大模型落地冷熱之局：工業何以成為AI「深水區」

除了工業場景固有的複雜性和嚴肅性，工業AI與物理世界緊密關聯，涉及複雜的時空因果關係，其落地不僅考驗AI技術本身，更依賴於深厚的工業數據積澱和場景知識理解。

過去兩年，基礎大模型的進步有目共睹，無論是大語言模型還是多模態模型，國內模型的效果已經能夠媲美海外。但硬幣的另一面，各行各業還在積極探索大模型應用和落地的場景，並努力形成商業閉環。

如今，不同的領域正在呈現出冷熱不均的態勢。

在這股蓬勃發展的落地浪潮中，內容創作、客戶服務、編程輔助等領域已成為大語言模型（LLM）應用落地的先鋒場景。AI技術在這些領域聚焦於提升數字世界的創造力和效率，對AI輸出的準確性也相對寬容。

不過，與大眾消費領域里AI應用的火熱景象相比，在關乎國家能源安全，作為大國競爭「壓艙石」，且深度嵌入大眾「衣食住行」的工業製造領域，大模型的落地應用卻顯得頗為冷清。

究其根本，除工業場景固有的複雜性和嚴肅性外，更在於工業AI與物理世界緊密關聯，涉及複雜的時空因果關係，其落地不僅考驗AI技術本身，更依賴於深厚的工業數據積澱和場景知識理解。這正是AI從工業落地的「淺灘區」邁向「深水區」的關鍵突破口。

硬幣的兩面

目前，工業製造領域，不乏大模型應用落地的探索者。一大批企業都對工業製造行業展露出了濃厚的興趣，不少玩家已經在積極佈局這一賽道。

從2023年年中開始，圍繞著大模型在工業製造場景里的應用和落地，基礎模型廠商、科技大廠、工業製造企業以及工業軟件頭部企業等紛紛落子佈局。進入2024年後，市場上各類企業的動作明顯變得更為密集。據數智前線不完全統計，2024年工業領域各類企業推出的大模型相關產品數量明顯較前一年顯著增多。

國際數據公司IDC在今年3月發佈的大模型落地報告中也提到，行業垂直業務場景里，製造與金融、能源、零售一起，被列為最值得關注的傳統行業方向之一。

在各類服務商紛紛入局的背景下，業界觀察，工業製造領域大模型落地呈現出以下明顯特徵：

首先，工業大模型的應用場景廣泛，正滲透到價值鏈的多個環節，行業里呈現出了百花齊放的局面。

沙丘智庫在《2024年中國工業大模型應用跟蹤報告》中指出，從研發設計、生產製造、經營管理和產品服務等工業價值鏈的多個環節，都有企業在嘗試應用大模型技術。

其次，當下百花齊放的格局下，多數落地嘗試主要圍繞智能問數，內部知識問答、客服助手等通用類場景展開。比如企業管理者通過一句話，能看到最近幾個月的經營情況彙總，或者用AI輔助生成一份營銷文案。

不難發現，業內對AI的應用更多還是在辦公提效的淺表層面，而在生產製造、預測控制等具有更高價值的工業核心場景，大模型的推進和落地相對較少，相關技術、產品和解決方案仍有待進一步破局。

造成這一現象的背後，是工業領域核心場景的獨特特性和需求，限制了大模型在這些場景的滲透速度和範圍。

一方面，工業製造的生產、控制等核心場景，對模型的安全性、精準性、時效性、泛化能力以及容錯率等都有著極高的要求，這給大模型落地帶來了挑戰。

筆者曾與中控技術工業AI技術管理總經理王寬心深入交流。他以石化、化工行業為例指出，這些行業的生產環節常具高溫、高壓、易燃、易爆等特性，對安全性要求極高。同時，由於生產流程環節多，場景複雜，企業與服務商均對產品的穩定性、實時性等核心技術指標要求嚴苛。一旦模型產生「幻覺」，可能幹擾正常生產，甚至引發安全事故——這自然遲滯了工業AI在核心場景的推進步伐。

