在6月30日至7月2日举办的第21届青岛国际水大会&水展中，北控水务集团副总裁贾丕星带来主题为《AI驱动水务运营模式创新——落地应用思考》的报告，结合近年来在数字化与智能化方面的实践，分享了AI在水务运营中的落地思路，以及推进过程中遇到的关键问题。
报告从企业推进数字化的核心理念出发，系统阐述大小模型协同、知识体系构建和云边协同的技术架构，并着重剖析AI落地过程中六个层面的现实困境及应对思路，涵盖智能感知精度不足、机理与数理模型的路径选择、历史运行数据对模型训练的支撑、设备工况衰减对调控效果的干扰、AI效果的价值量化评估，以及组织机制对智能化转型的适配挑战。350余座水厂的运营规模和多年数字化积累，为这些实践思考提供真实的工程基础。
贾丕星
01
从业务问题出发
核心理念很直接，就是追求经济价值，技术是手段，业务价值才是目的。这体现在两个层面。
一是精益管理控制成本，北控水务在过去数字化推进中注重投入产出比，平均一个厂五年的数字化投入并不高，用较低的边际成本撬动极大的覆盖面。第二是均好覆盖，不让任何一座厂游离在管理视野之外，一套系统、一套规范、一套标准分批次推到每一座厂，3到5年内 350多座规模以上厂全部覆盖。
数字化是基础，高质量数据，决定了AI发展。而且在智能阶段依然要求方法和工具是可复制、可量化评估的工程体系，而非一两座厂的试点秀。
AI应用虽然有安防监控、工单智能验收等各种场景。但是核心攻坚方向肯定是工艺智能控制。这也是水务运营中最核心、最具挑战的部分。因此我们启动了AI工艺攻坚阶段，目标直指工艺自适应，即无论进水是什么情况，水厂可以实现全部自主的自适应调控，以及全厂成本最优解。这个目标很难。北控水务从去年初启动至今一年半，仍在摸索中，通过试点场打通全路径，预计完整迭代周期将跨越3到5年。
02
技术架构的三个支点
北控水务构建了一套双模型协同、双底座支撑、云边协同的融合体系。
双模型协同，小模型以机理为核心，针对系统级和设备级的单一决策，通过数据模型训练给出控制参数。目前已开发了数十个小模型，分别适应不同工艺场景。但单体精准不等于全场最优，工艺环节间的联动，安全达标与经济性之间的测算，这些跨系统问题小模型无力解决。因此在大模型（认知模型）之上叠加认知能力，辅助全场最优决策，形成从认知到决策再到执行的完整链路。
双底座支撑，数据底座经过多年建设，已实现全场作业工单化、管理指标量化、星级标准常态化检查，且对物联网感知数据的准确率做了制度性约束，星级标准中的部分打分直接与上传数据的有效性挂钩，水厂侧无权自行修改。知识体系方面，今年年初开始基于本体论构建知识图谱，分为三棵树，分别是水厂本体（工艺原理）、水厂操作和管理知识、集团业务端（投资、建设、运营和人才全流程）。构建计划用五年左右完成，未来将成为智能体的核心底座。如果想让模型具备自主的能力，知识库的加持至关重要。
云边协同，在端侧部署智能控制终端（自带PLC），接管原有中控功能。未来的方向是不再依赖厂端中控，模型迭代和研究必须拉回到云端大平台体系里完成。单厂数据视角局限性太大，模型训练必须在集团级大数据中台、数据沙箱和模型实验室中完成闭环。端侧只负责执行，接收云端传来的决策参数，中控系统保留但降级为备份角色。对于云端传参是否导致失控的疑虑，实际上污水厂调控周期以15分钟或30分钟计，短期连接中断对调控不构成实质影响。
03
AI落地遇到的六大问题
架构搭好，路径出来了，但真正走到落地层面，困惑远比预期多。以下六大痛点层层递进，从数据采集端开始，一路延伸到模型选择、训练数据、运行约束、效果评估，最终落到组织变革。
痛点一：智能感知的不精准
水厂现有的仪器仪表，无论在精准度、稳态性还是安装位置上，都不足以支撑模型训练。这是经典的GIGO困境，再完美的算法也无法基于充满噪声的脏数据做出正确决策。
破解的路径有两条。第一是软计量，寻找可替代性特征指标，绕开传统仪表的精度瓶颈。不再追求准，而是追求稳。稳定且可校准的偏差，比不稳定的高精度更有价值。第二是仪表升级，北控联合体系内的金银集团研发了8款仪器仪表，专门解决现存仪表无法满足精准感知的问题。同时对传统仪表做极简优化，例如曝气气压测量去掉冗余表头、将宽幅计量范围改为窄幅，既降本又提精度。这些仪表需经过三百多座厂的检验后才投入调控应用。
痛点二：机理模型与数理模型的碰撞
