我国钢铁工业是国民经济的重要基础产业，是国家经济建设的中流砥柱，是建设现代化强国的重要支撑。钢铁工业历经起步时期、加速时期、高速时期和全面发展时期，目前进入周期性调整阶段，呈现“三高三低”的复杂局面，表现为高产出、高成本与高排放并存，同时遭遇低需求、低价格和低效率的挑战，面临着阶段性供需矛盾加大、行业利润下降等困难。传统的生产管理和调度方法已难以满足当前高效、低碳生产的需求，为钢铁行业的智能化转型带来了新的机遇和挑战。钢铁流程行业亟需通过提高生产质量、降低生产成本、提升生产效率，来应对复杂的生产与管理挑战。

钢铁行业正处于产业转型的关键阶段，以大模型为代表的新一代人工智能（AI）技术已成为推动产业变革和行业转型的核心动力。面对科技的飞速进步，我国制定了差异化的发展战略，着重发展行业垂直领域的工业大模型，以实现精准赋能，提升行业竞争力。由于工业领域场景具有专业化、多元化、碎片化的明显特征，依靠单一的基础大模型并不能很好适应各类工业领域需求，因此需要打造钢铁行业大模型及平台，深入理解并精准服务于行业独特需求。

人工智能技术在钢铁领域的应用面临诸多挑战，难以充分满足行业的复杂需求，主要体现以下三个方面：

一是缺乏赋能钢铁行业的体系化方法。目前业内对于人工智能技术的应用都还是零星点状的，在以人工智能的全局视角策划钢铁行业转型升级路径方面缺少体系化的方法和模式，亟需探索如何加强人工智能与钢铁行业的深度融合，以人工智能技术重构业务内涵，实现全新业务形态与模式，推动钢铁行业的整体转型和升级。

二是高质量工业领域语料库匮乏。工业数据规模量大，但普遍质量水平较低，大规模多源异构数据融合问题以及数据孤岛问题仍难以克服，无法满足行业大模型训练要求。工业数据产业服务生态的建设不完善，工业知识、工业数据的语料化缺少专业的方法论和技术工具，工业数据确权、治理、标注、合成、质量评估、隐私保护等相关标准不足。数据专业人才紧缺，特别是具备行业不同业务领域专业知识的语料标注人员欠缺。

三是解决方案工程化能力薄弱。人工智能大模型工业化应用需要解决适用性、工程化、规模化的问题，需解决与现有系统统筹考虑整体架构与功能设计，解决系统、数据、功能集成，以及训练、推理一体化问题，解决规模化应用推广等问题。

综上所述，为了钢铁行业的应用和发展需求，将大模型真正融入钢铁行业流程中，亟需研究行业大模型建设模式，研发适用于钢铁行业的大模型及平台。本文基于中国宝武的数智化转型实践，从一体化解决方案的角度，提出了钢铁行业大模型平台构建的总体架构，并研究了钢铁行业大模型平台建设所需的十大关键技术以及在生产制造和经营管理的典型应用场景，最后对钢铁行业大模型的发展进行了展望。

1 总体架构和建设思路

钢铁行业大模型，专门针对钢铁行业特点和需求，融合了机器学习、深度学习等先进人工智能算法，旨在处理钢铁行业中的复杂任务和海量数据，为钢铁生产、管理、决策等环节提供智能化支持。通过将大模型服务融入现有的工业互联网平台，构建钢铁行业大模型平台，实现从单点应用、局部优化到业务贯通和协同发展的智能化升级，打造高效率、低成本、绿色化的工业智能解决方案，可以在更广泛的工业场景发挥作用，提升人工智能应用的普及率，极大促进智能化升级进程。

1.1 总体架构

钢铁行业大模型平台，基于通用模型（包括语言、视觉等）及专用模型（包括预测、决策等），融合钢铁知识库、语料库、样本库，互联企业各类应用系统，汇聚工业大数据，形成算力、数据、算法一体化管理以及中心训练、边缘推理、场景应用一站式闭环的综合性人工智能平台。钢铁行业大模型平台整体架构如图 1 所示。

图 1 钢铁行业大模型平台整体架构

其中，数智基座实现了“五个统一”，即统一算力资源、统一数据治理、统一模型管理、统一模型评价、统一发布部署，对算力、数据和模型进行高效整合与管理。在算力方面，建立起兼容异构算力资源的管理和调度体系，能够充分调动不同类型的计算资源，满足大模型训练和推理的多样化需求，为模型的高效运行提供了有力的支撑。

