3000 亿
昆仑大模型参数级别
中国石油是一家关系国计民生的能源央企。本文只谈它在"能源化工 AI / 数字化"上的定位与打法，不涉及任何投资、估值或评级，也不评价集团整体经营。
判断大多数人对石油公司的印象是"傻大黑粗"的传统工业。但油气行业其实是最适合大模型落地的重工业之一：它有海量的地质、工程、生产数据，有大量依赖老师傅经验的专业判断（哪里有油、井会不会出事、装置怎么调最省），而这些"经验"正是大模型最擅长学习和复用的东西。事实中国石油把昆仑大模型称为国内能源化工行业首个规模化落地的大模型平台，把 AI 摆到了"全产业链核心环节"的位置——这让它的 AI 不是 PPT 概念，而是直接对生产效率负责。
判断中国石油是能源 AI 里的"全产业链自研派"代表——它不追求做最通用最聪明的模型，而是把 AI 死死钉在自己独有的能源化工场景上：用 AI 找油、算井、调装置、管风险。它最大的资产不是算法，而是别人拿不到的地质与生产数据 + 覆盖勘探到销售的完整场景链；最大的看点，是它能否把昆仑大模型从"能答话的助手"真正变成"能替专家做判断、且判断可信"的生产工具——它自己把这一步叫"主动智能"。
| 决定性变量 | 为什么是胜负手 | 兑现的观察信号 |
|---|---|---|
| AI 能否在高风险场景真"扛判断" | 事实官方披露昆仑大模型钻井风险预警准确率达 85% 以上，半年预警 300 余次；柱塞气举智能诊断优化超 3000 口井、工作量减少 67%。判断油气是高风险重资产行业，AI 若能稳定承担"预警、优化"这类判断，价值极高——但准确率与"敢不敢照做"是两回事。 | AI 建议被一线采纳的比例、由 AI 预警实际避免的事故/停产、优化带来的可量化增产降本。 |
| "全面自主可控"能否撑起可靠性 | 事实中国石油强调昆仑大模型从"外部算力依赖"转向"全面自主可控"，AI 中台统筹 1754P 算力，并完成 21 款大模型在国产芯片上的精度与性能对齐。推导能源是关键基础设施，自主可控是底线，但也意味着要自建底座、不能简单蹭最强通用大模型。 | 国产算力底座稳定性、模型能力迭代速度能否跟上业务需求。 |
先看中国石油在"能源 AI"这条技术栈上占哪一层，这决定了它的独特性和天花板。
判断中国石油真正的稀缺性在 ④⑤ 两层——它既是 AI 的"开发者"，又是 AI 的"应用场景"和"数据源"，三位一体。第 ③ 层（昆仑大模型）是它把油气专业知识"喂"进 AI 的载体；但让它区别于任何一家 AI 公司的，是它握着横跨勘探、开发、炼化、销售的完整工业实体和几十年积累的地质与生产数据——这是任何互联网大厂都买不到、也仿不出的资产。事实官方称已储备 620TB 能源化工行业高质量训练数据，数据质量评分达 99.8 分。
判断"既做模型又做场景又管数据"是中国石油最大的优势，也是它最大的隐患：封闭。好处是数据不外流、场景闭环、自主可控；代价是它很难像开放生态那样快速吸收外部最前沿的算法进步，容易陷入"自己跟自己迭代"的慢节奏。推导所以它的关键选择是——底座（②③层）要不要更多借力外部通用大模型的进化，把自己的精力集中在别人做不了的 ④⑤ 层。这是"重资产 AI"绕不开的战略题。
| 本质 4 问 | 答案（含证据） |
|---|---|
| ① 本质在做什么 | 判断本质是把老师傅脑子里"看不见、传不下去"的经验，变成可复用、可放大的 AI 能力。找油、判断井况、调优装置，过去高度依赖少数专家的直觉与手感；油气行业老龄化、经验断层严重，AI 正好接住这份"隐性知识"。 |
| ② 有哪几种打法 | 事实能源大模型大致三条路：能源央企自研派（中石油昆仑、国网光明、南网大瓦特，用独有数据 + 场景自建）、科技公司赋能派（华为、阿里云等提供底座算力与模型）、油服/软件厂商派（斯伦贝谢等把 AI 嵌进油气软件与装备）。判断中石油是第一派在"石油化工"方向的代表。 |
| ③ 哪层最有价值 / 谁掌握话语权 | 判断在能源 AI 里，"独有数据 + 高价值高风险场景"这一层话语权最大——油气数据涉及资源安全与生产安全，不外流、不可替代。事实昆仑大模型已在 152 个场景规模化落地，覆盖油气勘探开发、炼化生产、技术服务、资本金融等全产业链核心环节，这种场景密度是纯 AI 公司无法企及的。 |
