9 月 21 日世界制造业大会的羚羊专场发布会上，羚羊工业互联网股份有限公司发布了羚羊工业大模型 3.5，算电协同、电力交易、零碳园区三个智能体同步亮相。这次发布里最值得单独拆的不是「工业大模型又升了一版」，而是三个智能体对应的能量账本结构，以及一个和以往工业智能体不太一样的部署口径。
羚羊做的是工业互联网平台。总裁徐甲甲在发布会上介绍，相关能力自 2023 年起持续迭代，已覆盖风、光、水、火、核、储六大能源领域，落地在设备诊断、技术监督、智能班组、功率预测、电力交易、绿氢生产寻优六大核心业务场景。
三个智能体接的是同一张账本的三段
算电协同智能体做的事，是把数据中心从「刚性负荷」改造成「可调资源」，构建「算随电用、电随算动」的双向协同闭环——把算力当成柔性负荷去适配新能源波动，同时利用峰谷价差与储能优化用能策略。按发布稿的试点口径，综合电价降低 5% 到 8%，储能收益提升 20%。
电力交易智能体把购电从「凭经验拍板」推向「有依据决策」，自动完成账单诊断、购电方案比较与合同结算。发布稿用的说法很朴素：从凭经验到有依据，这三个环节过去都压在人的经验上。
零碳园区智能体围绕国家级零碳园区的考核硬指标，做四大模块——源荷预测、多能调度、能碳管理、运营管理。发布稿对老问题的概括是「看不清、算不准、调不动、管不住」，这四个字大致对应了能碳管理在过去几年的实际状态。
底座那一层比三个智能体更有意思
针对工业占比超七成的时序生产数据，团队做了工业时序基础模型，目标是零样本与少样本泛化。发布稿给出的两个数字放在一起才有意思：电价预测平均准确率突破 85%，而模型最大参数量只有 100M。
100M 是什么概念——它轻到可以直接部署在边缘端和设备端。这意味着能源类智能体不必回云端算力中心，工厂本地就能跑起来。对能源场景来说这一点几乎是刚需：厂区数据量大、实时性要求高，但很多工厂的带宽和算力预算都很紧张，一个必须联网调用大模型的方案在物理上就跑不通。
行业背景也给这场发布提供了舞台。发布会上披露，安徽省「十四五」期间规上工业营业收入从 3.8 万亿元增至 5.9 万亿元，全国排名从第 12 位跃升至第 5 位；截至 2026 年 7 月，国内光伏发电装机容量达 12.86 亿千瓦，在规模上已经超过了煤电。制造业转型与能源结构重塑叠在一起，工业能源就成了一个绕不开的 AI 落地战场。
放到本站此前记过的同赛道报道里看
本站此前记录过电力行业的两篇，角度和这篇都不一样。其中一篇讲电网运维侧：国家电网约 1.8 万名运维人员配备 AI 助手，单站巡视时间从约 2.5 小时压到约 45 分钟；龙源电力在百余座风电场部署设备运检智能体，累计发现设备缺陷逾 2600 个；南方电网深圳供电局 75 名数字员工覆盖生产运维与市场营销等环节。那是运营商侧，干完活的现场。
第二篇讲电力科研侧：南方电网科研院介绍了以电力科学基础大模型与 AI 研究员智能体为核心的科研智能体系，公开数据显示其月会话量增长约 70%、复杂任务执行率约 90%。那是科研侧，往前推知识生产范式。
本篇是第三条路：平台侧，把算力消耗和能源消耗当成同一笔账来调度、去结算、去执行。前两篇的产出物分别是运维工单和研究成果，本篇的产出物是一张被重排过的能量账单。
为什么能源是个好场景，又为什么不好做
能源之所以是少数几个「稳赢」的场景，有三个具体原因。
一是输入是可量化的时序数据，不需要靠主观判断去理解现场。二是结果能被仪表盘核对——电价降没降、储能充放对不对，一天就能看出来，不需要相信模型的推理过程。三是这类场景里的产出直接对应电费与收益，验收标准和业务语言天然一致。
但它不好做，原因同样具体。电力交易与调度都处在强监管环境，而智能体做的不是建议，是动作。一次错误的负荷调度或一笔错误的购电方案，代价都不是「重跑一次」能覆盖的。这跟前面几篇提到的场景有个共同点：长任务智能体的价值在于把决策执行下去，而执行下去之后，错误也就一起落地了。
所以把这三个智能体放进生产，需要的不是更聪明的模型，而是更硬的准入规则、审计留痕与回退机制。智能体负责算出方案，人负责在关键节点上签字——这个分工在电力这种场景里恐怕很难省掉。
发布稿里最有价值的一句，反而不是任何数字：先找一个高频、重复、数据密集的业务场景，再让智能体把活干起来。这是一个朴素但少见的克制——它没有讲宏大叙事，讲的是选场景的方法。数据密集意味着好学，重复意味着好验，高频意味着试错成本能被摊薄。三个条件同时满足的地方不多，但一旦满足，智能体的产出就容易从演示变成生产。
需要说明的口径是：5% 到 8% 的电价降幅与 20% 的储能收益提升均来自发布稿的试点数据，为公司披露口径，覆盖范围与统计方式目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。