生成式AI+钢铁，建设中国式现代化的钢铁行业

东北大学钢铁共性技术协同创新中心

数字钢铁全国重点实验室

王国栋 孙杰

中国工程院院士 王国栋

一年之计在于春。处于“十四五”和“十五五”之交的全国两会举世瞩目。

今年两会传递出怎样的政策导向？这些政策将对钢铁行业产生哪些影响？钢铁行业的代表、委员们为推动行业高质量发展提出哪些建议？为此本报特别邀请了部分钢铁行业人大代表、政协委员、行业专家就相关议题进行阐述，以飨读者。

在数字化浪潮的席卷下，钢铁行业正站在转型升级的关键节点。生成式人工智能（以下简称：AIGC或生成式AI）作为数字时代的前沿技术，为钢铁行业突破传统发展瓶颈、实现高质量发展带来了新的曙光。本文深入剖析了AIGC在钢铁行业的应用现状、技术支撑、实际成效以及未来发展规划，全面呈现了这一技术融合为钢铁行业带来的深刻变革。

－01－

数字时代的技术背景与AIGC崛起

1.1 数字时代的技术驱动与数据爆发

世纪之交，工业互联网、云计算、大数据、人工智能等新一代信息技术快速发展和应用，正式宣告了数字时代的来临。信息技术推动全球数据指数级增长，数据量越来越大、种类越来越多、速度越来越快、价值越来越高。数据成为全球新一轮产业竞争的制高点、改变国际竞争格局的新变量。数据分析成为数字时代人类认知世界的新模式，大数据/机器学习成为数据时代解决不确定性问题最强有力的科学方法。

1.2 AIGC 的定义与发展历程

借助大规模数据集学习生成全新原创内容的人工智能技术，被称为生成式人工智能，即AIGC（Artificial Intelligence Generated Content）。

AIGC是基于算法、模型、规则生成文本、图片、声音、视频、模型、代码、软件等内容的技术。该机器学习方法从其数据中学习内容或对象，并运用数据生成全新、完全原创的工作。

人工智能技术的发展并非一帆风顺（图1）。20世纪50年代，阿兰・图灵提出图灵测试，人工智能开始了短暂的第一波发展，但由于未达成预期及技术资金的限制，到60-70年代初陷入第一次低谷，再到80-90年代随着计算机硬件进步，以神经网络、模糊逻辑、专家系统为代表的人工智能技术进入复苏与第二波发展阶段。但是好景不长，很快就进入了第二次低谷，从此神经元网络勉强支撑，而模糊逻辑和专家系统几乎退出。直到90年代，随着大数据广泛应用、机器学习等新兴技术突破、计算能力显著提升这三个条件逐步具备，以大数据/机器学习为特征的AIGC才稳步发展。

生成式AI是基于大数据/机器学习的AI，所以AIGC是数字时代的人工智能。在数字时代，讲人工智能，就一定是AIGC。

图1 人工智能发展历程

2011年至今AIGC迅速迭代，进入蓬勃发展阶段。2022年底，ChatGPT登场，能够完成撰写论文、邮件、脚本、文案、代码、翻译等多种任务。文生视频大模型SORA又称为“世界模拟器”，能够在文本的指导下生成视频，模拟物理世界的存在方式，生成包含复杂场景和动作的视频。2024年英伟达宣布，建设AI工厂(AI数据中心)，运行复杂的AI模型或IT系统。近年随着自动驾驶等技术的发展，具身智能的端到端(E2E)技术、多模态技术异军突起。端到端是一种机器学习和深度学习的设计范式，能够将系统的输入使用神经网络直接映射到输出，中间省略了传统方法中的手工特征提取和复杂的中间处理步骤。多模态可以利用不同感知信息（图像、文本、语音等）协同，帮助人工智能更准确地理解外部世界。

－02－

AIGC+钢铁的国际动向与我国发展方向

AIGC作为21世纪最前沿的人工智能技术，在应用于自然语言解释大模型方面已经取得举世瞩目的重要成果，但是如何将它与实体经济结合，在工业、农业、医疗、服务等行业应用，推进国民经济各部门快速发展，目前还处于探索阶段。我国作为钢产量占世界钢产量一半以上的钢铁大国，有责任、有必要深度探索AIGC+钢铁，引领钢铁工业快速进入人工智能新时代。

