大模型落地冷热之局: 工业何以成为AI“深水区”

文｜徐鑫 游勇

编｜周路平

过去两年，基础大模型的进步有目共睹，无论是大语言模型还是多模态模型，国内模型的效果已经能够媲美海外。但硬币的另一面，各行各业还在积极探索大模型应用和落地的场景，并努力形成商业闭环。

如今，不同的领域正在呈现出冷热不均的态势。

在这股蓬勃发展的落地浪潮中，内容创作、客户服务、编程辅助等领域已成为大语言模型（LLM）应用落地的先锋场景。AI技术在这些领域聚焦于提升数字世界的创造力和效率，对AI输出的准确性也相对宽容。

不过，与大众消费领域里AI应用的火热景象相比，在关乎国家能源安全，作为大国竞争“压舱石”，且深度嵌入大众“衣食住行”的工业制造领域，大模型的落地应用却显得颇为冷清。

究其根本，除工业场景固有的复杂性和严肃性外，更在于工业AI与物理世界紧密关联，涉及复杂的时空因果关系，其落地不仅考验AI技术本身，更依赖于深厚的工业数据积淀和场景知识理解。这正是AI从工业落地的“浅滩区”迈向“深水区”的关键突破口。

01

硬币的两面

目前，工业制造领域，不乏大模型应用落地的探索者。一大批企业都对工业制造行业展露出了浓厚的兴趣，不少玩家已经在积极布局这一赛道。

从2023年年中开始，围绕着大模型在工业制造场景里的应用和落地，基础模型厂商、科技大厂、工业制造企业以及工业软件头部企业等纷纷落子布局。进入2024年后，市场上各类企业的动作明显变得更为密集。据数智前线不完全统计，2024年工业领域各类企业推出的大模型相关产品数量明显较前一年显著增多。

国际数据公司IDC在今年3月发布的大模型落地报告中也提到，行业垂直业务场景里，制造与金融、能源、零售一起，被列为最值得关注的传统行业方向之一。

在各类服务商纷纷入局的背景下，业界观察，工业制造领域大模型落地呈现出以下明显特征：

首先，工业大模型的应用场景广泛，正渗透到价值链的多个环节，行业里呈现出了百花齐放的局面。

沙丘智库在《2024年中国工业大模型应用跟踪报告》中指出，从研发设计、生产制造、经营管理和产品服务等工业价值链的多个环节，都有企业在尝试应用大模型技术。

其次，当下百花齐放的格局下，多数落地尝试主要围绕智能问数，内部知识问答、客服助手等通用类场景展开。比如企业管理者通过一句话，能看到最近几个月的经营情况汇总，或者用AI辅助生成一份营销文案。

不难发现，业内对AI的应用更多还是在办公提效的浅表层面，而在生产制造、预测控制等具有更高价值的工业核心场景，大模型的推进和落地相对较少，相关技术、产品和解决方案仍有待进一步破局。

造成这一现象的背后，是工业领域核心场景的独特特性和需求，限制了大模型在这些场景的渗透速度和范围。

一方面，工业制造的生产、控制等核心场景，对模型的安全性、精准性、时效性、泛化能力以及容错率等都有着极高的要求，这给大模型落地带来了挑战。

笔者曾与中控技术工业AI技术管理总经理王宽心深入交流。他以石化、化工行业为例指出，这些行业的生产环节常具高温、高压、易燃、易爆等特性，对安全性要求极高。同时，由于生产流程环节多，场景复杂，企业与服务商均对产品的稳定性、实时性等核心技术指标要求严苛。一旦模型产生“幻觉”，可能干扰正常生产，甚至引发安全事故——这自然迟滞了工业AI在核心场景的推进步伐。

更关键的是，大语言模型（LLM）的本质是基于海量文本训练的自回归模型，擅长通过上下文理解生成连贯、合乎语境的文本。而工业核心场景则高度依赖时序数据，强调时间的不可逆性和观测值之间的因果约束。二者的本质差异，使得当下流行的LLM与工业的核心场景存在天然错配，难服水土。

另一方面，当下大模型技术的可解释性仍有待进一步明确，对于关乎企业核心竞争力的敏感工艺场景，许多企业对将核心知识及场景公开化心存疑虑。

同样以流程工业为例，许多企业为了确保对核心敏感工艺进行保密，对相关场景的技术方案都进行了数据隐蔽性处理，甚至还会建成黑匣子工程。这一背景下，大模型技术在当下阶段也很难渗透到这些核心场景。

除此之外，在工业制造场景，工业AI落地还面临需求复杂和场景零碎的挑战。

截至今年1月数据，国内规模以上工业企业数量达51.2万家，覆盖41个工业大类、207个工业中类、666个工业小类，这里面企业的智能化基础各异，生产过程更是千差万别，企业对大模型应用和落地的需求自然也各不相同。这也对模型厂商提出了非常具体的挑战。

比如针对某一行业场景推出的模型能否具有足够的泛化能力，实现跨领域复用。一旦模型落地不同场景，往往需要结合行业特性做专门的定制开发，从而使得模型落地成本飙升，不利于快速面向更多企业的推广应用。

