四院士谈“AI+钢铁”

5月14日，殷瑞钰、柴天佑、王国栋、桂卫华4位中国工程院院士畅谈了对于生成式AI、钢厂智能化、大模型等热点话题的看法。

殷瑞钰：钢厂智能化的实质，是要构建一个数字物理融合系统

“钢厂（流程制造业）智能化的实质是要构建一个数字物理融合系统（CPS），需要从数字信息系统一侧和物理工艺系统一侧相向而行，相互支撑，相互融合。”殷瑞钰指出。

他进一步阐释道，该融合系统是以物理系统（工艺流程和装置群）的自组织优化为技术“底座”，以与之相应的数字信息系统为他组织“大脑”，实现数字信息系统向物理工艺系统赋能，并能够持续运行，进而实现制造流程（相关过程群）整体自感知、自学习、自决策、自执行、自适应。

殷瑞钰还据此谈到了自动化与智能化、智慧与智能化的区别。

“赋能对象不同反映出数字化的层次不同。如果物理工艺系统为单一工序/装置，数字信息系统向其赋能则表现为自动化；如果物理工艺系统为钢铁制造全流程，数字信息系统向其赋能则表现为智能化。”他认为。

“与智能化有所区别，智慧是一种人类大脑中特有的、内在的高级思维方式，诸如计谋策划、奇思妙想、精密构思、突发灵感、联想顿悟等……重在内在的思索性、感悟性、聪慧性。”他强调。

殷瑞钰最后呼吁，不同专业的人士在对数字物理系统的认知并达成共识的道路上，首先应该具有一种谦卑的心志——“我只是一个拥有碎片知识的人”，共识是从承认“我只有片段知识”的基础上开始的。在他看来，数字技术和数字物理系统知识带给世界最重要的价值是，把一个个孤立的单元连接成一个复杂的类生物系统。

柴天佑：新一代信息技术正驱动工业自动化、信息化向工业智能化跨越

柴天佑表示，当前，制造企业存在的关键问题，一是资源计划(ERP)、制造执行系统(MES)、过程控制系统(PCS)3层企业信息化结构，无法实现制造企业全局优化和个性定制高效化。二是复杂工况与关键工艺参数感知与识别、生产过程运行决策与控制，仍然依靠经验和知识人工完成。

“新一代信息技术开辟了研发工业智能系统的新途径，正驱动工业自动化、信息化向工业智能化跨越。”柴天佑表示，工业智能化致力于实现3方面目标，一是驱动ERP/MES/DCS(PCS)三层结构向两层结构的决策与控制一体化系统发展，二是制造过程感知、决策、控制一体化和自学习自优化，三是驱动集中式ERP与MES向分散式数字孪生驱动的生产要素可视化监控、预测、回溯、决策与控制体化和自学习自优化发展。

那么，如何做到？柴天佑提出3方面观点。

第一，工业互联网必须向工业智能化的基础设施发展。工业互联网作为新一代信息技术与制造业深度融合的产物，是以数字化、网络化、智能化为主要特征的新工业革命的关键基础设施。“大家都知道购买算力，但并非都能将其打造成大模型的基础设施，需有专业的队伍才行。”柴天佑说。

第二，工业人工智能是工业智能算法的基础。美国人工智能发展战略报告里提到，“工业人工智能当前的目标是将以前无法实现工业生产自动化的任务实现自动化。”柴天佑进一步阐释道，即将产品与工艺设计、经营管理与决策、制造流程运行管理与控制等工业生产活动中，目前只能依靠人的感知、认知、分析与决策能力、经验与知识来完成的影响经济效益的知识工作，实现知识工作的自动化与智能化(工况识别、指标预测与回湖、人机互动与协作的智能优化决策)感知、决策与控制一体化，显著提高经济效益。

“工业场景的特殊性在于过程始终动态变化。人工智能的发展须与工业结合，产生工业能用的算法、平台和技术，才能真正落地，并推进产业发展。”柴天佑认为。

第三，工业元宇宙是实现虚拟场景下监控，在线自学习自优化真实场景下识别、决策与控制系统的基础。

王国栋：下一步的任务是实现钢铁工业全流程一体化的数字化转型、“AIGC+钢铁”

改革开放以来，我国钢铁行业迅猛发展，经过多年的引进和创新，工艺装备、控制系统硬件以及运行环境都达到了工业时代的巅峰水平。钢铁工业作为大型复杂流程工业，全流程各工序均为充满不确定性的“黑箱”。这些“黑箱”为我们提供了应用数字技术的最佳场景。

