每年超过40亿吨煤用于热电生产，如果提升1%的能效，其节省的燃煤就高达0.4亿吨，换成煤价将

　　热电企业把节能降耗放在了重要位置，但受限于既有软硬技术发展，能效提升效果不佳。中国的热电锅炉设备全球领先，工艺精湛，且随着热电厂的专家们几十年孜孜不倦的改造，电厂锅炉的燃烧效率平均在95%以上，能效已逼近绝对峰值，专家想尽办法，通常也无法提高哪怕0.5%。

　　夏建涛想到了另一条路，创造一个热电生产的工业互联网平台，利用大数据训练人工智能模型，再将几十上百个这样的针对不同设备运转的数字孪生模型组合在一起，用以精准控制热电的全过程生产。经过4年多在60多个电厂的实践，这一行动取得了显著成效。实测数据显示，夏建涛和他的同事发明的这套热电智能化系统，每年为每个电厂平均可带来2%到5%的能效提升，换算成燃煤在1到2万吨之间。

　　夏建涛是全应科技创始人兼CEO，在西北工业大学完成本、硕、博学业，在新加坡南洋理工大学完成博士后研究工作，研究方向为人工智能，不过当他毕业的时候，人工智能正处在它的第三个低谷期，尚未在工业领域有成熟的应用。夏建涛回国后在全球知名电力电子和工业自动化集团企业台达集团从事技术研发工作长达十余年，为工业企业提供自动化控制、电力电子和可视化运营的软硬件解决方案。2012夏建涛在参访GE的行程中第一次了解到工业互联网，萌生了用工业互联网技术服务工业企业的想法，2016年，夏建涛离开台达，与来自IBM、微软的几位大数据、人工智能专家和来自热电行业的专家共同成立了全应科技。

　　发展到目前，全应在全国主要的热电生产省市均有业务布局，在线个。但仍无法自负盈亏，夏建涛透露，当在线家时，公司可进入盈亏平衡状态。腾讯投资、博华资本、凯辉能源基金、高瓴创投、明势资本、线性资本和松禾资本等机构投资了全应。

　　11月底，我们与清华-青腾未来科技学堂（四期）夏建涛聊了聊，谈及热电行业数字化的优势与困难，全应过往的探索和未来面临的挑战，以及工业AI的特殊之处，夏建涛结合自身实践，真诚地分享了自己的经验与思考。

　　夏建涛：通过煤炭在锅炉里燃烧，把水变成高温高压的蒸汽，用蒸汽推动汽轮机发电，这个就叫热电生产过程。

　　有一些大型工业企业，比如石油化工、生物制药或者造纸企业，为了让用电成本更低，就自己在厂区内建热电机组，电力供应给厂区用。另外，由于在工业生产过程中，有些还需用到热能，比如石油冶炼、制药发酵，发电后的余热就可以利用起来。这就是热电联产。

　　另外，北方的供暖也是用发电后的废汽，热置换后变成热水，通过管网流到每家每户。因此热电有三大板块的应用，一是火力发电，二是发电和热能综合利用起来的热电联产，第三块就是城市集中供热。

　　青腾：2016年创业的时候，你们就决定要做一个标准化的工业互联网平台，而不做个性化定制，为什么？

　　但是哪些行业才能标准化呢？我在台达十几年，对工业的各行各业还是了解的，要想标准化产品，首先我们要缩小我们的产品功能，要足够聚焦。

　　在这个思路的引导下，我们盘点工业里面两大行业，一是离散工业，像3C制造、服装制造、机械加工等，这些行业最大的问题是底层的数字化基础都不太好，设备要么没有数据，要么数据不好拿，工艺过程也是由人来管控的，没法提供标准化方案。我在台达的时候，曾领导了一个250人的团队做集团内的产线自动化升级，发现我们自己的各厂区都不一样，给自己做都需要定制。

　　另一个方向是流程工业。因为我们想解决的核心问题是生产过程的智能化，那我们看工艺，如果工艺在物理上是标准的，那就能标准化。我们看了石油化工、煤化工、盐化工、造纸、热电等各行各业，发现热电行业的工艺是最标准化的，虽然它也有六套工艺，但这六套工艺涵盖了所有的燃煤发电过程。

