我國鋼鐵工業是國民經濟的重要基礎產業，是國家經濟建設的中流砥柱，是建設現代化強國的重要支撐。鋼鐵工業歷經起步時期、加速時期、高速時期和全面發展時期，目前進入周期性調整階段，呈現“三高三低”的復雜局面，表現為高產出、高成本與高排放并存，同時遭遇低需求、低價格和低效率的挑戰，面臨著階段性供需矛盾加大、行業利潤下降等困難。傳統的生產管理和調度方法已難以滿足當前高效、低碳生產的需求，為鋼鐵行業的智能化轉型帶來了新的機遇和挑戰。鋼鐵流程行業亟需通過提高生產質量、降低生產成本、提升生產效率，來應對復雜的生產與管理挑戰。

鋼鐵行業正處于產業轉型的關鍵階段，以大模型為代表的新一代人工智能（AI）技術已成為推動產業變革和行業轉型的核心動力。面對科技的飛速進步，我國制定了差異化的發展戰略，著重發展行業垂直領域的工業大模型，以實現精準賦能，提升行業競爭力。由于工業領域場景具有專業化、多元化、碎片化的明顯特征，依靠單一的基礎大模型并不能很好適應各類工業領域需求，因此需要打造鋼鐵行業大模型及平臺，深入理解并精準服務于行業獨特需求。

人工智能技術在鋼鐵領域的應用面臨諸多挑戰，難以充分滿足行業的復雜需求，主要體現以下三個方面：

一是缺乏賦能鋼鐵行業的體系化方法。目前業內對于人工智能技術的應用都還是零星點狀的，在以人工智能的全局視角策劃鋼鐵行業轉型升級路徑方面缺少體系化的方法和模式，亟需探索如何加強人工智能與鋼鐵行業的深度融合，以人工智能技術重構業務內涵，實現全新業務形態與模式，推動鋼鐵行業的整體轉型和升級。

二是高質量工業領域語料庫匱乏。工業數據規模量大，但普遍質量水平較低，大規模多源異構數據融合問題以及數據孤島問題仍難以克服，無法滿足行業大模型訓練要求。工業數據產業服務生態的建設不完善，工業知識、工業數據的語料化缺少專業的方法論和技術工具，工業數據確權、治理、標注、合成、質量評估、隱私保護等相關標準不足。數據專業人才緊缺，特別是具備行業不同業務領域專業知識的語料標注人員欠缺。

三是解決方案工程化能力薄弱。人工智能大模型工業化應用需要解決適用性、工程化、規模化的問題，需解決與現有系統統籌考慮整體架構與功能設計，解決系統、數據、功能集成，以及訓練、推理一體化問題，解決規模化應用推廣等問題。

綜上所述，為了鋼鐵行業的應用和發展需求，將大模型真正融入鋼鐵行業流程中，亟需研究行業大模型建設模式，研發適用于鋼鐵行業的大模型及平臺。本文基于中國寶武的數智化轉型實踐，從一體化解決方案的角度，提出了鋼鐵行業大模型平臺構建的總體架構，并研究了鋼鐵行業大模型平臺建設所需的十大關鍵技術以及在生產制造和經營管理的典型應用場景，最后對鋼鐵行業大模型的發展進行了展望。

1 總體架構和建設思路

鋼鐵行業大模型，專門針對鋼鐵行業特點和需求，融合了機器學習、深度學習等先進人工智能算法，旨在處理鋼鐵行業中的復雜任務和海量數據，為鋼鐵生產、管理、決策等環節提供智能化支持。通過將大模型服務融入現有的工業互聯網平臺，構建鋼鐵行業大模型平臺，實現從單點應用、局部優化到業務貫通和協同發展的智能化升級，打造高效率、低成本、綠色化的工業智能解決方案，可以在更廣泛的工業場景發揮作用，提升人工智能應用的普及率，極大促進智能化升級進程。

1.1 總體架構

鋼鐵行業大模型平臺，基于通用模型（包括語言、視覺等）及專用模型（包括預測、決策等），融合鋼鐵知識庫、語料庫、樣本庫，互聯企業各類應用系統，匯聚工業大數據，形成算力、數據、算法一體化管理以及中心訓練、邊緣推理、場景應用一站式閉環的綜合性人工智能平臺。鋼鐵行業大模型平臺整體架構如圖 1 所示。

圖 1 鋼鐵行業大模型平臺整體架構

其中，數智基座實現了“五個統一”，即統一算力資源、統一數據治理、統一模型管理、統一模型評價、統一發布部署，對算力、數據和模型進行高效整合與管理。在算力方面，建立起兼容異構算力資源的管理和調度體系，能夠充分調動不同類型的計算資源，滿足大模型訓練和推理的多樣化需求，為模型的高效運行提供了有力的支撐。