2.1 国际上AI+钢铁的探索

2011年，美国政府公布“材料基因组计划”。该计划旨在指导企业建设材料创新基础设施，加快先进材料的发现和部署，提高材料研发效率并降低成本。它整合政府、企业、高校和科研机构的资源，建立基于大数据/机器学习的企业材料创新基础设施（SEII），通过实验室实验-中试-企业生产线的接续式创新，将材料的开发成本降至原来的一半，新材料的研发效率提高一倍以上。

2016年开始，韩国浦项钢铁公司受AlphaGo启发，利用深度学习分析处理透气性、铁水量等高炉操作五大变量数据，进行高炉运行状态的智能预测与控制，开辟了钢铁工业跨入数字时代的新步伐。该项AIGC+钢铁技术能够提前预测可能出现的故障和异常，为操作人员提供预警和调整建议，有效提高了高炉生产效率和稳定性。

日本JFE钢铁公司提出的智能钢厂目标是：建立钢铁主流程数字孪生，实现CPS自学习、自适应、最优自动运行。为此，JFE钢铁公司提出，综合利用物理世界采集的大数据信息，并与专业知识相结合，建立起与实体世界交互映射的虚拟世界，并进一步实现主流程的CPS化和全公司一贯的CPS，实现优化的智能化操作。同时，开发远程的、自动化的钢厂操作和车辆操作。根据JFE钢铁公司的报道，2018/19财年完成了日本本土8座高炉的数字化转型。随后在2022-2027财年的第七次中期计划中，将CPS系统向炼钢、轧制等领域拓展，但目前尚未见有实施效果的相关报道。

2.2 我国钢铁行业的转型路径

AIGC+钢铁的重要之点，在于坚持科技创新与产业创新深度融合，AIGC的创新必须与产业实体的创新相融合。因此，必须坚持在生产一线，利用实际生产线提供的大数据，通过技术创新实现产业创新、利用AIGC促进产业发生本质性、颠覆性的改变，升级换代，数字化转型，高质量发展。

基于上述基本观点，我国钢铁行业必须以产品生产线为主线，以生产线的大数据为基本资源，围绕安全、质量、效益和低碳发展，主攻全流程边缘“黑箱”，通过AIGC+钢铁，建设全流程一体化的数字孪生平台、信息物理系统和钢铁企业创新基础设施（SEII），形成钢铁行业自学习、自组织、自适应、最优智能控制的机器人钢铁系统RobotSteel，从而实现数字经济、人工智能与实体经济的深度融合。目前我国已经率先在一些生产线的各生产单元建立起单元的CPS和SEII，推出生成式AI+单元的样板，推动钢铁行业的各基本单元数字化转型，高质量发展。下一步，将把钢铁行业全流程视为一个整体，实现全流程一体化的AIGC+钢铁、数字换脑、模型换代、登顶RobotSteel，走中国式现代化的光辉道路。

－03－

AIGC在钢铁行业的应用全景

3.1 AIGC在钢铁行业应用的总体目标：构建SEII

按照国家发改委的定义，创新基础设施是基于创新、协调、绿色、开放、共享发展理念，以技术创新为驱动、以信息网络为基础，面向高质量发展，为提高产业核心竞争力而打造的产业升级、融合、创新的基础设施体系。

为了促进我国钢铁行业增强核心竞争力，实现高质量发展，我国钢铁工作者提出了钢铁工业创新基础设施SEII的基本结构，如图2所示。它包含一网、三大平台和四大功能，为钢铁产业升级、融合、发展提供支撑。其中，5G工业互联网作为“一网”，为数据的高速传输和实时交互提供了保障，确保生产过程中的数据能够及时准确地传递到各个环节。底层实体设备平台（端）负责采集和传输生产现场的数据，分别输送到边缘（边）或云上（云）。位于边缘的数字孪生核心平台（边）与端部构成信息物理系统，接收端部采集的数据进行大数据/机器学习分析，构建数字孪生模型，利用数字孪生模型进行决策，并将决策信息反馈回端部的执行机构，对系统赋能。资源配置与管理云平台（云）接收来自底层端部的信息，利用大数据/机器学习实现对生产资源的优化配置和管理。SEII具有四大功能，即绿色化转型、数字化转型、高质化发展、强链化运行，从多个维度推动钢铁企业的可持续发展。

