“AI+钢铁”助力钢铁行业中国式现代化

王国栋 孙杰

数字化浪潮席卷世界，钢铁行业处于百年未有之大变局之中。材料科学的研究范式，从早期的经验驱动、理论驱动、计算驱动，演进到如今的数据+AI 驱动。AI作为数字时代的前沿技术，为钢铁行业突破发展瓶颈、实现高质量发展带来了新的曙光。开展“AI+钢铁”行动势在必行。本文将深入剖析“AI+钢铁”在我国钢铁行业的发展背景、应用现状及未来构想，全面呈现这一技术融合为钢铁行业带来的深刻变革。

1 AI+钢铁的国际动向

世纪之交，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。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，数据+AI驱动，加快先进材料的发现和部署，降低开发成本，提高研发效率。这一思路已经在高端钢铁材料设计、蛋白质结构分析、半导体材料研发等方面取得突破性进展。但是美国钢铁产业空心化严重，在钢铁行业生产过程的数字化、智能化方面进展缓慢。

据报道，2016年开始，韩国浦项利用深度学习分析处理高炉五大操作变量数据，智能预测与控制高炉运行状态，钢铁工业生产管理与控制开始跨入数字时代。JFE钢铁2018年提出建立钢铁主流程数字孪生和CPS（Cyber Physical System），实现钢厂最优自动运行，一年时间完成了JFE在日本本土 8座高炉的智能化改造。日韩两国在完成高炉系统智能化后，均称将继续将智能化技术应用于炼钢、连铸、轧制等工序，JFE钢铁还专门将CPS向后部工序拓展的内容写入第七次中期发展计划。但是近年日韩两国均未见后续有关进展的报道。看来真正建成自组织、自学习、自适应、高度自治的CPS并实现生产过程智能化难度极大。至于已经发布的铁前区域的智能化系统的应用情况，由于其高度的复杂性、耦合性和黑箱特性，一定有“人的智能”（即工业时代人类长期积累的理论与经验）和AI的共同参与，才能得以完成。

▲ 以上是广告，视频中所有数据来源于斯普瑞喷雾系统。

2 AI+钢铁在DSL（原RAL）取得的进展

2.1 早期（1988-2014年）

20世纪70年代，英国Sheffield 大学的C M Sellars教授率先开展钢材热轧过程组织性能演变与预测的研究。东北大学在80年代跟踪这项研究，利用物理冶金模型与人工神经元网络模型预测热轧过程钢材组织与性能。2004-2014年，东大与梅钢等合作，采用贝叶斯神经网络进行组织性能预测，开发集约化生产技术，实行热轧钢材的大规模定制化生产。

2.2 中期（2014-2019年）

2013年12月，中国计算机学会发布《中国大数据技术与产业发展白皮书》。2014年8月22日，在中国金属学会和企业的支持下，RAL在东北大学召开基于大数据的炼钢-连铸-轧钢-热处理一体化组织性能控制研讨会，确定了产学研合作、加速开展大数据在钢铁行业应用。由于钢铁行业的全流程黑箱，材料内部的实时信息无法实时、在线、连续获得，所以采用取样离线实测方法采集组织性能数据，结合当时的制造工艺、成分数据，进行分析和建模，再用于实时控制。由于缺少实时、在线、连续的组织检测和控制，无法构成真正的信息感知-科学分析-智慧决策-反馈赋能的实时、在线的闭路循环，因而不能构成真正意义上的信息物理系统。

