中国石油 × AI

[导语·核心观点]中国石油与华为共建的E8认知计算平台自2023年公开[1]；2025年5月，公司发布3000亿参数昆仑大模型，AI中台嵌入语料处理、模型训练与应用部署三大流水线[3]；2026年5月，昆仑大模型宣称迈入“主动智能”新阶段，AI中台统筹1754P智能算力、储备620TB能源化工训练数据[4]。资本市场仍习惯把它装进“油价—炼化价差”的估值框架，AI能力则被归入信息化成本。本文要追问：现有证据足以支撑一次技术资产重估，还是只够支撑一次发布会？判断是——证据链已具备“隐藏资产”的轮廓，但缺最关键的一环：可验证的效益数字。

[事件回顾·发生了什么]按公开报道的时间线，这条路走了三年。2023年，中国石油与华为共同打造认知计算平台E8，利用知识图谱、自然语言处理与机器学习进行知识体系的构建、计算和应用，服务于油气勘探开发科研与生产管理[1]。2025年5月，媒体报道指出数据要素已成为生产要素，AI正加速渗透各行各业，中国石油积累的海量数据为大模型应用奠定了数据与技术基础[2]。同月，国家能源局网站披露中国石油发布3000亿参数昆仑大模型，其AI中台已嵌入语料处理、模型训练与应用部署三大流水线，实现多家商业大模型训练推理工具链的统一纳管，并支持主流开源大模型的私有化部署[3]。2026年5月，新华网报道昆仑大模型迈入主动智能新阶段，主题是AI从“被动问答”走向主动执行；AI中台统筹1754P智能算力，储备620TB能源化工行业高质量训练数据，并发布涵盖自主规划与任务拆解、工具调度等六大AI高阶能力[4]。四条材料中，[1]为供应商案例页，[3]为行业主管部门网站信息，[2][4]为媒体报道，口径偏官方，这一点在后文风险部分再谈。

[背景与格局·公司沿革 · 行业脉络]先看技术脉络。E8阶段的关键词是知识图谱——把勘探开发领域的专家知识显性化、结构化，本质是“知识工程”[1]。昆仑大模型阶段的关键词转向模型工程的平台化：AI中台把语料处理、模型训练、应用部署做成流水线，并统一纳管多家商业大模型的训练推理工具链[3]。到2026年，关键词再变成“主动智能”——自主规划与任务拆解、工具调度[4]。三年三步，从“存知识”到“训模型”再到“调工具”，恰好对应AI产业从知识图谱到大模型再到智能体（Agent）的范式迁移。再看行业格局。能源化工是典型的知识密集、数据密集且容错要求极高的场景：勘探解释、井位部署、装置运行优化，任何一次模型误判的代价都远高于互联网场景。中国石油选择支持主流开源大模型私有化部署[3]，说明其路线是“数据不出域、模型可控”；同时统一纳管多家商业大模型工具链[3]，意味着有意避免被单一供应商锁定。这是一个“平台化+多模型”的技术选择，而非一次性采购（分析）。

[深度解读·为什么发生 · 意味着什么]为什么是现在？三个动因同时到位。一是数据资产化：报道明确把“数据要素已成为生产要素”作为AI推进的背景[2]，油气企业积累的勘探、测井、生产数据第一次具备被模型消化的条件。二是供应链成熟：国产大模型工具链与开源生态足以支撑私有化部署[3]，央企不必再等外部条件。三是算力自主：AI中台统筹1754P算力[4]，使模型迭代不再受制于外部资源审批。 意味着什么？判断一，中国石油的AI资产有可能是“表外资产”。620TB行业训练数据与1754P算力构成的，是“能源化工行业模型的训练能力”——这种能力在资产负债表上没有科目，却具有潜在稀缺性。判断二，真正的价值杠杆不在“省了多少人力”，而在决策质量：如果模型能改善勘探解释周期或装置波动响应，收益量级远大于IT预算节省。但必须承认，公开材料里没有任何一个这样的量化结果。 谁受益？首先是技术供应商——E8是联合打造[1]，华为等厂商获得了标杆案例。其次是能对外输出的中国石油本身：一旦行业模型与私有化部署能力可复制到其他能源化工企业[3]，它就从一个买方变成卖方，这是估值框架真正切换的前提。谁受损？行业垂直软件商和通用大模型厂商在能源化工赛道的份额会被挤压：客户自建中台后，就不再需要外购完整的行业模型服务（分析）。 最需要警惕的，是把“技术里程碑”直接等同于“商业里程碑”。3000亿参数是规模指标[3]，1754P是投入指标[4]，六大AI高阶能力是能力清单[4]，三者都不回答“赚了多少、省了多少”。被低估与确实不行，区别正在这里：前者是价值未被披露，后者是价值不存在。目前的公开证据只能证明前者“可能成立”，不能排除后者。评估的转折点，应放在公司是否开始披露AI相关的可量化经营指标。