| ④ 未来价值往哪走 | 推导价值会从"AI 帮人省事（写材料、查规范、办公问答）"进一步走向"AI 帮系统做判断（找油、预警、优化）"——后者才是能源 AI 不可替代的深水区。事实官方把最新阶段命名为"主动智能"，强调自主规划与任务拆解、工具调度、预测预警、反演计算等六大高阶能力，正是朝这个方向走。 |
判断油气是"高风险、重资产"系统——一次误判可能是上亿元损失或安全事故。所以油气 AI 的真正门槛不是"聪明不聪明"，而是"敢不敢让它真的做决定"。一个预警准确率再高（85%+），如果一线每次都要人工复核、AI 只当参谋，那它就还停在"辅助"阶段。缺口昆仑大模型在多大程度上进入了真实闭环决策、其"主动干活"里有多少是真自主执行而非人工兜底，公开信息尚不充分——这是判断其成熟度的关键缺口。
央企做 AI，和创业公司完全是两套逻辑——它不缺场景和数据，缺的是把庞大组织的 AI 意愿拧成一股绳、并把它真正用起来。
| 维度 | 中国石油的做法 |
|---|---|
| 定位 | 事实把昆仑大模型作为公司级 AI 平台推进，并成为国内能源化工行业首个通过备案的大模型，把 AI 上升为集团级战略而非某个板块的项目。 |
| 技术路线 | 事实采用"1+4+N"架构，AI 中台统筹 1754P 智能算力，强调算力、算法、应用全面自主可控，完成 21 款大模型在国产芯片上的精度性能对齐。 |
| 落地方式 | 事实已在 152 个场景规模化落地，覆盖勘探开发、炼化生产、技术服务、资本金融，并沉淀出"油宝"等智能体（整合 76 项通用技能、31 项专业技能）。 |
| 对外亮相 | 事实亮相 2026 世界人工智能大会（WAIC），并推出支持中英法俄阿西葡等 7 种语言的国际版，显示有意把能力向行业与海外输出。 |
判断中国石油做 AI 的最大结构性优势，是"场景 + 数据 + 资金"三样都不缺，且能自上而下强推——这是创业公司梦寐以求的。但央企体制的另一面是：决策链长、试错容忍度低、人才市场化程度不如互联网大厂。缺口它能否留住顶尖 AI 算法人才、能否容忍 AI 项目的失败与快速迭代，是外部难以观测但至关重要的软实力，公开信息有限。
判断昆仑大模型体现了"广"——把 AI 铺进 152 个场景，其中不少是办公、问答、材料生成这类"提效"应用，价值真实但门槛不算极高；而声波处理、钻井预警、气举优化体现的是"深"——直插勘探开发的深水区，门槛极高。缺口这些高价值能力目前是"少数标杆油田在用"还是"已大面积常态化承担一线生产判断"，以及"主动干活"里自主执行与人工兜底各占多少，公开信息尚不充分，这决定了中国石油 AI 是"点上惊艳"还是"面上兑现"。
中国石油 AI 战略里三个真正有分歧的地方。每题给 Bull / Bear / Reality，再下裁决。（均为战略层辩论，不涉投资）
三大能源央企都在做行业大模型：中石油"昆仑"、国网"光明"、南网"大瓦特"。对照着看，更能看清中石油的特点。
| 维度 | 中石油 · 昆仑 | 国网 · 光明 / 南网 · 大瓦特 |
|---|---|---|
| 所在行业 | 事实油气/能源化工全产业链 | 事实电力/电网系统 |
| 标志性能力 | 事实3000 亿参数、152 场景规模化落地，主打"全产业链 + 主动智能" | 事实光明为国内首个千亿级多模态电力大模型（6 域 600+ 场景）；大瓦特·驭电为全球首款电力系统智能仿真大模型 |
| 打法侧重 | 判断以"覆盖广 + 找油/炼化等实体生产深水区"见长 | 判断电网侧以"电力系统安全仿真、调度兜底"见长 |
| 共同点 | 推导都强调自主可控、都用独有能源数据喂养、都从"提效"走向"兜底" | 推导本质是同一条路在不同能源子行业的实现，互为参照系 |
判断三家没有绝对高下，而是"不同能源子行业里同一套方法论"的三个实现：电网侧（国网/南网）的难点在"实时安全与调度"，油气侧（中石油）的难点在"看不见的地下 + 高危炼化生产"。推导对公众而言，真正的看点不是"谁更强"，而是能源央企集体把 AI 从概念推向规模化生产落地，客观上正在验证"行业大模型"这条路在中国重工业里到底走不走得通——这对整个中国工业智能化是实打实的样本意义。
能源 AI 不是中石油一家的独角戏，它周围是一张竞合交织的网。
