長期以來，環(huán)保企業(yè)承擔著艱巨的環(huán)境治理任務。如今，在“雙碳”目標和高質量發(fā)展的政策指引下，隨著數(shù)字技術的加速滲透，一場變革正在行業(yè)內部悄然發(fā)生。

帶著這些問題，中環(huán)報記者采訪了3位來自行業(yè)前線的管理者，聽聽他們對AI賦能環(huán)保產業(yè)的深刻洞察。在與他們的對話中，我們看到了一種更加務實的智能化實踐路徑——不是炫技式的“高大上”，而是立足現(xiàn)場、著眼長遠的“深扎根”。

中國水務投資集團有限公司黨委委員、副總經理、總工程師 王東全

北京首創(chuàng)生態(tài)環(huán)保集團股份有限公司智慧環(huán)保事業(yè)部總經理 黃綿松

北京建工環(huán)境修復股份有限公司副總經理 李書鵬

中國環(huán)境：與傳統(tǒng)環(huán)保技術相比，AI技術解決了哪些痛點？是否存在過度依賴數(shù)據(jù)或算力的風險？

王東全：傳統(tǒng)環(huán)保工藝長期受限于“人控”模式，存在人工依賴高、響應滯后、調控粗放三大瓶頸。AI的引入，本質上是推動環(huán)保從“經驗驅動”走向“數(shù)據(jù)驅動”。

一方面，AI提升了運行效率與響應精度。在我們實踐中，通過構建集成算法模型的智能化決策平臺，水廠生產、調度、運維環(huán)節(jié)實現(xiàn)了動態(tài)調控，顯著優(yōu)化了能耗與藥耗指標，巡檢效率也大幅提升；另一方面，智能系統(tǒng)還帶來了高風險區(qū)域的替代作業(yè)能力，比如無人機、機器狗等終端的引入，使得監(jiān)測具備全天候、無死角能力。

當然，AI系統(tǒng)對數(shù)據(jù)質量與算力有一定依賴，而我國環(huán)保領域數(shù)據(jù)標準化仍不足、傳感器可靠性也有限。因此，我們通過邊緣計算、算法輕量化、機理模型與統(tǒng)計模型結合等方式，降低對高算力和完美數(shù)據(jù)的剛性需求。未來，應進一步推動環(huán)保數(shù)據(jù)基礎設施建設與綠色算法研發(fā)，實現(xiàn)低碳智能化發(fā)展路徑的雙重目標。

黃綿松：相較于傳統(tǒng)環(huán)保技術，AI技術的突破性價值體現(xiàn)在對行業(yè)痛點的系統(tǒng)性化解：一是降低建模門檻。像傳統(tǒng)機理模型需精確校準每個參數(shù)，且依賴專家經驗預設邊界條件，而AI通過黑箱學習機制，能夠從歷史數(shù)據(jù)中自主挖掘參數(shù)間潛在關聯(lián)，降低對先驗知識的依賴；二是提升決策容錯。傳統(tǒng)方法要求數(shù)據(jù)高度精準完整，但實際運營中常存在監(jiān)測誤差、數(shù)據(jù)缺失。AI技術憑借其模糊推理特性，可在非理想數(shù)據(jù)條件下仍保持80%以上的決策可靠性；三是加速迭代周期。傳統(tǒng)模型調整需花費大量時間精力，而AI模型通過增量學習實現(xiàn)動態(tài)優(yōu)化，使工藝調控策略迭代周期壓縮。

關于數(shù)據(jù)與算力的依賴問題，AI技術的確依賴數(shù)據(jù)與算力，這是其運行的基礎。但對于“過度依賴”這一說法，各界觀點不一。因為AI技術并非單純追求數(shù)據(jù)的數(shù)量堆積，而是通過先進的訓練機制來強化數(shù)據(jù)的質量。它重構了需求范式，以更為智能、高效的方式利用數(shù)據(jù)與算力資源，從而實現(xiàn)精準的分析與決策。

李書鵬：AI技術的應用，解決了傳統(tǒng)環(huán)保技術無法解決的系列痛點問題。在智能監(jiān)管方面，將環(huán)境監(jiān)管從將人工分析研判模式轉為實時數(shù)據(jù)處理與預警，可實現(xiàn)“秒級預警”與“秒級系統(tǒng)化方案響應”。AI具身智能可用于危險環(huán)境作業(yè)，保障人員安全。同時，AI技術也解決了生態(tài)環(huán)境系統(tǒng)性治理中海量多源數(shù)據(jù)的高效處理與融合難題，大大提高了智能決策效率與準確性。AI技術的出現(xiàn)也大大推動了生態(tài)環(huán)境治理手段的多學科交叉融合進程，有力促進了技術研發(fā)的迭代升級。