2.3 近期（2019年至今）

自2019年开始，东北大学钢铁共性技术协同创新中心（简称：东大协同创新中心）组织钢铁流程各单元研究AI+钢铁。2022年底，ChatGPT 生成式人工智能大模型登场，随后文生视频大模型 SORA、英伟达的AI工厂（AI数据中心）、以及端到端（E2E）技术、多模态技术、多智能体技术等先进的AI技术成功应用，一个“AI+”的热潮迅速在各领域掀起。东大协同创新中心团队抓住了这个难得的历史机遇，以钢铁流程各单元的大量实测数据为基础，推进钢铁流程各单元人的智能与AI的协同、融合，突破组织、性能在线实时预测的难题。例如针对热轧过程，利用力学性能的实测值为指导，进行单模态的机器学习；利用显微组织图像为指导，进行多模态的机器学习；利用符号回归等方法为指导，进行数学模型的机器学习。在上述机器学习的过程中，有一些重要环节的编程，需要引入人的指导，利用人的智能进行分析、判断、决策，这样就形成了人机混合智能系统（HI-Hybrid Intelligence）。利用HI建立的热轧组织性能预测模型，可以在线、连续、实时工作，依据长期积累的生产操作大数据，完全智能地、高保真度地预测材料在生产过程中组织演变规律，以及最终出口轧件的组织图像和力学性能值，其保真度足以“乱真”。由此，热轧过程数字孪生模型开发成功。东大协同创新中心的自动化团队，主要从事钢铁轧制过程材料变形、形状尺寸、稳定性控制方面的研究开发。在他们的工作中，将AI技术与积累的控制理论/经验相结合，解决了手撕钢极薄带轧机高精度控制软件开发、热轧带钢残余应力分析与板形改进、中厚板平面形状智能控制等一批重大生产问题，近年获得省部级科技进步特等奖、一等奖多项。下一步，将发挥数据/AI驱动的材料发展范式的全局性特点，将材料的形状尺寸、组织性能、表面质量三者结合起来，综合应用数据/AI驱动的生产过程控制范式，将热轧过程的质量、效率、管理水平全面推进到一个新的高度。

东北大学储满生教授团队与上海梅山钢铁股份有限公司（简称：梅钢）开展深入合作，针对高炉过程的极为复杂的生产过程，采用新时代材料科学研究范式，深化数据与人工智能驱动，赋能高炉冶炼过程。他们采用“通用模型+个性数据”，研发梅钢智慧高炉系统，针对高炉复杂的冶炼过程及数据难表征、状态难描述、操作难调控等痛点难点，融合大数据、人工智能与冶炼机理及经验知识，构建了高效率、低成本、高保真的智慧高炉模型，解决了高炉炼铁中的数据治理、工况感知、趋势预测及优化决策等关键技术问题，实现了炉况智能预测与操作自主优化的良好互动，打造了梅钢特色的高端、绿色、安全、智能、高效的智慧炼铁工序，取得了巨大的经济效益。

目前，经过东大协同创新中心各个专业队伍的努力，依据各专业的特点和实际的可能，已经在全流程各主要单元建立了这种HI系统。实际上，这个系统就是将钢铁产线上的设备，变成具身智能的机器人。这个机器人实时感知系统的全部大数据，并通过人的智能与人工智能的相互协同，进行实时分析、智慧决策、反馈赋能，实现系统的自学习、自组织、自适应、高度自治。

3 AI+钢铁行业标准化通用技术体系

在实行AI+钢铁的过程中，形成了AI+钢铁行业标准化通用技术体系。

（1）数据采集与治理。数据是事实或观察结果的逻辑归纳，用于表示客观事物的原始素材，其本质是对客观事物的抽象记录。它的核心价值在于通过挖掘数据中隐藏的模式、趋势和关联性，为决策、预测和创新提供支持。数据采集的准确性、完整性、保真度和数据ETL治理，是科学利用数据最基本的前提。

（2）模型系统。数学模型是用数学语言描述的一类模型，它们可以是一个或一组方程或其他数学工具描述的模型。AIGC+HI生成的数据驱动工控型控制模型系统包括边缘黑箱系统的数字孪生模型、位于云中的无监督机器学习模型、位于云中的语言解释大模型。

（3）算力需求。算力用来表达计算的能力，主要通过算力中心等算力基础设施向社会提供服务。钢铁工控模型的目标是企业的实时控制，它只是使用企业数据池中的个性化数据，涉及的数据量很小，但是需要极短的时延和极高的保真度。除了涉及组织图像等多模态处理时需要大算力，其他过程常规算力即可。

（4）算法。算法是对解题方案的准确描述，它通过清晰指令将输入转化为有效输出。端到端算法利用IT技术建立输入变量OT与输出变量之间的预测模型（即数字孪生），并不涉及材料内部的复杂变化。OT与IT的这种巧妙结合，简单高效、易于维护，特别适用于材料这种流程行业的数字孪生建模计算。