更關鍵的是，大語言模型（LLM）的本質是基於海量文本訓練的自回歸模型，擅長通過上下文理解生成連貫、合乎語境的文本。而工業核心場景則高度依賴時序數據，強調時間的不可逆性和觀測值之間的因果約束。二者的本質差異，使得當下流行的LLM與工業的核心場景存在天然錯配，難服水土。

另一方面，當下大模型技術的可解釋性仍有待進一步明確，對於關乎企業核心競爭力的敏感工藝場景，許多企業對將核心知識及場景公開化心存疑慮。

同樣以流程工業為例，許多企業為了確保對核心敏感工藝進行保密，對相關場景的技術方案都進行了數據隱蔽性處理，甚至還會建成黑匣子工程。這一背景下，大模型技術在當下階段也很難滲透到這些核心場景。

除此之外，在工業製造場景，工業AI落地還面臨需求複雜和場景零碎的挑戰。

截至今年1月數據，國內規模以上工業企業數量達51.2萬家，覆蓋41個工業大類、207個工業中類、666個工業小類，這裡面企業的智能化基礎各異，生產過程更是千差萬別，企業對大模型應用和落地的需求自然也各不相同。這也對模型廠商提出了非常具體的挑戰。

比如針對某一行業場景推出的模型能否具有足夠的泛化能力，實現跨領域複用。一旦模型落地不同場景，往往需要結合行業特性做專門的定製開發，從而使得模型落地成本飆升，不利於快速面向更多企業的推廣應用。

AI技術切入工業核心場景，已迫在眉睫

儘管工業AI在核心場景里推進面臨上述重重挑戰，但AI在工業領域的價值已經形成了共識，尤其是我國在從工業大國向工業強國轉型的大背景下，AI等智能化技術被寄予厚望。

業界認為，市場當下存在內生需求和宏觀政策兩大驅動因素，正推動著企業及服務商在生產控制等工業核心場景持續投入，加速工業AI向核心場景破局。

過去幾年工業製造企業普遍遭遇外部環境不確定、生產經營壓力大、產品利潤率承壓等挑戰。統計數據顯示，國內規模以上工業企業的營收利潤率連續幾年呈現降低趨勢。

在這一大背景下，能源化工等關乎國計民生的工業製造領域，企業有著廣泛的內生需求，普遍希望能在安全、質量、低碳、效益等工業核心價值場景，依靠技術創新實現跨越式發展。而工業AI則是過去兩年里最具確定性的一項技術，有望幫助廣大企業解決其在核心價值場景里的沉屙。

比如原有技術手段僅能解決單點問題，同時還存在明顯的效率瓶頸，而工業AI具有更全的場景覆蓋度、更強的全局優化能力，能顯著提升效率。流程行業原來在安全、質量、低碳、效益等核心價值場景里的難題迎來了新的解題思路。

以質量管理為例，傳統的技術條件下，流程工業的全過程質量管理一直是大難題。雖然也有一些在線分析設備，但它們的表徵能力和覆蓋場景不足，且設備價格昂貴，絕大多數場景都要靠傳統的取樣化驗流程來管控質量。而傳統的取樣化驗流程反饋速度極慢，從取樣到實驗室分析出結果最快也要耗費兩三個小時。

流程工業通常24小時不間斷作業，在傳統技術手段的限制下，企業過去很難實現對全流程質量指標進行管控，造成了原材料和人力物力的浪費，也不利於產品的口碑建設。

作為工業AI的核心模型之一，時間序列大模型正是有效解決這些問題的關鍵。中控技術王寬心指出，針對質量管理痛點，中控技術自研的時間序列大模型TPT（Time-series Pre-trained Transformer）能夠深度挖掘工藝過程與質量數據的內在關聯規律，實現全過程質量軟測量。這不僅顯著降低了化驗成本和頻次，更能在生產質量出現波動時，提前預測並調整操作參數，有效提升產品質量和運行效率。

