技术发布 | 深度动力物理AI与能源大模型解决方案
新型电力系统正在经历从“依赖物理惯性”到“依赖算法与数据”的深层变革。能源行业真正需要的，不只是一个会问答的通用大模型，而是一套能够理解物理约束、协同源网荷储、支撑调度交易与价值优化的能源大模型系统。一、能源大模型的演进路径如果把能源大模型的发展拆开来看，可以看到一条非常清晰的四阶段演进路径。S1阶段：LLM+RAG。核心是通用大语言模型叠加检索增强能力，角色是“电力助手”。它可以回答制度、规程、设备说明、市场规则等知识性问题，但物理幻觉多，物理一致性不足60%。它学习的是自然语言中的统计关系，而不是电力
AI场景落地：现状与演进方向
人工智能正处在一个尤为关键的节点——从“技术已经能用”，进一步转向“能否真正创造可持续价值”。过去人们更常讨论模型能力是否足够、规模是否足够大，但如今更关注的是：这些能力能不能在真实环境中长期稳定运行。因此，AI的关注点正在从“技术本身”，逐步移到“如何在具体场景里用得更好”。能否贴合实际需求、能否融入现有业务流程、能否形成闭环，往往就成为衡量AI应用优劣的重要尺度。有研究认为，要让人工智能真正落地，需要围绕“场景”进行系统化设计，并同步考虑基础设施、制度安排与生态建设。尤其是以“平行场景”为代表的新路径
AI+机器人加速钙钛矿：两团队分别冲破效率新高
过去十年里，钙钛矿太阳能电池的光电转换效率从 3.8% 持续攀升到 26% 以上，几乎以“光伏史上罕见”的速度接近甚至跨过传统晶硅路线。但长期以来仍有一处难题难以跨越：材料开发与器件制作高度依赖科研人员的经验，反复试错不仅让周期变长、成本居高，也带来更关键的痛点——实验结果在不同实验室、不同批次之间差异明显，复现性不足直接卡住了从实验室走向规模化的道路。近日，发表于《Engineering》和《Nature》的两项研究分别从不同角度回应了上述挑战。值得注意的是，尽管技术路线各有侧重，但最终指向的是同一条主