在模型层面，形成“M0 基础模型 - M1 垂类模型 - M2 领域模型”的分层架构体系。基础模型层（M0）：该层集成社会成熟基模，整合自然语言处理、视觉识别等通用 AI 技术，为整个模型体系提供基础能力。通过对海量通用数据的学习，M0 层具备了强大的跨领域知识理解和处理能力，为上层模型提供了广泛的知识储备和技术支撑。

垂类模型层（M1）：基于钢铁行业的专业知识、专业数据以及企业内部丰富的业务数据，训练出适用于钢铁生产各个环节的通用和专用模型。这些模型深度融合了钢铁行业的工艺特点、生产流程和管理需求，能够精准地处理钢铁行业中的复杂任务，为钢铁生产提供专业的智能化支持。

领域模型层（M2）：针对冶金、轧制、制造管理、经营管理等具体生产和管理环节的独特需求，开发定制化解决方案。通过将 M1 层的垂类模型与实际应用场景紧密结合，实现对各个业务环节的精细化管理和优化。例如，在轧制环节，根据 M1 层模型提供的工艺参数预测和质量控制模型，实现对轧制过程的精准控制，提高产品质量和生产效率；在企业管理环节，利用相关模型进行数据分析和决策支持，优化企业资源配置，提升企业的整体运营效率。另外，钢铁行业大模型平台提供统一 AI 门户及智能体开发平台的 MaaS 模型服务，为各类 AI 应用的开发与部署提供了便捷的途径，开发者可以快速构建和部署个性化的 AI 应用，进一步拓展了钢铁行业大模型在不同场景下的应用范围。

1.2 建设思路

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 2 所示。

1.2.1 “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。

1.2.2 “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 2 建设思路

1.2.3 “分层构建”行业垂类大模型

采用 M0 基础模型层、M1 垂类模型层和 M2 领域模型层的分层架构，基础模型提供通用智能，行业垂类模型提供专业洞察，领域场景模型提供定制解决方案，三者协同、逐层优化模型性能，将通用大模型与钢铁行业数据充分融合，有效解决通用大模型不懂行业的问题，推动场景落地。

1.2.4 行业高质量语料库构建

研究行业高质量语料库构建技术，研发语料工具链，制定相关标准和规范，示范构建涵盖钢铁行业多个领域的万亿规模多模态高质量语料库，为模型训练和应用提供示范模式。

1.2.5 “1+X”场景支撑

通过“1 套钢铁行业大模型平台”，全面支撑“X 个人工智能应用场景”，用于企业智慧制造、智慧治理、智慧服务等主题场景，以及高炉大模型、转炉大模型、配煤配矿大模型、云表检大模型、研发设计大模型等领域模型，为钢铁企业提供一体化、集成化的人工智能+钢铁解决方案。

2 技术路线

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 3 所示。

图 3 关键技术

2.1 “训练-推理-场景”一体化的智能化架构技术

消费类大模型用于工业侧，普遍会存在数据和场景的复杂度、能力可用性、技术成熟度、结果可靠性等难点，需要提高人工智能系统的整体效率、灵活性和实用性，使模型能够更快速、准确地适应不同的应用场景，解决适用性、工程化、规模化的问题。通过打通基础平台、AI 技术与业务应用的分层协同链路，建立通用模型与专业模型的协同进化机制，形成覆盖“训练-推理-场景落地”全链条的智能化架构（如图 4 所示），为超大型企业智能化转型提供可量化的技术实现路径。

图4 智能化架构技术

架构体系通过全生命周期管理机制，实现工业 AI 模型从创建、训练到评估、部署、监控、优化的全流程数字化管控，使模型研发效率、运行效果与运营质量可量化、可追溯、可优化。

云边一体技术的深度融合，既满足云端资源集约化训练的效率需求，又能通过边缘计算实现生产现场的低延迟响应与数据闭环，确保工业现场高效稳定。模型分层分类构建技术则通过行业知识解耦与特征工程标准化，降低工业领域模型研发门槛，同时建立以生产效率提升、质量成本优化为核心的价值导向评价体系，推动模型泛化能力与场景适配性的双向提升。

