中國冶金報 中國鋼鐵新聞
記者 樊三彩 報道
今年初，南鋼啟動“人工智能百景千模”三年專項行動；4月28日，湖南鋼鐵集團、湖南移動、華為聯合打造的鋼鐵行業盤古大模型應用全球首發；5月10日，寶鋼股份與華為公司成立“鋼鐵+AI”聯合創新中心，此前4月26日，寶鋼股份發布AI轉型戰略……
以大模型為代表的AI技術風起云涌，成為此輪新科技革命的核心推手。鋼鐵行業也躬身入局，積極擁抱AI大模型有望帶來的無限可能。我們不由得思考以下問題：鋼鐵“AI進化”是盲目跟風，還是確有需要？鋼鐵企業如何掌握通往未來世界的秘鑰？
（樊三彩/策劃 郭藝偉/繪）
賦能潛力：
將打造人機協同新模式
斯坦福大學的一項研究表明，在一些專項任務上，人工智能技術的進步已經達到甚至超過人的能力。具體到為鋼鐵賦能，AI大模型究竟有哪些潛力？
中國鋼研科技集團有限公司綠色化智能化技術中心主任張云貴認為，AI大模型可為鋼鐵行業帶來三大層面的改變：一是感知層面。煉、鑄、軋各工序在工況感知上都存在一些難題，如高爐等環節還存在“黑箱”，有望通過引入大模型預測技術，在“機理+數據”融合建模方向上取得突破，實現復雜工況感知的“解碼”。二是認知層面。雖然現代冶金技術在鋼鐵生產規律的認知上已經建立了較為完整的理論體系，但仍存在一系列的認知缺陷，如對流程整體運行規律、在亞工序級別上存在一些隱性認知等。“大模型技術的核心特點就是通過學習發現‘隱含的規律’，因此，在流程認知的宏觀與微觀各層面都可以對大模型抱有期待。”他說道。三是決策層面。“大模型可通過學習實現決策知識和決策流程的某種固化和標準化。更有可能的是，大模型可能從‘模擬決策’最終走向‘自主優化決策’，就像在圍棋領域里已經發生的事情一樣。”張云貴表示。
在決策層面，國家制造強國戰略咨詢委員會智能制造專家委員會委員、寶武技術業務專家叢力群同樣認為，生成式大模型應用具有巨大的潛在可能性，目前的大模型可以生成文本、圖、視頻形式的內容，未來也能夠以同樣或更多樣的形式生成具有鋼鐵特定業務內涵的內容，如一組鐵礦石原料配方，針對特定鋼種的熱軋板坯最佳升溫曲線，一組冷軋帶鋼軋制的設定參數，一個最佳的鋼材集批、剪切方案，考慮最佳庫存成本和最佳交期約束的余材充當合同計劃，一個新鋼種的成分配方等。
“大模型對參與鋼鐵制造的人的幫助可能是最直接有效的。”張云貴表示，目前的大模型技術，可將行業通用知識、企業特定知識、崗位技能知識相結合，幫助員工快速實現技能躍升，實現類似“一人多崗”的目標，這在行業近幾年熱捧的集控上有很好的結合點。更極限的情況下，可以打造數字員工、超級職工。
在叢力群看來，重構人工崗位功能是智能制造的應有之義，大模型技術的巨大進步提高了人們的期望值。隨著AI技術的演進，將有3種不同的人機協同模式：一是嵌入式模式，人類完成絕大部分工作，AI承擔點狀的工作；二是副駕駛模式，人類和AI合作，共同參與到工作流程中；三是智能體模式，AI完成絕大部分工作。“未來，人類與AI合作的方法是：凡是能夠交給AI的，讓AI來做，人類只專注于當前AI無法勝任的工作。”他進一步闡釋道。
“從企業角度而言，大模型最有用的一點，是通過‘學會’企業核心知識，將鋼企從管理到運行層級的模式標準化，成為企業共性治理的基礎。”張云貴表示。
擁抱趨勢：
投資未來的可能性
鋼鐵行業積極擁抱AI大模型，是盲目跟風，還是確有需要？
叢力群告訴《中國冶金報》記者，任何技術都需要與實體經濟相結合，這是大勢、是必然，也是機會。“鋼鐵行業積極擁抱新趨勢值得肯定，因為技術進步必將伴隨著行業應用的深化，尤其是AI大模型這種劃時代的突破性技術。”他說道。
大語言模型是伴隨著數字化技術的迭代發展起來的。數字化技術始于20世紀50年代，先后掀起了10次產業級別的浪潮，本質上都是通過對底層創新的排列組合實現大規模商業化。目前，美國在通用人工智能（AGI）領域領先全球。“而在中國，AI工程化為工業賦能是優先方向。新質生產力發展的迫切需求和豐富的工業場景，使得我們更關注其應用和商業價值。”叢力群表示。
對于當前中國寶武、首鋼、中信特鋼等龍頭鋼企紛紛布局AI大模型的做法，叢力群認為：“龍頭鋼企不關心大模型是不科學的。頭部企業往往對一些新概念、新技術理解得更深，也更需要‘從0到1’探索出應用路徑，爾后，其他企業只需保持跟隨姿態。”
