本刊记者 孙庭阳

“准确率超过94%，90秒内完成缺陷检测并生成报告”“评测一致率达到100%”，中国钢研人工智能首席专家张云贵接受本刊记者采访时，用一组数据介绍“冶金流程感知大模型”应用后的效果。

近期，中国钢研 “冶金流程感知大模型”、南钢集团与华为联合研发的“元冶·钢铁大模型”先后发布，引发业内和媒体关注。本刊记者采访了人工智能业内专家、中国钢研相关负责人。他们介绍了我国人工智能（AI）赋能钢铁行业取得的成效以及解决“工业黑箱”问题取得的进步，同时呼吁促进“数据回流”让大模型持续迭代升级，持续赋能行业。

效率大幅提升，技术自主可控

“探索建立原材料企业与人工智能企业之间的需求匹配和创新协同机制，加快推进人工智能技术赋能原材料工业。”这是工信部等九部门联合印发的《原材料工业数字化转型工作方案（2024—2026年）》中的要求。

人工智能技术正以颠覆性力量重塑千行百业。钢铁行业实现数字赋能全要素升级的成功与否，关系着我国制造业的变革进程。

工信部赛迪研究院电子信息研究所数智技术研究室副主任杨先情接受本刊记者采访时说，上述大模型推动冶金行业从传统经验驱动向“数据+知识”双轮驱动模式转型，通过提升产品质量、生产效率、降低能耗，直接服务于提升产业核心竞争力和培育新质生产力的目标。

“‘冶金流程感知大模型’是我国冶金行业首个感知大模型，面向整个行业赋能。”张云贵说。

在钢铁生产流程中，金相分析这一步骤通过分析材料样本微观组织结构的显微图像，以及材料各种性能，判定是否达到加工目标。此前的金相分析技术不能自动完成复杂微观组织的分析与评级，必须有金相分析工程师参与，而培养一个合格金相分析工程师需要3年左右的时间。

“冶金流程感知大模型”能完成类似金相分析工程师的视觉任务，在金相识别方面，“精度已经超过了人工，与检测工程师评测一致率达到100%，效率提升约90%。”张云贵说。

中国钢研推出的“质检数字工人”，能精准检测热轧产品表面缺陷、自动评级表面质量，智能生成缺陷分析报告。“对钢铁生产过程中表面质量的评价准确率超过94%，单个钢卷从判定表面质量、检测缺陷到生成报告，90秒即可完成，效率大幅提升。” 张云贵说。

“模型训练和推理的软硬件全面国产，技术自主可控。”张云贵说，他们是钢铁行业的技术输送者，服务钢铁企业。

据悉，“元冶·钢铁大模型”打通了料铁、铁钢、钢轧及客户四大业务界面，构建20个AI应用场景试点，实现全流程、全产业链数据贯通与智能升级。

“我们积累的大量数据为专业大模型提供支撑，冶金行业需要人工智能。”杨先情说。

冶金中的工艺控制、能源管理、质量控制、设备维护等大量亟待优化的关键节点，为人工智能技术提供了丰富的价值转化空间。“行业龙头率先开展系统性探索，取得了积极成效，能引领和深化全行业的规模化应用。”杨先情说。

实现“数据回流”，让大模型持续迭代升级

工信部原副部长王江平发表在《中国经济周刊》的文章曾指出，人工智能解决制造业企业的难题，首先可以奔着工业黑箱去做，实现参数精细及时调整。

工业黑箱指的是一个设备或系统的内部工作原理非常复杂（像锁在黑盒子里一样），外人看不懂。但使用者只需要知道怎么给它输入指令（比如按按钮），它就能输出你需要的结果（比如生产出产品），不用管里面具体是怎么运作的。这类工业黑箱运行参数如果波动大，会导致过程调优困难、设备维护与诊断不及时、安全与可靠性风险高等问题。

中国钢研大模型探索解决工业黑箱难题。张云贵介绍，在金相分析中，感知大模型利用大量样本学到的特征，可以“猜”出被遮挡的晶粒的几何形貌，他们还依托大模型预测钢铁铸坯凝固过程的变化。

在采访中，张云贵多次提到了数据集。低质量的数据集很难训练出精度高的模型。

一位行业内专家介绍，大模型交付给企业后，很多企业要求数据不出工厂，难以让“数据回流”到开发者或大模型中，大模型持续迭代升级就失去了数据支撑。

杨先情认为，目前存在的数据孤岛现象，导致跨系统、跨环节的数据难以有效整合与共享。此外，部分生产环节的数据采集质量与标准化程度不足，制约了模型训练的有效性和泛化能力。

“我们肯定冶金行业大模型取得的成绩，也要解决两个堵点。”国家工业信息安全发展研究中心人工智能所副所长李卫说，一是冶金行业的合成数据集构建。当前行业高质量数据集获取困难，已有数据集即将消耗殆尽，而合成数据能够模拟真实数据，可为大模型补充训练数据，进一步提高模型性能。二是冶金行业对于安全生产要求高，而人工智能大模型具有幻觉、偏见、输出不稳定等风险，在应用过程中要加以限制，避免安全生产事故。