中国国际服务贸易交易会-2025中国AIGC创新应用论坛于2025年9月12日在北京举行。主题为“从大模型到智能体，驱动AI新生态”。航天云网科技有限公司研究员柴旭东出席并演讲。
以下为演讲实录：
大家下午好，下面结合我们的实践探索就人工智能在工业领域中的应用和大家做一个交流分享。当前加快推进新型工业化成为国家战略，特别是要加快推动制造业向高端化、智能化、绿色化发展。在这样的背景下工业互联网和人工智能已经成为推进新型工业化的关键支撑。
从人工智能发展历程的角度上看，从1956年人工智能正式提出以来，先后经历了三个大的发展阶段。前面两个阶段分别是以规则导向和机器学习为代表的，知识驱动型和数据驱动型人工智能，并随着2017年Transformer框架提出，特别是当前大模型的发展，现在进入到第三代生成式人工智能发展阶段，并加速向通用人工智能发展。
工业互联网和智能制造系统的结合，一是拓展了智能制造的系统应用边界，并向三全（全系统、全价值链、全产业链）方向拓展。同时也打造了智能制造系统的虚实特征，也就是通过工业互联网将数字的虚体和制造的实体有机的协同在一起、连接在一起。此外，特别是随着人工智能技术进一步的应用，使得智能制造系统的智能特征进一步凸显，具有自组织能力的智能生产制造模式即将到来，人工智能和工业互联网将加速升级新一代的智能制造系统。
人工智能和数字孪生的充分融合，成为赋能新一代智能制造场景的关键载体，人工智能通过和数字孪生的融合，可以很好的将人工智能，特别是大模型为代表的生成式人工智能在工业场景落地。数字孪生作为是物理世界的数字化镜像，它不仅仅可以映射感知物理实体对象的运行状态，而且通过数字孪生模型可以对相应的物理实体的运行进行分析、预测和优化控制。
数字孪生本质是模型，大模型也是模型，数字孪生模型由四类模型构成，特别是大模型的引入，丰富了四类模型里面的数据模型。它不仅仅是丰富了它构成内涵，而且对数字孪生的形态也做了拓展，由传统的多学科、多领域、多尺度，向多模态，适应不同场景的多任务和具身化发展。
当前国家正在培育智能工厂，在梯度培育里头，针对卓越级和领航级，明确提出了对数字孪生和人工智能应用的要求，通过人工智能叠加到数字孪生、赋能到数字孪生，基于AI+数字孪生形成的智能工厂可以很好的支撑卓越级，特别是领航级智能工厂的建设，使新一代的智能工厂呈现出4个突出特征出来。即柔性可重构、自组织生产制造能力，AI+数字主线全场景应用，全流程质量闭环，以及数字孪生虚实融合运营模式。
下面结合一些实际的应用案例和大家做一个介绍。
热处理是典型的基础制造工艺，它的难点就是难以掌握工艺核心机理，依赖老师傅的专家经验，导致热处理的工艺稳定性和产品报废率成为行业痛点。通过构建热处理工艺的数字孪生，我们可以在热处理的过程中通过采集相应的关键数据指标来预测碳势分布，进而通过实时的调控炉内参数，使得热处理工艺稳定性得到提高，同时降低了产品的报废率。
当前，工艺规划是设计和生产之间典型的瓶颈，传统的热处理工艺设计是依赖专家、老师傅的经验，依靠查阅行业标准手册。通过人工智能大模型技术的应用，学习沉淀行业工艺知识，特别是老师傅的专家经验知识，改变传统依赖人工经验的试错模式，变成可以对工艺参数优化，可以智能生成高质量工艺曲线和和工艺卡片，进而实现了在热处理工艺设计的效率、质量合格率、工艺稳定性、成本等上的明显提高和改善。
在钢铁冶炼应用中，转炉炼钢是钢铁冶炼的重要工艺，在转炉冶炼过程中对提升终点命中率和钢水品质要求较高。由于传统在炼钢过程中人工介入多，经验依赖性强，导致钢水的稳定性和一次拉成率成为转炉炼钢的行业痛点。
通过构建钢铁冶炼，转炉冶炼工艺过程的数字孪生，我们不仅可以围绕目标钢种对物料进行智能分析，智能推荐工艺规程。而且可以在冶炼过程中对关键的冶炼指标数据进行监测，特别是在测量TSC之后，还可以进一步的优化、推荐工艺规程，同时精准的预测出钢的条件，使得TSC一次成功，提高一次拉成率。