在達成安全、質量、低碳、效益四大價值目標過程中，一些複雜過程缺乏有效控制手段，還需要人工操作完成，存在操作頻次高、作業時間長且繁瑣等痛點。而時間序列大模型TPT通過精準的預測能力與控制結合，替代人完成對裝置的閉環優化操控，大幅縮短調整時長、有效降低人工操作勞動強度。

除了上述企業提升競爭力的內生需求，還有另一股力量驅動著AI挺進工業核心場景。

眾所周知，我國作為製造業大國，工業製造對國民經濟的發展有舉足輕重的作用。數據顯示，2024年我國工業增加值佔GDP比重約為30%。同時中國還是全球最大的工業製造國，在全球製造業中的佔比已經達到28%。可以說，作為經濟發展的基石，我國製造業的智能化升級，對於大國競爭的戰略主動具有決定性意義。

新一代人工智能技術，無疑能加速中國製造的智能化升級進程，工業AI在政策層面也獲得了顯著的支撐。去年以來，政府工作報告中明確提出要「開展‘人工智能+’行動」，今年2月，國資委召開中央企業「AI+」專項行動深化部署會，強調國資央企要抓住人工智能產業發展的戰略窗口期。

在這些框架性指導下，央國企已經在許多領域成為大模型應用落地的主力軍，工業製造也成為「AI+」的熱門應用場景。數智前線此前對2024年的公開招投標項目進行統計，發現能源等工業細分行業在其中有著不小的佔比。

值得一提的是，央國企推進工業AI雖然受到政策驅動，但態度非常理性務實。據業內資深人士介紹，目前它們的目標也很明確，AI要用來解決生產企業的核心場景和核心問題。這也為AI挺進能源化工等工業核心領域及核心場景提供了新的契機。

內生需求和政策引領下，越來越多的企業意識到工業AI應用的必要性，工業AI的應用場景也在不斷擴大。在這些企業中，中控技術作為最典型的從自動化廠商升級為工業AI平台型的企業，通過構建的全流程AI技術閉環體繫在這股浪潮里脫穎而出，受到了行業內的廣泛關注。

中控時間序列大模型TPT，如何破解工業核心場景難題

工業AI賽道里，中控技術是行業內為數不多能挺進核心場景，解決工業AI核心問題，並實現自主控制閉環的玩家。通過對中控技術在工業AI戰略上的拆解，會發現這與中控技術過往三十年在工業控制領域的長期積累和深厚積澱密不可分。

中控技術深耕流程工業三十餘年，服務了全球3.5萬多家客戶，覆蓋流程工業50多個細分行業，已累計部署逾10萬套工業控制系統，約1億個I/O點。這些控制系統作為數據集成和知識彙集的載體，最終彙聚形成了龐大的工業數據資源庫，為智能化時代的企業客戶在安全、質量、低碳、效益等方面的大模型應用，提供了必不可少的「燃料」。

同時，中控技術在工業AI賽道所選擇的技術路線以及在場景上的先天優勢也為其工業AI產品挺進核心場景提供了助力。

在技術路線上，中控技術的時間序列大模型TPT，相比語言類或者視覺類模型，更貼合工業生產的本質特點，更易於在工業核心場景發揮價值。

幾乎所有的流程工業企業的生產裝置都在24小時一年365天不停運轉，過程中無時無刻不在產生數據，基於這些數據挖掘裝置的運行規律和潛在特徵，更符合工業場景的本質特徵，也更能在安全質量低碳效益等行業通用的高價值場景中為客戶創造價值。

「過去沒有很好的方法和工具去挖掘時序數據里隱藏的裝置運行規律和潛在特徵，而中控技術基於過去三十多年對行業理解以及知識的儲備，開展了一些探索。」王寬心告訴數智前線。

而且，中控技術基於時間序列大模型去解決工業核心問題，有天然的場景優勢。

在工業AI技術推動智能製造架構變革的背景下，業界認為，工業控制系統依然是實施工業AI技術的關鍵硬件基礎。特別是在用大模型賦能生產，以及基於智能體實現智能控制的閉環過程中，中控技術的運行數據基座（DCS）扮演著核心載體的角色。通過DCS獲取的海量工業場景運行數據推動工業AI技術在安全監管、質量管控、設備預測性維護、能碳優化、生產調優等關鍵領域的廣泛應用，能夠全面提升裝置自主運行能力。這樣，大模型相當於裝置大腦，DCS如同手腳，兩者協作，使得整個裝置更加智能和高效。

