商汤大装置把算力与能源做成协同系统，为智慧工地提供了清晰参照。本文用三个视角拆解其方法论，帮助建筑企业搭建自己的AI基础设施。
从“算电协同”到“智慧工地协同”，很多企业都搞反了
过去两年，全国新建和规划中的智算中心一大堆，智慧工地项目也铺天盖地，但效果拉开差距的关键往往只有一句话：有没有把“底层协同”当成工程来做。
在北京举办的 IDCC 2025 上，商汤大装置展示了一套非常典型的“底层协同工程”——把算力和能源绑在一起做系统优化，用能源大模型和智能储能，把一个万卡级智算中心的“电老虎”变成可精细调度的“电优等生”：PUE 降到 1.267、全年节电超 1000 万度、电费成本下降 7%。
对建筑企业来说，这不是离工地很远的故事。算力–能源协同和工地上的“人–机–料–法–环”协同、本质逻辑几乎一致：
- 算力 ≈ 设备、塔吊、机械
- 能源 ≈ 材料、资金、工期
- 调度系统 ≈ 智慧工地平台、BIM 协同、进度管理系统
这篇文章，我想借商汤大装置的实践，拆给你看：一个顶级算力基础设施，是怎么用 AI 做协同的；建筑行业要做“智慧工地”，可以直接拿走的三条方法论是什么。
一、全球都在卷“算力效能”，建筑业也在卷“施工效能”
核心观点：IDCC 2025 透露出来的是一个趋势——AI 时代已经从“谁大谁赢”转向“谁更高效谁赢”。建筑业正在经历同样的拐点。
在大会上，商汤大装置智算中心总经理林海提到两个关键信号：
- Palantir 推出 “Chain Reaction”，直接把自己定位成“美国人工智能基础设施的操作系统”；
- 商汤在 2025-07 正式上线自研“算电协同智能调度平台”，把算力和电力数据打通做统一调度。
简单讲，全球大厂都在干一件事：
不再单纯堆 GPU，而是把“算力–芯片–能源–调度”当成一个整体系统优化。
这和传统工地有什么对应关系？
- 以前做项目，习惯按“多上几台塔吊、多招几队班组”解决问题，对应的是“拼资源”；
- 智慧工地时代真正有效的，是用 BIM＋AI＋物联网做统筹，让同样的设备、人力、工期，跑出更高的产出和更低的风险。
算力基础设施的竞争正在进入“算力效能期”，建筑业其实也已经进入**“施工效能期”**：
- 谁能把塔吊、混凝土、钢筋、班组、分包、验收等信息打通，用数据驱动决策；
- 谁就能在工期压缩、成本控制、安全质量上拉开一大截身位。
商汤大装置的算电协同，本质是一次“底层基础设施数字化重构”，对智慧工地是非常好的参照样板。
二、商汤的大装置长什么样？先看清“协同架构”这件事
如果只记一个概念：商汤做的是“IaaS + MaaS + 算电协同”的完整体系，而不是某个零散工具。
1. 打通底层数据：从“风火水电”到“模型任务”一张图
现在很多智慧工地做得不够好，原因跟数据中心一样：
- 安防摄像头是一套系统
- 塔吊、升降机监测又一套
- 环境监测、扬尘噪声再一套
- 施工进度、BIM 模型在另一个平台里
数据各管一块，想做真正的智能调度几乎不可能。
商汤大装置干的第一件事，也是打破数据孤岛：
- 向下，把风、火、水、电等能源侧数据全部采集；
- 向上，连接 AI 训练任务、集群负载、服务器硬件；
- 中间，用“能量块”数据模型和“算电功耗模型”做映射，实现“任务–算力–功耗”的精确对齐。
放回建筑场景，你完全可以照这个逻辑建一套“工地–BIM–资源”的映射体系：
- 任务维度：施工计划、WBS 分解、关键路径；
- 资源维度：塔吊、混凝土罐车、钢筋加工、劳务班组；
- 环境维度：天气、交通、周边噪声、监管要求；
最后形成一个“施工任务–资源消耗–时间窗口”的三维映射，为 AI 做预测和调度打基础。
2. 能源大模型：他们在预测电，你可以在预测工期和质量