02

AI技术切入工业核心场景，已迫在眉睫

尽管工业AI在核心场景里推进面临上述重重挑战，但AI在工业领域的价值已经形成了共识，尤其是我国在从工业大国向工业强国转型的大背景下，AI等智能化技术被寄予厚望。

业界认为，市场当下存在内生需求和宏观政策两大驱动因素，正推动着企业及服务商在生产控制等工业核心场景持续投入，加速工业AI向核心场景破局。

过去几年工业制造企业普遍遭遇外部环境不确定、生产经营压力大、产品利润率承压等挑战。统计数据显示，国内规模以上工业企业的营收利润率连续几年呈现降低趋势。

在这一大背景下，能源化工等关乎国计民生的工业制造领域，企业有着广泛的内生需求，普遍希望能在安全、质量、低碳、效益等工业核心价值场景，依靠技术创新实现跨越式发展。而工业AI则是过去两年里最具确定性的一项技术，有望帮助广大企业解决其在核心价值场景里的沉疴。

比如原有技术手段仅能解决单点问题，同时还存在明显的效率瓶颈，而工业AI具有更全的场景覆盖度、更强的全局优化能力，能显著提升效率。流程行业原来在安全、质量、低碳、效益等核心价值场景里的难题迎来了新的解题思路。

以质量管理为例，传统的技术条件下，流程工业的全过程质量管理一直是大难题。虽然也有一些在线分析设备，但它们的表征能力和覆盖场景不足，且设备价格昂贵，绝大多数场景都要靠传统的取样化验流程来管控质量。而传统的取样化验流程反馈速度极慢，从取样到实验室分析出结果最快也要耗费两三个小时。

流程工业通常24小时不间断作业，在传统技术手段的限制下，企业过去很难实现对全流程质量指标进行管控，造成了原材料和人力物力的浪费，也不利于产品的口碑建设。

作为工业AI的核心模型之一，时间序列大模型正是有效解决这些问题的关键。中控技术王宽心指出，针对质量管理痛点，中控技术自研的时间序列大模型TPT（Time-series Pre-trained Transformer）能够深度挖掘工艺过程与质量数据的内在关联规律，实现全过程质量软测量。这不仅显著降低了化验成本和频次，更能在生产质量出现波动时，提前预测并调整操作参数，有效提升产品质量和运行效率。

在达成安全、质量、低碳、效益四大价值目标过程中，一些复杂过程缺乏有效控制手段，还需要人工操作完成，存在操作频次高、作业时间长且繁琐等痛点。而时间序列大模型TPT通过精准的预测能力与控制结合，替代人完成对装置的闭环优化操控，大幅缩短调整时长、有效降低人工操作劳动强度。

除了上述企业提升竞争力的内生需求，还有另一股力量驱动着AI挺进工业核心场景。

众所周知，我国作为制造业大国，工业制造对国民经济的发展有举足轻重的作用。数据显示，2024年我国工业增加值占GDP比重约为30%。同时中国还是全球最大的工业制造国，在全球制造业中的占比已经达到28%。可以说，作为经济发展的基石，我国制造业的智能化升级，对于大国竞争的战略主动具有决定性意义。

新一代人工智能技术，无疑能加速中国制造的智能化升级进程，工业AI在政策层面也获得了显著的支撑。去年以来，政府工作报告中明确提出要“开展‘人工智能+’行动”，今年2月，国资委召开中央企业“AI+”专项行动深化部署会，强调国资央企要抓住人工智能产业发展的战略窗口期。

在这些框架性指导下，央国企已经在许多领域成为大模型应用落地的主力军，工业制造也成为“AI+”的热门应用场景。数智前线此前对2024年的公开招投标项目进行统计，发现能源等工业细分行业在其中有着不小的占比。

值得一提的是，央国企推进工业AI虽然受到政策驱动，但态度非常理性务实。据业内资深人士介绍，目前它们的目标也很明确，AI要用来解决生产企业的核心场景和核心问题。这也为AI挺进能源化工等工业核心领域及核心场景提供了新的契机。

内生需求和政策引领下，越来越多的企业意识到工业AI应用的必要性，工业AI的应用场景也在不断扩大。在这些企业中，中控技术作为最典型的从自动化厂商升级为工业AI平台型的企业，通过构建的全流程AI技术闭环体系在这股浪潮里脱颖而出，受到了行业内的广泛关注。

03

中控时间序列大模型TPT

如何破解工业核心场景难题

工业AI赛道里，中控技术是行业内为数不多能挺进核心场景，解决工业AI核心问题，并实现自主控制闭环的玩家。通过对中控技术在工业AI战略上的拆解，会发现这与中控技术过往三十年在工业控制领域的长期积累和深厚积淀密不可分。

中控技术深耕流程工业三十余年，服务了全球3.5万多家客户，覆盖流程工业50多个细分行业，已累计部署逾10万套工业控制系统，约1亿个I/O点。这些控制系统作为数据集成和知识汇集的载体，最终汇聚形成了庞大的工业数据资源库，为智能化时代的企业客户在安全、质量、低碳、效益等方面的大模型应用，提供了必不可少的“燃料”。

