AI在能源与环境系统工程中的应用

20XX/XX/XXAI在能源与环境系统工程中的应用汇报人:XXXCONTENTS目录01

能源与环境系统工程的发展现状与挑战02

AI赋能能源系统的核心技术架构03

AI在能源生产与优化中的应用04

AI驱动的环境监测与污染治理CONTENTS目录05

典型案例分析：AI技术的实践应用06

AI技术应用的挑战与对策07

未来发展趋势与前沿方向08

政策支持与产业生态构建能源与环境系统工程的发展现状与挑战01碳中和目标驱动能源结构变革全球加速推进碳中和目标，中国作为最大能源消费国，2025年新能源市场规模突破6万亿元，风电、光伏装机量稳居全球首位，新型储能、氢能等技术突破为能源系统智能化提供基础。可再生能源成为能源转型核心风能、太阳能等可再生能源因环境友好性成为转型重点，但受气象条件影响出力波动大，2026年国际能源署预测能源领域对AI的需求将较目前翻番，AI成为解决新能源消纳难题的关键。能源系统向智能化、协同化发展新能源2.0时代特征为光伏、风电、储能、电动汽车和能源互联网综合协同发展，传统集中式管理失效，分布式能源兴起，亟需“数字化大脑”实现源网荷储多要素耦合计算与全局优化调度。全球能源转型背景与趋势能源系统面临的核心痛点

01可再生能源出力波动性大风电、光伏等新能源易受气象条件影响，出力不稳定，给电网调度和新能源消纳带来挑战，弃风弃光现象仍存在。

02传统能源管理效率低下传统能源管理依赖人工经验和典型数据，面对新能源入市后的分时电价、负电价等新变化，难以满足精准决策需求，能源浪费问题突出。

03电网调度与协同难度高源-网-荷-储协同复杂，传统集中式管理模式在分布式能源大量接入时失效，电网稳定性和供电可靠性面临考验。

04AI基础设施能耗与碳排放压力AI大模型发展导致数据中心能耗激增，据IEA预测，2026年全球数据中心电力消耗将超1000TWh，相当于日本全国用电量，其自身碳排放问题凸显。环境治理的迫切需求与技术瓶颈

全球环境问题的严峻态势全球化和工业化快速推进，水资源短缺、空气污染、土壤退化等问题日益严重。据联合国环境规划署报告，全球每年约有800万吨塑料垃圾进入海洋，对海洋生态系统造成严重破坏。

传统环境治理手段的局限性传统污染治理方法往往存在效率低、成本高、效果差等问题，如塑料污染、重金属污染难以彻底治理，水体富营养化问题持续。环境监测依赖人工采样，效率低；污染预测依赖经验判断，准确性不足。

AI技术赋能环境治理的潜力AI技术通过大数据分析和机器学习，实现环境工程设计的高效优化，如IBM的水资源管理AI平台在澳大利亚减少20%的用水浪费。AI正从工具变量演化为环境产业的核心生产要素，成为存量提质增效与增量空间挖掘的关键引擎。

当前AI应用面临的核心挑战AI在环境治理中面临数据质量要求高（低精度传感器导致误差）、模型泛化能力不足（实验室数据表现优异但现场适应性差）、技术集成难度大（需与传感器、物联网等技术融合）以及数据隐私与安全、算法可解释性等问题。AI赋能能源系统的核心技术架构02数据采集与感知层技术多源数据采集体系

构建涵盖高精度传感器、智能电表、环境监测设备、卫星遥感、无人机航拍等多维度的数据采集网络，实现对能源生产、传输、消费及环境质量的全面感知，工业级传感器误差率控制在0.5级以内，数据采集成功率达99.8%以上。能源生产数据感知

在光伏电站部署倾角传感器、辐照计、温度传感器，实时监测光伏板角度、光照强度、组件温度；风电领域通过AI算法分析局地风向风速变化，优化风电场布局及安装位置。环境质量监测感知

AI整合卫星遥感、无人机航拍、地面传感器等多维度数据，构建污染物浓度动态热力图，实时追踪PM2.5、VOCs等污染物的空间分布特征，电子鼻传感器阵列解析恶臭气体成分识别准确率达92%以上。通信网络支撑技术

