《基于多源异构数据融合与人工智能的'核能+”赋能平台》——箴羲科技(成都)有限责任公司首席科学家缪畅宇

2025年11月14日，箴羲科技(成都)有限责任公司首席科学家缪畅宇在深圳核博会“AI+核能创新应用场景路演”上发表《基于多源异构数据融合与人工智能的'核能+”赋能平台》主旨报告。

演讲介绍了箴羲科技面向核能领域的 AI 赋能方案，核心是通过云边端架构、核工业大模型、Agent 和多元异构数据库打通核电数据体系。报告强调核电智能化的关键瓶颈在于数据治理与融合，并展示其在报告生成、培训系统和图纸系统等场景中的落地应用。

关键点
1. 演讲背景与团队介绍（00:05）
演讲者代表箴羲科技分享多元异构数据融合和 AI 在核能赋能方面的进展，并介绍公司由浙江大学孵化、参与行业 AI 标准制定和多项标准认证，核心团队成员主要来自浙江大学及其他知名院校。

2. 核能与 AI 发展的战略背景（00:41）
演讲指出核能在国家战略中的地位进一步提升，国内核电装机、在运和在建机组达到新高度。同时，大模型训练高度消耗电力，如何获取更多电力资源服务 AI，也与中美 AI 竞争等战略议题相关。

3. 核电智能化的核心瓶颈在数据（01:23）
演讲认为核电体系实现智能化离不开数字化，而数字化又依赖数据治理。以常规岛系统工程师撰写报告为例，即使经验丰富，也需要人工查找设备手册、检修记录和经验反馈，并打通多个数据系统，说明当前数据割裂严重。

4. 目标是让冰山下的数据问题浮出水面（02:04）
核电数据存在标准差异、系统鸿沟和多源异构等隐藏问题。方案希望打通数据系统，将来自多个数据源、不同结构的数据汇聚到中间平台，更好支撑上层智能化应用。

5. 云边端总体解决方案（02:31）
整体策略采用云边端架构：端侧包括现场设备、传感器及产生数据的系统；边侧进行边缘计算；云端作为“大脑”进行复杂决策和推理，再将需要快速运算的任务交回边侧并反哺端侧。该方案可赋能经营管理、设备管理、生产计划乃至反应堆物理等领域。

6. 方案由大模型、Agent 与混合专家架构组成（03:23）
演讲将整体战略归纳为三个模块：云边端架构下的大脑，需要以大模型为核心的 Agent；同时结合混合专家架构 MOE 的模块化解决方案，用于支撑核电全流程管理。

7. 核电全流程管理与数据资产化（03:42）
方案可赋能图纸设备、流程管理、培训等核电管理模块。演讲还强调数据资产化的重要性，认为汇聚数据后既能提升电厂智能决策和管理，也能推动数据资源向数据资产转化，覆盖数据确权、标准化、价值评估、入表及可能的流通交易。

8. 从宏观方案到具体执行（04:48）
演讲转入具体实现，说明如何构建“大脑”，以及如何用该大脑统一数据并落地到实际应用中。

9. 核工业大模型作为决策大脑（05:02）
箴羲科技自 2023 年开始研发核工业大模型，并持续推出新版本。该模型已从文本大模型演进为多模态大模型，通过广泛收集核电、核领域相关知识进行专门训练，以提升核心决策能力。

10. 建设数据核心底座（05:36）
仅有大模型不足以支撑智能化，分散在端侧和不同系统中的数据需要统一加工，作为大脑的决策燃料。数据底座负责收集、清洗和整理文档、结构化与非结构化表格、图片、公式、流程图、逻辑图、设备图纸以及运行数据等。

11. 构建实时更新的多元异构数据库（06:38）
方案将图纸拓扑关系、设备名称、设备履历库中的检修记录、经验反馈、说明手册，以及实时和历史运行数据汇集，形成可实时更新的多元异构数据库，为大模型决策提供坚实的数据来源和决策底座。

12. Agent 统一数据、系统与工具交互（07:24）
当部分数据无法直接进入数据库或需要与既有系统交互时，方案引入 Agent。Agent 以内核的大模型为大脑，能够与多元异构数据库、散落系统、API 数据以及自建工具交互，在数据统一化之上进一步实现工具层统一化。