感知数据进入模型后，紧接着的问题是用什么模型来处理。行业出现两种声音，一种坚持机理模型，认为安全可解释是底线；一种主张纯数理模型，追求自适应和强拟合能力。两种路线之争，背后是对安全与效率的权衡。
选择是不忽略机理。自适应调控如果让工艺工程师接受和敢于使用，工艺工程师信服的不能是没有解释的黑盒子。人工智能也不能替代人去扛环保达标的风险。AI必须经历从人工驾驶走向辅助驾驶、再逐步走向无人驾驶的渐进过程。做法是用数理模型方法基于机理基础训练小模型，但最终模型必须具备机理可解释性，与工艺工程师平行走一段时间逐步建立信任。以机理模型划定安全边界、以数理模型弥补精度短板的混合建模，是当前最务实的路径。
痛点三 历史运行数据的天花板
模型选定了，训练需要数据，而水厂的历史运行数据本身就有问题。为了保达标，药量投加过量、曝气过量是常态。很多水厂甚至不控基线，只要出水达标能赚钱就行。用这样的数据训练模型，不可能训练出最优解。物料守恒是天花板，但是在现实数据和物料守恒之间是一个逐步逼近的过程。
北控水务的策略是逐步加压基线倒逼，基于当前调控逻辑能改进的程度要求改进，次年重新优化基线再要求继续改进，通过持续加压逐步逼近最优解的极限。最优解永远做不到极致，靠的是迭代闭环和管理极限。技术提供探索空间，管理提供持续改进的动力。
痛点四 设施设备对运行的干扰
即便数据和模型的问题都有应对方案，模型运行中还要面对设备工况不是最优的现实。以曝气系统为例，曝气盘老化、底层淤积、曝气口堵塞、冷凝水导致曝气不通畅，这些物理层面的衰减直接影响能耗优化效果。
应对方式是基线加后评估，建立设备清洗维护的周期基线，明确多长时间做清洗、清洗成本是多少，然后将清洗成本与当前能耗削减收益做逻辑平衡。不能在模型训练过程中常年以为设备是一个优态，水厂的设备、管道、仪表都在持续衰减。AI与PHM（设备健康管理）的深度融合，是水务智能化不可绕过的环节。
痛点五 价值量化
前面四个痛点都指向同一个追问，上了AI之后，效果到底怎么样？这问题看似简单，很多人问上了智能体之后全厂优化了多少，但这种问法不够客观。其平均成本已优于行业20%，在这个基数上再往下挤，与从行业平均水平起步的企业，挤出来的水分完全不同。
在AI系统之外构建了一套评估评价体系，分三个层次。全厂级评价做整体运营绩效评估；系统级评价按气、药、水、泥四大输送系统分别评价；核心设备级评价从能效和经济性维度对关键设备做充分评价。这套体系服务于两类决策，一是管理和运维动作的优化调整，二是经济成本与运维投入之间的平衡测算。评价的目的不是报喜，而是持续迭代评价智能控制到底有没有发挥作用、发挥了多大作用，防止模型退化、避免管理真空。
痛点六 组织适配
技术的问题逐一有了应对，但最后一个痛点最难，因为它不在技术层面。技术变了组织没变，是很多数字化项目落地即失败的根源。当AI接管核心控制与决策流程后，传统监控值班人员的职能必须从执行者转向监督者，厂端、区域、集团三层的管理边界和责任链条必须重新定义。
北控水务今年开始建设运营集控中心（统一调度控制中心），识别了六个核心模块，包括设备高效运行、工单精准到位、工艺最优评价、安全生产保障，以及大型技改重置的调度管理。六个模块均以统一的指标体系持续评估每座厂，并基于评价结果产生作业调度和调整。
更深层的变化在于平台化逻辑。十四五期间已完成第一步，将单厂改造为车间，以区域为经营主体管理十余座厂。下一步将在大区和集团层面进一步集约化，将高级知识分子集约化服务于更多厂，同时依托平台将越往下的管理动作越规范化。这个迭代可能比上一轮的迭代还要难，因为它步入深水区去了。
04
最后
回顾贾总的整场分享，呈现了AI落地水务运营时遇到的真实困境和应对思路。从感知层的精度不足到设备衰减的持续干扰，从历史数据的局限到组织机制的滞后，这些问题没有一个是纯技术层面的，都需要工程思维和管理手段协同推进。
报告中的两个关键词值得行业关注。一是迭代，无论是最优解的逼近还是知识体系的构建，都强调3到5年的长周期持续改进，而不是一步到位。二是评价，AI的效果需要独立的评估体系来量化验证，防止技术投入和管理改进之间的因果关系被模糊。
对于正在或准备推进智能化的水务企业而言，这份实践思考提供了一个参照，在投入AI之前，先审视感知层的可靠性、数据质量的扎实程度和组织机制的适配能力，比选择什么模型更重要。
来源：水务加，仅供分享交流不做商业用途，版权归原作者与原文出处，如有侵权，请联系删除。
排版：李滨妤
审核：孙丽华
欢迎广大水务企业加盟合作
热门跟贴