因此，SEII必须从系统架构、数据、算法、算力等方面发力，并综合应用端到端具身智能、智能体、多模态等前沿智能技术，建立中国特色的自主软件和控制系统。

图2 钢铁企业创新基础设施（SEII）的结构和功能

AIGC生成的数字孪生平台解决钢铁生产全流程一体化的“黑箱”问题，通过机器学习和深度学习等IT技术对材料成分、生产工艺等操作数据的分析与实测结果的分析，实现对钢铁生产过程的精准数字孪生建模和对最终控制结果的高保真预测。

3.2 数据

在数据采集阶段，采用多种先进的传感器和测量设备获取生产线数据，确保数据的准确性、完整性、实时性、保真度。

ETL数据治理是实现数据抽取（Extract）、转换（Transform）、装载（Load）的过程，是构建大数据平台的重要环节，目的是将钢铁企业中分散、零乱、标准不统一的数据整合到一起，准确无误地加以利用，从而为企业的决策分析提供依据。国外有专业的科技公司，从事各个不同行业的数据治理，例如，IBM、DOT DATA等。国内高校和企业协同，将专业知识与信息技术融合，已经针对各生产环节的数据特点，开发了钢铁企业数据计算机治理的软件和专业芯片。

3.3 模型

在实际应用中，数据驱动的工控型控制模型系统可以根据生产过程中的实时数据，自动调整生产参数，优化生产过程。AIGC生成的数据驱动工控型控制模型系统如图3所示。系统的右侧部分，基于企业数据池数据，结合统计学、机器学习、数据可视化和领域知识，通过监督式机器学习，构建边缘“黑箱”系统的数字孪生模型。根据即时的操作数据，可以利用这些孪生模型进行优化决策，并反馈指令实现对底层生产线的高保真控制。而图中位于云中的无监督机器学习模型，为生产计划调度、设备运维、能源物流排放管理等提供操作指导，对资源进行配置和管理，准确满足生产过程的需要，支持生产过程顺利优化运行。图中左侧位于云中的语言解释大模型具备自然语言解释功能，可以对企业的创新发展、人力资源管理、上游资源配置管理和下游市场销售进行大数据分析，对企业发展战略、科学管理、未来发展目标提供咨询和建议。

图3 钢铁行业工控型模型系统

3.4 算力

表1所示为GPT大模型与钢铁工控型模型的比较。由表1可见，钢铁工控型模型目标是企业的工业实时控制，与语言解释大模型有不同的要求和侧重点。与GPT大模型使用无限范围数据的“大海捞针”法不同，钢铁企业利用生成式AI解决某一企业具体问题的工控型模型，是使用企业数据池中的个性化数据，进行“瓮中捉鳖”式的预测和控制，所以涉及的数据量很小。这种工控型模型可以称为小模型，甚至超小模型。因此，钢铁企业的工控型模型对算力需求非常有限。针对钢铁行业的工业控制，使用本企业数据池中的数据最合适、最恰当、最有效，传统工业时代硬件系统的算力即可满足要求。但是，这种工控型系统，需要极短的时延和极高的保真度，小模型有利于实现这种控制要求。

应当注意的是，使用图像、视频等多模态进行材料组织性能协同综合性预测时，大算力将是必须的。

表1  GPT大模型与钢铁工控型模型的比较

3.5 算法

钢铁工业是流程工业。钢铁工业的原料，即铁矿石和煤炭及其它辅料，在一系列“黑箱”过程中，通过冶炼和加工过程对系统赋能，使其表面和内部均发生极其复杂的物理与化学变化，最终成为各种各样的钢铁工业产品。