该智能化框架通过知识沉淀机制将工艺经验、操作规范转化为可复用的模型资产，使大模型能力与行业特性深度融合，形成 “数据积累 - 模型优化 - 场景迭代” 的良性循环，推动工业 AI 从单点试验走向系统级生产力变革，为流程型制造业的智能化转型提供标准化技术底座。

2.2 行业垂类大模型分层构建技术

钢铁行业面临提高生产效率、降低生产成本、提升产品质量和保障生产安全的重大需求。在此背景下需要通过数智技术创新，帮助钢铁企业突破困境。传统人工智能技术面临算法精度低、模型开发周期长、人工标注工作量大、场景碎片化等问题，导致算法通用性差，模型难以批量生产。通用大模型技术的诞生，虽然能解决通用场景下，传统人工智能应用的问题，但离工业场景的落地还存在较大距离。因此需要研究大模型分层构建技术（如图 5 所示），使工业人工智能模型开发从“作坊式”走向“工业化”范式。

图 5 模型分层构建体系

语言模型方面，构建“M1 钢铁语言模型”，解决通用模型钢铁领域知识学习不足问题，提升模型在钢铁领域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。基于海量钢铁及通用知识，融合高炉、炼钢等钢铁语料，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；构建综合钢铁知识、场景能力以及通用能力的垂类模型测评技术。

视觉模型方面，基于国内开源生态，采用 Transformer 模型结构，通过“基础-行业-场景”三级递进式架构，逐层优化模型性能，实现钢铁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，借助模型蒸馏技术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、减少专业人员依赖，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。

2.3 行业高质量语料库构建技术

可以依托企业大数据中心建设进行扩展，针对钢铁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，构建了 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，实现完整的从源数据采集、清洗加工到高质量语料入库的全新语料库构建模式。同时，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。

中国宝武 1+N 大数据中心现已构建符合大规模、准确无噪音且多样化三个关键标准的 2T Tokens 的语料（如图 6 所示），其中文献类语料：基于书籍 20 万、论文 100 万，包含推理类语料；制造、经营类语料：1.5T Tokens；代码数据集：基于 12 万数据表，500 万行代码；提示工程库：5000W Tokens，可支撑不同分层大模型的训练和应用、RAG 应用、智能体应用等大模型相关服务运行。

图 6 钢铁行业高质量语料库建设

2.4 大规模异构算力集约化调度技术

随着人工智能技术向大模型、多模态处理方向的深度演进，AI 基础设施正面临数据量爆发式增长、模型规模指数级扩大、实时响应需求激增等多重挑战，对算力、存储、网络的性能及资源兼容性、扩展性提出了更高要求。大规模异构算力集约化调度技术正是应对这一挑战的核心解决方案，通过构建智能化资源管理体系，实现多元算力的高效协同与动态优化,如图 7 所示。

图7 算力集约化调度

该技术基于云原生架构构建异构算力资源管理体系，通过自动化故障检测与恢复机制保障 AI 应用的稳定性，同时引入智能弹性伸缩策略，根据实时算力需求动态调整资源分配，显著提升系统灵活性。在资源调度层面，采用 DevicePlugin 机制与 Dynamic Resource Allocation 模式，实现 CPU、GPU、NPU 等多样化算力资源的统一管理与跨地域多集群智能调度，有效破解传统架构下资源利用率低下的难题。针对大模型训练和推理过程中的 I/O 性能瓶颈，通过多路径 I/O 加速技术与超节点资源管理模型优化存储和网络架构，为高吞吐、低延迟的计算需求提供强力支撑。

在钢铁行业大模型场景中，该技术成功突破资源管理分散化、算力供给低效化等技术瓶颈，形成覆盖大模型训练、实时推理、边缘计算的全场景算力支持能力，为钢铁 AI 产业的快速发展提供了坚实的算力基础。

2.5 面向通用场景的预测模型构建技术

在钢铁生产过程中，以往针对预测建模需求普遍采用个性化开发，难度大、成本高的问题，需要突破建模工具组件的柔性解耦与组装技术、多算法集成的算子库构建技术、算法自动调优技术、训推协同的云边构建技术，通过“五步四库”将定制化配置与标准化流程相结合，实现预测模型开发部署全流程的自动化，从而降低开发门槛，缩短开发周期。其中，四大核心库的构建是技术落地的关键支撑：数据预处理库实现多源异构数据的清洗与标准化，特征算子库集成多样化特征工程工具以应对复杂工艺逻辑，算法库汇聚主流预测算法并支持动态扩展，评价指标库提供科学全面的模型评估体系。这种架构不仅支持接口的灵活扩展，更能通过模块化组合快速适配钢铁典型工序内的复杂数据关系与多样化特征处理需求，实现预测模型的平台化开发。

