AI 时代 · 行业落地
数据拿不到的行业，AI 的第一个岗位不是做决策，是造原材料；
而合成数据的上限，不由生成模型定，由你能不能验证它定
一篇 7 月的论文让大模型生成配电网模型。荒唐吗？不。真实电网是关键基础设施，谁都不让看，整个行业几十年挤在几个玩具算例上做研究。
7 月 8 日挂出来一篇论文（arXiv:2607.07237），做的事听起来有点怪：用微调过的大模型，按一句自然语言描述，生成一张配电网的馈线模型。
第一反应是，这有什么用？电网又不缺电网。
一、全行业挤在几个玩具算例上
先看它要解决的问题。
做配电网研究，得有网络模型才能算。可业内长期用的是什么？IEEE 33 节点、IEEE 13 节点这几个标准算例，几十年了，全世界的论文都拿它们当地基。
为什么不用真的？因为真实配电网模型属于关键基础设施，出于安全限制拿不到。这不是「数据没整理好」，也不是「数据质量差」，是这东西根本不许外流。
于是整个领域出现一个尴尬局面：你提出一个新方法，只能在几个几十节点的玩具网络上验证，然后声称它在真实电网上管用。这中间的鸿沟，谁都知道存在，谁都跨不过去。
卡住这个行业的，不是模型不够强，也不是算力不够，是研究对象本身你不许看。这种约束，换多大的模型都解不开。
二、于是 AI 的第一个岗位变成了「造原材料」
想明白这一点，那篇论文的做法就顺理成章了：既然真的拿不到，那就造一批足够像真的。
它的流程是这样：你用自然语言说清楚要什么样的馈线，微调过的大模型生成模型结构，后面再挂两个 agent。一个精修 agent 按工业设计标准校准参数，一个裁判 agent 评估这份输出到底合不合格。
模型的训练也分两段：先在符合物理规律的数据集上做监督微调，让它学会馈线的「语法」；再用强化学习对齐，奖励函数是专门设计的多阶段门控式，把用户要求和物理定律一起压进去。
注意这里的角色分配：大模型负责「生成」，物理和工程标准负责「判定」。
三、关键不在生成，在有没有一把尺子
到这儿才是真正值得琢磨的地方。
合成数据这件事，听上去哪个行业都能干：数据不够就造嘛。可为什么它在电网这里成立？
因为电网有一把外部的、不由生成者说了算的尺子。潮流方程、电压约束、线路容量、工业设计规范，这些东西不管你怎么生成，一算就知道对不对。生成的东西能被独立验伪，合成数据才有价值。
反过来想就清楚了。如果换成一个没有尺子的领域，比如「造一批真实客户的购买意愿数据」「造一批用户对新功能的真实反馈」，你拿什么判定生成的对不对？没有物理定律可算，没有工程标准可比。这时候造数据，不是补数据，是给自己编造证据。
所以这套做法的真正边界，不在模型能力，在这个领域有没有一个独立于生成者的验证机制。
四、对企业的意义
这条线可以直接搬到企业里用。
几乎每家公司谈 AI 落地，都会卡在同一句话上：我们数据不够，或者我们的数据不能出域。这句话之后，通常就没有下文了。
这篇论文提供的思路是：先别急着问「数据能不能拿到」，先问「这件事有没有一把能验真假的尺子」。
有尺子的场景，数据不够不是死局。 排产、配送路径、报价核算、合规校验、设备参数，这些都有硬约束可以算，可以先造一批合成场景把系统跑起来，用约束当裁判。
没尺子的场景，别指望合成数据救场。 客户为什么流失、这个方案会不会被接受、市场愿不愿意买单，这类问题的答案只存在于真实世界里。造出来的数据只会让你更自信地错下去。
写在最后
这篇论文表面在讲电网，实际给了一个判断行业能不能上 AI 的新角度。
我们习惯的顺序是：有数据、训模型、做决策。可在很多真正重要的行业里，第一步就断了，数据被锁在安全、合规、隐私后面，而且这道锁不会因为模型变强而打开。
于是 AI 的第一个岗位，往往不是替你做决定，是先帮你造出那批你根本拿不到的原材料。
但这件事能不能成，从来不取决于生成得多像。取决于你手里有没有那把尺子，能在它生成完之后，独立地告诉你：这份东西，是真能用，还是只是看起来像。
论文：Zhenghao Zhou 等，《A Physics-guided Fine-tuned LLM-based Framework for Customized Power Distribution System Feeder Generation》，arXiv:2607.07237，2026 年 7 月 8 日，eess.SY。文中方法描述据论文摘要整理，该摘要未给出量化评测结果。