 “端到端”（End-to-End，E2E）是一种将OT与IT结合起来、用IT助力OT优化的机器学习和深度学习的设计范式。

操作端的数据是人工操作时采用的操作数据，输出端是系统控制参量值。当操作数据改变时，输出端的被控参量就会相应地发生变化。对于某一个特定的系统，操作端输入数据与输出端的输出数据有固定的映射关系。这种映射关系可以利用神经元网络等机器学习方法确定。有了这种映射关系，就可以预测一组特定输入操作参数对应的输出，但是并不涉及系统内部各个物理量的相互关系和变化。

图4  端到端解法示意图

端到端学习优势在于，它用大数据/机器学习方法对系统进行整体训练，将输入的操作量直接映射到输出，避开对过程内部复杂的物质、能量变化和信息流动的求解，生成高保真度的输出侧预测结果。通过数据自动学习特征，避免了手工特征提取带来的局限性，并减少复杂性，简化了模型设计。E2E算法已经成功应用到全部钢铁“黑箱”过程，表明这种标准化的学习方法是可以信赖的，特别适于应用到材料研究“黑箱”过程的全局求解。

3.6 系统架构

钢铁工业是典型的流程工业。钢铁工业的原料，即铁矿石和煤炭及其它辅料，在一系列内部状态无法感知的“黑箱”中，控制冶炼和加工过程中极其复杂的物理与化学变化，以获得需要的材料质量和生产效率。

我国已经建立了完整的钢铁工业生产体系，普遍具备了工业时代最先进的装备、硬件配置、企业环境，可以生产各行各业需要的各种钢材品种，但是，引进的工业时代的多层控制系统架构复杂，层层堆积，数据几经变换，管理难度很大。其核心模型，即边缘的设定计算部分，我们称之为钢铁“大脑”，却是理论和经验驱动的。大脑平滑、四肢发达；系统复杂，缺芯少魂。因此，工业时代的钢铁“大脑”必须进行改造。

时至今日，人类社会进入了工业时代，钢铁行业控制系统的架构也必须从工业时代多层架构向数字时代深度扁平化双层架构转变。云边端一体化的深度扁平化架构，继承多层架构的硬件体系，降低了硬件投资。但是通过软件简化了系统结构，提升了实时性和响应性，系统具有更加良好的性能。在这种架构下，感知/执行层与边缘数据/ML层实时交互，实现反馈赋能，构成自学习、自适应、自组织、高度自治的信息物理系统，推动钢铁生产向智能化迈进。这种数据/ML-感知/执行双层架构作为数字时代计算机系统架构的重大进展，实现了从理论经验驱动多级控制架构向数据驱动软件定义的边-端双层控制架构的转型，通过5G工业互联网，有效收集和处理数据，优化模型，调试系统，为钢铁生产的智能化控制提供了坚实的技术支撑。

双层IT架构简化系统结构，降低硬件投资；感知/执行层与边缘数据/ML层实时交互，反馈赋能，构成自学习、自适应、自组织、高度自治的世界最高级智能控制系统——信息物理系统CPS。CPS数据驱动，软件通用化，数据个性化。大幅减少软件开发成本，易于系统推广应用；个性化的数据治理采用计算机完成，大幅度缩短开发时间，降低成本。原有硬件留用，降低转型成本、提高转型效率、快速实现数字化转型，便于成果推广应用。基于数据驱动的IT架构，可以通过离线开发调试-在线操作指导-在线运行三步，安全、稳妥地实现数字化转型。

所以，5G工业互联网下超级智能的CPS过程控制为数字化转型、智能化发展、网络化运行带来重大的新优势。双层架构，数据驱动，软件定义，三步上线，推动实现高质量、低成本、高效率、零风险的数字化转型。

数字孪生平台是钢铁工业大脑，它以数据为基础构建以数字孪生模型为核心的信息物理系统，在高炉炼铁、热轧等环节应用成效显著。在高炉炼铁过程中，数字孪生平台通过对高炉操作数据的实时采集和分析，构建出反映高炉内部变化的数字孪生模型。操作人员可以通过该模型直观地了解高炉内部的运行状态，及时发现潜在问题并进行调整。同时，数字孪生平台还可以对不同的操作方案进行模拟和优化，为操作人员提供最佳的操作建议，提高高炉的生产效率和稳定性。以宝武梅山4070m3高炉为例，数字系统上线应用后炉温稳定率提升30%，吨铁排放降低5%，为梅钢吨铁降本30%做出了重要贡献。