采用5G-Advanced/6G网络满足毫秒级时延和百万级设备连接需求，结合LoRa、Wi-Fi6等低功耗广域网技术，实现偏远地区或室内环境数据全覆盖，为海量感知数据提供低时延、高可靠的传输保障。算法平台与模型体系01能源大模型：物理AI系统核心引擎远景天枢能源大模型作为核心，可分析海量能源数据，实时协调可再生能源发电、储能、电网调度与能源需求，推动降低能源边际成本，助力能源系统与AI同步规模化发展。02气象大模型：风光功率预测的关键支撑远景天机气象大模型负责高精度、长周期的风光功率预测，与远景天枢协同运行，应对气象因素引发的能源波动，构成能源系统智能闭环，保障可再生能源稳定出力。03深度学习架构：提升预测精度的技术保障采用底部向上建模，分析数百万智能电表颗粒化数据，动态集成超40,000个天气观测点数据，在2026年极端天气下，预测精度比行业平均水平高出20%-30%。04多模型协同：全场景智能应用的实现路径集成LSTM、Transformer等模型用于电力负荷预测，融合GNN处理电网拓扑特征实现故障定位，结合强化学习优化微电网调度，形成覆盖能源生产、传输、消费的全场景模型应用体系。能源数字孪生与智能决策系统数字孪生技术架构：虚实映射的能源系统构建包含感知层（高精度传感器、智能电表）、网络层（5G-Advanced/6G、LoRa）、平台层（数据中台、AI算法平台）和应用层的四层体系，实现能源生产、传输、消费全链条的实时数字化映射，工业级传感器误差率控制在0.5级以内，数据采集成功率达99.8%以上。智能决策核心：AI算法驱动的全局优化集成深度学习、强化学习、知识图谱等算法模型，如远景天枢能源大模型与远景天机气象大模型协同，实现全局优化与毫秒级调度，应对气象因素引发的能源波动，推动降低能源边际成本，助力能源系统与AI同步规模化发展。应用场景实践：从虚拟电厂到电网协同在虚拟电厂中整合分布式能源资源，提升电网灵活性；在电网侧，通过数字孪生技术实现输电线路故障识别准确率99.7%，故障处理时间缩短60%；数据中心作为“虚拟电池”，通过柔性批处理负载优化，总运营成本降低16.6%，可再生能源弃电成本降低39.8%。AI在能源生产与优化中的应用03可再生能源发电预测与调度

高精度风光功率预测技术AI融合气象数据（如远景天机气象大模型）与历史发电数据，实现高精度、长周期的风光功率预测，短期功率预测误差可降至10%以下，为电网调度提供可靠依据。

智能电网协同调度优化能源大模型（如远景天枢）负责全局优化与毫秒级调度，协调可再生能源发电、储能与电网需求，推动降低能源边际成本，助力能源系统与AI同步规模化发展。

分布式能源与虚拟电厂管理AI技术聚合分散的能源资源（如太阳能板、储能电池）构建虚拟电厂，通过动态调控实现灵活并网与负荷平衡，如Amperon为风电场提供5分钟颗粒度发电量预测，降低弃风弃光罚款。

极端天气下的韧性调度策略结合实时气象观测与AI预测模型，在极端天气（如德州寒潮、欧洲酷暑）下调整调度方案，Amperon的预测精度比行业平均水平高出20%-30%，保障能源供应稳定性。智能电网与源网荷储协同优化

智能电网的AI技术架构构建“感知-网络-平台-应用”四层协同体系，感知层部署高精度传感器实现数据采集，网络层依托5G-Advanced/6G保障低时延通信，平台层通过数据中台与AI算法平台深度融合，应用层面向能源生产、传输、消费提供全场景智能化服务。

源网荷储协同的核心技术AI驱动的负荷预测，如基于LSTM和Transformer模型，结合气象、历史负荷数据实现精准预测；强化学习与混合整数规划用于微电网优化调度，协调火电、水电、风电、光伏及储能出力，提升系统经济性与稳定性。

虚拟电厂（VPPs）的AI聚合与调控AI技术聚合分散的分布式能源（如太阳能板、储能电池），创建灵活集成的能源系统。通过实时数据分析与智能决策，平衡能源生产与分配，在供需波动时迅速响应，提升电网稳定性，如Kaluza平台连接千万级智能设备构建VPP。

