前   言
 

　　如果说现阶段什么话题最为热门，那一定是人工智能AI了，AI正在科技巨头们的研发下突飞猛进的发展，从AI的发展路线来看，现阶段的AI可以说是日新月异，也越来越多的进入到人们的日常生活中去，人们开始在不同的场景中考虑利用AI来解决问题，各种行业也在利用AI改变原有的规则和模式，污水处理作为全世界城市生活的支撑产业，作为水环境的保障产业，AI能不能为现阶段的运维难点提供足够的支撑和改变呢？
 

　　作为一个污水处理行业的从业人员，对于AI要如何进入污水处理领域，是自己最为关注的，围绕这个话题，在这个假期，阅读了一些AI的知识，也在手机、电脑里下载了多个不同的AI，多数时间在学习怎么使用AI，在学习过程中，也深刻体验到Ai的强大，也越发感觉污水处理行业的未来因为AI也可能会有很多变化，同时花了很多时间在思考AI和污水处理的难点痛点结合的方向，通过《治污者说》的平台，和大家进行一些交流吧，近期会写一系列的文章，大家感兴趣的可以持续关注，并参与讨论。
 

　　第一篇：AI进入污水处理的门槛几何？
 

　　我国的污水发展在全球水资源短缺与环境压力日益增长的宏观背景下，污水处理行业正处于从“规模扩张”向“提质增效”转型的关键十字路口。随着国家强力推动污水处理提标改造，行业理念已从单纯的“全面建设”和“达标排放”向“水循环利用”和“污水资源化”深刻转变，从规模扩展的大建设时期向存量资产运营增效时期扭转。在这种范式转移中，分布在各地的大量的城镇污水处理设施作为城镇水生态的关键支撑，其运营效率直接关系到区域流域治理的成效。
 

　　AI向各行各业渗透已经是不可抗拒的事实，可预期的污水处理中人工智能(AI)技术的介入，不仅是技术层面的自动化升级，更是对传统基于经验管理模式的彻底重构。而占据污水处理设施数量主导地位的中小城镇污水处理设施通常具有规模小、分布散、进水负荷波动大、专业技术人员匮乏等典型特征。传统的污水处理依赖于工艺工程师的经验判断和简单的比例控制(PID)，在面对复杂动态的生物化学过程时，往往难以实现能耗与出水水质的最优平衡。采用了AI技术的智慧水务通过应用先进的信息技术和物联网技术，可以实现对水资源管理、监控、调度和运营的智能化管理，将“人、机、物”联通协同，构建起水务系统的“神经网络”。行业前景是非常光明的，但是真实的AI要进入到污水处理中，是需要很复杂的路径的。今天《治污者说》就用门槛的说法来讨论下AI进入污水处理行业前所需要面对的社会与基础环境因素。
 

　　中国中小城镇(含县城、乡镇级污水处理厂，日处理规模多在0.5-5万吨/日)正面临提标改造、设施设备老化、雨季雨污合流的季节性负荷压力、节能降碳压力，从AI的基本功能来看，通过AI(智能预测、优化控制、异常预警等)是重要赋能手段。但因这些污水处理厂规模小、基础弱，污水处理经费营收困难，投入存在明显阻力。下面我们结合这些阻力的详细讨论下AI进入到污水处理行业的门槛。
 

　　(一)第一点永远都是要考虑钱从哪里来，也就是AI进入污水处理的财务压力与投融资模式的限制。我国中小城镇污水处理项目历史上高度依赖政府投资或采用BOT/TOT模式。在2009-2012年间形成的许多特许经营协议中，运营方的利润主要来自于政府按量支付的处理费，而非通过技术革新节省的盈余，这种“成本加成”或“固定单价”模式在一定程度上削弱了企业投入AI技术的动力。同时由于经费支付的延后和不确定性，污水厂运营者不愿意为技术革新投入资金来获得运营经费的节省，甚至有可能会出现节省的运营经费，政府会通过调价机制扣除掉污水厂的这部分节省的费用，这是污水厂运营方最不愿意看到的结果，在现有的体制下，很难激发污水厂运营方主动采用高效节能降耗的AI技术，更不要说前期要投入的大量检测仪表和物联网的建设费用，AI系统需传感器升级、边缘计算设备、云平台对接，单厂初始投入通常30-100万元以上(含硬件+软件定制)。中小城镇财政有限，三四线城市常“捉襟见肘”，提标改造本身已属高投入低直接回报项目，AI被视为“锦上添花”而非刚需。小企业/乡镇站常因成本直接放弃。
 

　　而对于政府，在整体财政困难的情况下，AI改造属于典型的“重软件、轻实物”投入，这种升级改造的绩效很难量化评估，政府无法准确预测AI的使用，带来运营成本下降的准确比例，无法确定投入的回报周期，政府建设方会较为审慎的选择发展AI进入污水厂内，特别是在传统的银行信贷审核中，这类无形资产往往难以获得高比例的固定资产贷款支持，没有资金的支持，AI的前期建设是很难开展起来的。
 