在热轧环节，利用端到端的分析方法，建立热轧过程输入操作变量与输出变量之间的映射关系，可以建立输入操作变量与钢材微观组织演变的影响规律。通过映射关系的优化，给出优化的反馈赋能工艺动态控制，及时调整轧制操作工艺参数，如温度制度、轧制速度、负荷分配等，使Ti微合金高强钢性能波动降低50%以上，明显提高了产品质量。

3.7 AIGC的前沿技术

进入新世纪以来，多模态、具身智能、智能体等企业AIGC技术为各行各业的发展提供了大量的应用场景和发展机会。钢铁工业首当其冲，将这些新型人工智能技术应用于钢铁行业，解决了一批长期困扰的重大关键问题。

3.7.1 多模态

多模态。利用不同感知信息（图像、文本、语音等）协同，帮助人工智能更准确地理解外部世界。例如，针对热轧组织性能尚不能进行实时检测的现实困难，目前采用多模态技术，协同应用实测力学性能和组织金相照片两种模态进行材料组织和性能的预测，可以大幅度提高预测精度。这样的情况下，外形尺、材料组织性能、表面氧化铁皮演变3重模型构成的大系统全局求解才成为可能。

3.7.2 具身智能

具身智能（Embodied Artificial Intelligence，EAI）是一种基于物理实体进行感知和行动的智能系统。它通过智能体与环境的交互来获取信息、理解问题、做出决策并执行行动，从而展现出智能行为和适应性。传统的人工智能通常依赖于抽象的符号计算，而具身智能更强调通过物理身体的感知、运动以及与外部环境的交互来实现认知。

中厚板生产中转钢功能需要操作人员频繁手动操作，难以实现系统的精准协调控制，成为久治不愈而遗留下来的“牛皮癣”问题。近年，开发了具身智能克隆算法的自动转钢技术，通过在转钢设备上安装传感器，实时采集转钢过程中的数据，如钢坯位置、转动角度、移动速度等。然后，利用具身智能克隆算法对这些数据进行分析和学习，模拟操作人员的转钢动作和决策过程，实现自动转钢的精准控制。以转钢时间为约束条件，学习操作人员的转钢经验，实现了每块钢转钢时间减少1秒的优化控制，有效解决了手动转钢难以实现快速精准协调控制的问题，提高了生产效率和质量。

除了自动转钢之外，中厚板生产中，侧弯控制、翘扣头控制等也在采用具身智能技术，进行自动化系统的补课。

3.7.3 多智能体

组织性能预测智能体、温度设定智能体、板形控制智能体等多种智能体在钢铁生产过程中发挥着关键作用。它们通过对生产数据的实时分析处理和协调互动，实现对生产过程的精准控制和优化，提升产品质量和生产效率。例如，组织性能预测智能体可以根据钢材的化学成分、生产工艺等数据，预测产品的组织性能，为后续的工艺调整提供依据；温度设定智能体可以根据生产要求和实时温度数据，自动调整加热和冷却条件，改变温度的设定值，确保钢材在合适的温度制度下进行加工；板形控制智能体可以通过综合考虑轧辊的弹性变形、热变形、磨损的各种轧辊凸度、辊型影响因素，对轧机板形调整机构、负荷分配等进行调整，控制钢材的板形，提高产品的平整度。多智能体技术的应用，为钢材的各种复杂智能化操作的协调、配合提供了强有力的手段。

3.8 工业软件

过去，工业软件是我们的短板，钢铁行业的控制系统软件基本上是引进西方、日本等发达国家的工业时代的产品。由于钢铁行业的AIGC+钢铁主要是对原有系统的改造，所以通讯软件、网络管理软件等可以利用原有的系统，但是过程控制部分要进行软件更新。重点的软件包括：