技术落地过程中，标准化的开发流程贯穿模型全生命周期，从开发规范、评价体系到部署方案形成统一标准，显著降低 AI 应用的技术门槛并缩短研发周期。配套的算法调优工具通过智能参数搜索与模型融合技术，持续提升预测精度；平台化能力支持云上算力资源进行模型训练，并通过边端部署实现轻量化下发，同时具备模型自学习、自更新机制，确保模型性能随生产数据积累持续优化。图 8 为预测模型体系。

图 8 预测模型体系

2.6 面向多目标复杂场景的决策模型构建及动态优化技术

在钢铁流程行业生产中，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（如图 9 所示），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。

该技术通过遗传算法并行化加速机制，实现大规模决策优化问题的分钟级响应能力，使模型能够与生产实绩实时联动，精准捕捉原料库存波动、设备状态变化、订单需求调整等现场动态要素，显著提升决策的时效性与准确性。在多目标优化层面，通过构建动态权重调节模型，实现生产效率提升、成本效益优化与客户满意度保障之间的智能权衡，避免单一目标优化导致的系统性失衡。

图 9 决策模型体系

2.7 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的生产工序，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，通过人工智能与工业互联网的深度融合，构建端-边-云协同的新型智能控制新架构。该技术以模拟人类在复杂工况下的设备操控决策逻辑为核心，融合多维生产期望+奖惩机制的模型无偏自学习，模拟人类思考决策全过程，实现工序生产设备的实时智能控制（如图 10 所示），突破传统控制模型对固定规则的依赖，实现对动态非线性系统的精准响应。依托“端-边-云”协同架构，标准化的智控项目研发流程显著缩短了落地周期，规范化运维体系保障了模型在生产环境中的持续稳定运行。

图10 智控模型技术

2.8 基于人/物/业务相联接的混合增强智能技术

面向工业互联网时代企业对高效智能协同工作模式的需求，基于“人/物/业务”相联接的混合增强智能技术通过构建三元融合的智能体系，重塑企业管理与生产运营的底层逻辑。该技术以人、工业装备（物）、业务流程（业务）的深度互联为核心，通过 AI 大模型赋能，实现认知、决策与执行能力的系统性跃升。

在混合增强智能实现层面，通过研究“人+AI”模式，构建人机协同新范式，基于自然语言处理与计算机视觉技术辅助人类完成复杂数据解读与风险预判，人类则通过经验反馈引导模型优化，形成“人类智慧校准 AI 决策，AI 能力扩展人类认知”的双向增强闭环；通过研究“事+AI”技术，将业务场景与 AI 深度融合，实现业务场景事务的自动化、智能化处理；通过研究“流程+AI”，实时监控与动态优化算法，提高业务流程的效率、准确性、灵活性和响应速度，实现流程智能化重塑；通过研究“应用+AI”，实现基于机器学习、自然语言处理等技术对传统业务系统进行智能化升级，推动钢铁企业从传统层级管理向“人/物/业务”深度协同的智能生态演进。

2.9 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。基于智能体的人机交互技术通过融合人工智能、机器学习与自然语言处理等前沿技术，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。

图11 智能体能力

该技术通过构建具备感知、推理与行动能力的软件智能体（如图 11 所示），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钢铁行业知识，精准捕捉用户意图并完成任务规划。同时，通过集成场景化用户行为分析与多模态信息处理能力，不仅支持语音、图像、文本等多元交互形式，更能精准识别行业专业术语、设备编号缩写及工艺名词，形成贴合钢铁生产场景的专属交互服务。

在应用层面，智能体可覆盖企业供应、生产、营销、服务、物流全链条，通过自然语言交互降低操作复杂度，使非技术人员可快速获取生产数据洞察，推动人机协作从“工具使用” 向“智能协同”演进。

2.10 模型即服务（model as a service, MaaS）模式及实现技术

MaaS 将人工智能算法模型以及相关能力进行封装，以服务的形式对用户提供，实现降低使用门槛、控制应用建设成本、简化运维复杂度、提升综合应用效能的目标，对于发展普惠 AI 与构建 AI 生态至关重要。

