认知 · 智能内核层
如何形成方案并确定性计算？DLA 把「工业世界」组织成可被智能调用的结构，大模型负责推理，机理与优化负责计算。
定位
认知层（智能内核层）夹在现实和治理之间，作用是承下启上：向下，从 DAS 拿到标准化的全厂数据、实时工况、设备能力与系统权限；向上，给所有业务智能体提供标准化、可复用、可约束的认知、推理、决策、仿真和工具服务。
它追求的是一套智能底座支撑全工序场景。传统做法是每个业务模块各自训练模型、各自搭推理引擎，AI 能力零散地「外挂」在各个系统上；在这里，上层所有智能体的业务逻辑、决策生成和工艺推演都从这一层出，不允许再有游离在外的零散 AI 能力。
这一层的「智能核」由四类组件构成：
- DLA 数字孪生本体：整个认知层的语义底座，下一节展开
- 行业大模型矩阵：多个垂类大模型，按任务难度单用或组合
- 企业知识库与案例库：工艺规程、专家经验、历史案例的沉淀
- 行业 AI 工具集：沉淀为原子能力的标准化工具（Skills），跨车间、跨厂区复用
在原始论文的三层口径里，AIP 也归在这一层；本站按四层口径把它单列为治理层，见架构总览里的「三层还是四层」。
DLA：把工业世界组织成可被智能调用的结构
大模型读得懂文字，但钢厂的「世界」散落在几十个系统的表、位号和文档里。DLA（Data - Logic - Action）做的事是把这个世界组织成可以被智能调用的结构，分三层，各回答一个问题。
D 孪生 · 数据：有什么，现在是什么？
D = (V, E, Φ)
- 实体、关系、属性：这台转炉、这一炉钢、这张订单，以及它们之间的关系
- 时序状态、配置参数：随时间变化的工况和相对固定的设定
- 生产对象的语义状态：不是「某位号等于某个值」，而是「这一炉处于吹炼后期」
L 孪生 · 逻辑：什么成立，什么允许？
L = (C_h, C_s, R, K_M)
- 硬约束与软规则：必须满足的红线，和尽量满足的偏好
- 工艺逻辑与时序关系：哪一步必须在哪一步之前、什么条件下才能进入下一工序
- 模型适用条件与引用：某个机理模型在什么范围内可信、该引用哪一个
A 孪生 · 行动：系统可以做什么？
A = (A, Pre, Post, Param, Ref_M)
- Action 类型与参数域：能做哪些动作，每个参数允许的取值范围
- 前置条件与后置条件：做之前必须成立什么，做之后应当观察到什么
- 模型引用关系：评估这个动作的后果，要调用哪个计算模型
这正对应「工业 Action 必须回答的四个问题」里的前两个：D 回答「我面对的现实是什么」，L 与 A 一起回答「我现在允许做什么」——Action 不是一段自由文本，而是有类型、参数域和边界的对象。
三层合起来，DLA 同时服务两个子域：
DLA → E_R, E_C
- 对推理子域 E_R，DLA 提供现实语义、规则约束和 Action 空间——模型在一个已经被圈定的语义环境里思考。
- 对计算子域 E_C，DLA 提供参数入口、边界条件和模型契约——计算模型知道该取哪些参数、在什么边界内求解。
DLA 三层孪生，同时服务两个子域
教学示意DLA 数字孪生本体
D · 数据
有什么，现在是什么？
L · 逻辑
什么成立，什么允许？
A · 行动
系统可以做什么？
提供给
推理子域 E_R
现实语义 · 规则约束 · Action 空间
计算子域 E_C
参数入口 · 边界条件 · 模型契约
由谁承担
大模型
理解意图，提出候选行动
机理 · 仿真 · 优化求解器
给出确定、可复现的后果
DLA 数字孪生本体
D · 数据
有什么，现在是什么？
L · 逻辑
什么成立，什么允许？
A · 行动
系统可以做什么？
提供给
推理子域 E_R
现实语义 · 规则约束 · Action 空间
计算子域 E_C
参数入口 · 边界条件 · 模型契约
由谁承担
大模型
理解意图，提出候选行动
机理 · 仿真 · 优化求解器
给出确定、可复现的后果
两个子域共享同一个语义底座，这是它们能够协作的前提：推理子域说的「这一炉」，和计算子域算的「这一炉」，是本体里的同一个对象。
推理子域与计算子域
这是第二个「≠」——推理 ≠ 计算——在认知层的具体落点：
| 推理子域 | 计算子域 | |
|---|---|---|