作為工業控制領域的榜首，中控技術已連續十四年蟬聯國內DCS市場佔有率第一名，龐大的用戶基礎也是一種先天優勢。這些資源也有利於中控技術從海量的行業和區域的客戶資源里找到工業AI的先鋒用戶群，更快跑通價值驗證和應用推廣的良性循環。

另外，中控技術時間序列大模型TPT已經在一些煉化企業和大化工領域的核心場景里落地應用，實現了場景價值驗證的閉環。

比如在一些煉化企業里，中控技術時間序列大模型TPT能夠全面覆蓋常減壓、乙烯裂解等核心裝置，可基於一個大模型同時完成質量預測、異常預警、故障診斷、操作優化等任務。比如在生產運行過程中，一旦某台泵出現振動異常，如操作不及時則可能導致非計劃停工，整個的過程發生可能就在「轉瞬之間」，對於操作員的經驗考驗、心理承壓都有非常高的要求。而中控技術的時間序列大模型TPT則能夠提前30分鐘實現超早期異常預警，並自動提供設備故障的原因分析和處置建議，如此一來，操作人員就能全面快速掌握裝置運行情況，及時消除工藝異常和設備異常，提升企業對裝置的風險把控能力。

此外，裝置實現控制閉環的場景也已經取得了初步實踐成果。比如在氯堿裝置廢水pH值的控制場景中，由於pH值在中性區域非線性時變等特徵，傳統的控制手段很難實現平穩控制，目前該場景控制過程主要依賴人工經驗。在這一場景中，基於歷史時序數據模型進行微調，並利用大模型預測不同的加酸加堿量對pH值的影響，基於預測結果控制加酸加堿量進行前饋調節，實現了pH值的閉環智能控制。

「沒有大模型加持的生產控制，需要一個操作工頻繁手動操作，耗時6～8小時才能完成。而實現智能控制後，設備可以自動在一個小時內，甚至最快幾分鐘就能完成一罐廢水的酸堿中和，大大提升了運行效率。」王寬心說。

時間序列大模型推出一年來，中控技術仍在不停地打磨產品和提升能力，以推動工業AI的規模化應用，並持續深化這一長期議題的探索。數智前線獲悉，近期中控時間序列大模型TPT將推出更為重磅的升級版本。相比2024年推出的首代產品，新版本所能夠覆蓋的裝置類型、能解決的工業實際問題以及模型性能都將得到全方位提升。

結語

人工智能賦能工業製造，是一場系統性的變革，它可能會顛覆傳統智能製造的架構與數字化轉型模式，也將對未來工廠智能化路徑和裝置形態產生持續影響。

這是一個不斷演進深化的過程，雖有挑戰但共識已現——工業領域的未來在工業AI，工業AI將引領工業智能化的創新浪潮，市場的空間也在逐步打開。Gartner有過預測，到2027年，中國製造業的AI使用滲透率將以10%的年復合增長率上升。IDC則預估，到2028年，AI+工業軟件的滲透率也將從2025年的9%提升至22%。

這股浪潮下，廣大工業製造企業有望在工業AI的武裝下實現跨越式發展，並提升行業整體競爭力；中國製造業也將因工業AI的推動迎來智能化升級機遇，提升全球競爭力，實現從工業大國向工業強國的轉變。而以中控技術為代表的頭部工業AI企業，已率先進入了AI落地的深水區，走一條從未被走過的路。也許很快，也許很久，但無論如何，工業AI的發展必將帶動相關產業鏈的繁榮，引領整個工業體系的智能化轉型與變革。

本文來自微信公眾號「數智前線」（ID：szqx1991），作者：徐鑫 遊勇‍‍‍‍‍‍，編輯：周路平，36氪經授權發佈。