　　虽然热电厂智能化的需求也很多，但核心还是节能。热电厂70%的成本都是燃煤，而燃煤价格从几年前的五六百到现在的一千五六一吨，涨了好几倍，导致电厂的经营效率受到压制。

　　所以我们希望用人工智能技术把热电的生产过程在数字空间重构，每时每秒地计算出电厂的控制参数，让电厂的运行效率达到最高。

　　夏建涛：热电厂根本不具备私有化部署的条件。第一，要实现热电生产过程的智能化控制，需要搭建整个电厂的数字孪生模型，一个电厂少则两三千个数据点，多则四五万个，计算量非常大，传统的计算机无法承载这样的任务。第二，电厂里都是锅炉专家，汽机专家，自动化专家，没有懂IDC运维的，也没有懂计算机的专家，私有化交付是没法儿做的。第三，热电生产是个动态过程，不可能是我这边一次性调好参数，交付给客户就能用。比如说锅炉的热传导，热传导特性随着锅炉的使用时间的增加，会积灰、结焦，热传导效率会发生变化，这就需要系统对动态参数进行学习，输出合理的控制决策。

　　我们采取的是云+边+端的体系，数据加密上云，做模型训练，模型在边端再做具体的控制计算。因此，这个系统需要在云端部署。

　　另外，由于电厂的生产是动态的，那就需要服务，不管是人工智能模型的计算服务，还是专家服务。但我们的服务都是通过云平台的后端为客户提供的，我们也没办法按照一次性收费的模式。

　　夏建涛：按照锅炉机组的容量计算，从小到大每年100万到500万元SaaS服务费。对于一年收这多钱的SaaS服务，想要持续收费，必须创造客户可以感知的价值，就是能算出来。我们算过，每年平均给每个电厂能带来2%到5%的能效提升，差不多就是1万吨到2万吨燃煤节省，折合成现金就是1500万到3000万元。

　　夏建涛：这些都是可以计算，煤可以称重，电可以计量，蒸汽用量也可以计量，客户自己都能看到这个系统到底有没有用。另外还可以减少二氧化碳的排放，按照1吨煤2.7吨二氧化碳当量排放，能减少3万吨到4万吨碳排。“3060”目标出来之后，能源行业首当其冲成为减排重点关照对象，目前中国的碳价是57元/吨（欧洲40欧/吨），超出部分都要花钱买的。

　　夏建涛：是，咱们国家现在是全球最大的锅炉设备制造商，我们锅炉的效率都在95%以上，已经到了这个设备的极限了，除非在材料科上有重大进步，比如说用石墨烯之类的，但那个很贵，否则很难再有明显提高。

　　另外，几十年来电厂的专家们每天就琢磨增效这一件事，天天改，每年四五百万的费用，而且改得很细致，把能想到的地方都改了，但现在想提高1%的能效都不可能。所以当年我们给潜在客户讲我们能平均提高热电系统能效3%到5%，他们都觉得我们是骗子，当年在浙江开拓市场时，10个客户中有9个觉得我们是骗子。

　　还有一个原因，热电厂和需要热电联供的工业企业大都集中在三四线城市，年轻人不愿意去这种地方上班，热电厂其实也面临严峻的人才困境。

　　夏建涛：除了之前提到的三个标准，还有一个指导原则，就是产业规模一定要够大，而且不能太垄断，要不然客户都是很大的集团企业，我们势必会变成一个项目型的公司。那热电行业就很好，中国的热电规模全世界最大，每年有40亿吨的煤用于发电，占总体发电量的60%以上。如果都用我们的系统，节省下来的煤的经济价值是巨大的。

　　而且客户数量非常多，五大集团加起来有两千多个电厂，大大小小热电联产企业加起来有四五千家，有的有国营的，客户类型非常丰富。

　　夏建涛：总体来讲，中国流程工业的数字化程度比离散工业好。发电是一个高速反应的过程，用人控制是非常难的，所以电厂很早就开始了数字化的进程，现在所有设备都有传感器，比如锅炉里面的炉温、炉压、烟氧、蒸汽流量和汽轮机转速等，一系列的传感器都已经使用起来了。传感器有了，数据有了，就开始使用自动化控制系统。我们说的DCS分布式控制系统最早就是在电厂使用的，现在的电厂已经实现100%由DCS控制了。只是说今天的电生产过程还是由专家在DCS面板上的数据判断运行状态，给出控制指令。锅炉专家给锅炉的指令，汽轮机专家就给出汽轮机的控制指令，热网专家给出热的控制指令，电网的就给电的控制指令等等，因此我们看到的现象就是电厂由一个运行班组，来实现热电生产控制。

