一、研究背景
大模型正成为新一轮科技革命与产业变革的关键驱动力，人工智能也从“点状提效”走向“系统重构”。面对国际科技竞争，我国采取差异化路径，重点发展行业垂直领域大模型以实现精准赋能。工业场景具有专业化、多元化、碎片化特征，单一通用基础大模型难以直接适配复杂工况与强约束要求，亟需走“通专融合”的垂类大模型建设路线：以通用模型承接共性能力，以专业模型沉淀行业知识与机理，实现对工业流程的深度理解与可靠应用。
钢铁工业是国民经济的重要基础产业。当前行业进入周期性调整阶段，呈现“三高三低”局面，即高产出、高成本、高排放并存，叠加低需求、低价格、低效率压力，行业盈利承压。同时，“双碳”约束、质量稳定性要求提升与安全生产红线，使传统依赖经验的生产管理与调度方式难以满足“高效、低碳、稳定”的运行目标。钢铁流程制造链条长、耦合强、变量多、扰动频，迫切需要以新一代AI在提质、降本、增效、减排与安全方面形成系统性突破。
大模型在钢铁领域落地仍面临三类瓶颈：一是体系化赋能方法不足，应用多停留在零散单点，缺少以AI重构流程、贯通“生产—制造—管理”全链条的总体方法；二是高质量工业语料与数据基础薄弱，多源异构融合难、数据孤岛普遍，数据治理、标注、质量评估与隐私保护等标准与人才支撑不足，制约训练与迭代；三是工程化与规模化能力薄弱，大模型需与现有系统统筹集成，解决系统、数据、功能集成，以及训练、推理一体化问题，才能跨基地、跨产线复制推广。
因此，亟需建设面向钢铁制造的“通专融合”垂类大模型，系统统筹数据、算力、模型与场景，打通“能力构建—业务闭环—价值度量”，形成可落地、可运营、可规模化推广的“AI+”解决方案体系，为行业智能化升级提供持续动能。
二、解决问题的思路与技术方案
1、思路
依托于现有的技术积累，建设 “五位一体”的综合能力体系，通过通专融合（通用模型和专业模型）、业技融合（行业知识和AI技术）、数实融合（数字技术和实体制造）“三融合一”，支持钢铁行业人工智能应用场景需求，促进人工智能更高水平应用，推动钢铁产业智能化创新与发展。总体建设思路如图1所示。
“五位一体”：通过对平台、数据、算力、模型、场景五要素的系统性建设，在数智基座、模型研发和场景应用等方面提供全方位的支撑，形成一体化、集成化人工智能+钢铁解决方案，大幅降低钢铁行业模型研发门槛与成本，让人工智能技术更好融入行业。
“三融合一”：通专融合，钢铁行业大模型将通用模型与专业模型相结合，使得模型不仅具备广泛的适用性，还能够针对钢铁行业的特定需求进行深度定制，使得大模型能够更好地适应行业特点，提高解决方案的有效性。业技融合，钢铁行业大模型通过整合行业知识和AI技术，实现了业务需求与技术能力的深度结合，不仅提升大模型的技术含量，也使得模型能够更好地服务于业务发展，推动钢铁行业的智能化转型。数实融合，钢铁行业大模型通过数字技术与实体制造的结合，实现了数据驱动的智能制造。钢铁企业能够利用大模型进行生产流程优化、资源配置优化和能源消耗降低，从而提高生产效率和降低成本。
图1 技术思路
2、技术方案
核心技术以自主可控为原则，围绕人工智能、机器学习、人机交互、云计算、边缘计算等多个技术前沿方向，研究训练-推理-场景一体化的智能化架构技术、行业大模型分层构建技术、行业高质量语料库构建技术、大规模异构算力集约化调度技术、面向通用场景预测模型构建技术、面向多目标复杂场景的决策模型构建及动态优化技术、端-边-云协同的实时智能控制模型构建技术、基于人/物/业务相联接的混合增强智能技术、基于智能体的人机交互技术、模型即服务（MaaS）模式及实现技术等十项关键技术，如图2所示。
