写在西安看展之前——AI、大模型、智能体，城市燃气该怎么理解

10月21日，2026年（第28届）中国国际燃气、供热技术与设备展览会将在西安国际会展中心开幕，主题是“智享好燃气 转型新动能”。走进展馆，我们大概率会看到更灵敏的传感器、报警器、更清晰的摄像头、更小型化的边缘设备、更强的算法平台，也会看到越来越多“AI+燃气”“大模型+安全”“智能体+运营”的产品表达。但词听得越多，越容易忘掉一个更基本的问题：这些东西，与城市燃气的那张管网、那些用户，到底是什么关系？

笔者以为，真正值得行业同仁在展会前想清楚的，不是展台上哪一个模型参数更大、哪一块屏幕更炫，而是一个更朴素的问题：人工智能究竟能不能让一座城市的燃气系统更早发现风险、更准确地作出判断、更快完成处置，并且让这种能力在一次次真实工作中持续变强？

最近翻了几本AI书，有重读的，也有新读的，想说说我对这一轮技术会怎样进入城燃。我想在开展之前，把AI、大模型、智能体这三个被混用得最厉害的词，用燃气行业自己的语言重新讲一遍。如果它能让你在展馆里少被几个概念绕晕、多问出几个好问题，这篇文章就值了。

重读李开复老师关于人工智能的著作，最强烈的感受是：人工智能的意义，不只是把一项工作做得更快，而是把过去昂贵、稀缺、只能掌握在少数专家手里的认知能力，逐步变成组织可以反复调用的基础能力。它带来的变化，最终会落在工作流、决策权、人才结构、数据资产和组织文化上。

对城市燃气而言，这个判断尤其重要。燃气企业不是单纯卖气的企业，而是在经营一张长期运行的城市生命线：气源要稳定，压力要合适，设备要健康，管网要可知，施工要受控，用户要安全，异常要有人处置，承诺要能够兑现。这里既有大量数据，也有大量现场；既需要速度，也不能牺牲安全；既需要技术创新，也需要对责任边界保持敬畏。

如果把燃气企业的一项真实工作拿出来，例如“处理一条调压器异常线索”，普通聊天机器人可以回答：调压器出口压力异常可能有哪些原因？它可以列出阀口不严、堵塞、喘振、负荷变化、仪表问题等可能性。

而一个接入专业垂类大模型的业务智能系统，还要继续完成很多事情：找到具体是哪一台设备，核对设备档案和最近的维修记录，读取压力曲线，比较同片区、同型号设备的状态，调用专业时序模型进行诊断，判断是否需要现场复核，生成一张待审核工单，按照区域和技能派给合适的人，跟踪处置结果，最后把复测数据写回设备档案。

前者是回答问题，后者是推动事情完成。两者之间，隔着观察、理解、规划、调用工具、执行协同、记录结果和持续学习。

AI是能力的总称。 它指向一整类技术方向——让机器完成原本需要人的智能才能完成的任务。识别、预测、分类、生成、推理，都属于这个范畴。它不是一个产品，而是一条完整的技术路线。

大模型是引擎，是通用的“认知底座”。 它是这一轮浪潮真正的技术底座。李开复在书里讲得很清楚：深度学习要发挥作用，离不开三个前提——海量的相关数据、单一领域的应用场景、明确的目标函数，三者缺一不可。

而大模型做的事情，是把人类积累的几乎所有文本、代码、图像“喂”进去，让机器自己从数据里总结规律，而不是靠人一条一条去写规则。

智能体是驾驶员，是围绕目标办事的AI系统。 它把模型的“会想”变成“会做”。李开复在《AI未来已来》里给了一个极简的公式：

模型负责理解意图，工具负责与外部世界交互，记忆让它知道“你是谁、上次发生了什么”，知识告诉它“这个行业的规矩是什么”。

在燃气企业里，一个智能体可以被设计为“安检工单助手”“调压器健康助手”“施工风险研判助手”“应急预案助手”或“客服办理助手”。这些名称的重点不在于有多少个AI机器，而在于每个智能体是否有清晰的任务边界、可调用的工具、可验证的输出和明确的人工接管方式。