“工业时代后期的自动化控制系统有全面的数据采集和丰富的数据积累，数据资源优势明显。进入数字时代，对钢铁工业的落后大脑——边缘系统进行数据驱动、软件定义、双层架构的信息技术改造，构建先进的自组织、自学习、自适应、高度自治的信息物理系统（CPS）和钢铁行业创新基础设施（SEII），成为一个亟待解决的重大问题。”王国栋指出。

他呼吁，钢铁行业须遵照习近平总书记提出的新时代中国特色社会主义思想，以钢铁行业中国式现代化为目标，发挥社会主义制度的优越性，集中力量办大事，贯彻“深度融合”三原则（产学研深度融合、科技创新与创业创新深度融合、数字经济与实体经济深度融合），促进钢铁工业全流程、一体化“AI+钢铁”，数字换脑，模型换代，登顶Robotsteel（RS），完成钢铁工业中国式现代化的光荣任务。

“为此，我国钢铁行业必须以钢铁产品生产线为主线，以生产线的大数据为基本资源，利用大数据/机器学习+理论/经验，围绕质量、成本、低碳、安全发展，主攻全流程边缘黑箱，通过‘AIGC+钢铁’，建设全流程一体化的数字孪生平台与SEII，构成具身智能的钢铁行业的RS，从而实现数字经济、人工智能与实体经济的深度融合。”王国栋表示。

据介绍，经过近年产学研用的共同努力，一些先进钢铁企业的已开发出各单元SEII，并已经投入运行，发挥效益、取得重要的突破性成果，树立了单元数字化转型的样板。由于钢铁生产过程的高度复杂性和某些数据无法获取，在此过程中充分利用近年发展的最新AI技术，例如深度学习、多模态、多智能体、算力轻量化、端到端、具身智能等，将数字经济与钢铁行业实体经济深度融合，人工智能科技创新与产业创新深度融合，同时充分利用离线获取的数据和传统理论、专家经验等，为钢铁行业赋能，助推钢铁行业转型升级。

“下一步的任务是实现钢铁工业全流程一体化的数字化转型、‘AIGC+钢铁’。”王国栋表示，我们有信心做到，充分利用钢铁行业工业时代后期最先进的计算机硬件系统和运行环境，采用新一代的扁平化双层体系架构，进行数据驱动、软件定义等信息技术改造，实现钢铁行业全流程一体化的数字换脑、模型换代、AI+边缘数控，走出一条低成本、高效率、易推广、零风险的数字化转型的钢铁工业升级换代之路。

桂卫华：大模型应用到工业领域、实现产业变革，仍是一道鸿沟

所谓生成式人工智能，是以超大规模、超多参数量的大模型为基础，通过大量的数据和计算资源来提取信息、获取知识、模拟人类大脑智慧。

“理论上，大模型在工业领域可以发挥4方面作用：优化设计过程、提高研发效率，基于交互能力推动产品和服务智能化，拓展生产制造智能化应用的边界，基于助手模式提升经营管理水平。”他指出，“ChatGPT带火生成式AI，国内外掀起‘百模大战’，广大媒体讨论热烈，但大模型应用到工业领域、实现产业变革，仍有一道鸿沟。”

桂卫华分析认为，大模型工业应用主要面临知识、决策、验证等3方面挑战。具体而言，在知识方面，大模型擅长处理静态数据，而工业数据大多是时序数据；在决策方面，对机理模型的处理是工业领域最需要的部分，大模型不会处理；在验证方面，流程生产过程具有全天候不间断运行、平稳性要求高、异常状态危害大等特点，导致大模型赋能工业应用的关键技术无法不经测试直接落地应用，但新技术缺少应用验证与评测的环境。

为应对这些挑战，桂卫华团队研发了有色冶金具身智冶垂域大模型。对于解决知识问题，该大模型构建了高质量、多层级工业领域知识库，提出了基于MODELING的元建模方法及面向多场景黑盒复用的元模型标准封装体系，构建可重构、可移植、易复用的元模型。对于解决决策问题，该大模型通过工业知识微调增强代码生成大模型，建立语法/语义检查反馈提示生成的软件构造工作流，构建了低资源工控指今与代码数据的生成-部署-更新闭环链路；最后通过高保真数字孪生模型和轻量化部署构建实物伴生平台，为整体架构体系的验证测试提供基础。“该大模型破解了工业AI大模型技术不敢用、不好用的难题。”他说。

桂卫华建议，未来要进一步完善行业语料库，深入研究不同行业、不同领域、不同场景语料汇聚技术；深入研究大小模型协同进化路径，推动端侧化发展，达到大模型赋能工业I+N+X的应用范式效果；进一步融合多领域的模型能力，在不同场景中“自我学习”，通过一个大模型解决产业中各种问题，极大地提高模型利用率，推动AI开发走向“统一”。