文 | 智能相对论
作者 | 叶远风
长期以来，央国企的数智化转型总被业界认为是一个“case by case”的过程。
相比于中小企业可以借助标准化的云和AI产品快速实现数智化，央国企的转型路径似乎天然带有“定制化”属性——组织架构复杂、业务流程独特、数据安全要求严苛，这些因素使得每一次成功探索都难以直接复制到另一个场景或另一家企业。
但在过去一年中，这一局面正在发生微妙的变化。一些在油气、钢铁、民航等关键领域落地的数智化项目，开始展现出超出预期的可复制性。这背后，是一套正在成型的、具备底层共性逻辑的数智化体系在发挥作用。
央国企数智化的“复制困局”，卡在哪？
事实上，央国企的数智化探索并不算晚。许多头部企业早在数年前就开始了数字化投入，也打造了一批在特定场景中成效显著的项目。
但这些项目大多陷入一个共同困境——投入巨资形成的成果，往往只能服务于单一业务或单一部门，难以在企业内部其他板块复制，更遑论在同行业推广。
这一困境的根源，可以归结为三个层面的痛点。
第一，底层技术底座不统一。央国企的数字化建设往往起步于不同时期，由不同部门主导，采用的算力芯片、软件架构、技术标准各不相同。这种“各自为政”的建设模式，使得任何一个项目积累的技术能力，都很难迁移到另一个环境中，形成了事实上的技术孤岛。
第二，数智化能力缺乏复用性。传统项目开发通常是“一事一议”，针对特定场景进行深度定制。这种模式虽然在解决当下问题时效率较高，但开发出的模型和算法往往与具体场景深度绑定，无法直接应用于其他业务。这就导致每次新的需求出现，都需要投入几乎相同的开发资源。
第三，落地流程缺乏标准化。由于缺乏统一的实施方法论，数智化项目的成功高度依赖专家团队的个人经验。经验无法沉淀为可复用的流程和工具，使得复制一个成功项目的成本，往往接近甚至超过重新开发一个新项目。
在油气、钢铁、民航等核心领域，上述痛点还被进一步放大——这些行业的数据敏感度高、合规要求严、业务流程复杂，使得数智化转型的试错成本极高。因此，企业在推进智能化项目时，往往需要在“谨慎试点”和“规模推广”之间反复权衡，难以形成规模化价值。
要破解这一困局，显然不能靠零敲碎打的单点突破，而需要一套能够从算力底座到应用落地全链路打通的系统性方案。这正是过去一年中，以昇腾和讯飞星火为代表的中国“算力+模型”生态所聚焦解决的核心命题。
中国算力生态，构建了有底层共性逻辑的“央国企数智化体系”
值得一提的是，当业界还在讨论央国企数智化的“复制难”问题时，昇腾AI生态与科大讯飞星火大模型的组合，已经开始从实际落地中摸索出一套可行的方法论。
这套组合的价值，远不止于“算力+模型”的简单叠加。从实际落地的经验来看，它正在从三个维度，构建一套面向央国企复杂需求的、具备标准化潜力的数智化体系。
一、统一的算力底座：从源头解决“各搞一套”的问题。
央国企数智化复制难的第一道门槛，往往是底层算力的统一。如果每家企业的技术栈都自成一派，那么任何经验的迁移都将面临巨大的适配成本。
在这里，昇腾提供了一套自主创新的标准化算力底座，从芯片、硬件架构、AI基础软件框架到应用使能工具链，都实现了技术上的统一与自主创新，并且与第三方开源生态充分适配。这意味着，无论项目是为中国石油打造赋能油气全产业链的昆仑大模型，还是为宝钢构建的围绕溅渣护炉等关键场景的转炉大模型，都可以运行在同一个技术栈上。企业无需再为模型适配、性能调优等基础问题重复投入，可以更聚焦于上层业务价值的挖掘。
具体来看，中国石油在建设昆仑大模型时，其平台和应用均基于本土算力、模型构建，完全满足央国企在信息安全与自主创新方面的严苛要求。中海油海能人工智能模型的落地同样遵循这一路径，从底层算力到上层应用实现了统一且自主地创新。很显然，统一的底座使得跨项目、跨企业的经验复用成为可能——一个项目在模型与算力上的优化经验，可以快速应用于另一个项目。
二、模块化的模型能力：让“可拆可拼”替代“一事一议”。
有了统一的算力底座，下一步就是让上层的能力能够被灵活复用。而星火大模型的架构设计，正是为此而构建的，其核心逻辑是“通用底座+行业模块+场景智能体”的分层结构。通用大模型底座承载了语言理解、文本生成、逻辑推理等核心AI能力，是所有应用的基础。在通用底座之上，科大讯飞基于在油气、钢铁、民航等行业的深度实践，将行业共性场景获取的知识沉淀转化为可复用的行业模块。