一个成熟的燃气智能体，至少要回答六个问题：

1. 它要完成什么业务目标，而不是泛泛地“提高智能化水平”？

2. 它需要哪些证据，哪些数据缺失时必须停止？

3. 它可以读取哪些系统，能调用哪些工具，能否写入业务系统？

4. 它的判断如何被专业规则、仿真或人工复核？

5. 任务完成的标准是什么，结果怎样回写并验证？

6. 发生错误、冲突或高风险情况时，谁接管，怎样回退？

如果这些问题没有答案，所谓智能体往往只是一个包装得更复杂的聊天窗口。

曾鸣老师在《智能》里的表述更本质：智能第一次像电力、互联网、云计算一样，可以被稳定调用；Token 成为一种统一的能力单位；能力一旦可计量，就具备了工业化条件。

但我必须泼一句冷水：能力变强，不等于场景变简单。燃气行业的复杂度从来不在模型里，而在系统里、流程里、责任链里。模型再强，也不会自动知道你家某一段中压管的阀门在哪。

城市燃气有三个鲜明特点，决定了它既适合AI，也必须谨慎使用AI。

第一，燃气是资产密集型行业。管网、阀门、调压站、场站、计量设备和户内设施数量庞大，服役周期很长，状态变化却持续发生。企业不可能只靠人工逐台查看，也不能只靠几年一次的静态评估。数据和模型可以帮助企业把注意力从“所有设备都一样”转向“哪些设备现在更需要关注”。

第二，燃气是现场密集型行业。风险经常发生在地下、道路、居民厨房、施工现场和场站作业区。压力和流量数据很重要，却无法完整描述一台挖掘机是否越过保护范围、一个阀井是否被占压、人员是否按要求作业、微量泄漏如何在地下扩散。视觉、音频、红外、激光甲烷、无人机、光纤和移动巡检等多模态感知，会让系统更接近真实现场。

第三，燃气是高安全行业。一个营销文案写错，可以改稿；一个设备诊断结果错了，可能造成无效出车；一个关阀方案遗漏重要用户，可能影响公共服务；一个泄漏判断晚了，后果可能超出企业内部。正因为后果真实，燃气AI不能照搬互联网产品“先上线、再迭代”的简单逻辑，而要把验证、授权、审计和人工兜底写进系统本身。

这三种属性合在一起，决定了燃气AI的基本原则：让AI多看、多算、多准备；让专业模型和物理规律校核；让人保留对重大决定的责任。

李开复老师在《AI未来已来》里反复强调一个观点，值得每个准备在展会上签合同的人抄在笔记本第一页：

把大模型的能力翻译成燃气业务，我把它分成四层。越往下，技术难度越高，但价值也越实。

第一层：读得懂——把“沉睡的文件”变成“可用的知识”

燃气企业最富矿的地方，往往不是SCADA，而是文件柜。设计图纸、竣工资料、操作规程、应急预案、安全规范、巡检记录、抢修报告、事故调查……这些资料以 PDF、扫描件、照片、录音的形式，散落在各个系统和个人电脑里。老师傅退休时带走的，往往不是设备，而是这些文件背后的“为什么”。

多模态大模型最先能做的，就是把这些东西“读”进来：识别图纸上的管径和标高，提取报告里的关键结论，把一段现场录音转成结构化的处置记录，把一份手写的巡检单变成可检索的数据。这件事听起来不性感，但它是所有上层智能的地基。没有做过这一步的企业，直接上智能体，等于在沙子上盖楼。

第二层：查得到——但别把 RAG 当成万能药

这两年城燃落地最多的场景，是知识库问答。员工问“DN300 的中压管，巡检周期是多少”，系统从规范里找出答案。这里有个坑，必须先提醒。很多企业以为上了 RAG（检索增强生成），知识库就自动变聪明了。李开复在书里泼了一盆冷水：

对燃气行业来说，这个风险尤其致命。因为燃气的知识不是“词条”，是“关系”：这根管子连哪个阀、这个阀管哪几栋楼、这栋楼里住着多少户、上一次这条线出过什么问题、当时是怎么处置的。

所以真正有价值的不是“向量检索”，而是把业务关系结构化——行业里把它叫做知识图谱，或者更准确地叫“本体”（Ontology）。

李开复在书里把本体比作“地图”：它把业务里所有核心的东西——什么是客户、什么是管段、什么是阀门、什么是审批节点——以及它们彼此之间的关系定义清楚。没有这张地图，大模型只能对着空气推理；有了这张地图，它才知道自己走到了哪里。

第三层：算得准——大模型不是万能的，物理模型不能丢

负荷预测、泄漏定位、压力优化、管存计算，这些问题的底层是流体力学、热力学和管网拓扑。大模型擅长的是“从海量样本里找规律”，但燃气行业的很多场景，样本量根本不够——你不会希望靠“历史上发生过多少次爆炸”来训练模型。