大模型的應用環(huán)節(jié)包括“數(shù)、模、算、用”，其實數(shù)據(jù)資產、算力資源都是不可或缺的珍貴資產。AI技術應用確實存在過度依賴數(shù)據(jù)或算力的風險。因此，在推動AI技術發(fā)展的同時，需要采取措施平衡這種依賴關系，例如加強自主算力芯片研發(fā)、提升數(shù)據(jù)治理能力、優(yōu)化AI算法透明度以及制定嚴格的數(shù)據(jù)倫理規(guī)范和責任機制。

中國環(huán)境：AI技術投入成本較高，企業(yè)如何平衡環(huán)保效益與經濟效益？是否有可持續(xù)的商業(yè)模式？

王東全：AI技術的成本壓力確實存在，但通過技術創(chuàng)新與模式優(yōu)化，已探索出“降本增效”的可持續(xù)路徑，即 “技術高投入需用規(guī)�；�與精細化運營破解”。以污水處理領域為例，傳統(tǒng)工藝依賴人工經驗與粗放調控，藥劑浪費量很大。如我們開發(fā)的智能加藥控制系統(tǒng)，通過AI模型動態(tài)匹配水質參數(shù)與藥劑投加量，除磷單元在上海奉賢東部污水處理廠每年節(jié)省成本150萬元，而系統(tǒng)總投入不足200萬元，投資回收期僅1.3年。通過模塊化設計，將智能控制系統(tǒng)核心算法封裝為標準化組件，例如智能曝氣、智能加藥模型經二次開發(fā)，拓展應用到下屬水廠，降低單位研發(fā)成本。這一模式已形成可復制的商業(yè)模式：“技術輸出+運營增值”雙軌并行。針對中小型水廠推出智慧化管控平臺，按節(jié)能量收取服務費。

黃綿松：面對AI技術的高投入特性，從過往經驗出發(fā)，建議企業(yè)采用“小步快跑、場景驗證”的策略：基于扎實的業(yè)務數(shù)字化基礎，優(yōu)先篩選具備AI適配性的高價值細分場景（如管網(wǎng)缺陷智能識別）進行試點，通過輕量化模型與模塊化部署控制初期成本，在驗證環(huán)境效益與經營效益協(xié)同提升后，逐步向關聯(lián)場景延伸拓展，既規(guī)避了規(guī)�；瘧�用風險，又通過持續(xù)反饋優(yōu)化實現(xiàn)技術路徑與業(yè)務需求的動態(tài)匹配。

在商業(yè)模式構建上，一方面可以將AI模塊封裝為標準化行業(yè)解決方案，提供按需訂閱的智能服務；另一方面國家層面可以加快推進可信數(shù)據(jù)空間建設，推動環(huán)境數(shù)據(jù)資源的合規(guī)流通與價值轉化，形成數(shù)據(jù)要素驅動的可持續(xù)收益模式。

李書鵬：生態(tài)環(huán)境AI領域大模型構建方式多樣，投入成本差異較大。為了平衡環(huán)保效益與經濟效益，可以對大模型通用性評估、投入與產出回報比等評估，選擇合適的構建路徑，將“好刀用在刀刃上”。

未來，可持續(xù)的商業(yè)模式包括“數(shù)據(jù)共享收益”以及“AI技術輸出”等方式。“數(shù)據(jù)共享收益”即與政府合作，將修復項目中的環(huán)境數(shù)據(jù)脫敏后納入公共數(shù)據(jù)庫，獲取補貼或數(shù)據(jù)使用權。“AI技術輸出”即將AI模塊封裝為標準化工具包商業(yè)化包裝，向相關企事業(yè)單位提供技術授權。

中國環(huán)境：企業(yè)與政府、科研機構在AI環(huán)保應用中如何分工協(xié)作？

王東全：AI在環(huán)保領域的落地并不是單一主體可以完成的工程。我們在實踐中形成了一種比較有效的協(xié)作模式：企業(yè)提供場景與數(shù)據(jù)、科研機構專注算法突破、政府推動機制保障。