在模型層面，形成“M0 基礎模型 - M1 垂類模型 - M2 領域模型”的分層架構體系。

基礎模型層（M0）：該層集成社會成熟基模，整合自然語言處理、視覺識別等通用 AI 技術，為整個模型體系提供基礎能力。通過對海量通用數據的學習，M0 層具備了強大的跨領域知識理解和處理能力，為上層模型提供了廣泛的知識儲備和技術支撐。

垂類模型層（M1）：基于鋼鐵行業的專業知識、專業數據以及企業內部豐富的業務數據，訓練出適用于鋼鐵生產各個環節的通用和專用模型。這些模型深度融合了鋼鐵行業的工藝特點、生產流程和管理需求，能夠精準地處理鋼鐵行業中的復雜任務，為鋼鐵生產提供專業的智能化支持。

領域模型層（M2）：針對冶金、軋制、制造管理、經營管理等具體生產和管理環節的獨特需求，開發定制化解決方案。通過將 M1 層的垂類模型與實際應用場景緊密結合，實現對各個業務環節的精細化管理和優化。例如，在軋制環節，根據 M1 層模型提供的工藝參數預測和質量控制模型，實現對軋制過程的精準控制，提高產品質量和生產效率；在企業管理環節，利用相關模型進行數據分析和決策支持，優化企業資源配置，提升企業的整體運營效率。另外，鋼鐵行業大模型平臺提供統一 AI 門戶及智能體開發平臺的 MaaS 模型服務，為各類 AI 應用的開發與部署提供了便捷的途徑，開發者可以快速構建和部署個性化的 AI 應用，進一步拓展了鋼鐵行業大模型在不同場景下的應用范圍。

1.2 建設思路

依托于現有的技術積累，建設 “五位一體”的綜合能力體系，通過通專融合（通用模型和專業模型）、業技融合（行業知識和 AI 技術）、數實融合（數字技術和實體制造）“三融合一”，支持鋼鐵行業人工智能應用場景需求，促進人工智能更高水平應用，推動鋼鐵產業智能化創新與發展。總體建設思路如圖 2 所示。

1.2.1 “五位一體”

通過對平臺、數據、算力、模型、場景五要素的系統性建設，在數智基座、模型研發和場景應用等方面提供全方位的支撐，形成一體化、集成化人工智能+鋼鐵解決方案，大幅降低鋼鐵行業模型研發門檻與成本，讓人工智能技術更好融入行業。

1.2.2 “三融合一”

通專融合：鋼鐵行業大模型將通用模型與專業模型相結合，使得模型不僅具備廣泛的適用性，還能夠針對鋼鐵行業的特定需求進行深度定制，使得大模型能夠更好地適應行業特點，提高解決方案的有效性。

業技融合：鋼鐵行業大模型通過整合行業知識和 AI 技術，實現了業務需求與技術能力的深度結合，不僅提升大模型的技術含量，也使得模型能夠更好地服務于業務發展，推動鋼鐵行業的智能化轉型。

數實融合：鋼鐵行業大模型通過數字技術與實體制造的結合，實現了數據驅動的智能制造。鋼鐵企業能夠利用大模型進行生產流程優化、資源配置優化和能源消耗降低，從而提高生產效率和降低成本。

圖 2 建設思路

1.2.3 “分層構建”行業垂類大模型

采用 M0 基礎模型層、M1 垂類模型層和 M2 領域模型層的分層架構，基礎模型提供通用智能，行業垂類模型提供專業洞察，領域場景模型提供定制解決方案，三者協同、逐層優化模型性能，將通用大模型與鋼鐵行業數據充分融合，有效解決通用大模型不懂行業的問題，推動場景落地。

1.2.4 行業高質量語料庫構建

研究行業高質量語料庫構建技術，研發語料工具鏈，制定相關標準和規范，示范構建涵蓋鋼鐵行業多個領域的萬億規模多模態高質量語料庫，為模型訓練和應用提供示范模式。

1.2.5 “1+X”場景支撐

通過“1 套鋼鐵行業大模型平臺”，全面支撐“X 個人工智能應用場景”，用于企業智慧制造、智慧治理、智慧服務等主題場景，以及高爐大模型、轉爐大模型、配煤配礦大模型、云表檢大模型、研發設計大模型等領域模型，為鋼鐵企業提供一體化、集成化的人工智能+鋼鐵解決方案。