所以正确的做法不是“用大模型替代仿真”，而是混合：物理模型负责“必须遵守的规律”，AI 负责“规律之外的残差和不确定性”。管网水力仿真算的是“应该怎样”，AI 学的是“实际偏了多少、为什么偏”。

这也是我在展会上最想看的一类技术：不是谁的模型更大，而是谁把物理约束真正嵌进了模型里。一个不懂流体力学的大模型团队，做不出能用的燃气压力预测。

第四层：说得清——不能解释的答案，在燃气不能用

一个调度员看到系统建议“把某段中压管压力下调 0.05MPa”，他必须知道：依据是什么？用了哪些数据？置信度多高？如果错了会怎样？如果系统只能说“模型认为”，那这个建议在责任上是不成立的。

有一句话说得很准：企业要的不是一段流畅的文字，而是一个可追溯、可核查、可承担后果的判断。

这四层里，第一、二层是“提效”，第三层是“提质”，第四层是“定责”。前三层决定AI能不能用，第四层决定AI敢不敢用。

如果说大模型解决的是“知道”，智能体解决的就是“做到”。对燃气行业来说，智能体最现实的四个战场，恰好对应四个最痛的地方。

战场一：应急处置——让老师傅的判断力在凌晨三点也在线

应急是燃气行业最不能出错、也最依赖个人经验的场景。设想一个智能体接入了管网 GIS、SCADA、工单、应急预案和用户档案。接警的一瞬间，它能做这些事：

• 调出涉事管段的全部档案：管龄、材质、上次改造时间、上方是否有密闭空间、周边人口密度；

• 在地图上标出上下游阀门的精确位置，给出建议的关阀顺序；

• 推送标准动作清单：警戒范围、火源管控、人员疏散、检测频次；

• 根据实时浓度和扩散条件，判断“什么时候才具备宣布处置结束的条件”；

• 全程留痕，自动生成符合规范要求的过程记录。

注意，这里面没有一件事是“AI 替人做决定”。它做的是把“该想到的都想到”，让现场的人不必在慌乱中依赖记忆。

曾鸣在《智能》里提出过“60分奇点”：AI不需要做到100分，它只需要比人在最糟糕的状态下更不容易犯低级错误，就已经跨过了那道结构性门槛。对燃气应急来说，凌晨三点、人手不足、信息不全，就是“最糟糕的状态”。智能体的价值，恰恰在这里最大。

战场二：第三方施工防护——把“组织缝隙”缝起来

管网事故里，第三方施工破坏长期占据首位。这类事故的共同特征不是技术难题，而是信息不在同一个组织里。

施工方的进度、燃气公司的管线、政府的审批，三份信息各在一方。每一方都只掌握一块拼图，没有人看到全貌。这就是典型的“组织缝隙风险”。

智能体能做的，是把这三方拉到同一张地图上：自动抓取施工许可和道路开挖信息，与管网 GIS 比对；一旦发现施工范围与管线冲突，自动生成告知函、自动加密巡检任务、自动提醒现场负责人；当压力出现异常骤降时，在分钟级完成定位、给出关阀建议和疏散提示。

这件事技术上并不难，难的是跨组织的流程改造。这也是我在展会上会特别关注的一类方案：不是卖设备，而是卖“协同机制”。

战场三：安检与隐患闭环——从“完成率”到“真实率”

安检是城燃最庞大的日常动作，也是最容易形式化的环节。

智能体在这里的价值不是“多查几家”，而是判断哪几家最该查、查出来的问题有没有真闭环。它可以把安检照片、用气曲线、设备年限、历史隐患叠加起来，给每一户算一个动态风险分；可以把“已整改”的工单和下一次安检结果做比对，识别出“假闭环”。

这背后是一个很朴素的原则：制度防不住的走过场，数据可以。

战场四：客户服务——从“拦截率”到“一次解决率”

智能客服是落地最快的场景，也是最容易走偏的场景。

如果KPI是“减少人工转接”，系统就会学会把用户挡在语音菜单里；如果 KPI 是“一次解决”，系统才会去理解用户的真实意图。

曾鸣有一个判断：用户拥有的是一个复杂状态，而不是一个可以直接匹配的需求。

用户说“家里好像有点味儿”，这不是咨询，是最高优先级的险情，系统应该在十秒内识别、直接派单，同时语音指导开窗、勿开关电器；用户说“这个月气费怎么这么高”，表面是账单问题，背后可能是表计故障、户内微漏，或者热水器老化——系统要先调出这户的用气曲线，再决定是解释账单还是派人上门。

从单个智能体到“智能体班组”

