Agent 攻进电网调度：两周变几小时，按钮还在人手里
AWS 联手 Duke Energy 推出电网规划智能体计划，把并网研究的数据准备从两周压到几小时。真正值得企业借鉴的不是提速本身，而是分工设计：仿真软件算、智能体跑、工程师拍板，全程可审计。
9 月 17 日，AWS 在休斯敦发布了 Agentic Grid Planning 计划，把专用 AI 智能体引入电力公司的并网研究（interconnection study）流程。合作方 Duke Energy 交出的第一个成绩单是：数据准备环节从两周人工压缩到几小时。但这项发布最值得企业认真研读的，不是提速本身，而是它把"智能体该干什么、不该干什么"划分得清清楚楚——仿真软件负责确定性计算，智能体负责跑流程，工程师保留最终决策权，全程留下版本化、可审查的记录。
2,000 GW 在排队，工程师却不够用
先看背景有多急。根据劳伦斯伯克利国家实验室的数据，截至 2025 年底，美国有超过 2,000 GW 的发电与储能项目在等待输电并网审批；当年投产的项目，从申请到并网的中位时长超过 5 年。仅德州 ERCOT 一个市场，2026 年 3 月的大负荷接入申请就达到约 410 GW。
另一边，并网研究的需求增速已经超过了合格电力工程师的数量。美国联邦能源监管委员会（FERC）的 2023 号法令还要求输电企业采用"先到先审"的集群研究模式，并按时限完成研究——人工流程再怎么加班也追不上了。AWS 能源与公用事业总经理 Joseph Santamaria 的判断很直白："靠扩编人手解决不了这个问题。"
分工设计：确定性的事交给确定性系统
这项计划真正精妙的地方在分工。AWS 与 Duke Energy 的做法可以拆成三条线：
- 物理仿真软件做确定性建模。潮流计算、稳定性分析这类有标准答案的活，仍然由电力团队已经信任多年的仿真软件与既有电网模型完成——智能体不碰物理计算本身。
- AI 智能体跑流程、做协调。数据准备、分析执行、多场景编排这些"粘合层"工作交给智能体，它们调用的是团队本来就在用的模型、脚本和工程规范。
- 工程师掌握最终决策权。Duke Energy 数字战略与工程董事总经理 John Pressley 的表述是："我们的工程师主导工作并做出所有最终工程决策，智能体把工程师的时间还给工程判断与审查。"
而且整条链路是"可审计、可编码的智能体工作流"——每一步都留下版本化、可复查的记录。这和把问题整个丢给一个大模型黑箱，是完全不同的两条路线。
被忽视的主角：数据准备才是瓶颈
两周变几小时，压缩的不是计算，而是数据准备。这恰好戳中了企业 AI 落地最普遍的痛点：模型不缺能力，缺的是能被机器随时取用的、口径统一的数据。
同一周内还有两条新闻在做注脚。9 月 17 日，数据管理公司 Acceldata 发布 xFactory，其核心论点是：智能体以机器速度高频访问数据，而企业现有数据栈是"为人类的工作节奏设计的"，两者根本不匹配——所以要把治理、血缘、权限在运行时自动施加到数据上，而不是靠人去手工整理。同日的央国企 CIO 峰会上，星环科技的判断更进一步：数据的使用主体正在从人转向 AI 智能体，AI 建设的重心正从"以模型为中心"转向"以数据为中心"。
| 维度 | 人类节奏的数据栈 | 智能体节奏的数据底座 |
|---|---|---|
| 谁来取数 | 分析师写 SQL、导报表 | 智能体高频、按需自动调用 |
| 口径对齐 | 靠会议和文档约定 | 语义层统一定义，运行时校验 |
| 治理方式 | 事前审批 + 事后抽查 | 权限、血缘、质量规则自动执行 |
| 典型瓶颈 | 数据准备占项目大头 | 数据就绪后提速立竿见影 |
Duke Energy 的两周 → 几小时，本质上是把"数据准备"从人类节奏切到了智能体节奏。
信任的落点：可审计与私有化
企业 AI 的门槛正在从"能力"变成"信任"。同一天，思科与英伟达宣布把 Splunk 的 AI 能力带入本地部署环境，让无法上云的隔离网络也能运行 AI——理由正是"客户需要确信 AI 可治理、成本可衡量、数据不出域"。国内侧，中电信 9 月 17 日发布的智能体大模型 Xing4.0-29B-A4B（总参数 29B、激活仅 4B），把智能体模型压到消费级显卡可跑的量级，降低的也是"数据不出门"前提下的部署门槛。
三条线索指向同一个结论：可审计的工作流 + 数据留在原地 + 轻量化私有部署，正在成为智能体进入严肃生产环境的标准配置。
给企业的三个对照动作
如果你的企业也在评估智能体落地，Duke Energy 这个案例提供了三个可以直接对照的问题：
- 你的"仿真软件"是谁？ 每个业务域都有自己必须保留的确定性系统（财务核算、仿真引擎、合规规则库）。智能体应该编排它们，而不是取代它们。
- 数据准备占你项目多大的时间比例？ 如果答案超过一半，先补数据底座：把核心业务对象做成语义统一、机器可调用的数据资产，再谈智能体。
- 每一步有没有留痕？ 试点阶段就能跑通的 demo，到了穿透式监管和审计面前，拼的是版本化记录与权限边界。
这套思路与 OntiCards 的四层架构一脉相承：数据链接适配器让数据联邦直连、留在原地；语义卡片层把业务对象定义成机器可调用的数据卡片；Agent 生态在上面编排技能与工作流，每一步可追溯。从设备运行数据到调度决策的完整链路，正是我们与客户一起验证的场景——欢迎看看行业解决方案里的实践细节，或者阅读我们此前对数据上下文价值转移与 Agent 可审计性的分析。
智能体落地的下半场，比拼的不是谁的模型更强，而是谁的分工设计与数据底座更经得起审计。电网这个最"确定性"的行业已经给出了范本，其他行业没有理由等更久。
参考来源
- AWS Launches Agentic Grid Planning Program to Accelerate Interconnection Studies — AWS 官方新闻稿，2026-09-17
- Acceldata Launches xFactory for Building Governed AI Applications From Business Intent, on Federated Data — Business Wire via Morningstar，2026-09-17
- 思科与英伟达扩大合作，将 AI 智能体引入 Splunk 本地部署客户环境 — 凤凰网，2026-09-17
- 首个全栈国产轻量级智能体大模型 Xing4.0-29B 正式发布 — 今日头条，2026-09-17
- 2026 秋季央国企 CIO 及数科公司高管峰会（第 19 届）在京圆满落幕 — 天极网，2026-09-17
- 构建智能底座·激活要素价值｜迈富时助力第二届央国企 CIO 及数科公司数智创新峰会 — 新浪财经，2026-09-17