针对钢铁行业特性搭建的 MaaS 平台，是集成涵盖数据标注、模型训练、超参调优等功能的一站式开发工具，结合低代码可视化界面，使非技术人员可快速完成场景化模型定制；资产库汇聚大小模型组件与公私域数据集，支持模块化调用与组合创新；低代码 AI 应用开发工具则通过拖拉拽式操作，实现从模型训练到业务系统集成的端到端快速部署。同时，提供数据采集与上传、数据标准与增强、数据质量检测、数据集版本控制、数据可视化、数据安全、知识库构建、模型微调与定制、模型评估与比较、模型训练 API、模型推理 API 等工具，支持企业快速构建个性化智能体和工业智能应用。该模式不仅实现 AI 技术的“即取即用”，更通过生态协同机制推动行业知识的跨企业流动，为钢铁行业智能化转型提供可复用、可扩展的技术基础设施。

3 典型应用场景赋能

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。

3.1 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%。

3.2 生产制造应用场景

钢铁行业大模型平台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。

以下应用案例，相关评估指标统计分析所用到的数据，均来源于企业现有的 MES（制造执行系统）与 ERP（企业资源计划）系统的历史记录，涵盖模型上线前后的完整生产周期；对照组设置为模型上线前的人工操作结果；同时，为保证各指标结果的严谨性，分别收集了模型上线前后的完整生产周期的数据，进行分析对比。

铁前一体化配料：铁前系统生产成本占比最高（60%+），能源消耗最大（70%+），原料数量最多（80%+），是钢铁企业降本增效的重点工序和最大舞台。铁前一体化配料模型，可提高制造与采购协同效率，提高经济用料占比、降低铁前生产成本。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 3-1 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，其中，相对预测误差计算方式见式（1）；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

式中：𝐸RP为相对预测误差；𝑦pred为模型预测值；𝑦true为实际值。

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，5 kPa 日命中率达 80%以上，这里的“命中”是指预测值和实际值偏差在 5 kPa 以内，“日命中率”计算方式如式（2），压差数据来自现场设备采集。另外，本文也统计了 3 kPa 日命中率，并和 5 kPa 日命中率做了比较，如图 12 所示，相比而言，3 kPa 日命中率低于 5 kPa 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。已在宝武内外 15 座高炉部署。

式中：𝑅DH为日命中率；𝑛hit为每日预测命中次数；𝑛total为每日总预测次数。

图 12 连续三天压差预测的日命中率

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冷轧最难点工序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。为验证模型的实际应用效果，选取模型上线前后产品结构一致的生产周期内数据，确保结果具有可比性。

评估过程中所采用的关键指标如下表 2：

表 2 彩涂机组智慧排程关键评估指标

通过对比分析发现，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 13 显示了模型正式上线（12 月 1 日）前后，日自动化率变化趋势，其中 10 月和 11月是模型调试阶段，可以看到，模型的日自动化率逐渐提升，正式上线后，日自动化率可稳定在 80%以上。

图13 模型正式上线（12月1日）前后，日自动化率变化趋势

3.3 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。

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%。

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。

4 结论和展望

人工智能作为新质生产力的核心引擎，正深度重塑钢铁行业的生产与发展范式。本文介绍了钢铁行业大模型平台的建设方案，通过 “五位一体” 架构整合平台、算力、数据、模型、场景五大要素，以十项关键技术突破，实现了工业 AI 从单点试验到系统级赋能的跨越，并在生产制造与经营管理场景中取得显著实效。

钢铁行业大模型平台的建设，把人工智能融入钢铁经营管理、生产运营的各个环节，实现从研发、制造、营销到客户服务的全链条、全方位智能化升级，标志着人工智能从辅助工具向核心生产力的质变。其价值不仅在于解决当前行业面临的效率与成本难题，更在于构建了一个可持续进化的智能生态——通过数据积累与模型迭代的正向循环，持续挖掘工业场景的隐性知识，催生全新的生产组织方式与商业模式。

未来，钢铁行业大模型平台将通过持续的技术创新和模型优化，确保在钢铁行业的应用中展现出卓越的准确性和效率，为钢铁生产的数字化转型提供强有力的技术支撑，推动企业乃至整个行业的持续创新和发展。

作者：上海宝信软件股份有限公司工业互联网研究院 钱卫东 胡兵 张洋 刘红燕