再往前看一步，是多个智能体的协同。单个智能体像一名员工，多智能体像一个部门，而把它们组织起来的那套机制，行业里正在把它叫做“AI 操作系统”。曾鸣说，当大量智能体协同运行时，系统会逐渐从“能力调用”走向“任务调度”，并进一步形成新的系统结构。

应急场景天然就是多智能体协同：监测智能体负责发现，定位智能体负责溯源，调度智能体负责关阀和保供，客服智能体负责通知用户，外联智能体负责对接消防和街道。它们之间怎么分工、谁向谁汇报、出现冲突谁优先——这不是技术问题，是组织问题。

所以我一直认为：智能体落地的难点，从来不是把智能体做出来，而是把“谁负责”这件事重新定义清楚。

智能体的三张考卷：权限、边界、问责。企业真正要回答的，不是“能不能做”，而是三个问题：

权限——它能调用哪些系统？能执行哪些动作？哪些动作必须人工确认？

边界——什么情况下它必须停下来、交给人？这个“停”的条件，写清楚了吗？

问责——它给出的建议被采纳后出了事，责任怎么界定？日志能不能还原完整的决策链？

李开复在书里讲企业级 AI 的“操作系统”时，提到四个子系统：调度、执行、接入、控制。其中执行系统是带沙盒的试验场——先在隔离环境里把动作演练一遍，确认不会造成无法撤销的后果；控制系统是权限门禁加行车记录仪——自动继承发起人的权限，每个操作实时存档。这套设计思路，值得每一家准备上智能体的城燃企业认真抄一遍。

在燃气行业，智能体的第一设计原则不是“能力最大化”，而是“后果可撤销”。

认知准备做完了。10月21日进了展馆，到底该怎么“看”？

先记住三个问题

不管展台上讲得多热闹，你都可以问这三个问题。它们能在一分钟内，把“真做过”和“只做过 Demo”区分开大半。

问题一：你的数据从哪来？

答“我们的模型训练用了海量公开数据”的，基本可以判断没有行业纵深。真正做过的企业会告诉你：用了哪家燃气公司的多少公里管网、多少年工单、哪一类事故报告、标注了多少样本。

问题二：反馈怎么回来？

模型上线之后，用户改了什么、为什么改、改完结果如何——这些有没有回到系统里？如果没有，这个系统就是一次性的，不会越用越聪明。

问题三：出错谁负责？

不是问“准确率多少”，而是问“错了以后怎么办”。有没有人工复核环节？有没有回滚机制？有没有完整的操作日志？

曾鸣把这种能力叫“智能复利”：系统执行任务，获得反馈，反馈进入优化，能力增强，再处理更复杂的任务。缺了第二问，就没有复利；没有复利，买的就只是一次性工具。

五类展台，五种看法

今年展馆里，和AI相关的展品大致会落在五类。每一类的“看点”其实不一样。

第一类：感知设备。激光甲烷遥测、无人机巡检、光纤振动、声波泄漏定位、智能阴保、阀井监测。

看点不在“精度提高了多少”，而在能不能把“信号”变成“事件”。一个报警器告诉你浓度超标，这是数据；一个系统告诉你“这大概率是第三方施工导致的缓慢泄漏，建议两小时内到场”，这才是智能。

第二类：大模型与知识库。行业大模型、规范问答、图纸识别、报告生成。

看点不在“参数量”，而在知识是怎么组织的。是简单的文档切片，还是结构化的管线—设备—用户关系？答案能不能追溯到具体条款？答不上来的时候，它会不会老老实实说“我不知道”？

第三类：智能体与业务编排。应急处置、工单闭环、客服助手、调度助手。

看点不在“能聊多少轮”，而在能调用多少系统、能闭环到哪一步。一个只能查询、不能执行的智能体，本质上还是个搜索框。

第四类：数字孪生与仿真。管网水力仿真、泄漏扩散模拟、应急预案推演。

看点不在“三维画面多漂亮”，而在模型和实时数据是不是通的。孪生体的价值是“预演”，不是“展示”。

第五类：计量与用气分析。智能表计、异常用气识别、AI校表、反窃气。

看点不在“抄表准确率”，而在能不能从用气曲线里读出人的状态。独居老人连续两天零用气、凌晨三点持续小流量、餐饮商户夜间异常波动——这些才是真正有价值的信号。

三种要警惕的“伪智能”

第一，大屏。大屏是给参观者看的，智能体是给一线用的。一个项目成不成功，不看大屏有多炫，只看一线员工离不离得开它。

第二，Demo。Demo 是精心挑选过的样本，生产环境是没被挑选过的世界。问一句：“这个场景，你们在真实管网里跑过多少次？误报率多少？谁来处置误报？”

