AI大模型在钢铁行业应用的思考与建议

2022年科技部等六部门共同印发了《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》。在今年全国两会期间，人工智能更是成为热议话题。政府工作报告中提出，“深化大数据、人工智能等研发应用，开展‘人工智能+’行动，打造具有国际竞争力的数字产业集群。”大模型作为AI领域深度学习技术的高级应用，成为各行各业争先抢占AI市场的“香饽饽”。同时，AI大模型也是中国产业数智化升级的驱动引擎，是发展新质生产力最具代表性的手段之一。

大模型具有参数规模大、训练数据量大、算力要求高、涌现能力、成本高昂等特点。针对钢铁行业来说，钢铁行业垂直大模型通常是指使用大数据和人工智能技术构建的复杂模型，涉及钢铁生产流程的生产优化、质量控制、能源管理、设备维护、供应链管理、安全环境管理和市场预测模型等领域。

钢铁行业大模型是顺应新质生产力发展的时代产物

因钢铁行业自身的数据、场景优势在新质生产力强有力的推动下，2024年可以称为“钢铁行业大模型元年”。这半年来，钢铁企业紧锣密鼓地发布了相关大模型。今年4月，由湖南钢铁集团湘钢联合湖南移动和华为共同打造的全球首个钢铁行业盘古大模型率先发布，首批上线模型涵盖钢铁生产中的焦化、烧结、炼铁、炼钢、轧钢、质检等工序场景。5月，宝钢股份与华为成立“钢铁+AI”联合创新中心，计划今年在高炉、转炉、表检、新钢种研发、排程等五个领域开展大模型研究。6月，盘古大模型在宝武1880热轧生产线上线。7月，世界人工智能大会上，中信与百度、华为、商汤等共同发布“人工智能+”行动方案，方案涵盖了共建钢铁领域大模型；华院计算结合多年在钢铁冶金行业模型训练能力与多模态大模型领域的技术积累发布了华院钢铁行业大模型。

钢铁行业大模型在全流程各工序应用百花齐放

钢铁生产中因其复杂多变的物理化学反应、多变量强耦合的工艺流程以及设备间信息孤岛现象，进而难以精确掌握生产各环节之间相互影响以及关键因素确定等，使其成为典型的“黑箱”场景。

人工智能具备强大的数据处理与模式识别能力、自适应与学习能力、高效的决策制定能力、跨学科融合能力、大规模的并行计算能力等，是最擅长解决反应机制复杂且难以定量描述的“黑箱”场景的具体抓手。

目前，针对炼铁工序，行业垂直大模型的发力点聚焦于高炉炼铁工艺优化、高炉故障诊断与预警、高炉能源管理、高炉操作指导等方面。如在工艺优化方面，利用机器学习算法对大量历史数据进行分析，识别出影响炼铁效率的关键因素，并预测不同工艺条件下的炼铁效果，涉及原料配比、炉温控制、风量调整等多个环节，为高炉操作提供最佳参数建议，最终提高炼铁效率和降低生产过程中的能耗。又如在高炉故障诊断与预警方面，利用深度学习算法、时间序列分析等对收集高炉运行过程中的各种数据（如温度、压力、振动等）进行处理和分析，识别出异常模式，并发出预警信号以警示高炉运行过程中可能会出现的各种故障，如炉体破损、风口堵塞等，并实时监测高炉状态，做到事前预测，事后响应。

针对炼钢工序，行业垂直大模型则应用于行车调度指挥、钢水温度和成分预测与优化、设备状态监测与故障预警、能源管理与优化、质量预测与追溯、炼钢操作指导等方面。如在连铸过程控制方面，利用算法模型对连铸过程参数进行优化，如结晶器温度场与流场变化、结晶器振动、二冷水流量、铸坯拉速等，以减少表面和内部缺陷，提升钢坯质量。又如在能源管理与优化方面，通过构建能源管理系统（EMS），应用大数据分析和算法模型，实现能源消耗的实时监控和优化调度，从而精确控制炼钢过程能源消耗，实现能源的高效利用，提高环保水平。