中国石油昆仑大模型便是一个典型案例。该模型集成了油气勘探、炼化工艺、油气储运、产品销售、工程建设、装备制造六大领域的万亿级行业语料，形成了可复用的行业知识模块。在此基础上，科大讯飞深度参与了昆仑大模型100个行业场景中的32个场景建设，覆盖生产与安全、管理与服务两大业务领域，涵盖油气勘探开发、炼油化工、销售、装备制造、办公管理、财务管理等15个子领域。
宝钢的情报洞察智能决策系统同样体现了这种模块化思路。在模型层以通用大模型为基座，结合OCR模型与钢铁行业专项筛选模型；在平台架构层采用“智能体+服务库”的双轨设计，集成政策分析师、市场分析师、数据分析师等专业智能体。
不难发现，通过这种分层架构，科大讯飞将数智化能力从“针对单一场景的一次性开发”转变为“可拆解、可组合的模块化能力”，大幅降低了复制的边际成本。
三、标准化的落地路径：将“个性化项目”转化为“工程化操作”。
除了技术能力的标准化，科大讯飞在与众多央国企的合作中，还形成了一套可复制的落地方法论，可概括为“建算力-理数据-训模型-落场景-保安全-精运营”。这套流程将复杂的数智化转型，从一个充满不确定性的“个性化项目”，转变为高效的“标准化操作+个性化适配”的工程化过程。
以中国海油的实践为例，在成功落地知识管理、员工健康、辅助办公等通用领域场景后，进一步赋能海上作业安全分析、钻井地质设计等专业场景，形成了“专业+通用”双轮驱动的应用体系。宝钢的实践同样遵循了这一路径，平台建设遵循“数据层-模型层-平台架构层”的递进逻辑，先构建钢铁行业高质量数据集，再通过通用与领域专项模型协同，最后采用“智能体+服务库”双轨架构，形成了一套完整的落地闭环。
正是这种从“单点突破”到“根据地深耕”再到“多场景延伸”的战术，使得成功经验可以在企业内部快速复制推广。而对于同行业的其他企业而言，这套已经验证的方法论提供了明确的可参考路径。新项目不需要从零开始探索，只需在标准化流程基础上进行相对较少的业务适配，就能快速复刻已有的成功经验。
非标品但可高效复制的数智化，是央国企下一阶段的关键需求
时至今日，昇腾与星火构建的这套可复制体系，已经在多个行业的标杆项目中得到验证，并输出了可量化的价值成果。
在油气行业，昆仑大模型的落地带来了显著的效率提升，如地震解释效率提升40%，设备故障预警准确率达到92%，炼化领域的设备智能诊断系统帮助客户节省检修环节人力30%等等。这些数据不是孤立的试点成果，而是可以成为同行业企业对标和参考的标准。
在钢铁行业，宝钢情报洞察平台将营销人员的工作效率整体提升约20%。通过多智能体协同分析市场动态，平台能够自动生成行业研究报告，帮助营销人员更及时、更精准地把握市场变化。
在民航行业，航行通告智能助手将人工解析投入预计减少50%，非计划性维修助手大幅缩短排故预案时间。这些成果已经在国航、南航、东航、厦航等多家航司的不同业务场景中落地验证。
这些量化成果的价值，不仅在于为企业带来了实实在在的降本增效，更在于它们为同行业企业提供了明确的可复制范本。当一个成功案例的成效被量化和验证后，它就不再是“仅此一家”的定制孤品，而成为可以在行业内批量化推广的成熟方案。
展望未来，央国企的数智化转型正在进入一个新的阶段。从宏观层面看，国家战略要求央国企在新质生产力发展中发挥引领作用，这需要更大范围、更深层次的智能化升级。从企业自身来看，面对日益激烈的市场竞争，央国企也需要通过数智化实现降本增效、提升核心竞争力。
很显然，像过去那样靠一个一个“灯塔项目”缓慢推进的模式，已经无法满足现实需求。央国企需要的是能够快速复制、规模化落地的数智化方案。而昇腾与讯飞星火构成的成熟的“算力+模型”生态，已经为迎接这一需求做好了准备。
结语
“复制难”曾是央国企数智化转型的突出瓶颈。如今，这一问题正在被自主创新的算力生态所破解——昇腾与星火的深度融合，不仅为央国企提供了一套“懂行业、能落地、保安全、可进化”的整体解决方案，更重要的是，它构建了从底层算力到上层应用皆可复制的能力体系。
这套体系的成熟，标志着中国数智化产业正在从项目驱动走向体系驱动。当“复制”不再是难题，央国企数智化的规模化落地便具备了现实可能。
*本文图片均来源于网络
此内容为【智能相对论】原创，
仅代表个人观点，未经授权，任何人不得以任何方式使用，包括转载、摘编、复制或建立镜像。
部分图片来自网络，且未核实版权归属，不作为商业用途，如有侵犯，请作者与我们联系。
•AI产业新媒体;
•澎湃新闻科技榜单月度top5;
•文章长期“霸占”钛媒体热门文章排行榜TOP10;
•著有《人工智能 十万个为什么》
•【重点关注领域】智能家电（含白电、黑电、智能手机、无人机等AIoT设备）、智能驾驶、AI+、、、AI+、AI+、AR/VR、、开发者以及背后的芯片、算法等。