图2 关键技术
（1）行业高质量语料库构建技术：针对行业垂类大模型训练和相关智能体应用所需要的高质量、多样性语料的需求，研究实现了IT/OT等结构化数据之外，文本、图像、语音、视频等非结构化数据的管理、嵌入、审核、标注等机制，实现从源数据采集、清洗加工到高质量语料入库的全新语料库构建模式。研发融合了语料库、知识图谱、向量数据库的，面向大模型应用开发用户的语料访问、加工、训练等应用接口，形成了涵盖软件研发、财务经营、生产制造等业务领域的钢铁知识库、语料库、样本库，支持行业大模型训练、RAG应用、智能体应用等大模型相关服务运行。
图3 钢铁行业高质量语料库建设
（2）行业垂类大模型分层构建技术：研究大模型分层构建技术，使工业人工智能模型开发从“作坊式”走向“工业化”范式。
图4 模型分层构建体系
语言模型方面，构建“M1钢铁语言模型”，解决通用模型领域知识学习不足问题，提升模型对行业的知识理解以及指令遵从的准确性，同时具备跨基座模型迁移的通用性。基于海量工业及通用知识，融合行业语料，进行持续预训练，增强行业基础知识理解能力；基于应用场景实际交互数据以及问答语料，进行监督微调，增强行业指令追随能力。
视觉模型方面，基于国内开源生态，通过基础、行业、场景的三级递进式架构，逐层优化模型性能，实现生产视觉数据的全链条高效处理。通过自监督学习、对比学习等无监督技术从海量未标注数据中萃取通用特征，借助模型蒸馏完成教师模型到学生模型的知识迁移，在保障模型性能的同时实现轻量化部署。该架构不仅构建了自动化工作流以降低开发门槛，更通过行业经验沉淀逐步建立标准化体系，助力生产质量监控、安全生产管理、物流管理等核心场景的智能化改造。
（3）面向通用场景的预测模型构建技术：针对钢铁生产中普遍存在的工艺参数预测、质量趋势预测与设备状态预测等需求，从“个性化开发成本高、周期长、复用难”的痛点出发，研究了预测模型标准化开发与平台化部署的新模式。通过突破建模工具组件的柔性解耦与组装、多算法集成算子库、算法自动调优以及训推协同的云边构建等关键技术，形成以“五步四库”为核心的工程化方法，将定制化配置与标准化流程结合，实现预测模型开发—训练—评估—部署—迭代的全流程自动化，显著降低开发门槛并缩短交付周期。提供全面、科学的算法调优工具，提升模型预测精度；支持使用云上算力训练、边端部署下发的平台化开发能力，具备模型自学习、自更新的能力。
图5 预测模型体系
（4）面向多目标复杂场景的决策模型构建及动态优化技术：随着单机组决策模型应用的初步成熟，技术迭代正聚焦于多工序、多路径交织的多目标复杂场景，旨在实现成本、效率、质量等多维目标的动态平衡与全局优化。面向这类场景的决策模型构建及动态优化技术，通过构建覆盖全流程的智能决策体系，形成1个底层通用求解器、1套模型库和1套工具集，为供应链管理、生产排程、调度优化等各类决策场景应用提供支撑，破解传统静态决策模式在实时性、协同性和多目标权衡上的瓶颈，显著提升了决策的时效性与准确性。
图6 决策模型体系
（5）端-边-云协同的实时智能控制模型构建技术：钢铁制造由于机理不明晰、产品和工况复杂，存在大量依赖人工干预生产的工序，人工水平要求高、劳动负荷大、培养周期长，以及优秀经验难积累，是制约生产力发挥的关键瓶颈。以钢铁冷轧碳钢连续退火工序为例，存在机理不明晰、大滞后、大惯性、非线性、多参数时变等问题，以人工实时调控设备主导生产，面临操作要求高，岗位负荷高，经验总结难，个体差异大，人员培养长等难题。