AI在电网故障诊断与自愈中的应用利用图神经网络（GNN）将电网建模为图结构，学习拓扑特征实现故障区段精准定位，结合SCADA/PMU数据与继电保护信号，提升故障识别准确率至99.7%，缩短故障处理时间60%，实现电网自愈。虚拟电厂与分布式能源管理

虚拟电厂的核心定义与价值虚拟电厂通过AI聚合分散的能源来源，如太阳能板、风力涡轮机和电池，创建灵活、集成的能源系统，平衡能源生产和分配，确保电网可靠性。

AI驱动的分布式能源优化调度AI技术能够挖掘海量气象、电价、负荷数据，构建动态精准的能源模型，实现源网荷储多要素耦合计算与方案优化，提升分布式能源利用效率。

典型应用案例：Kaluza智能能源平台Kaluza作为智能能源平台，通过AI优化海量终端设备（如EV充电桩、家用电池）的充放电时间，2026年3月全球连接智能设备量突破千万级，成为全球最大虚拟电厂底层架构提供商之一。

虚拟电厂面临的挑战与关键技术支撑虚拟电厂有效运行需以智能电网为前提，全球南方多数国家陈旧电网系统不利于AI干预；AI在其中主要解决多源数据融合、实时调度优化及供需动态平衡等关键技术问题。能源交易与市场竞价策略

01电力市场竞价优化AI通过分析历史交易数据、气象信息及市场供需，预测电价波动，辅助发电厂制定最优报价策略，提升交易收益。如某AI模型可提前预判电价高峰时段，指导电厂调整发电量或储能充放电策略。

02碳交易智能决策支持AI技术助力企业参与碳交易，预测碳配额价格走势，自动核算全产业链碳排放数据，优化碳资产配置，为碳交易提供准确依据，助力企业降低碳成本。

03虚拟电厂参与市场交易AI聚合分布式能源资源构建虚拟电厂，通过优化各能源出力和交易策略，参与电力市场竞价。如Kaluza作为全球最大虚拟电厂底层架构提供商之一，2026年连接智能设备量突破千万级，提升市场竞争力。AI驱动的环境监测与污染治理04多源环境数据融合监测技术多维度数据采集体系整合卫星遥感、无人机航拍、地面传感器等多维度数据，构建污染物浓度动态热力图，实时追踪PM2.5、VOCs等污染物的空间分布特征。跨领域数据关联分析将环境监测数据与气象、交通、工业生产等跨领域信息交织，形成动态的环境"基因图谱"，揭示复杂的污染成因与扩散规律。智能感知终端应用通过电子鼻传感器阵列解析恶臭气体成分（如硫化氢、氨气），识别准确率达92%以上；利用AR眼镜辅助环保执法，快速识别企业治理设施运行状态。污染源智能识别与溯源

多源数据融合监测AI整合卫星遥感、无人机航拍、地面传感器等多维度数据，构建污染物浓度动态热力图，实时追踪PM2.5、VOCs等污染物的空间分布特征。例如，通过电子鼻传感器阵列解析恶臭气体成分（如硫化氢、氨气），识别准确率达92%以上。

隐蔽污染源智能识别通过比对卫星影像、企业环评报告与排污数据，AI可自动识别未批先建项目、暗管排污等违法行为。某案例中，AI通过分析用水量与废水pH值的矛盾数据，成功查获篡改监测设备的企业。

