近日，工信部等八部门联合印发的《“人工智能+制造”专项行动实施意见》（以下简称《意见》）正式公布。《意见》提出，到2027年，推动3个~5个通用大模型在制造业深度应用，形成特色化、全覆盖的行业大模型，打造100个工业领域高质量数据集，推广500个典型应用场景。八部门的联合行动表明，人工智能与制造业的深度融合已被提升到国家战略高度。
其中特别提到：“建立部门合作、央地联动、产业协同的工作推进机制，鼓励地方因地制宜制定政策措施，引导企业错位发展，防范产业‘内卷式’竞争。”鞍钢集团钢铁研究院信息技术研究所所长曲泰安解读称，钢铁行业需构建“政策引导—平台协同—生态共建”的工作机制。于国家层面而言，应制定“AI（人工智能）+钢铁”的技术路线图，明确不同类型企业的发展方向；在产业层面，应依托头部企业的工业互联网平台，构建“数据可用不可见”的联邦学习体系，使企业在不共享原始数据的情形下联合训练模型，避免重复建设；在生态层面，应强化人才培养及产学研合作，缩小与国际先进钢铁企业的差距。
通用大模型须转化为
“业务大模型”
《意见》提出，“推动3个~5个通用大模型在制造业深度应用”。在曲泰安看来，通用大模型本身并不适合钢铁行业的各类垂直应用场景，尤其是在生产、工艺、质量、研发这些专业要求极高的领域，理论上很难实现通用大模型在制造业的直接深度应用。
“真正切实有效的路径，是通过模型微调等技术手段，将通用大模型转化为各个细分场景下带有专业属性的‘业务大模型’，让AI技术真正贴合钢铁行业的实际业务需求。”他告诉《中国冶金报》记者。
中国钢研科技集团没有依赖通用大模型的泛化能力，而是构建了专用的“材料数据工厂”，打造出适配高温合金研发的专属业务大模型，破解了航空航天用高温合金研发“试错成本高、周期长”的难题。
生产环节的高效运转也离不开贴合钢铁工艺特性的业务大模型。中国宝武以通用大模型为基础，吸收海量高炉运行数据和工业物理化学规律，通过“预训练底座+下游任务微调”模式，构建了破解高炉“黑箱”难题的生产业务大模型。中油宝世顺基于通用大模型，结合钢管焊缝检测专业知识，经过百万级工业影像数据采集和千万次算法迭代，打造出国内首个AI钢管智能检测业务大模型。
“要推进这类‘业务大模型’的深度应用，核心还是要遵循‘数据筑基—机理融合—试点推广’的逻辑，但每一步都要紧扣‘专业属性赋能’。”曲泰安进一步阐释道，首先得筑牢数据根基，像鞍钢打造的“1+N”大数据平台，整合了从矿山开采到轧钢的全流程数据，数据管理能力成熟度达4.0级，这为通用大模型的微调提供了高质量的专业数据“养料”。其次要强化机理融合，把钢铁冶金的专业机理、老工匠的实践经验转化为模型可识别的规则，避免纯数据驱动的“黑箱决策”，让“业务大模型”既懂AI算法，又懂钢铁业务。最后要从小范围场景试点起步，在高炉风口诊断、钢材表面缺陷检测这些痛点突出、效益易评估的场景验证效果，再逐步复制推广。
唯有实现大小模型协同
方能发挥更大效能
《意见》提出要“开发高水平行业模型”。何为高水平行业模型？曲泰安从行业和企业两个维度做了解释。
对于钢铁行业而言，判断高水平行业模型需考虑业务适配能力、数据处理能力和价值创造能力等多个维度。就企业层面而言，价值创造是最为基本的判断准则。
曲泰安表示，高水平行业模型的研发同样需遵循“业务驱动、技术支撑、数据融合、功能协同”的建设原则。此处的“行业模型”必定是适配特定“业务领域”的模型。因此，首先，应组织业务专家对学术理论、工业机理和业务经验进行系统梳理，并将其转化为模型规则，进而构建行业高质量数据集；其次，依托大模型、传统机器学习类的小模型等人工智能技术，构建契合实际业务领域的“高水平行业大模型”；最后，借助“老专家+AI专家”的反复迭代优化，提高模型的准确率和质量，使大模型更深入地理解业务和技术，逐步提升模型的业务适配度，从而为企业实现价值创造。
而对于《意见》中提到的“打造面向工业细分场景小模型，鼓励大小模型协同创新”，曲泰安表示了高度赞同。他认为：“当前，大模型与小模型尚无准确定义，二者的应用场景存在差异且各有侧重，唯有实现大小模型的协同，方能发挥更大效能。例如，视觉大模型的优势在于准确率高，但其劣势是模型识别速度较慢；传统机器视觉类小模型的优势是模型识别速度快，不过准确率低于大模型。”
在工业领域，经过云端视觉大模型的反复迭代训练与优化后，可借助蒸馏技术手段将其转化为能够在端侧灵活部署的小模型，如此既提高了高准确率，又满足了工业现场对快速识别的需求。“这种大模型的轻量化部署方式妥善解决了大小模型协同优化的问题。”曲泰安表示，这种大模型与小模型相结合的思路同样适用于工艺优化、生产调度、设备诊断等多个钢铁业务领域。
大模型嵌入钢铁生产核心环节
不可盲目跟风
《意见》提出：“推动大模型技术深度嵌入生产制造核心环节”。“其核心难点聚焦于数据、机理、安全3个关键领域，这与国家数据局对高质量数据集的要求存在紧密关联。”曲泰安表示。
在数据层面，钢铁生产工序繁杂，数据分散于不同的控制系统中，接口与协议缺乏统一标准，从而形成了“信息孤岛”现象。此外，高温、高粉尘的恶劣环境致使传感器采集的数据产生偏差，难以构建“格式统一、质量可控”的数据集。
在机理融合方面，钢铁冶炼属于气、液、固三相耦合的复杂“黑箱”过程，通用大模型对冶金专业知识了解不足，无法满足数据与场景深度耦合的要求。
从安全合规角度来看，生产数据包含核心工艺等敏感信息，需要进行分级保护，但大模型训练需要跨环节、跨企业的数据共享，“数据可用不可见”的目标难以实现，同时中小企业缺乏相关技术能力，导致行业出现重复建设的问题。
“归根结底，大模型嵌入钢铁生产核心环节，不可盲目跟风，而应遵循数据筑基—机理融合—试点推广的逻辑顺序，每一个环节都要紧密贴合国家政策要求和行业实际情况。”曲泰安向《中国冶金报》记者分享道，首先，应像鞍钢一样搭建“1+N”大数据平台，对全流程数据进行有效整合，稳固数据基础；其次，将冶金机理和工匠经验转化为模型规则，使“业务大模型”切实适配生产场景；最后，选取小范围的痛点场景进行试点，待验证效果良好后再进行推广。例如鞍钢计划到2030年使产线关键工序AI应用普及率达到80%以上，便是按照这一思路稳步推进的。
“只有将政策要求、企业实践与技术创新有机结合，才能真正使大模型从单纯的‘工具’转变为实际的‘生产力’。”曲泰安最后说道。（中国冶金报）
[06-25]
[07-03]
[06-20]
[06-19]
[10-29]
[01-13]
[01-12]
[01-12]
[01-07]
[01-05]