模型已经够聪明了，卡住它的是架构
钢厂不缺数据，也不缺 AI 项目，缺的是一套让大模型能安全进入生产核心的架构。这一页从 AI 落地的「微笑曲线」讲起，对比三代架构，拆开补丁式 AI 的五个短板，再用一个转炉实验说明：模型会思考，离能行动还差得远。
行业 AI 的「微笑曲线」
把钢铁行业的 AI 应用按智能形态分成感知、认知、决策三类，会看到一条两头高、中间低的曲线：
钢铁行业 AI 的「微笑曲线」
教学示意- 感知智能已成熟 · 规模化 · 下一步：标准建设
- 认知智能低谷 · 点状突破 · 下一步：基础理论
- 决策智能开始爆发 · 下一步：范式创新 · 最值得投入，也最需要架构托底
- 感知智能已经成熟。 视觉类应用是落地最快的一批：炉前看铁口、转炉看火焰、热轧表面缺陷检测、废钢分拣、金相分析，很多已经做成可复制的行业方案，规模化上线。
- 决策智能开始爆发。 大模型的语义理解加上约束推理，让排产、询单这类「多约束、多目标」的计划决策第一次有了通用解法，已经出现达到工业可用标准的案例。
- 认知智能仍在低谷。 高炉悬料、转炉突发喷溅、连铸漏钢、凝固与组织演化——这些是强非线性、强耦合的工业黑箱，样本少、负样本更难拿，现有成果多是小模型的点状突破，泛化和迁移都不行。
为什么认知落在谷底？冶金过程本身就是黑箱，老师傅的「手感」也很难蒸馏成可计算的知识。所以三类形态的下一步重点各不相同：
| 形态 | 现状 | 下一步重点 |
|---|---|---|
| 感知智能 | 视觉类已规模化，成熟度高、效果稳定 | 标准建设：让成熟技术更容易推广复制 |
| 决策智能 | 呈现爆发潜质，排产、询单已有可用案例 | 范式创新：智能工程的方法论与共性能力供给 |
| 认知智能 | 点状突破，处于低谷 | 基础理论：时序预测、时空智能等「物理世界模型」 |
下面两张卡是决策智能这一端的公开实证：
行业公开实证
首钢顺义冷轧 · 大模型智能排产系统
依托大模型的语义理解与约束推理，在复杂订单、多工序约束下自动生成并动态优化生产计划，常规场景排程合规率与产能利用率明显提升。论文以此说明「决策智能自 2026 年起呈现爆发潜质」。
行业公开实证
兴澄特钢 · 外贸智能询单大模型系统
基于行业数据与工艺知识本体构建外贸询单系统，不再只做接单录入，而是把询单、产能校核、工艺适配、研发协同串成一条链——营销侧的智能开始向生产工艺协同延伸。这正是产销研一体化的公开实证。
对 AI 工程师来说，这条曲线的含义很直接：决策这一端最值得投入，但它也最需要架构托底——排产、询单的输出会直接变成生产指令和对客户的承诺，出错的代价不是一张识别错的图片。
三代架构对比
钢厂的智能化体系大致经历了三代：从 ISA-95 层级化架构，到工业互联网架构，再到本站讲的 AI 原生钢厂架构。用八个维度并排比一比（ISA-95 那一代的自动化底子，可以先读 自动化与数据 一章）：
| 维度 | ISA-95 层级化 | 工业互联网 | AI 原生钢厂 |
|---|---|---|---|
| 设计哲学 | 自上而下分层，每层职责固定，行为可预测 | 先把数据连起来，以平台为中心 | 以模型为核心，在划定的边界内自己学、自己变 |
| 数据流 | 一层层往上汇总、各自落库，孤岛是出厂设置 | 全量采进数据湖 / 数仓，打通了但只是「存得下」 | 数据带着语义和关系，按本体组织，模型读得懂 |
| 控制流 | 命令自上而下单向传递，上下层节拍从毫秒到天不等 | 业务上下打通、工序横向联动，纵向骨架仍是 ISA-95 那套 | 模型出决策，过几道安全闸再执行，实时闭环 |
| 智能单元 | 算法固化在 PLC 和过程机里，模型小而专 | 靠大数据做精细管理，辅以机理 + 数据的小模型 | 大模型统筹全局，一群智能体分头干活 |
| 系统集成 | 靠硬件接线和现场总线，系统两两对接 | 在数据层对接，拆成微服务 / SOA | 靠语义对接（A2A / MCP），人、设备、智能体一起协作 |
| 知识表征 | 规则写死在程序里 | 主要还在代码里，外加少量图谱和规则引擎 | 本体 + 向量，模型能直接调用 |
| 安全范式 | 只防设备出物理事故 | 设备安全之外再加一层网络防护 | 工艺机理、业务规则、物理极限三道关把守，越界当场拦下 |
| 可扩展性 | 弱，加功能得等厂商出新版本 | 尚可，找集成商做二次开发 | 强，企业自己就能搭新场景 |
表里最要紧的是前两列各自的「病根」。ISA-95 靠一层层抽象、转译把数据往上送，每过一层就丢掉一部分语义和上下文，到了管理层已经看不清现场此刻的工况和工艺关联。工业互联网用数据湖、数据仓把孤岛连起来了，可主数据式的治理只管「数据在哪、叫什么」，不管「它和哪道工艺、哪条机理有关」——结果是海量数据「可存储、难理解、不可推理」，躺在那里没人用得动。
补丁式外挂 AI 的天花板