围绕智能制造工业生产过程高性能智能化控制的重大需求，研究人工智能与工业互联网驱动的端-边-云协同的新型智能控制新架构;研究复杂动态和非线性系统的实时智能控制模型设计技术;研究在运行条件发生变化、未知非线性动态特性和不确定干扰变化的情况下，控制模型自适应自学习自优化技术。模拟人类在复杂工况下操控设备的思考决策过程，实现工序生产设备的实时智能控制。研发端-边-云协同智控架构，实现标准化的智控项目研发，加速智控项目落地速度，规范化智控项目运维。
在冷轧连续退火、平整、酸洗等典型工序开展技术验证，形成端-边-云协同的实时智能控制新模式。在太钢冷轧不锈钢冷连轧机组、宝钢冷轧连退和热镀锌机组实现规模化示范应用。
图7 智能控制应用案例
（6）基于智能体的人机交互技术：随着信息技术的发展和对智能化需求的增长，改变传统的鼠标、键盘的交互方式，提升用户体验、提高工作效率、促进人机信任成为数字化转型的关键需求。通过融合人工智能前沿技术，构建以自然语言为核心的新型交互体系，可打破操作门槛，为用户提供更加智能化、个性化的服务体验。该技术通过构建具备感知、推理与行动能力的软件智能体，实现人机交互从指令式操作向对话式协作的跨越。智能体依托大模型深度解析行业知识，精准捕捉用户意图并完成任务规划，可覆盖企业供应、生产、营销、服务、物流全链条应用，推动人机协作从“工具使用”向“智能协同”演进。
图8 智能体能力
三、主要创新成果
1、在语言模型方面，构建“通用基座-行业专属-推理优化”分层架构，确保大模型通识能力的基础上，强化领域特征，并优化推理效率与适配性，实现多阶段模型提升架构创新。采用“继续预训练+SFT调优+蒸馏压缩”联合优化策略，通过行业特征增强、监督精调与高效蒸馏，实现模型性能与推理能力的双提升，成功训练垂类语言模型“宝联登-7b”，领域能力测评提升10%。
图9 “高炉转炉语料+评测集”技术验证指标
2、在视觉模型方面，基于国内开源生态，采用了Transformer模型结构，通过“基础-行业-场景”三级递进式架构，提出“自监督预训练+迁移学习+蒸馏压缩”联合优化范式，构建了视觉模型的流程体系，实现通用知识保留、行业特征强化、场景动态适配。通过三万余张多工艺、多产线数据进行初步训练，构建表检视觉模型，并通过混合专家系统融合传统小模型，形成了M2表检模型，其重点缺陷翘皮准确率、召回率达到92%和97%。
图10 M2表检模型和其他模型对比实验结果
3、在决策模型方面，完成底层核心求解器通用化研发，解决行业场景抽象后的通用决策优化问题。并与强化学习算法进行集成，在生产排程场景下进行实验，大规模问题上，启发式为主的op-solver求解器的速度优势明显。
图11 APS决策模型op-solver求解器效果对比
4、在预测模型方面，基于预测模型框架体系，进行案例测试，包括热轧宽展预测数据、高炉压差预测数据等数据集，最优算法效果与专业算法工程师定制化模型效果相当，整体能力不低于国内先进友商水平。
图12 预测模型技术指标测试结果
四、应用成效
钢铁行业大模型平台，通过深度集成通用大模型的泛化能力与行业知识库的专业性，构建起覆盖全产业链的人工智能赋能体系，可广泛应用于研发、生产、运营、服务等多个关键环节。该解决方案目前已在宝武集团旗下宝钢、梅钢、太钢、马钢等生产基地落地应用，形成从底层算力到模型应用的全层次自主可控技术体系。