[关键数据与证据·来自报道的数字与事实]1）E8认知计算平台由中国石油与华为共同打造，以知识图谱、自然语言处理、机器学习进行知识体系的构建、计算和应用[1]。 2）2025年5月报道称，中国石油积累的海量数据为AI大模型应用奠定了数据与技术基础，数据要素已成为生产要素[2]。 3）昆仑大模型参数规模为3000亿；AI中台已嵌入语料处理、模型训练、应用部署三大流水线[3]。 4）该中台实现多家商业大模型训练推理工具链的统一纳管，支持主流开源大模型的私有化部署[3]。 5）2026年5月，昆仑大模型进入主动智能阶段，AI从“被动问答”转向主动执行；AI中台统筹1754P智能算力，储备620TB能源化工行业高质量训练数据[4]。 6）同期发布六大AI高阶能力，涵盖自主规划与任务拆解、工具调度等[4]。 7）四条报道均未给出AI投入的效益量化指标，此为本文多处理判断的出发点。

[风险与争议·审慎的批评视角]反方观点必须说清。第一，材料结构有系统性偏向。四条报道中，[1]是供应商商业案例页，天然只写好不写坏；[3]是主管部门网站信息，属官方口径；[2][4]为媒体报道，未见第三方审计或独立测评。据此得出的任何“成效”结论，都属未经证实的宣传表述，而非事实。 第二，指标口径存在偷换。3000亿参数、1754P算力、620TB数据，分别衡量模型规模、投入能力与数据储备，都不是产出指标[3][4]。用它们论证AI价值，等于用厂房面积论证利润率。尤其“储备620TB”强调的是存量，“高质量”缺乏第三方验证[4]。 第三，能力清单存在夸大风险。“自主规划与任务拆解、工具调度”[4]是典型智能体能力，其在勘探开发这类高风险、强监管场景中的可靠性、错误处置与责任归属，报道中均无公开验证；模型幻觉在工业场景的代价可能是安全事故，而非一次答错。 第四，商业与考核风险。央企AI投入常由数字化考核驱动，容易形成“为上系统而上系统”，缺少与利润表挂钩的闭环；同时油气主业受油价与资本开支周期影响，一旦景气下行，长周期AI投入最容易被压缩（分析）。 第五，监管与数据风险。620TB行业数据涉及地质、管网等敏感信息[4]，跨企业输出与共享必然面临数据安全与合规约束，这会限制“从买方变卖方”的速度（分析）。

[未来展望·情景推演]保守情景：AI继续作为内部降本工具存在，昆仑大模型按年迭代，但公司不披露任何可量化效益，市场继续按油气周期股定价，AI资产在估值中权重接近于零。触发条件是主业资本开支收紧。 中性情景：AI中台成为集团标准基础设施，勘探与生产环节出现可点名的效率改进案例并被公司披露，市场开始给予“数字化溢价”，但幅度有限，因为行业模型对外收入尚未成规模。这是最可能发生的情景（分析）。 乐观情景：昆仑大模型的能力通过私有化部署输出到集团外能源化工企业[3]，AI业务形成可辨识的收入流；同时“主动智能”能力在多智能体协同场景落地[4]，公司从技术买方转为行业标准制定者。此时估值框架才可能真正切换。 催化剂有三：财报中首次出现AI相关量化指标；AI中台算力或数据规模再次跃升并伴随外部客户[4]；昆仑大模型发布具备对外商用意义的版本[3]。

[建议与启示·面向决策者]对企业决策者，这件事有三条可迁移的经验。其一，AI立项要同时定义“能力指标”和“效益指标”。中国石油在能力指标上披露充分（参数、算力、数据、能力清单）[3][4]，效益指标却缺位；建议立项时就绑定可审计的业务指标，否则三年后无法回答“值不值”。其二，平台化优于单点采购。AI中台统一纳管多家商业大模型工具链、支持私有化部署[3]，避免了供应商锁定，这是能源这类长周期行业应有的架构选择。其三，当AI从“问答”走向“主动执行”[4]，治理重心必须从模型精度转向任务编排与权限控制——多智能体的调度、工具调用边界、失败回滚与审计留痕，会成为新的刚需。这正是AgentSH这类多智能体调度平台要解决的问题：把异构模型、工具与算力统一编排，让“自主规划与任务拆解”[4]发生在可控边界内。对上市公司而言，谁先把这层治理能力写进可披露的口径，谁就更容易让市场相信AI不只是成本。

[结语·一句话立场]中国石油的AI叙事已经越过“有没有”的阶段，进入“值多少”的阶段。E8、昆仑大模型与AI中台构成了可信的技术序列[1][3][4]，但公开证据尚未触及定价的核心——效益。因此我的立场是审慎看多：这是一笔可能被低估的表外资产，也是一笔目前尚无法估值的资产，二者之间的距离，要靠下一份财报里的数字来填。