数据治理软件，包括数据的ETL治理

端到端学习软件，包括时间序列分析

多目标优化决策软件

边缘数据库与云上数据库软件

云上资源配置与管理无监督学习软件，针对生产计划编制、设备运维、物流管理、能源优化管理、排放管理等

PLC系统软件

与数据驱动软件适配的机理模型软件（因果关系），等等。

软件编程语言可以根据原系统的配置情况适当选用。软件系统的架构可以采用微服务架构或整体式架构。

－04－

2025-2035年钢铁行业AI发展规划

4.1 发展目标与战略举措

AI+钢铁致力于全方位提升钢铁行业的竞争力，目标是提高产品质量、改进工艺技术、形成创新生态。

① 提高产品质量。借助AI技术严格把控和优化生产流程中的各项操作参数，减少产品缺陷，提高成材率，同时加速新产品的开发进程，满足市场对高品质钢铁产品的需求。

② 改进工艺技术。通过AI优化生产流程，提升生产效率与产量，降低能源消耗和生产成本，并且利用智能监测系统有效防止事故发生。

③ 形成创新生态。注重提高劳动生产率，促进技能传承和人才培养，营造安全的生产环境，提升整体操作水平，同时加快钢铁企业数字人才培训，推动关键标准的研制与推广，构建数字化转型开源生态，深化工业互联网安全管理。

为实现这些目标，需要多管齐下采取战略举措。

①夯实数字底座是基础。通过组织企业建设钢铁企业新型全流程一体化信息基础设施，扩大工业感知网络覆盖范围，提升工业数据采集的全面性和准确性。聚焦数字化转型、智能化发展以及工控型生成式 AI 模型系统等重点环节，增强源头技术供给，加大对人工智能与工业控制融合技术的研发投入，提高自主创新能力和技术、产品的竞争力。

②强化应用牵引是关键。充分利用钢铁行业丰富的数据资源和多样化的应用场景优势，推动智改数转、数字换脑和模型换代。让钢铁行业工控型生成式AI模型系统在企业产线落地生根，制定明确的项目目标，大力推进示范线建设，树立行业标杆。建立科学合理的评价标准和考核评价规范，从产品质量提升、生产效率提高、成本降低等多个维度对AI应用效果进行评测，推动数字化、智能化技术全方位、深层次赋能钢铁行业新型工业化。

③加强技术服务是保障。通过产学研深度融合、联合组队等方式，整合高校、科研机构和企业的优势资源，推动装备、软件、网络等成组连线创新突破，为钢铁企业提供系统解决方案。加强政产学研用协同创新，特别注重企业数字化创新队伍的培育、建立和培训，打造一支既懂钢铁生产又熟悉AI技术的复合型人才队伍。积极开展技术交流推广工作，促进钢铁企业之间的经验分享和技术合作，加速AI技术在钢铁行业的推广应用。

④营造良好生态是支撑。加快钢铁企业数字人才培训，根据不同岗位需求制定针对性的培训课程，提升员工的数字素养和AI应用能力。大力研制推广关键标准，涵盖技术标准、数据治理标准、软件编制标准等，为钢铁行业AI应用提供规范和指导。建设数字化转型开源生态，鼓励企业和开发者共享技术成果和创新经验，促进技术的快速迭代和应用拓展。深化工业互联网安全管理，加强网络安全技术研发和防护体系建设，保障钢铁企业数据安全和生产运营安全。

4.2 实施规划

4.2.1 2025-2026年全流程一体化样板线建设阶段

此阶段重点打造10条以上铁-钢-铸-轧全流程一体化AI+钢铁样板生产线。在选择建设对象时，充分考虑不同企业的规模、产品类型和技术基础，确保样板线具有广泛的代表性和示范价值。例如，选取大型钢铁联合企业的生产线，展示AI技术在大规模、复杂生产流程中的应用效果；选择特色钢铁产品生产企业的生产线，突出AI技术对特定产品质量提升和工艺优化的作用。