污染动态预警与溯源基于机器学习算法分析历史数据与实时监测值，预测未来72小时空气质量变化趋势，提前触发污染防控预案。结合大气扩散模型，可追溯污染源头及扩散路径，为精准执法提供依据。污染治理工艺优化与资源增效污水处理智能调控AI动态优化曝气量、药剂投放等参数，使污水处理能耗降低15%-20%。生成式人工智能通过模拟10万次化学反应路径，可筛选出COD去除率提升18%的工艺方案。废气治理精准控制在垃圾处理厂部署AI除臭系统，根据实时恶臭浓度自动调节生物滤塔运行参数，使除臭剂用量减少30%，投诉率下降45%。污染治理设备预测性维护AI分析设备运行数据（如振动频率、电流波动），可提前14天预警设备故障，减少非计划停机损失。某污水处理厂通过该技术降低维护成本25%。环境风险预测与应急响应多源数据融合的污染动态预警AI整合卫星遥感、无人机航拍、地面传感器等多维度数据，构建污染物浓度动态热力图，实时追踪PM2.5、VOCs等污染物的空间分布特征。基于机器学习算法分析历史数据与实时监测值，可预测未来72小时空气质量变化趋势，提前触发污染防控预案，如深圳罗湖区利用DeepSeek-R1模型使污染事件响应速度提升60%。环境风险智能评估与模拟AI通过分析历史环境数据、气象数据、地理信息等，建立环境风险评估模型，识别潜在风险源和敏感区域。结合数字孪生技术，在虚拟空间中模拟不同污染情景下的扩散路径和影响范围，为风险评估和应急预案制定提供科学依据，例如模拟某区域臭氧超标与周边化工园区排放的关联性。智能应急决策与资源调度当突发环境事件发生时，AI能够快速分析事件性质、影响范围和发展趋势，生成最优应急决策方案。通过整合应急资源信息，如应急队伍、物资储备、处置设备等，实现资源的智能调度和优化配置，提高应急响应效率。例如，某案例中AI通过分析用水量与废水pH值的矛盾数据，成功查获篡改监测设备的企业，为应急执法提供线索。典型案例分析：AI技术的实践应用05AI能源系统：远景天枢与Masdar合作项目

项目发布背景与合作方2026年1月13日，在阿布扎比可持续发展周远景全球科技日活动上，远景科技集团与阿联酋未来能源公司Masdar签署战略合作协议，共同发布AI能源系统，并推出全球首个能源大模型“远景天枢”(EnvisionDubhe)。

核心技术构成：双模型协同该系统核心为“远景天枢”能源大模型，负责分析海量能源数据、全局优化与毫秒级调度；与远景自研的“远景天机”气象大模型协同，后者提供高精度、长周期的风光功率预测，共同应对气象因素引发的能源波动，构成智能闭环。

系统功能与应用方向AI能源系统能实时协调可再生能源发电、储能、电网调度与能源需求，推动降低能源边际成本，助力能源系统与AI实现同步规模化发展，以应对AI基础设施的能源需求，并已被应用于AI风机等场景。

项目战略意义与目标此合作旨在构建全球规模最大的物理人工智能系统，推进AI能源系统的规模化应用，是能源领域的重要进展，将促进技术向物理人工智能领域发展，助力全球能源转型，应对AI基础设施的能源需求。智能环保设施：西安第三再生水厂案例AI实时监管的智能化水厂西安第三再生水厂是国内首个实现AI实时监管的智能化水厂。在其控制室内，大屏实时跳动着全工艺链条的感知数据，算法模型自主调节药耗与能耗，形成了一套涵盖人员调度、流程操作及危机响应的AI运维新范式。“绿智未来”AI科技平台的核心能力美能环保打造的“绿智未来”AI科技平台是该项目的核心。其落地需要三项核心能力：获取真实可用、成本可控的持续数据，开发适用于场景且决策可靠的AI模型，以及深度产业理解与工程落地的复合能力，以此应对水处理场景中强不确定性、强非线性与强干扰性三大挑战。AI赋能下的显著成效该AI科技平台在西安第三再生水厂交出了扎实成绩单，实现了电耗与药耗的大幅降低，验证了AI在环保设施中创造的真实价值，推动环保设施加速形成“智能感知—自主决策—精准执行”的闭环，促进生产力向高科技、高效能、高质量进阶。AI环境治理：杭州市生态环境局智能助手

01AI环评助手：效率革命的核心引擎杭州市生态环境局推出的AI环评助手，通过横向打通十余个部门数据、梳理140项生成规则构建专业知识库，可在30分钟内完成环评报告初稿，准确率超80%，较传统人工编制效率提升数十倍。

02智能执法办案：从“大海捞针”到“靶向出击”AI系统归集28套污染源平台数据，训练10大类31项专业算法模型，实现排污许可证专项检查“一键核查”，精准输出问题线索，减少执法人员工作量，降低对企业干扰，形成标准化执法服务新体系。

03场景化应用落地：多项成果入选典型案例“AI环评智慧助手”和“执法办案助手”入选第八届数字中国建设峰会数字生态文明分论坛典型应用；“尘视精灵2.0”等4个应用入选浙江省首批数字生态文明建设重点应用场景，彰显AI治理实效。