| 处理什么 | 上下文 / 约束 / 行动候选 | 参数 / 边界 / 模型契约 |
| 由谁承担 | 大模型 | 机理模型、预测模型、仿真、优化求解器 |
| 擅长 | 理解含糊的业务意图，识别适用的约束，提出若干候选行动 | 在明确的参数与边界下给出确定、可复现的计算结果 |
| 不该做 | 自己「估算」一个工艺参数的后果 | 替业务理解「客户到底要什么」 |
分工的逻辑很直接：大模型的强项是理解和组织，弱项是精确和可复现；机理模型和求解器正好相反。四个问题里的第三个——「做了以后会发生什么」——必须交给计算子域回答，因为它涉及机理、仿真、优化和求解。
行业大模型矩阵与知识库
大模型矩阵不是一个大模型包打天下，而是多个垂类大模型按任务难度选用：简单的抽取、问答用轻量模型，复杂的跨工序推理用能力更强的模型，必要时组合使用。一个直接的好处是，钢厂的整体智能水平可以随模型迭代同步升级，而不需要对架构的其余部分做大规模改造——因为模型只是认知层里一个可替换的组件。
模型之外，还有三类沉淀：
- 企业知识库：工艺规程、操作规范、专家经验，通过 DLA 本体动态加载，让知识在运行中被真正调用
- 案例库：以向量形式组织的历史案例，为模型寻优推理提供「以前遇到类似情况是怎么处理的」
- 行业 AI 工具集（Skills）：把行业的标准化实践沉淀成原子能力，一个车间做好的工具，其他车间、其他厂区可以直接复用
这里只讲类别。具体选用哪类模型（多模态大模型、时序预测模型、OCR 等），取决于场景。
运行即学习
DLA 的三层孪生构成一个闭环，让系统在生产中持续变好：
- D 孪生实时采集现场工况，保持对现实的最新认知
- L 孪生持续校验并修正模型的认知，发现规则与现实不符就更新
- A 孪生记录每一次操作及其结果并回传
运行即学习：三层孪生 + 人的纠错构成闭环
教学示意- 每次运行都是一条样本
- 01D 孪生实时采集现场工况
- 02推理 + 计算形成方案、算清后果
- 03A 孪生记录操作及其结果
- 04专家修正 / 确认本身就是高质量标注
- 05L 孪生校验并修正认知
- ↺ 回到 01，进入下一轮
这样，每一次生产运行都会变成认知模型的训练样本。另一个关键的信号来源是人：在认知类场景里，人类专家仍然是最终裁决者，专家对智能体输出的每一次参数修正、结果确认和事后复盘，本身就是一条高质量的标注，持续推动本体迭代和模型微调。
这对 AI 工程师来说是很熟悉的思路：与其一次性攒一个大数据集，不如把「人工纠错」设计成系统的正常流程，让标注在使用中自然产生。
工程师类比
AI 工程师视角·换成你熟悉的说法
DLA ≈ 类型系统 + 规则引擎 + 接口清单
D 像类型系统，定义了世界里有哪些对象、各有什么字段；L 像规则引擎，定义什么组合合法、什么必须拦截；A 像一份带前置 / 后置条件的接口清单，定义能调用什么、参数范围是多少。模型面对的是这三者合成的「强类型世界」，而不是一堆散落的表。
推理 / 计算分工 ≈ LLM 写 SQL，数据库执行
你会让模型理解需求、写出查询，但不会让它凭记忆报出查询结果——结果由数据库引擎算。认知层同理：大模型给出行动候选和调用计划，机理模型和求解器在明确的契约下算出后果。
行业大模型矩阵 ≈ 模型路由
和很多 LLM 应用里按请求复杂度把流量路由到不同模型一样：简单任务走轻量模型，难任务走强模型，某些任务组合调用。模型可以单独升级，调用方不用改。
在产销研里长什么样
落到产销研一体化，认知层至少要建四个域本体：钢材（牌号、成分、性能及其关系）、销售（客户、询单、合同）、研发（试验、配方、工艺窗口）、生产（产线、工序、设备能力）。在它们之上沉淀六个库：客户画像库、订单库、技术标准库、协议模板库、控制要点库、历史案例库。
一张询单进来，推理子域借助这些本体和库理解客户要什么、对应哪些标准、历史上做过类似的没有；计算子域负责评估产线能不能做、成本与交期如何。完整链路见产销研。
出处《AI 原生钢厂：架构探索与功能设计》，《冶金自动化》第 50 卷第 4 期，第 18–30 页（特邀综述），2026-07来源与出处 →
出处《AI 原生钢厂：面向钢铁工业的下一代智能制造新范式》，2026 北京智源大会专题报告，2026来源与出处 →
相关概念 / 8 张