商汤自研了一个能源大模型，采用多模态 MoE 架构，用海量能源数据＋算力监控指标＋行业知识库训练，能力主要体现在三点：
- 预测算力负载趋势：提前知道什么时候算力会高峰；
- 预测能源需求：结合电价、绿电比例、电网要求，预估每个时间窗的电力需求；
- 高频调度：15 分钟预测、5 分钟修正，用最新数据不断调整调度策略。
结果是：
- 基于“能量块”的需求预测准确率超过 88%；
- 决策准确率达到 93%，目标是持续提升到 95% 以上。
对智慧工地，这个思路几乎可以一比一迁移：
- 把“能量块”换成“工序块”或“构件块”；
- 用 BIM 模型＋历史项目数据＋传感器数据（混凝土强度、环境温度、设备利用率等）；
- 训练一个施工大模型或进度预测模型，去做：
- 工序延误概率预测；
- 关键路径风险预警；
- 分包单位履约风险评分；
- 质量缺陷高发部位预测。
一句话：商汤今天用大模型做“算随电用、电随算动”，建筑企业明天就可以用大模型做“工随人动、人随工排”。
三、智能储能怎么做？智慧工地也需要“缓冲池思维”
商汤在储能侧，和宁德时代一起建了一个 17.888MW/35.776MWh 的新型储能系统，重点解决两件事：
- 应对算力瞬时高峰：万卡集群一启动，功率会短时间冲高，储能系统毫秒级响应、做“电力缓冲池”；
- 参与削峰填谷和电力交易：在电价便宜时充电，高价时放电，直接创造经济收益。
建筑行业其实也有非常类似的“峰谷问题”：
- 土方、混凝土、钢构吊装等阶段，机械高强度集中作业；
- 某些时间点塔吊排队、混凝土车排队，场地拥堵、人机效率都很差；
- 夜间或非关键窗口，设备闲置、劳动力浪费。
如果套用“储能思维”，智慧工地可以做几件非常具体的事：
1. 把设备和工序当成“资源电池”来管理
- 对塔吊、泵车、汽车吊、施工电梯等机械，建立利用率曲线和峰值时段画像；
- 把劳务班组看成“人力储能”，通过 AI 预测不同工序的人力峰谷需求；
- 把材料供应（混凝土、钢筋、预制构件）看成“物料缓冲池”。
在这个基础上，智慧工地调度系统可以学习商汤的做法：
- 每 15 分钟滚动预测接下来 2～4 小时的机械、人力、材料需求；
- 每 5～10 分钟根据实际到场情况和环境变化修正调度计划；
- 通过 AI 给出最优塔吊作业顺序、车辆进场时间、班组排班方案。
2. “分季节调度”的工地版本
商汤为储能系统设计了“分季节调度”：
- 冬春秋 PUE 较低时，采用传统“两充两放”；
- 夏季高温、高负载时，启用由能源大模型驱动的智能调度，确保在安全红线内高效运行。
对工地，也可以做“分阶段调度”：
- 基础、主体结构阶段：塔吊密集、混凝土集中浇筑，是高强度资源期，需要更精细的 AI 调度；
- 机电安装、装饰装修阶段：工种多、交叉作业复杂，是冲突高发期，需要模型重点做冲突检测和路径优化；
- 交付前联调联试阶段：问题集中暴露，是质量风险高发期，需要大模型结合历史缺陷数据做重点排查建议。
这类“阶段化策略”，本质就是把算法对系统的理解，嵌入到调度逻辑里，而不是所有阶段一刀切用同一个策略。
四、上海临港 AIDC：一个可直接类比“示范工地”的样板
上海临港 AIDC 是全国首个 5A 级智算中心，也是商汤大装置“算电协同”实践的综合展示：
- 通过能源大模型预测用电需求；
- 通过智能储能系统参与削峰填谷；
- 通过算电协同平台实现“算随电用、电随算动”。
具体成果：
- PUE 降至 1.267，比设计值再降 3%；
- 全年节电超 1000 万度；
- 年化电费成本节约 7%；
- 年减碳 3000 吨；
- 获得“2025 年度中国 IDC 产业算电协同先锋奖”。
如果把它当成一个“示范智慧工地”来对照，你会发现几个关键要素：