04治理范式升级：数据驱动的协同治理新生态依托杭州数字经济产业优势，AI深度融入监测、执法、治理、服务全流程，形成“数据汇聚－业务协同－科技赋能”新范式，如AR眼镜快速识别企业治理设施运行状态，推动治理向更智能、更科学方向发展。国际实践：Amperon与DexterEnergy技术应用

Amperon：极致预测精度驱动能源全生命周期优化Amperon采用深度学习架构，通过底部向上建模分析数百万智能电表数据，并动态集成40,000+天气观测点数据，在2026年极端天气下预测精度比行业平均水平高出20%-30%。其业务覆盖能源零售商与贸易商、风电和太阳能电站资产优化（提供5分钟颗粒度发电量预测）以及数据中心与虚拟电厂（如帮助Google、Meta动态调整散热负荷），服务已扩展至27个国家。

DexterEnergy：欧洲市场的可再生能源与储能交易优化专家DexterEnergy总部位于荷兰，为可再生能源发电商和电力交易员提供AI驱动的短期电力预测与交易优化。2025年7月完成2300万欧元C轮融资，2026年业务已从风能/太阳能扩展到电池储能（BESS）交易优化，并大规模进军德国、比利时等欧洲核心电力市场。AI技术应用的挑战与对策06数据质量与安全隐私问题

数据质量：AI应用的基础挑战AI模型的准确性高度依赖数据质量，传感器故障、通信中断易导致数据缺失或噪声，例如低精度传感器可能使AI模型误差增大，需结合高精度监测设备提升数据采集可靠性。

数据孤岛与共享难题能源与环境数据分散在不同企业和部门，形成数据孤岛，阻碍多源数据融合分析。推动数据标准化与共建共享，打破壁垒，是提升AI应用效能的关键。

安全风险：内生与衍生双重挑战AI安全存在内生安全（如模型幻觉、鲁棒性差）与衍生安全（如电力调度失控、设备运维故障）风险。电力等关键行业需构建场景化AI安全评估与防护体系，严守合规红线。

隐私保护：数据应用的底线要求能源消费、环境监测等数据涉及企业商业秘密和个人隐私，需在数据采集、传输、使用全流程采取加密、匿名化等措施，平衡数据价值挖掘与隐私保护。算法可解释性与鲁棒性挑战算法可解释性的核心难题AI模型如深度学习在能源与环境系统中常被视为“黑箱”，其决策过程难以用人类可理解的逻辑解释，例如电网调度中的强化学习策略或污染溯源的复杂模型推理过程，影响用户信任与问题排查。数据质量对鲁棒性的影响低精度传感器、数据缺失或噪声会导致AI模型误差，如某AI污染治理模型在实验室数据表现优异，但现场因传感器数据质量问题适应性差，需加强跨场景训练与多源数据融合校验。模型泛化能力不足的风险AI模型在特定场景训练后，难以适应新的环境条件或工况变化，例如在某一地区优化的能源预测模型，迁移到气候差异较大的地区时预测精度显著下降，需解决跨场景泛化问题。应对策略与技术路径采用可解释AI（XAI）技术增强模型透明度，如利用知识图谱、规则提取等方法；通过数据清洗、插补及冗余设计提升数据质量；加强模型在多样化场景下的训练，结合数字孪生技术仿真验证，提升鲁棒性。技术标准不统一制约规模化推广AI在能源与环境系统工程中的应用涉及多类技术与设备，目前行业内缺乏统一的数据接口、模型评估与安全认证标准，导致不同系统间兼容性差，难以实现规模化推广与数据共享。跨行业数据壁垒与共享难题能源生产、环境监测、交通等不同行业的数据往往分散在各自系统中，形成“数据孤岛”。例如，电力企业的发电数据与环保部门的污染监测数据难以有效融合，影响AI模型的综合分析与决策效果。跨学科协作机制尚未成熟AI技术应用需要能源工程、环境科学、计算机科学等多学科深度协作，但目前缺乏有效的跨学科沟通与合作机制，导致技术研发与实际需求脱节，影响AI解决方案的落地效率与实用性。行业监管与技术发展不同步AI技术在能源与环境领域的快速发展对现有行业监管体系提出挑战，如AI决策的责任界定、数据隐私保护等问题尚未明确，监管政策的滞后性可能阻碍技术创新与应用。技术标准与跨行业协同障碍AI自身能耗与碳足迹问题

