量预测（基于时序模型与大模型结合提升效果）、炼化安全管理（多模态模型优化 SOP 流程监控）等场景；针对上游，则是基于勘探知识图谱与大模型结合，提升测井数据分析与科研问答效率。

整体来看，优先解决“看得见、摸得着”的场景问题。

《能源》：目前来看，能源行业对AI的应用大致可以分为“全力研究大模型”和“直接瞄准场景应用”两个流派，您觉得哪种更有前景？企业会如何选择？

李超：这两者其实并不是对立的。我们看到在很多企业，“行业大模型构建”和“应用场景构建” 往往是不同部门的需求决定的，两者相互配合，相互促进，才能形成大模型的“飞轮效应”。

行业大模型往往是由企业内的研究机构来建设，例如国网光明电力大模型的主要训练方是中国电科院，而应用的构建方有各个业务部门、各个省网、产业单位等等。

行业大模型的构建为应用搭建提供具备行业认知、效果最优的模型，而应用搭建和服务上线，又能够为行业大模型的进一步迭代提供数据积累和用户反馈，这就是我们经常所讲的“数据飞轮”。大模型训练和行业应用搭建配合起来，“数据飞轮”转起来，企业的大模型才会越来越“聪明”、越来越懂行业，而应用的使用方也才会越用越好，真正为企业创造价值。

同时，基础大模型的迭代速度和能力提升非常快，很多企业选择从应用场景入手往往是结合自身实际情况做出的现实选择。

长期来看，无论是从行业大模型入手，还是从应用场景入手，都有让大模型对生产经营活动创造价值的落地路径，没有明显的哪条路径更有前景的区分。

《能源》：百度在能源AI领域的商业化路径是什么？未来会有哪些新模式？

李超：当前主要是“产品+服务”模式——我们提供芯片、框架、模型等产品，再加上训练、部署、场景开发等服务，打包服务客户。但未来会有两个变化：

第一，服务的权重会越来越高。因为大模型在未来一定是开源的，所以我们会更多通过“训练模型、做应用、解决具体问题”支持企业把模型用好创造实际价值。

第二，探索“按效果付费”模式。具体来说，客户先设定一个业务基准线，AI应用上线后，基于基准线之上的“增益价值”和百度进行分成。增益越多，我们分的钱越多；没增益就不收费。

《能源》：百度在能源AI领域下一步有什么技术攻关方向和突破计划？

李超：主要有两个方向：

第一，持续迭代基础技术。AI芯片、深度学习框架、通用模型这些“底座”必须不断升级，这是我们投入的重点。

第二，聚焦客户核心生产场景的“价值增益”。能源和金融是百度云的两大重点行业，会定期复盘大模型应用的“进展、效果、价值”。所以我们会更深入能源电力行业的调度、勘探、安全管理等核心场景，不仅做技术落地，还要算清楚“AI到底帮客户省了多少成本、提了多少效率”。

简单说，就是“既练内功（技术），又结硕果（价值）”，让AI在能源行业的作用从“锦上添花”变成“不可或缺”。