13. 报告生成示例（08:37）
在长报告生成场景中，Agent 平台会将任务拆解为多个子任务，分别查询多元异构数据表、既有结构化数据表或设备实时工况，再按大模型生成的报告格式进行多段生成。生成过程中可自主校验、纠错，并允许专家进行人工干预。

14. 培训系统与图纸系统落地（09:30）
方案已在培训系统和图纸系统中落地。培训系统可为教员生成教材或教案，也可让学员与平台交互，获得包含文本、图片、公式和设备图的多模态知识展示；图纸系统则以图纸为中心串联工单、报告和经验反馈。

时间线
00:05 - 开场介绍箴羲科技、团队背景以及本次分享主题。
00:41 - 说明核能在国家战略和 AI 电力需求中的重要性，并引出核电智能化需求。
01:23 - 分析核电体系中的数据割裂问题，提出数据治理是智能化的前提。
02:31 - 提出云边端总体架构，并概述其在核电管理、设备、生产和反应堆相关场景中的赋能方向。
04:48 - 进入具体实现层面，围绕核工业大模型、数据底座和多元异构数据库展开说明。
07:24 - 进一步介绍 Agent 如何统一调用数据库、外部系统和自建工具，支撑复杂任务执行。
08:37 - 以长报告生成为例说明任务拆解、数据查询、内容生成、校验纠错和专家干预流程。
09:30 - 总结方案在培训系统和图纸系统中的应用案例，并结束分享。

AI 延伸阅读(下文由AI生成，其内容可能存在偏差，请注意甄别)：

核能+AI赋能平台：以多源异构数据融合推动核电智能化升级

2025年11月14日，在深圳核博会“AI+核能创新应用场景路演”上，箴羲科技（成都）有限责任公司首席科学家缪畅宇发表了《基于多源异构数据融合与人工智能的“核能+”赋能平台》主旨报告。报告围绕核能行业数字化、智能化升级中的数据基础问题，提出以多源异构数据融合为底座，以核工业大模型、智能体Agent平台和混合专家架构为核心能力，构建面向核电生产、运维、管理、培训和反应堆物理等场景的“核能+”智能赋能平台。

报告首先从企业和行业背景切入。箴羲科技是一家由浙江大学孵化的科技型企业，核心团队主要来自浙江大学及其他知名院校，并参与了多项行业人工智能标准制定与认证工作。核能行业正处在重要发展窗口期，一方面，国内“双碳”目标推动核电装机规模、在运规模和在建规模持续提升；另一方面，中美人工智能竞争加剧，大模型训练和应用对稳定、大规模、低碳电力资源提出更高要求。核能凭借高稳定性和低碳特征，正在成为支撑人工智能产业长期发展的重要能源基础。在这一背景下，核能与人工智能的融合不只是单一技术应用问题，更关系到能源安全、产业升级和国家战略能力建设。

缪畅宇指出，核电智能化的前提是数字化，而数字化建设的基础是数据治理。当前核电领域虽然积累了大量数据，但这些数据分散在设备手册、检修记录、运行系统、经验反馈、工程图纸、业务流程系统等不同载体和系统中，数据标准不一致、系统之间相互割裂、结构化与非结构化数据并存，导致工程师在实际工作中往往需要跨多个系统手工查找、比对和整合信息。这种数据割裂状态限制了上层智能应用的落地，也使得数据价值难以被充分挖掘，智能决策能力难以真正形成。

针对这一痛点，报告提出了云、边、端协同的总体技术架构。端侧负责从现场设备、传感器和各类业务系统中采集生产、运维、设备和流程等多类型数据；边侧承担边缘计算和初步处理任务，面向现场快速响应和局部智能计算需求；云端则作为智能大脑，汇聚端侧和边侧数据，开展复杂推理、全局优化和智能决策，并将部分实时计算任务反向下沉到边侧和端侧。通过这种协同架构，平台能够同时服务企业经营管理、设备管理、生产计划、运维管理以及反应堆物理等多个核电关键场景。