AI基础设施能耗现状据国际能源署（IEA）预测，2026年全球数据中心电力消耗将超过1,000TWh，相当于日本的全国用电量。全球运行的AI模型需要数百万个专用处理器，这些处理器需被放置于配置强大冷却系统的专用数据中心。

AI能耗的“双刃剑”效应AI在助力减少全球碳足迹的同时，又因自身能耗增长而导致碳排放增加。例如，万卡级智算集群日均耗电量巨大，对电力供应的稳定性、经济性提出极高要求。

“执行空闲”状态的能源浪费研究发现，GPU集群中存在“执行空闲”（execution-idle）状态，即GPU可见活动接近零时仍保持高功耗，该状态占总执行时间的19.7%，却消耗了总能耗的10.7%，意味着超过十分之一的能源被浪费。

应对AI碳足迹的挑战与策略围绕AI发展及应用的相关决策，应充分考虑其可持续性，特别是应制定一套标准的AI驱动排放方案。应对策略包括优化算法模型以降低算力需求、探索利用可再生能源支持AI基础设施的运营模式、推动“智电协同”如错峰训练和配套储能设施等。未来发展趋势与前沿方向07能源系统优化与调度生成式AI与大模型可优化能源系统运行，如远景科技集团与Masdar合作发布的AI能源系统，其核心能源大模型“远景天枢”能分析海量能源数据，实时协调可再生能源发电、储能、电网调度与能源需求，推动降低能源边际成本。环境监测与污染治理在环境监测方面，生成式AI整合卫星遥感、无人机航拍、地面传感器等多维度数据，构建污染物浓度动态热力图，实时追踪污染物空间分布特征。例如深圳罗湖区利用DeepSeek-R1模型优化大气污染防控策略，污染事件响应速度提升60%。可再生能源预测与管理大模型助力可再生能源预测，如“远景天机”气象大模型负责高精度、长周期的风光功率预测，与“远景天枢”协同构成能源系统智能闭环，提升新能源消纳能力。国际能源署预测，到2026年能源领域对AI的需求将较目前翻番。环境工程设计与方案生成生成式AI在环境工程设计中能生成多种解决方案，如某项目生成1000种污水处理方案供选择最优者。在生态修复方案生成上，AI分析土壤成分、气候数据等20项参数，输出定制化植被恢复方案，使荒漠化治理中植被存活率从35%提升至62%。生成式AI与大模型在能源环境领域的应用边缘计算与物联网的深度融合01边缘计算：物联网数据处理的“最后一公里”边缘计算将数据处理能力从云端下沉至物联网设备端或本地边缘节点，显著降低数据传输延迟，提升实时响应能力，尤其适用于能源与环境监测等对实时性要求高的场景。02物联网感知层：边缘计算的“数据源泉”物联网通过部署在能源生产、传输、消费各环节及环境监测点的海量传感器（如智能电表、光伏板倾角传感器、空气监测设备），为边缘计算提供实时、多维度的原始数据。03协同优化：提升能源与环境系统效能在能源领域，边缘计算与物联网结合可实现智能电表实时数据本地分析、风电场设备状态实时监控与优化；在环境领域，轻量化AI模型搭载于监测无人机，实现无网络区域的实时污染数据分析，共同提升系统整体效能与智能化水平。跨学科融合与绿色技术创新多学科协同突破技术壁垒AI通过分子动力学、密度泛函原理等技术，打通多尺度、跨领域的技术壁垒，辅助完成超材料、超结构的智能化设计，实现材料研发的精准化、高效化，助力破解特高压装备、储能、绝缘、热管理等电力领域的技术难题。AI与环境工程设计的融合路径AI与环境工程设计的融合路径包括模块化设计、跨学科协同和人机协作。模块化设计允许设计师灵活组合AI生成的模块；跨学科协同整合地质、气象、生物数据；人机协作则充分发挥AI的计算分析能力与设计师的创造力。颠覆性创新前沿领域真正的颠覆性创新出现在区块链能源交易、碳捕获等小众前沿领域。例如，利用区块链技术实现去中心化的点对点能源交易，重塑电力市场；AI驱动的碳捕获与封存（CCS）技术，为解决温室气体排放提供了新方案。产学研用协同创新模式环境商会与北京大学环境智能交叉研究中心等机构合作，着眼于环境治理现代化与产业数智化升级的重大需求，在科技创新平台共建、关键技术联合攻关、成果转化推广等方面务实合作，共同推动