1、研发设计应用场景
宝联登钢铁行业大模型在研发创新设计方面的应用，显著提升了研发效率和产品质量。通过大模型的应用，企业能够实现从传统的“试错式”物理实验向“数据理论预测、实验验证”的精益研发模式转变。
以“市场－研发－大生产相融合的硅钢产品研发模型”为例，利用大模型在数据分析和预测方面的能力，宝联登钢铁行业大模型通过整合市场数据、研发数据和生产数据，为硅钢产品的研发提供了全方位的数据支持，实现了研发流程的优化和产品性能的提升，据初步统计，宝联登钢铁行业大模型能够将研发效率提升30%。
2、生产制造应用场景
宝联登工业大模型可应用于钢铁企业生产制造中的难点问题，如铁前设备（高炉、焦炉）参数预测、转炉大模型、冷轧一体化排程、云表检等，从而实现钢铁生产的降本增效。
（1）铁前一体化配料：以某钢铁企业炼焦生产数据为基础，不同焦炭指标的模型预测值与真实值的相对预测误差如下表4-1所示，实现了焦炭性能预测关键指标相对预测误差小于6%的目标；与模型上线前人工计算配料相比，可使某钢铁企业吨铁成本由2997元降至2985元，实现平均吨铁成本降低10元以上。
表1 焦炭质量预测模型在不同焦炭指标的相对预测误差
（2）高炉智能炉况诊断和调剂：为减少人工经验偏差对高炉操作的影响，研发了新一代高炉智能炉况诊断和调剂模型，可实现在线智能诊断，及时预警和操作建议，保持高炉长期稳定顺行。模型预测1小时后的压差值，5kPa日命中率达80%以上。相比而言，3kPa日命中率低于5kPa日命中率。在实际应用时，模型的5kPa日命中率可稳定于80%以上，满足使用要求。与模型上线前人工预判相比，模型预测准确率更高，操作建议可缩短观望时间窗，有效帮助工长把握加减风时机。
图13 连续三天压差预测的日命中率
（3）彩涂机组智慧排程：冷轧彩涂机组原依靠人工排产为主，材料匹配不佳导致库存积压，设备潜能未释放，且缺乏与生产系统及前工序的动态联动，制约交付与产能。为此，基于决策模型研发了彩涂工序的智慧排程模型，集成全流程数据，实现彩涂工序生产排程与材料匹配优化的一体化优化，达成订单按期交付、产能最大化利用。在模型投入使用后，合同完成率提升至90%以上，小时产量增5%，月均减库600 t，排产效率提升300%，日自动化率稳定80%以上，推动产能与交付能力全面提升。
图14 模型正式上线（12月1日）前后，日自动化率变化趋势
3、经营管理应用场景
基于企业经营管理的领域特征，钢铁行业大模型平台在智能安防、智能营销分析等场景面向企业管理者开展实际应用，支撑企业在经营管理领域进行数智化转型升级。
（1）安防管控：钢铁生产现场环境复杂，安全管控压力巨大，安防工作成为保障企业平稳运营的核心环节。结合业界先进深度学习算法和现场图片素材，研发安防视觉监控模型替代传统安全员人眼监测的方式，其中安全穿戴类模型识别准确率已达98%左右、安全作业禁区闯入类模型识别准确率也达到95%。
（2）营销AI智能体：提供营销AI服务的统一入口，借助语音、文本等多种输入模式与用户意图识别算法，打造拟人化的人机交互体验，实现精准理解用户需求与问题，支持输出完整、全面的市场分析报告，协助一线营销人员进行售前报价，全自动执行现有营销系统全流程各项事务，覆盖重点业务跟踪痛点的同时实现高效获取业务数据，将原本数小时的综合市场分析工作，缩短至一小时内，提升了营销工作效率。
信息来源：上海宝信软件股份有限公司
如需查看科技新进展全部文章，请点击“阅读原文”查看。