| 玩家 | 类型 | 与中国石油的关系 |
|---|---|---|
| 中国石油 · 昆仑大模型 | 能源央企自研派 | 既是模型开发者，又是场景与数据的独有拥有者 |
| 中石化 / 中海油 | 能源央企 · 同业 | 同为油气巨头，各自推进数字化与 AI，同赛道"友商" |
| 华为 / 阿里云 / 百度等 | 科技公司 · 底座赋能 | 可能的算力/模型底座供应方，也是"自主可控"下需平衡依赖的对象 |
| 斯伦贝谢等油服/软件商 | 油气软件与装备 | 在勘探开发软件侧嵌入 AI，与昆仑在"专业工具层"交汇 |
| 国网 / 南网 | 能源央企 · 跨子行业 | 电力侧的行业大模型同行，方法论互为参照 |
| 科研院所 / 高校 | 技术合作 | 地质反演、油藏模拟、AI 算法的联合研发伙伴 |
判断① 中国石油在"油气独有数据 + 高价值生产场景"这条轴上几乎没有真正对手——连中石化、中海油也是同类而非替代者，纯 AI 公司更进不来，这是它最硬的护城河。② 但在"底层模型能力"这条轴上，它需要与华为、阿里云、百度这类科技公司又合作又保持自主——这是一种微妙的博弈：既要借力它们的算力和模型进化，又不能在关键基础设施上形成不可控的依赖。如何拿捏这个"借力而不受制"的分寸，是它长期最考验智慧的地方。
判断四个断点里，断点 3（敢不敢把判断交给 AI）和断点 4（能不能从标杆走向常态化）最关键——前者是高风险重工业特有的"信任关"，后者是"点上惊艳 vs 面上兑现"的分水岭。中国石油的数据和场景优势是真的（断点 1 基本过关），但要把"某项应用很厉害"变成"全公司天天更高效更安全"，还得过后面这两关。
| 风险 | 说明 | 观察信号 |
|---|---|---|
| 底座能力被前沿甩开 | 自主可控路线下，自研底座可能跟不上外部通用大模型的迭代速度，影响高阶场景表现。 | 昆仑底座的迭代频率、与外部先进模型的能力差距。 |
| 深水区落地不足 | 152 个场景中不少为提效应用；找油/预警/优化这类兜底能力若长期停在标杆油田而非常态化，护城河价值打折。 | 深水区应用进入日常一线生产的范围、AI 建议被采纳的比例。 |
| AI 可靠性与安全 | 油气高风险，AI 一旦误判且被采信，后果严重（安全事故、巨额损失）；如何守住"AI 出错不出事"的底线是核心挑战。 | AI 决策的人工复核机制、可解释性、异常处置预案。 |
| 人才与体制 | 央企在与互联网大厂抢顶尖 AI 人才、容忍快速试错上存在体制约束。 | 核心 AI 团队稳定性、市场化激励机制、外部合作深度。 |
| 数据与合规 | 油气数据涉及资源与生产安全，数据治理、跨板块打通、合规要求高。 | 数据孤岛打通进度、数据安全事件、合规框架完善度。 |
判断这些风险的共同母题是同一个：中国石油能否在"安全可控"与"跟上前沿、真正兑现"之间找到平衡。它的优势（数据/场景/资金/可控）都很实，但优势用不好就会变成封闭与迟缓——这才是它能源 AI 长期最需要警惕的。
中国石油"成果"很多，但最关键的成色藏在缺口里。★ 是我认为最锋利、最能戳破叙事的问题。
判断① "主动智能"到底是"能自主执行"还是"更会答话的助手"？② 找油/预警/优化这些深水区应用是"示范样板"还是"每天真管一线生产"？③ 自研底座会不会被外部通用大模型的进化甩开、怎么办？——这三问答清楚，就知道中国石油是"能源 AI 的务实先行者"，还是"广而不深、稳而不快的封闭巨系统"。
基于公开信息的深度梳理，主要来源（节选）：
· 中国石油官网 / 新华网 / 光明网（科技频道）：昆仑大模型迈入"主动智能"新阶段、六大高阶能力、"1+4+N"架构、1754P 算力、620TB 训练数据、数据质量 99.8 分、21 款模型国产芯片对齐
· 国家能源局网站 / 澎湃新闻：昆仑大模型 3000 亿参数、152 个场景规模化落地、能源化工行业首个规模化落地/通过备案的大模型平台
· 公开报道综合：三维声波处理 20 天→3 天成本降 30%+、钻井风险预警 85%+ 半年 300 余次、柱塞气举优化 3000 口井工作量减 67%、合成橡胶预测最高 95%、"油宝"智能体 76+31 项技能、7 语言国际版
· 网易/媒体综合：中国石油昆仑大模型亮相 2026 世界人工智能大会