我们在应用中把时序大模型引入到炼钢工艺数字孪生中，用时序大模型精准的预测出钢时的碳、温、磷等关键指标是否达到出钢条件，实现一次拉成率达到要求。
传统的人工智能在小模型应用中，特别是对场景和单一任务要求上还是有一定局限性，所以我们通过大模型的应用，特别是利用大模型的泛化能力，可以针对不同的工况、不同的炉况进行精细化调优之后，使得它有很好的泛化能力，从一个工况切换另一个工况，从一个炉子转炉换到另外一个转炉里可以很快的满足冶炼控制优化的需要，并在实际应用中取得了较好的应用效果，改变了传统靠定性观察的黑盒冶炼模式。
在绿色化方面，大家知道，现在新能源大力在推广，但是火力发电还占比我国发电量的60%以上，而且电力行业的碳排放还是大户。所以在火力发电行业里怎么样降低煤耗，降低碳排放是大家高度关注的指标。
通常发电系统在设计的时候，每个燃煤冷凝式发电厂系统都有一个在不同工况运行点运行的最佳参数设计，在实际的运营过程中，由于外部和内部的因素，使得电厂在实际运营过程中很难达到设计最佳值。通过构建燃煤电厂全流程、全工况的数字孪生，在实际运营过程中，特别是面对一些外部因素，比如对机组负荷的调控，煤质波动的影响，或内部因素，如一些锅炉效率、热耗的泄露、降低等，通过优化不同工况下企业最佳的生产参数，进而提高能-碳使用效率，实现节能减排。
对此建立了覆盖燃煤发电全流程的，包括风烟、汽水、环保等数字孪生体。
在数字孪生的构建过程中，既考虑到设计参数对应的机理模型的建立，同时也充分结合可变因素，建立参数化的数据模型，结合人工智能技术应用，通过3个阶段，包括建立基于设计参数的泛化模型，以及结合上一年全年运行时产生的生产数据，持续对模型参数辨识、调优，以及在实际生产运行环境下，通过3-6个月实时数据进一步对模型调优，使得它更加逼近实际真实的电厂的运行状态，输出优化参数，指导整个发电系统的调控。
将输出的优化参数及对应工况，按推荐的调控方法和可调参数制定调控计划。通过调节之后，让运营阶段达到最优的运行状态，进而实现对碳的降低。在实际运营过程中，目前已经达到同样发一度电，每度电减少标煤消耗约3%，在持续优化半年到1年左右时间，预计最高可以达到降低5%，仅省煤一项就明显的降低了发电成本，而且对减碳发挥了很好的作用。
当前人工智能和工业互联网加速融合发展，通用人工智能在工业场景里落地应用还面临三大挑战：
一是可解释性，人工智能大模型还存在幻觉和不确定性。但是工业领域必须是机理清晰，而且工业对确定性、稳定性、准确性有更高要求。
二是工业属性。现在基础大模型通常是基于互联网语料训练，工业的数据、工业行业的Knowhow，工业的专家隐形知识，特别是我们在生产制造运营过程中，大量的工业数据是时序数据，怎么充分的应用，是一个难点。
三是安全性。
通过和数字孪生的充分结合，特别是机理模型的结合，可以很好地解决大模型在落地工业场景中面临的三个挑战。
在工业互联网推广中也面临三个难点。一个是工业全过程，深层次应用不足，尤其是对高价值工业场景数据的深层次应用不足。此外还包括数据安全和隐私保护问题，特别是工业场景个性化突出，导致场景定制化程度高，行业规模化推广困难。大模型通过模型化、工业知识沉淀和较强模型泛化能力，也可以很好的促进工业互联网规模化的发展。
可以看到，未来的智能工厂将是由人与具有具身智能的智能以及智能体的协作构成。特别是依托新的数字底座，包括融合工业互联网和人工智能大模型的新型数字底座和新一代的工业软件，打造新质生产力加速推动未来制造模式的创新和工业新业态的升级。
我就介绍到这儿，谢谢大家！
新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。
还没有评论，来说两句吧...