　　(二)、然后就是基础建设方面，数据基础设施与数据质量(GIGO风险)是AI在场景化应用的较大的阻力。人工智能的有效性取决于“垃圾进，垃圾出”(Garbage In, Garbage Out)效应，垃圾数据和无效数据越多，训练出来的AI越体现不出它的功能。而我国的中小城镇的污水厂在建设初期对过程仪表的投入较低，后期维护不到位，使得污水厂内数据环境普遍面临着以下的问题：
 

　　(1)、过程仪表缺失与维护缺失：许多关键工艺点位缺乏在线仪表，或现有仪表长期未校准和维护，导致数据偏差巨大，采用的仪表质量参差不齐，所产生的数据根本无法体现出现场的实际工况；
 

　　(2)、数据离散化：进水水质受居民生活、企业偷怕、雨污混流影响剧烈，化验室工作特点下进水的切片化的数据，这些数据连续性差，污水厂已有的数据呈现“不全、不准、不匀”，且缺乏长期的历史积累，难以支持深度学习模型的训练，不同工艺、不同地区的进水水质、不同的设备设施基础条件使得不同的污水厂工艺参数差异大，难以建设泛化的AI模型，所有的模型需个性化迁移训练，通用性差。。乡镇级比县城级阻力更大，农村分散式场景几乎需“先建基础再上AI”。
 

　　(3)、区域数据孤岛：污水厂内的工艺、设备、设施、电力、药剂统计数据没有统一的口径进行统计，而AI的污水处理的决策需要结合全过程的数据进行分析和管理，污水厂的物联网的数据建设和管理还远远达不到提供决策分析的丰富程度，部分厂站的物联网连接不稳定，也会导致AI决策所需的低延迟数据流中断。
 

　　(三)、组织架构与人才瓶颈：在污水厂的管理模式中，重大投资往往依赖于运营管理者，也就是“一把手”的决策，而需要资金投入的AI的实施必然也是“一把手工程”，需要管理层具备重构业务流程的决心。在国内现阶段中小城镇管理者的认知水平、基层运营人员的对自身花费多年积累的现场管理经验及技术被AI取代的焦虑，以至于是可能产生的岗位丢失问题，以及现有KPI考核体系重点关注成本管控而对“过程优化”的忽视，构成了强大的组织阻力。
 

　　污水厂往往缺乏能同时理解环境工程与算法模型的复合型人才，缺乏AI+水处理复合人才，传统操作员难掌握模型解释、策略调整；自动化后“人往哪儿去”也是现实顾虑；设备档次参差，AI难以直接“插拔”；运维人员对AI全面接管的不信任，可能是看笑话的心理，对于复杂的现场工况数据没有和AI直接交流的滞后性，导致系统上线后无法进行持续的参数调优，最终不能实现Ai的稳定运行，大量的污水厂AI建设需要更多的专业仪表技术人员进入到污水厂一线进行工作，在污水厂污水处理专业人才还在严重匮乏的当下，吸纳专业的仪表人才、AI人才更是遥不可及的现实。
 

　　(四)、工艺安全性与合规风险：污水处理作为公用事业，首要目标是排放达标。AI模型作为一种非线性的“黑盒”，在极端工况(如暴雨、工业偷排冲击)下的稳定性尚未得到充分的大规模验证。如果AI控制指令导致出水指标超标，运营企业将面临环保行政处罚和信用受损。
 

　　还有就是数据的安全性，AI作为智能分析，需要海量的数据进行分析，这不能仅仅局限在一个污水厂内，需要通过大量的同地区、同时期的、同工艺的的污水处理设施的数据进行训练，这需要有大量的污水厂的基础运行数据进入云端，作为城市基础服务行业，这些数据的安全性在一定程度上是人民生活稳定的保障，进入云端在算力中心进行训练的过程，会不会产生数据风险，这需要在AI普及前，进行法律法规的建设。
 

　　这一篇讨论了众多的门槛因素，这些门槛因素可能是较为残酷的现实，这可能也是热钱资本不愿意进入到污水处理的AI进程化的原因，而且这些不确定的安全性和数据风险，在现阶段污水厂的“求稳”心态下，使得许多运营方宁愿采取保守的、高能耗的传统模式，而不愿意采用高科技的AI进入到自己的管理视野内。但是我们还是要看到AI在污水厂的应用前景是极为广阔的，国家政策也在不断加码对AI技术的场景化应用的政策引导力度，后续，将重点围绕污水厂的场景讨论AI技术的应用的可能性，欢迎持续关注并参与讨论。
 

　　原标题：AI与污水处理厂系列文章(一)