同时，中控技术在工业AI赛道所选择的技术路线以及在场景上的先天优势也为其工业AI产品挺进核心场景提供了助力。

在技术路线上，中控技术的时间序列大模型TPT，相比语言类或者视觉类模型，更贴合工业生产的本质特点，更易于在工业核心场景发挥价值。

几乎所有的流程工业企业的生产装置都在24小时一年365天不停运转，过程中无时无刻不在产生数据，基于这些数据挖掘装置的运行规律和潜在特征，更符合工业场景的本质特征，也更能在安全质量低碳效益等行业通用的高价值场景中为客户创造价值。

“过去没有很好的方法和工具去挖掘时序数据里隐藏的装置运行规律和潜在特征，而中控技术基于过去三十多年对行业理解以及知识的储备，开展了一些探索。”王宽心告诉数智前线。

而且，中控技术基于时间序列大模型去解决工业核心问题，有天然的场景优势。

在工业AI技术推动智能制造架构变革的背景下，业界认为，工业控制系统依然是实施工业AI技术的关键硬件基础。特别是在用大模型赋能生产，以及基于智能体实现智能控制的闭环过程中，中控技术的运行数据基座（DCS）扮演着核心载体的角色。通过DCS获取的海量工业场景运行数据推动工业AI技术在安全监管、质量管控、设备预测性维护、能碳优化、生产调优等关键领域的广泛应用，能够全面提升装置自主运行能力。这样，大模型相当于装置大脑，DCS如同手脚，两者协作，使得整个装置更加智能和高效。

作为工业控制领域的领头羊，中控技术已连续十四年蝉联国内DCS市场占有率第一名，庞大的用户基础也是一种先天优势。这些资源也有利于中控技术从海量的行业和区域的客户资源里找到工业AI的先锋用户群，更快跑通价值验证和应用推广的良性循环。

另外，中控技术时间序列大模型TPT已经在一些炼化企业和大化工领域的核心场景里落地应用，实现了场景价值验证的闭环。

比如在一些炼化企业里，中控技术时间序列大模型TPT能够全面覆盖常减压、乙烯裂解等核心装置，可基于一个大模型同时完成质量预测、异常预警、故障诊断、操作优化等任务。比如在生产运行过程中，一旦某台泵出现振动异常，如操作不及时则可能导致非计划停工，整个的过程发生可能就在“转瞬之间”，对于操作员的经验考验、心理承压都有非常高的要求。而中控技术的时间序列大模型TPT则能够提前30分钟实现超早期异常预警，并自动提供设备故障的原因分析和处置建议，如此一来，操作人员就能全面快速掌握装置运行情况，及时消除工艺异常和设备异常，提升企业对装置的风险把控能力。

此外，装置实现控制闭环的场景也已经取得了初步实践成果。比如在氯碱装置废水pH值的控制场景中，由于pH值在中性区域非线性时变等特征，传统的控制手段很难实现平稳控制，目前该场景控制过程主要依赖人工经验。在这一场景中，基于历史时序数据模型进行微调，并利用大模型预测不同的加酸加碱量对pH值的影响，基于预测结果控制加酸加碱量进行前馈调节，实现了pH值的闭环智能控制。

“没有大模型加持的生产控制，需要一个操作工频繁手动操作，耗时6～8小时才能完成。而实现智能控制后，设备可以自动在一个小时内，甚至最快几分钟就能完成一罐废水的酸碱中和，大大提升了运行效率。”王宽心说。

时间序列大模型推出一年来，中控技术仍在不停地打磨产品和提升能力，以推动工业AI的规模化应用，并持续深化这一长期议题的探索。数智前线获悉，近期中控时间序列大模型TPT将推出更为重磅的升级版本。相比2024年推出的首代产品，新版本所能够覆盖的装置类型、能解决的工业实际问题以及模型性能都将得到全方位提升。

结 语

人工智能赋能工业制造，是一场系统性的变革，它可能会颠覆传统智能制造的架构与数字化转型模式，也将对未来工厂智能化路径和装置形态产生持续影响。

这是一个不断演进深化的过程，虽有挑战但共识已现——工业领域的未来在工业AI，工业AI将引领工业智能化的创新浪潮，市场的空间也在逐步打开。Gartner有过预测，到2027年，中国制造业的AI使用渗透率将以10%的年复合增长率上升。IDC则预估，到2028年，AI+工业软件的渗透率也将从2025年的9%提升至22%。

这股浪潮下，广大工业制造企业有望在工业AI的武装下实现跨越式发展，并提升行业整体竞争力；中国制造业也将因工业AI的推动迎来智能化升级机遇，提升全球竞争力，实现从工业大国向工业强国的转变。而以中控技术为代表的头部工业AI企业，已率先进入了AI落地的深水区，走一条从未被走过的路。也许很快，也许很久，但无论如何，工业AI的发展必将带动相关产业链的繁荣，引领整个工业体系的智能化转型与变革。