- 有明确可量化的运营指标（PUE、耗电、成本、碳排放）；
- 有从感知、模型、决策到执行的完整闭环；
- 有可以复制到其他项目的通用方法论（能量块模型、算电协同架构、智能储能）。
建筑企业在做智慧工地时，完全可以按这个逻辑设计自己的“样板项目”：
- 选一个代表性强、周期完整的工地，作为企业级智慧工地 A 项目；
- 明确 3～5 个关键指标，比如：
- 单位建筑面积成本降低 X%；
- 总工期压缩 X 天；
- 安全事故率下降 X%；
- 返工率下降 X%；
- 做到数据接入要一开始就规划，算法模型要持续迭代，运营指标要可量化复盘。
商汤大装置说明了一点：真正有价值的 AI 基础设施，一定是“算出来”经济账的，而不是贴在 PPT 里的概念。 智慧工地也应该按这个标准要求自己。
五、建筑企业可以直接抄作业的三条路径
结合商汤大装置在算电协同上的实践，给建筑和工程企业一个比较直接的行动清单：
1. 先建“数据底座”，再谈 AI
不要一上来就想装多少摄像头、上哪个算法平台，先问三件事：
- 我能不能做到：每一个关键工序、关键构件，都在 BIM 里有标准编码？
- 我能不能把人员、机械、材料的实时状态映射到这个编码体系上？
- 我能不能打通成本、进度、质量、安全这四类数据？
这对应的就是商汤的“IaaS + MaaS + 算电协同”三层结构：
- IaaS：工地的物理设备、传感器、网络；
- MaaS：施工相关的大模型和算法能力（进度预测、质量检测、安全识别等）；
- 协同层：把模型结果真正拉通到排班、计划、成本控制里。
2. 做一个“小而精”的工地大模型应用
不一定一开始就做一个很大的“建筑行业通用大模型”，反而容易跑偏。我更建议：
- 先挑一个场景，比如：塔吊调度优化、混凝土浇筑质量预测、预制构件安装冲突预警；
- 用过去 3～5 年项目的数据＋传感器实时数据，训练一个“专用小模型”；
- 要求它做到类似商汤能源大模型那种：
- 有明确的预测指标（准确率至少多少）；
- 有明确的决策频率（每多少分钟滚动预测和调整）；
- 有明确的经济收益测算（节省多少工时、减少多少返工）。
等这个“小模型”跑顺了，再考虑扩展到更多场景。
3. 把“协同”当成工程，而不是项目功能
商汤大装置最有价值的并不是某个模型，而是把模型真正嵌进了运维流程：
- 预测出来的负荷，会真实驱动储能的充放电；
- 算力调度会按电力状态调整任务排布；
- 运营团队日常工作已经离不开这套系统。
智慧工地也要避免一个常见问题：平台功能很多，但真正被项目经理、施工员、材料员当成“必用工具”的很少。
比较实用的做法是：
- 把 AI 决策结果直接和审批流、排班表、进度计划挂钩；
- 有明确的“AI 建议 vs 人工决策”记录，方便复盘和优化模型；
- 把项目绩效的一部分，直接与数字化和协同效果挂钩。
这才是真正把“协同系统”当成工程来做，而不是一个可有可无的附加模块。
结语：智慧工地的下一步，是向“智慧基础设施”看齐
商汤大装置的算电协同实践，其实已经给出了一个非常清晰的方向：
AI 的价值，不在于多少炫目的前端功能，而在于能不能对准一个系统级瓶颈，把底层基础设施做精、做透。
对中国建筑行业来说，这个系统级瓶颈就是：如何在安全合规的前提下，把成本、工期、质量三角展开到更优的位置。
如果说智算中心用能源大模型和储能系统，实现了“算随电用、电随算动”的双向闭环，那智慧工地的目标就应该是：
让“计划随数据调，资源随计划动”，真正做到用 AI 驱动施工现场的精细协同。
接下来的系列文章，会继续拆解 AI 在安全监控、BIM 协同、施工进度管理、质量控制等场景里的具体打法。如果你正在规划新一年的项目数字化，不妨先从一个问题开始：你手上的工地，今天有没有资格称得上是一座“AI 可计算的基础设施”？