在建设过程中，集中优势资源攻克技术难题，实现AI技术与钢铁生产全流程的深度融合。从原料采购的智能决策、高炉炼铁的精准控制、炼钢过程的优化调度，到连铸连轧的质量监控和成品检验的智能化，每个环节都融入AI技术，打造高效、智能、绿色的生产模式。同时，制定AI+钢铁的标准体系，包括工序AI+钢铁软件和芯片标准，规范软件和芯片的功能、性能、接口等技术要求，确保其在不同生产线的通用性和兼容性；建立全流程AI+钢铁验收评测指标体系及方法，从生产效率、产品质量、能源消耗、环境影响等多个维度对样板线进行量化评估，为后续推广提供科学依据。

4.2.2 2027-2030年全流程一体化生产线大面积推广阶段

在样板线成功经验的基础上，计划完成30条以上全流程一体化AI+钢铁生产线的建设。在推广过程中，根据不同地区和企业的实际情况，进行个性化的技术适配和优化。对于技术基础较弱的企业，提供全方位的技术支持和培训服务，帮助其快速掌握和应用AI技术；对于具有一定数字化基础的企业，引导其在现有基础上进行升级和拓展，实现更高水平的智能化生产。

在局部地区建成区域政府部门的企业创新基础设施管理系统，对企业创新基础设施进行统一管理和监督，整合区域内的技术、人才、数据等资源，实现资源共享和协同创新。通过该系统，政府部门可以实时掌握企业AI+钢铁项目的进展情况，及时发现问题并提供政策支持和指导，推动AI+钢铁技术在更大范围内的应用和普及。

4.2.3 2031-2035年全流程一体化生产线全行业推广阶段

全面完成钢铁行业的AI+钢铁转型，在重要产钢地区建成区域政府部门管理企业AI+钢铁和创新基础设施管理系统，形成国家钢铁企业创新基础设施系统。通过该系统，实现对全国钢铁企业的智能化生产进行宏观管理和调控，优化产业布局，提高资源配置效率。

钢铁行业基本完成AI+钢铁转型，实现高质量发展。在产品质量方面，达到国际先进水平，满足高端制造业对钢铁材料的严格要求；在工艺技术方面，实现生产流程的智能化、绿色化和高效化，大幅降低能源消耗和环境污染；在创新能力方面，形成完善的创新生态体系，企业具备强大的自主创新能力和市场竞争力。同时，建成钢铁行业管理控制优化模型系统，通过政产学研用深度融合，加速AI+钢铁赋能，推动钢铁行业在新型工业化道路上持续前行。

4.3 标准制定

①标准制定的关键内容。2025-2026年是标准制定的关键时期，明确钢铁工业AI+钢铁的发展目标至关重要。除了持续关注关键工序数控化率、生产设备数字化率、3D岗位机器换人率等传统设备和装备水平指标外，更加注重黑箱系统解决方案应用普及率的考核，特别是CPS系统的应用率。CPS系统作为实现钢铁生产智能化的核心技术，其应用率的高低直接反映了企业智能化转型的程度。

②加强AI+钢铁在生产过程中对产品质量、生产效率、生产成本、环境效应等方面贡献率的考核。制定量化的考核指标，例如规定AI技术应用后产品质量缺陷率降低的具体比例、生产效率提高的幅度、生产成本降低的额度以及污染物排放减少的数量等，充分发挥AI技术促进实体经济高质量发展的作用。

③制定钢铁行业各工艺环节和全流程AI+钢铁的技术标准。以标准规范AI技术在原料处理、炼铁、炼钢、轧钢等各个工艺环节的应用要求和技术参数；制定数据治理标准，确保钢铁企业数据的准确性、完整性、一致性和安全性，为AI模型训练提供高质量的数据支持；制定软件编制标准，统一钢铁行业AI相关软件的开发规范和接口标准，提高软件的通用性和可扩展性，指导企业的AI+钢铁转型工作有序开展和普及。