“當前，如果哪家企業說已經用大模型解決了某些關鍵的問題，且創造了價值，那我們一定要持謹慎態度。”叢力群認為，當下，AI大模型技術本身并未完全成熟，應用至鋼鐵等垂直領域的路徑、方法都處于探索階段，得出成功應用并取得成果的結論為時尚早。“即使在一些特定的業務場景，如智能檢測運維，一些企業已經嘗試采用大模型的概念和技術，強化系統在數據中自主學習知識的權重，但仍然處于初級探索階段。”他說道，“更準確地說，我們是在適應大模型發展的趨勢，投資的是未來的可能性。”
正確路徑：
場景為王道，數據是關鍵
通用AI大模型在技術上的進步及社會對大模型應用的高期待，使人們進入了又一個“亢奮期”。不擁抱AI的企業注定會被淘汰，但也不應過分迷信于通用AI。
“聚焦垂直場景、創造價值才是大模型發展的王道。”叢力群認為，目前，AI大模型還難以勝任千行百業的嚴肅決策類應用需求，從開放閑聊到復雜決策仍有漫漫長路。
當前，提到應用大模型，一些鋼鐵企業會首先想到要建設一個用于大模型訓練的算力環境。其實，對大多數企業而言，自己建設用于大模型訓練的算力環境是不現實的，也沒有必要。叢力群認為，拋開高端GPU卡受限的因素不談，建設一個訓練足夠大尺寸（例如7B參數規模）大模型的算力中心所需要的經費投入就是許多企業難以承受的，一般企業既沒能力又無必要。
“鋼鐵行業發展大模型應堅持‘基礎大模型—行業大模型—企業大模型’的分層次發展路徑。”叢力群告訴《中國冶金報》記者，具體來說，基礎大模型是國家產業發展基礎設施的組成部分，可以借助國家“東數西算”工程布局，以國家級的產學研合作機構牽頭推進，或由大型科技公司去做；行業大模型在基礎大模型基礎上，“投喂”行業專業數據進行訓練，而匯聚行業的數據將成為模型質量的關鍵；有了行業大模型的基礎，企業可以“喂”以自身特定數據，將其泛化為企業大模型，形成面向具體場景和工作任務的個性化的專有模型。“這是一個更加合理的路徑，符合資源最優配置的經濟學原理，也體現出我國的體制優勢，大家術業有專攻，不會造成資源浪費，同時降低了企業訓練大模型的資金成本。”他說道。
大模型的三要素是算力、算法和算料（數據），算力資源和算法技術可以通過合作或獲取外部商業資源來解決，而企業自己的數據積累是數據的唯一來源。“不要忽視數據的重要性，數據質量是大模型應用的基礎，這或許是當前的最大短板。”叢力群強調。
那么，如何獲取高質量數據就成了重中之重。一方面，要全面采集數據。叢力群認為，根據特定任務目標選擇性獲取數據是傳統思維，而訓練AI大模型要秉持“大數據思維”，即盡可能采集完整的數據樣本。不過，在數據采集完成之后，一般需要通過數據壓縮、減量解析等方式提高數據的價值密度，減小數據規模。另一方面，除去通常所說的企業經營數據、設備運轉數據等以外，更要注重專家經驗數據的采集，我們可以將各領域專家經驗視為一種高價值密度的數據，這些數據的采集對于大模型訓練更加重要。
“當前，很多鋼企恰恰更加需要采集這樣完整、系統的數據做支撐，而不是盲目去訓練大模型。”他說道。
當前，7B~13B（B=10億）規模的模型架構已經越來越成熟穩定，這為大模型用于企業創造了必要的技術基礎。在工業中應用大模型，企業需要重點關注數據可能存在的問題：一是AIGC（生成式人工智能）的幻覺現象是工業應用所不能接受的。如果用于訓練大模型的數據存在問題，生成的虛幻結果將是不可預知、不可重復和不可控的。二是歷史數據不完整。現場采集的設備數據存在斷點（不連續）、制造管理和運營決策過程中諸多環節的人類經驗數據等斷續的數據流在工業制造中廣泛存在。三是單一企業歷史數據樣本數量看似龐大，但未必能支撐大模型訓練所需。“所有企業都將數據視為核心資產，目前企業間的數據封鎖并不支持更廣泛數據樣本的獲得，而單個企業的有限樣本數量能否滿足大模型訓練的基本需求，也是一個有待驗證的問題。”叢力群認為。
有業內專家向《中國冶金報》記者補充強調，充分認識數據的重要性是必要的，但與此同時，研發行業大模型還應破除“數據迷信”，即除了數據，大模型的架構設計、訓練方法等也十分關鍵，需將規則、知識、機理等融入進去。