在核心技术方面，平台主要由核工业大模型、智能体Agent平台和混合专家架构模块组成。核工业大模型是在通用文本大模型基础上，进一步面向核电和核工业专业知识进行训练，并逐步从文本能力扩展到多模态理解能力，使模型能够处理文本、表格、图像、公式、图纸等多种信息形态，提升其在专业场景中的理解、推理和辅助决策能力。智能体Agent平台则以核工业大模型为核心决策大脑，连接多元异构数据库、外部系统API和自建工具，实现复杂任务的自动拆解、信息检索、工具调用、内容生成和结果校验。混合专家架构则为不同核电业务场景提供模块化、专业化能力组合，使系统能够在复杂任务中具备更强的适配性、扩展性和稳定性。

报告特别强调，多元异构数据底座是整个“核能+”赋能平台的基础。核电行业的数据来源极为复杂，包括设备手册、技术报告、检修记录、经验反馈等文档数据，也包括图片、公式、表格、文本等非结构化内容，还包括设备流程图、逻辑图、电气图等图纸数据，以及实时工况和历史运行数据。平台需要对这些数据进行清洗、整理、解析和结构化提取，例如从文档中抽取关键信息，从图纸中解析拓扑关系和设备名称，并进一步建立设备与图纸、履历、检修记录、经验反馈和说明手册之间的关联。通过这种方式，原本分散在不同系统和载体中的数据被重新组织起来，形成可查询、可推理、可更新、可调用的多元异构数据库，为核工业大模型提供可靠的数据基础和决策依据。

在数据价值层面，报告提出要推动数据资源向数据资产转化。核电企业长期积累的大量工程、运维和管理数据，只有经过汇聚、治理、标准化和关联化处理，才能成为可管理、可评估、可应用的数据资产。这不仅能够提升企业内部管理、运维和生产决策的智能化水平，也为数据确权、合规入表和未来数据流通交易奠定基础。换言之，数据治理不仅服务于AI应用落地，也关系到核电企业数字资产体系建设和经营管理模式升级。

智能体Agent是平台实现复杂业务应用的重要机制。面对实际核电任务，许多数据并不能全部直接纳入统一数据库，部分信息仍然存在于实时系统、外部系统或专业工具中。Agent平台通过将数据库、外部系统、自建工具统一抽象为可交互对象，使大模型能够根据任务需求自动选择和调用相应资源。例如，当用户提出撰写报告、分析设备状态或生成培训教案等复杂需求时，Agent可以将任务拆分为多个子任务，分别调用多元异构数据库、结构化数据表、实时工况系统或专业分析工具，再将结果汇总生成内容，并进行自动校验、纠错。在高可靠性要求的核电场景中，系统还可以引入专家人工干预，进一步提升输出结果的可信度。

报告列举了多个典型落地场景。第一个是长报告生成，系统能够自动理解报告目标，拆解撰写任务，查询多元异构数据库、现有结构化表和实时设备工况，生成多段式专业报告，并进行自主校验和修正。第二个是培训系统，平台可以辅助教员生成教材、教案和课程内容，学员也可以主动与系统交互，通过文本、图片、公式、设备图等多模态形式理解知识点和专业概念，从而提高培训效率和知识传递效果。第三个是图纸系统，平台以图纸为中心，将设备、工单、报告和经验反馈关联起来，支持图纸解析、图纸重建和设备知识管理，使工程图纸不再只是静态文件，而成为连接核电业务数据和设备知识的重要入口。

从整体来看，该平台的价值在于打通核电行业长期存在的数据底层体系问题，将分散、异构、复杂的数据转化为可治理、可关联、可推理的数据基础，并在此之上形成由大模型、Agent和数据底座构成的完整技术闭环。它不仅能够支撑生产、运维、培训、图纸管理等具体场景的智能化应用，也有助于推动核电企业在数据治理、智能决策和数据资产化方面协同发展。随着核能在低碳能源体系和人工智能算力基础设施中的战略地位不断提升，基于多源异构数据融合与人工智能的“核能+”赋能平台，将成为核电行业数字化和智能化升级的重要支撑。