4.4 验收评测指标和方法

①建立验收评测指标体系及方法。建立全面、科学的验收评测体系是确保AI+钢铁项目质量的重要手段，该体系包括全线指标和生产单元指标。

②全线指标。全线指标涵盖多个方面，主流程信息物理系统化率反映了钢铁生产全流程中信息物理系统的覆盖程度和融合深度；系统的数据驱动率体现了AI模型对生产决策的支持程度，数据驱动率越高，说明生产过程越依赖数据和AI技术进行优化；数据治理计算机化率衡量了数据治理过程中计算机自动化处理的程度，反映了数据治理的效率和质量；机器学习模型标准化率确保不同生产线使用的机器学习模型具有统一的标准和规范，便于模型的评估、比较和优化；信息采集实时化率保证生产过程中的数据能够及时、准确地采集，为实时控制和决策提供依据；资源配置与管理的数据驱动率反映了企业在资源配置和管理方面对数据的利用程度，通过数据分析实现资源的优化配置，提高生产效率和经济效益。此外，还包括全流程最终产品质量指标、全流程生产效率、全流程生产成本、全流程能耗、全流程排放等综合性指标，从多个维度全面评估AI+钢铁项目对钢铁生产全流程的影响。

③生产单元指标。生产单元指标则聚焦于各个生产单元的具体表现，例如单元生产质量提高比例，即通过与国内外先进指标进行对比，直观反映AI技术在提升产品质量方面的效果；单元生产效率提高比例体现了AI技术对生产速度和产能的提升作用；单元生产成本降低比例展示了AI技术在节约成本方面的贡献；单元能耗降低比例和单元排放降低比例反映了AI技术在节能减排、实现绿色生产方面的成效。同时，关注生产稳定性提高的比例，衡量AI技术对生产过程稳定性的增强效果，减少生产波动和故障，提高生产的可靠性。

④生产现场指标。在生产现场指标方面，重点评估提高劳动生产率情况。通过自动化和智能化设备的应用，减少人工干预，提高生产效率；技能传承和人才培养情况反映了AI+钢铁项目对企业人才队伍建设的影响，促进知识和技能的传承，培养适应智能化生产的新型人才；安全水平的提升体现了AI技术在安全监测、预警和风险控制方面的作用，保障生产过程的安全；操作水平提高情况展示了AI技术对操作人员工作效率和操作准确性的提升，使操作人员能够更好地应对复杂的生产环境和任务。

通过对这些指标的全面评估，推动AI+活动对钢铁行业的驱动力，以利于集中力量攻克生成式AI+钢铁的难关，特别是主流程边缘系列黑箱问题，实现数字换脑、模型换代，确保AI+钢铁项目取得实际成效，推动钢铁行业高质量发展。

4.5 行业示范样板线建设规划

4.4.1 钢铁行业样板线规划

2025-2026年，针对板材、带材、型材、管材等不同产品类型，精心规划了多条全流程一体化AI+钢铁转型样板线。

这些样板线将在利用AIGC加强技术应用、生产管理、质量控制等方面发挥示范引领作用，为AIGC赋能钢铁行业等原材料行业提供实践经验和参考范例。

－05－

结语

在数字时代的浪潮中，生成式AI的蓬勃发展为钢铁行业带来了前所未有的机遇与挑战。钢铁行业拥有丰富的数据资源和全流程一体化的“黑箱”应用场景，这是其实现转型升级的重要基础。通过将实体经济与数字经济、数字技术深度融合，大力建设钢铁企业创新基础设施，积极推进人工智能与工业控制的协同发展，充分发挥数字孪生模型、多模态、具身智能、E2E等新兴AIGC技术的强大效能，钢铁行业有望实现高质量、低成本、高效率、零风险的数字化转型。

2025-2035年，通过分阶段实施、标准制定、验收评测和样板线示范等一系列有力举措，钢铁行业将逐步构建起全流程、一体化的数字化体系。这不仅有助于打造新质生产力，推动钢铁行业实现绿色化、高质化、强链化发展，还将使其在新型工业化道路上稳步迈进，为我国经济社会的可持续发展提供坚实的产业支撑。在未来的发展进程中，钢铁行业需持续关注技术创新，加强人才培养，不断优化产业生态，以应对不断变化的市场环境和技术挑战，在数字化转型、智能化发展的道路上不断探索前行，实现钢铁产业的全面振兴与升级，建成领先世界的中国式现代化钢铁工业集群。