针对轧钢工序，行业垂直大模型则应用于轧制过程优化、设备维护与故障预测、质量控制、生产计划与调度等方面。如在轧制过程优化方面，采用深度学习技术可以通过对历史数据的训练，学习轧制参数与产品质量之间的复杂关系，对轧制过程中的温度、速度、压力等关键参数进行精准预测和优化，从而实现对轧制过程的精准控制，确保轧出的钢材尺寸精确、性能稳定，提高轧制效率，保证产品质量。又如在质量控制方面，应用图像识别与处理技术具有非接触、高效率、高精度等优点，可以对轧出的钢材表面进行实时监测，识别出裂纹、夹杂物等缺陷，大幅提高质量控制的自动化水平，确保钢材质量符合国家标准和客户要求。

存在问题

AI大模型在钢铁行业的应用对钢铁企业自身来说，提高了生产效率，实现了工序工艺等环节的精准预测和判定，降低了运营风险，提升了产品质量和个性化要求；对整个行业来说，促进了传统产业与AI融合，逐渐打通AI和钢铁领域的跨界合作，为钢铁行业发展新质生产力创造出“乘数效应”。

但在实际的跨界融合中，也暴露出一些共性问题。一是数据质量问题。数据是被称为第五大生产要素，也是钢铁行业大模型稳固发展的基础。大模型的应用需要大量高质量数据，但钢铁企业生产数据普遍呈现“量大而不优”特点，数据存在不完整、噪声多、标签不准确、统计口径不一致等问题，影响模型训练效果。究其原因，一方面是企业自身数据不规范，即量少质差，另一方面是各企业之间的数据壁垒，导致大模型训练缺乏足够的数据样本量。二是模型标准问题。目前钢铁行业AI大模型在数据系统管理、模型应用场景、模型评估验收等环节尚未形成统一、全面的行业标准，容易出现“噱头大于应用”的“群模乱舞”的现象，导致技术资源未能有效整合，模型无序发展。三是模型成本问题。大模型具有自身规模大、算力强等属性，部署行业大模型需要配置一定规模的硬件设备、算法模型设计、软件系统等，初期投入成本较高。同时钢铁行业属于典型的周期性行业，受宏观经济影响较大，行业整体利润率偏低，市场波动可能影响大模型投资和应用的决策。四是人才储备问题。行业大模型发展需要跨学科的复合型人才，即不仅要有深厚的钢铁专业知识，还需要掌握数据科学、机器学习、人工智能等相关技术。复合型人才存量的稀缺，也限制了模型的开发和应用。

相关建议

（一）加强数据管理与应用
企业建立全面的数据采集体系，确保数据的完整性、准确性和实时性；加强数据治理，提高数据质量，为大模型的训练和优化提供坚实基础；在确保数据安全和用户隐私的前提下推动行业级数据共享平台建设，促进数据资源的有效利用和协同创新。

（二）推动钢铁行业大模型标准布局与建设
明确钢铁行业大模型标准化体系框架构建，包含顶层设计和分层设计，即制定钢铁行业大模型发展的总体规划和路线，同时根据钢铁生产的各个环节，将大模型标准分为基础标准、技术标准、应用标准、安全标准等多个层次，自上而下逐步完善各个环节标准建设实施，促进模型的健康发展和有序应用。

（三）提供政策支持与资金补贴
通过设立专项资金、税收优惠、成果转化激励、引导产学研合作等措施，鼓励企业进行智能化改造，积极推进大模型的研究和应用，为钢铁大模型的研究和产业化应用提供政策导向和资金保障；在行业引领层面上建立钢铁行业大模型推广应用的效果验证体系，设置相关的行业奖励，鼓励企业优者更优，强者更强；鼓励并支持钢铁行业积极参与东数西算国家战略工程，为行业模型提供充足的算力资源，保障模型稳定可持续发展。

（四）丰富人才培养与合作
企业加强内部人才培养，提升员工在AI、大数据等方面的专业技能；积极引进具有跨学科背景的专业人才，为大模型的应用提供智力支持；以攻关联合体的方式，组建跨部门的专项团队，负责大模型的研发、应用和推广工作。