企業(yè)側明確自身面臨的核心難題，開放生產數(shù)據(jù)與運行場景，為技術研發(fā)提供真實土壤。例如在與高校聯(lián)合開發(fā)的污水處理模型中，我們提供工藝段數(shù)據(jù)與驗證平臺，使得算法能在真實工況中不斷修正�？蒲袀葎t聚焦模型開發(fā)與機理研究，如在污水處理中結合傳統(tǒng)活性污泥模型與自適應算法，提高了預測精度與實用性；多目標協(xié)同優(yōu)化的技術也能同時兼顧水質達標、能效與成本控制。政府的作用尤為關鍵，政策引導不僅為AI應用打開制度空間，也在標準制定與跨部門協(xié)調中提供支持。

總的來說，政產學研協(xié)作不是簡單的資源疊加，通過“數(shù)據(jù)共享—技術共研—生態(tài)共建”的模式，進行機制創(chuàng)新。當高校的算法模型變成水廠的節(jié)能減排數(shù)據(jù)報表，當政府的政策藍圖轉化為企業(yè)的技術路線圖，這種價值閉環(huán)正是環(huán)保產業(yè)智能化轉型的核心動力。

黃綿松：在AI環(huán)保應用領域，企業(yè)、政府與科研機構結合各自優(yōu)勢，形成互補的生態(tài)體系。一般來說政府通過頂層設計和政策引導，科研機構開展基礎研究和創(chuàng)新，企業(yè)可以在應用場景和商業(yè)化推廣方面發(fā)力。

這種協(xié)作并不是“誰做主、誰配合”，而是各自發(fā)揮優(yōu)勢，形成“研發(fā)—驗證—轉化”的流動機制。尤其是在大模型和算力平臺的應用上，只有企業(yè)一線的業(yè)務數(shù)據(jù)與科研算法真正融合，才能實現(xiàn)技術的精準適配與落地。

以我們參與的國家重點研發(fā)計劃“城市內澇風險防控與系統(tǒng)治理關鍵技術及示范”為例，科技部、住建部聯(lián)合發(fā)布重大自然災害防控與公共安全領域“十四五”國家重點研發(fā)計劃項目申報推動災害防控技術創(chuàng)新，宿遷市政府提供政策支持與跨部門協(xié)調保障項目落地；天津大學、中國水科院等科研機構聚焦多尺度內澇精準模擬等模型研發(fā)和藍綠空間蓄排平衡仿真等創(chuàng)新方法，為技術體系奠定理論基礎；我們深度融合上述成果，構建城市內澇防控綜合管控平臺，集成云計算、GIS時空分析等技術，在宿遷市實現(xiàn)“內澇模擬—預警發(fā)布—設施調控”全流程閉環(huán)管理，實現(xiàn)科研成果向實際場景的轉化。

李書鵬：當前，我國生態(tài)環(huán)境領域大模型應用存在重復低質建設問題，深度智慧化應用尚處起步階段。

政府及所屬科研院所還應盡快建立數(shù)據(jù)標準、數(shù)據(jù)安全規(guī)范、數(shù)據(jù)交易規(guī)則，并主導建立重要的公共數(shù)據(jù)池，并以研發(fā)課題等形式發(fā)布生態(tài)環(huán)境行業(yè)階段大模型研究與應用任務，引導AI在行業(yè)應用向高質量、深度智慧化發(fā)展。

此外，科研機構與高校等可在算法研發(fā)中發(fā)力，企業(yè)可以負責推動技術落地與商業(yè)化。未來建議以政府課題牽引的方式組織研究任務，避免各自為政，提高協(xié)作效率，真正推動AI在生態(tài)環(huán)境領域從“工具探索”邁向“系統(tǒng)解決方案”。