　　夏建涛：对，我们是生产过程的智能控制，将由人的经验和技能控制的过程变成由人工智能模型做决策，给出控制指令，精准调整电厂的运行过程。

　　夏建涛：我们的AI模型融合了三大类知识体系，第一类是热电的工业机理，锅炉燃烧原理，汽轮机做功原理，热网的热动力学，电网的电磁波的传播过程等等，这些都是电生产过程的科学描述，所有电厂都一样，可以从“课本”上学；第二类是专家知识，就是发电过程生产专业经验，比如各个设备的参数设置，经过几十年的发展，人已经摸索出了一些惯常的好的经验；还有一类是客户的专业知识，天底下是没有两个电厂完全一样，每个电厂都有自己的一些特色。

　　我们的人工智能模型学习的不是人的经验，是整个工艺过程，设备的运行特性。由于每个电厂不一样，我们的部署过程平均需要四五个月。在标准模型之上，每个电厂要按照它的物理结构重新组合模型，有点像搭乐高积木。

　　青腾：电厂的数字化基础好，降本增效的诉求也很强烈，那是不是意味着客户对全应这样的系统接受程度很高？

　　夏建涛：电厂里面的专家都是我们刚才说的锅炉专家、发电专家、汽轮机专家、自控专家，这一类的专家都是传统的生产管理者，对智能化、云计算、大数据和人工智能这些知识相对匮乏，认知上是一个挑战。因此我们早期市场推广的重要任务就是给客户讲这些知识，反复地讲。有了第一个案例，那客户就可以来参观。

　　热电行业客户对数字工具的采用是很谨慎的，他们对这样的系统一定是再三论证，参观已实施的案例，跟专家们进行深度交流。

　　尤其是我们控制的是最核心的生产过程的管控。如果控制得不好，轻一点可能会停机，重一点可能会发生恶性事故。而且有的热电联产企业，下游可能有上百个企业，如果电厂突然熄火了，下游的工厂生产全部得停，这个损失是非常严重的。

　　因此工业的智能化跟消费行业的智能化不一样，前者要求百分百精准。我们的产品功能也非常单一，没有那么多花里胡哨的功能，首先就是保证安全稳定运行。

　　大家了解的比较多的计算机人脸识别、语音识别、deep learning这些东西，在工业生产控制领域是没法用的。工业的一个典型特征是小数据而非大数据（相对消费领域而言），我们讲一个设备模型的构建过程，其实是小数据的时间序列，这个模型的构建是非常有挑战的。我98年做博士论文就是研究小样本机器学习算法，怎么在少样本下提取规律，拿到结果，实际上这是很先进的一套算法体系。

　　夏建涛：工业场合几乎都是脏数据。AI是基于数据学习，数据驱动的，你给它喂脏数据，它就会出来脏规律。我们拿到数据之后，第一步就是要想办法清洗数据，把它们变成一个相对稳定的特征数据，再拿去训练模型，这个过程要数据、机理和算法三类专家通力合作才能做成。这需要一个长时间的跨界融合。比如一开始我们也不知道什么温、层压，二相流又是什么？锅炉专家也不明白网络结构模型、算法训练是怎么回事，早期是非常痛苦的。

　　AI在工业领域的应用整体是比较浅的。除了数据脏的挑战，还有工业领域设备与设备之间的耦合关系，且不可解耦的因素。全应算是走得比较深的，但也只是在热电生产这个单一的场景里打磨得比较好。在炼钢、炼铝、造纸，石油化工、煤化工等这些行业我都还没见有人在生产过程中打磨AI模型。

　　应用到工业领域的AI，算法本身没有什么特别的变化，真正的挑战在于怎么把有自己边界、有自己应用条件的算。