第三，参数。“我们的模型有千亿参数”——这句话和“我们的管子有一万吨”一样，不说明任何问题。参数不等于能力，能力不等于场景适配，场景适配不等于责任闭环。

李开复在书里列过企业AI转型最容易犯的几类错误，其中一类是“被一大堆SaaS智能体晃花了眼”。展会就是最容易晃眼的地方。去之前想清楚自己要解决什么问题，比在现场看多少家展台都重要。

写到这里，我想把最近读书和看行业的一些体会，压缩成三句话。

第一句：不要用AI去做“更快的老事”

这是李开复在《AI未来已来》里反复强调的：把 AI 仅仅用于降本，是这场变革里最大的浪费。不要用一台能重写整张损益表的引擎，去抠单项成本。

放到城燃，“更快的老事”是什么？是抄表快一点、报表自动生成、客服少接几个电话。这些有价值，但价值有限，因为它们只是把原来的流程提速了 10%。

“新事”是什么？是过去根本做不到的事：

• 过去靠人巡检，只能抽查；现在可以做到每一公里管道的连续状态感知；

• 过去事故报告写完就归档；现在可以让每一次险情都变成系统的训练材料；

• 过去老师傅的经验带不走；现在可以把它蒸馏成公司资产，分发给每一个新人；

• 过去安检是“完成率”；现在可以做到每一户风险的动态定价与主动干预；

AI真正的价值，不是把旧流程做得更快，而是让一些过去不成立的事情变得成立。

第二句：看十年、想三年、干一年

这是曾鸣给的一个很实用的框架。我试着把它翻译成城燃的语言。

看十年——城燃企业会从“管道运营商”变成“城市能源与安全服务商”。卖的不再只是立方米，而是安全、舒适和调度能力。这个判断如果成立，那么今天所有的数字化投入，都应该围绕“调度能力”和“安全能力”来布局，而不是围绕“多一块屏”。

想三年——打好数据底座，把四本账真正打通；做透两到三个高价值智能体，让它们被一线天天用起来。不要铺十个场景，每个都浅尝辄止。

干一年——只选一个场景，只在一个区域试点，拿到真实反馈。比如：把本公司过去五年的抢修工单和事故报告整理出来，做一个“应急处置助手”，先给一个班组用三个月，每周复盘一次。

“看十年”不是为了把未来定下来，而是为了约束当下的选择；“干一年”不是为了完成任务，而是为了获取反馈。

第三句：人负责判断与担责，AI负责执行与放大

这一轮AI浪潮里，最容易让人焦虑的问题是：我的岗位还在不在？

我的看法是：岗位会变，但“人”的价值不会消失，只会转移。

李开复在《AI未来已来》里列了五种无论朝哪个方向走都该培养的能力，按重要性排序：模糊中的判断力、建立信任与关系的能力、共情与在场的能力、指挥AI的能力、独特的品味与策展能力。

这五种能力，恰好是燃气行业最缺、也最值钱的东西。

• 模糊中的判断力：现场信息不全时，先干什么、后干什么；

• 信任与关系：和街道、社区、施工方、用户之间长期建立起来的那条线；

• 共情与在场：入户时，一位独居老人需要的不只是一份合格的检查报告，而是一个耐心的人；

• 指挥AI的能力：会界定问题、会拆解任务、会验证结果；

• 品味与策展：知道什么方案是真的好，而不只是看起来好。

李开复说，AI的判断几乎都发生在一个已知的世界里，它的逻辑是“因为看见，所以相信”；而人的优势在于，在未知里“因为相信，所以看见”。

对燃气行业来说，这句话有两层意思：AI 能把已知的世界算得比我们清楚，但决定“我们要走向哪个未知”的，还是人。

10月21日，西安国际会展中心会亮起灯。

展馆里会有很多屏幕、很多演示、很多关于“未来”的说法。而真正的未来，埋在展馆之外——埋在城市地下那几十万公里的管子里，埋在每一户人家的灶台后面，埋在凌晨三点那个接警电话里。

我想，判断这一轮 AI 对城燃到底意味着什么，不需要看展台上谁的模型更大，只需要回答一个问题：

它有没有让某一个具体的清晨，变得更安全一点？

接下来的几天，我会在西安的展馆里，把看到的、听到的、问到的，写成一组文章。重点不是复述产品，而是回答三个问题：这一轮技术，到底解决的是哪个真实问题？它在真实管网里跑通了吗？如果我要在自己的公司里落地，第一步该做什么？

来源：齐论微信公众号  作者：齐研科