中國環(huán)境：當前AI技術在環(huán)保領域推廣面臨哪些現(xiàn)實阻力（如政策適配性、市場接受度）？企業(yè)希望獲得哪些支持？

王東全：AI在環(huán)保領域的推廣，仍面臨多重現(xiàn)實瓶頸，主要包括以下幾個方面：一是復合型人才缺口明顯。環(huán)保場景需要具備工程、自動化、數(shù)據(jù)分析等交叉能力的人才，但目前基層團隊普遍力量薄弱，算法工程師等關鍵崗位難以覆蓋水廠全流程智能化需求。二是政策體系與技術創(chuàng)新存在“時差”。雖然國家出臺了生態(tài)環(huán)境信息化等頂層規(guī)劃，但數(shù)據(jù)共享、碳核算等關鍵機制仍處于碎片化試點階段，尚未形成統(tǒng)一標準和執(zhí)行閉環(huán)。三是硬件投入存在結構性失衡。環(huán)保領域傳統(tǒng)重在土建與儀表投入，而對AI核心所需的算力、存儲等基礎設施投資明顯不足。企業(yè)在回報周期尚不清晰的情況下，對智能化改造缺乏持續(xù)動力。四是缺乏行業(yè)整合引領者。相較醫(yī)療、金融等行業(yè)已有頭部企業(yè)牽頭建立垂類大模型，環(huán)保行業(yè)尚未形成統(tǒng)一架構或權威平臺，導致算法開發(fā)與數(shù)據(jù)積累相對分散，資源整合效率不高。

要讓AI真正成為環(huán)保產業(yè)的“數(shù)字引擎”，需凝聚政產學研合力，重點突破三大方向：一是打造垂直領域大模型基礎設施。通用大模型在水務場景存在“水土不服”，呼吁由政府主導建設“水務大腦”行業(yè)大模型，整合氣象、管網(wǎng)、工業(yè)排放等跨領域數(shù)據(jù)，并開展試點項目。通過融合市政污水處理廠與工業(yè)園區(qū)監(jiān)測數(shù)據(jù)，縮短對突發(fā)污染事件的預警響應時間。二是加大財稅金融精準扶持力度。AI環(huán)保項目應納入《綠色產業(yè)指導目錄》，在專項債、稅收減免、設備補貼等方面給予傾斜，并探索基于節(jié)能減排成效的綠色金融產品，如“節(jié)能量擔保貸款”。三是推動“AI+環(huán)保”試點工程落地。以節(jié)水型城市建設等現(xiàn)有工程為載體，設立AI應用試驗區(qū)，通過標桿項目帶動一批關鍵技術實戰(zhàn)檢驗與復制推廣，逐步形成具有行業(yè)影響力的示范體系。

黃綿松：我認為，當前AI技術在環(huán)保領域推廣面臨三重現(xiàn)實挑戰(zhàn)：一是市場認知瓶頸。由于技術新穎性與規(guī)�；�成功案例的缺失，很多市場用戶仍處于觀望狀態(tài)。企業(yè)需同時協(xié)調技術部署與組織變革資源，決策門檻較高；二是風險管控真空：AI輔助決策的權責界定尚未明確，特別是在工藝參數(shù)優(yōu)化、污染應急處置等關鍵場景，缺乏風險預警機制與倫理評估框架；三是基礎設施割裂：環(huán)保數(shù)據(jù)標準不統(tǒng)一、算力資源分布不均，導致中小城市模型遷移適配成本激增，制約技術普惠性落地。

為此，我期待在以下三方面支持：一是生態(tài)共建，推動建立區(qū)域性AI算力共享平臺，降低中小企業(yè)技術應用門檻；二是標準先行，加快制定、AI應用技術規(guī)范，明確數(shù)據(jù)采集、算法透明性、系統(tǒng)可靠性等基準要求；三是試點突破：建議政府設立AI環(huán)保創(chuàng)新基金，優(yōu)先支持“技術驗證—商業(yè)閉環(huán)—標準輸出”的全鏈條示范項目，通過政府給予支持加速成熟方案跨區(qū)域復制。

李書鵬：目前，AI技術在環(huán)保領域的推廣阻力主要來自于兩方面，一方面為數(shù)據(jù)的缺乏，很多企業(yè)的數(shù)據(jù)均為非結構化數(shù)據(jù)（比如紙質文件），且分散分布于政企多方，各項目數(shù)據(jù)格式均不統(tǒng)一，數(shù)據(jù)治理工作量大。項目現(xiàn)場物聯(lián)網(wǎng)覆蓋率低，制約AI實時數(shù)據(jù)收集與分析預警；另一方面，環(huán)保領域缺乏AI相關人才，對大模型認知與應用深度不足；傳統(tǒng)工程人員對新技術接受度低，AI技術的場景選擇與應用推廣受限。我希望政府在政策層面出臺大模型應用補貼，鼓勵企業(yè)與項目積極開展AI應用，促進大模型應用各環(huán)節(jié)涉及行業(yè)的良性有序發(fā)展。