今天多数钢厂的做法是：原来的层级、流程、控制逻辑一概不动，在上面挂一个视觉检测模块、一个参数预测模型。越往冶炼、轧制这些核心工序走，这种做法的上限就越明显。底层短板有五个：
- 架构层级割裂：AI 模块挂在某一层上，看不到上下游，也管不到上下游。
- 数据语义断层：模型拿到的是字段和数值，不是「这一炉此刻处于什么状态」。
- 工艺知识与业务代码耦合：规程、阈值写在程序里，模型读不到，改一处要动一片。
- 大模型推理缺乏工业刚性约束：概率性输出、黑盒推理、幻觉，一旦直接碰高炉、转炉的核心控制，就可能越过工艺红线。
- 多系统协同碎片化：每个 AI 点各连各的系统，场景一多就成了接口乱麻。
第三条值得单独说。MES、QMS、EMS 这类系统把管控逻辑和工艺规程硬编码在程序里，换一家企业、换一条产线都得大量定制，与其说是标准化的「工业软件」，不如说是一项项「工业软件工程」。这样的底座，撑不起大模型和智能体需要的动态语义理解与场景自适应推理。
技术创新 vs 工程创新
行业的竞争重心正在从「谁的模型更强」转向「谁能把模型用进生产」。两者可以用对「约束」的态度来区分：
技术创新
打破约束把能力的上限往上推
- +更强的模型、更多的模态、更长的上下文
工程创新
建立约束把风险关进可控的边界
- +架构、流程、工具、标准、评价一整套体系
- +其中架构重构是核心抓手
大模型进入钢厂，像是往一个成熟的工业生态里放进了一个新物种：它带来能力，也带来适配风险、与机理冲突、越界和不确定性。要让它在安全、合规、可控的范围内活下来，靠的不是再换一个更强的模型，而是架构、流程、工具、标准、评价这一整套工程体系；其中架构重构是工程创新的核心抓手。
如果你写过分布式系统，这个区分并不陌生：换一个更快的数据库是技术创新，设计好事务边界、幂等、限流和审计，才是让系统能上生产的工程创新。
会思考，为什么还不能行动
看一个实验：让大模型为转炉决定「接下来一小段时间怎么操作」。
真实任务。 目标是终点碳、温度双命中。给模型的输入是当前碳含量 C、温度 T、氧量、吹炼时间、枪位；约束是氧流量、冷却剂用量和风险边界；要它输出的是下一步可执行的 Action。可以写成：目标 + 状态 + 约束 → 行动。
模型已经做到的。 表现相当不错：它理解碳、温两个目标之间的牵制关系，能把脱碳、升温、喷溅风险串成一条工艺推理链，给出供氧、冷却剂和风险提示方面的建议，甚至注意到输入数据里存在数量级上的矛盾。
不能接受的一幕。 它明明已经看出几个输入值差着数量级、彼此对不上，接下来却照常算出一套精确到位的操作参数。换成人类操作工，发现仪表读数离谱的第一反应是停下来核实，而不是照着离谱的读数把参数算到小数点后。
转炉短时操作实验：模型走到了哪一步
教学示意输入
目标
终点碳、温度双命中
状态
C、T、氧量、吹炼时间、枪位
约束
氧流量、冷却剂、风险边界
模型推理
读懂工况、串起工艺推理链
并注意到输入存在数量级矛盾
接下来
实际：照常算出精确参数
矛盾被看见，却没有被处理
应有：停下来核实输入
操作工的第一反应
输入
目标
终点碳、温度双命中
状态
C、T、氧量、吹炼时间、枪位
约束
氧流量、冷却剂、风险边界
模型推理
读懂工况、串起工艺推理链
并注意到输入存在数量级矛盾
接下来
实际：照常算出精确参数
矛盾被看见，却没有被处理
应有：停下来核实输入
操作工的第一反应
任何工业 Action 都要回答四个问题
工业智能真正难的不是生成一个答案，而是形成一个有现实依据、有计算后果、有安全边界的 Action。任何一个要进入生产的 Action，至少要先回答四个问题。下图把四个问题分别由哪一层回答画了出来，点一下看：
四层架构与四条总线教学示意
自上而下四层：行动 / 治理 / 认知 / 现实。点任一层看它的职责；点下方任一问，看哪些层参与回答
工业 action 四问
四问是每个 Action 都要回答的，不与四层一一对应。点一问，看哪些层的哪些构件参与回答。
治理 · AIP 驾驭层
全架构唯一的跨层中转与治理枢纽：把业务请求组织成受控执行过程，校验、准入、审计，失败可回退。
关键词
任务规范 · 本体寻址 · 编排 · 执行准入 · 审计
安全级
机理安全 + 集成安全：推理结果放行前的机理校验，跨层交互统一管控
看这一层 →这一层参与回答的问题
04谁允许它进入生产系统？
需要治理、验证、权限、审计与执行责任
本层回答构件：运行控制 · 执行准入 · 治理智能体 · 审计与回退
回头看前面两代架构：ISA-95 或工业互联网等数字化系统，都没有为 AI 准备好回答这四个问题的现实条件——现实状态丢在层层转译里，可做的动作写死在代码里，后果算不出来，授权和审计也没有为智能体设计过。这就是新架构的出发点。
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 →