2 技術路線

核心技術以自主可控為原則，圍繞人工智能、機器學習、人機交互、云計算、邊緣計算等多個技術前沿方向，研究訓練-推理-場景一體化的智能化架構技術、行業大模型分層構建技術、行業高質量語料庫構建技術、大規模異構算力集約化調度技術、面向通用場景預測模型構建技術、面向多目標復雜場景的決策模型構建及動態優化技術、端-邊-云協同的實時智能控制模型構建技術、基于人/物/業務相聯接的混合增強智能技術、基于智能體的人機交互技術、模型即服務（MaaS）模式及實現技術等十項關鍵技術，如圖 3 所示。

圖 3 關鍵技術

2.1 “訓練-推理-場景”一體化的智能化架構技術

消費類大模型用于工業側，普遍會存在數據和場景的復雜度、能力可用性、技術成熟度、結果可靠性等難點，需要提高人工智能系統的整體效率、靈活性和實用性，使模型能夠更快速、準確地適應不同的應用場景，解決適用性、工程化、規模化的問題。通過打通基礎平臺、AI 技術與業務應用的分層協同鏈路，建立通用模型與專業模型的協同進化機制，形成覆蓋“訓練-推理-場景落地”全鏈條的智能化架構（如圖 4 所示），為超大型企業智能化轉型提供可量化的技術實現路徑。

圖4 智能化架構技術

架構體系通過全生命周期管理機制，實現工業 AI 模型從創建、訓練到評估、部署、監控、優化的全流程數字化管控，使模型研發效率、運行效果與運營質量可量化、可追溯、可優化。

云邊一體技術的深度融合，既滿足云端資源集約化訓練的效率需求，又能通過邊緣計算實現生產現場的低延遲響應與數據閉環，確保工業現場高效穩定。模型分層分類構建技術則通過行業知識解耦與特征工程標準化，降低工業領域模型研發門檻，同時建立以生產效率提升、質量成本優化為核心的價值導向評價體系，推動模型泛化能力與場景適配性的雙向提升。

該智能化框架通過知識沉淀機制將工藝經驗、操作規范轉化為可復用的模型資產，使大模型能力與行業特性深度融合，形成 “數據積累 - 模型優化 - 場景迭代” 的良性循環，推動工業 AI 從單點試驗走向系統級生產力變革，為流程型制造業的智能化轉型提供標準化技術底座。

2.2 行業垂類大模型分層構建技術

鋼鐵行業面臨提高生產效率、降低生產成本、提升產品質量和保障生產安全的重大需求。在此背景下需要通過數智技術創新，幫助鋼鐵企業突破困境。傳統人工智能技術面臨算法精度低、模型開發周期長、人工標注工作量大、場景碎片化等問題，導致算法通用性差，模型難以批量生產。通用大模型技術的誕生，雖然能解決通用場景下，傳統人工智能應用的問題，但離工業場景的落地還存在較大距離。因此需要研究大模型分層構建技術（如圖 5 所示），使工業人工智能模型開發從“作坊式”走向“工業化”范式。

圖 5 模型分層構建體系

語言模型方面，構建“M1 鋼鐵語言模型”，解決通用模型鋼鐵領域知識學習不足問題，提升模型在鋼鐵領域的知識理解以及指令遵從的準確性，同時具備跨基座模型遷移的通用性。基于海量鋼鐵及通用知識，融合高爐、煉鋼等鋼鐵語料，進行持續預訓練，增強行業基礎知識理解能力；基于應用場景實際交互數據以及問答語料，進行監督微調，增強行業指令追隨能力；構建綜合鋼鐵知識、場景能力以及通用能力的垂類模型測評技術。

視覺模型方面，基于國內開源生態，采用 Transformer 模型結構，通過“基礎-行業-場景”三級遞進式架構，逐層優化模型性能，實現鋼鐵生產視覺數據的全鏈條高效處理。通過自監督學習、對比學習等無監督技術從海量未標注數據中萃取通用特征，借助模型蒸餾技術完成教師模型到學生模型的知識遷移，在保障模型性能的同時實現輕量化部署。該架構不僅構建了自動化工作流以降低開發門檻、減少專業人員依賴，更通過行業經驗沉淀逐步建立標準化體系，助力生產質量監控、安全生產管理、物流管理等核心場景的智能化改造。

2.3 行業高質量語料庫構建技術

可以依托企業大數據中心建設進行擴展，針對鋼鐵行業垂類大模型訓練和相關智能體應用所需要的高質量、多樣性語料的需求，構建了 IT/OT 等結構化數據之外，文本、圖像、語音、視頻等非結構化數據的管理、嵌入、審核、標注等機制，實現完整的從源數據采集、清洗加工到高質量語料入庫的全新語料庫構建模式。同時，研發融合了語料庫、知識圖譜、向量數據庫的，面向大模型應用開發用戶的語料訪問、加工、訓練等應用接口，形成涵蓋軟件研發、財務經營、生產制造等業務領域的鋼鐵知識庫、語料庫、樣本庫。