（5）系统架构。系统架构是构成系统要素间相互联系、相互作用方式和秩序，即系统联系的全体集合。数字时代钢铁工业数字化转型的底座具有一网-三平台-四功能。一网是5G工业互联网；三大平台是底层实体设备平台（端），数字孪生核心平台（边），资源配置与管理云平台（云）。在云-端、边-端之间采用“数据采集/执行机构”与“大数据/机器学习”组成的扁平化双层IT架构进行机器学习，边-端之间利用扁平化双层IT架构构成5G工业互联网下的CPS。这个数字底座具有四大功能，即绿色化转型、数字化转型、高质化发展、强链化运行，它就是钢铁企业信息化、数字化创新基础设施（SEII，Steel Enterprise Innovation Infrastructure）。

（6）工业软件。工业软件是指在工业领域里应用的软件，包括系统、应用、中间件、嵌入式等。钢铁行业的AI+钢铁主要是对原有系统的改造，边缘E2E过程控制软件和数据ETL治理软件要独立开发。

4 实施AI+钢铁的中国特色

特色1：遵照习近平总书记提出的新时代中国特色社会主义思想，以钢铁行业中国式现代化为目标，发挥社会主义制度的优越性，集中力量办大事，贯彻“深度融合”三原则，即产学研深度融合、科技创新与创业创新深度融合、数字经济与实体经济深度融合，促进钢铁工业全流程、一体化“AI+钢铁”，形成数字化创新生态，加速实现中国式现代化。

特色2：钢铁行业以钢铁产品生产线为主线，以生产线的大数据为基本资源，围绕质量、成本、低碳、安全发展，主攻全流程边缘黑箱，通过“AI+钢铁”，开发建设全流程一体化的数字孪生平台SEII，构筑钢铁行业SEII的标准化通用技术体系，建成钢铁行业的RS，从而实现数字经济、人工智能与实体经济的深度融合。

特色3：提出钢铁企业创新基础设施（SEII）的“一网-三平台-四功能”的双层扁平化基本架构，作为钢铁行业中国式现代化的数字底座，已经分别在多家钢铁行业的主要单元建成运行，发挥效益、树立样板。

特色4：由于钢铁生产过程的高度复杂性和某些数据无法在线连续获取，充分利用人的智能与AIGC技术结合的人机混合智能（HI, Hybrid Intelligence），深度融合钢铁产线的大数据、传统理论/专家经验、新兴的AIGC技术，为钢铁行业赋能，助推钢铁行业转型升级。

特色5：充分利用钢铁行业工业时代最先进的计算机硬件系统和运行环境，以扁平化双层架构、数字换脑、模型换代、AI+边缘数控为核心，实现数据驱动、软件定义等信息技术改造，走出低成本、高效率、易推广、零风险AI+钢铁的钢铁工业中国式现代化之路。

特色6：基于“AI+钢铁”，我国钢铁工作者提出了SEII标准化通用技术体系，它包括数据、模型、算法、算力、体系架构、工业软件等核心标准化通用技术，可以应用于铁前、转炉炼钢、连铸、轧制 （热连轧、冷连轧、中厚板、型材、无缝管材、棒线材等各种不同的钢材门类）、热处理等环节。同时，基于“AI+材料”，还可以将这个标准化通用技术体系拓展应用于有色、化工、建材等各类原材料工业过程控制的升级换代以及机械制造业零件制造的冶金、加工过程。

5 关于钢铁行业开展

AI+钢铁行动的建议

今后10年是我国钢铁工业实现中国式现代化的关键时期，提出下述关于2025—2035年开展钢铁行业AI+钢铁行动的建议。

5.1 关于AI+钢铁行动目标的建议

AI+钢铁行动目标：致力于全方位提升钢铁行业的竞争力，目标是强化技术创新，提高产品质量、改进工艺技术、形成创新生态。为实现这些目标，需要夯实数据基础，强化治理能力；高标准建设细分领域高质量数据集；构建国家材料可信数据空间；构建分层协同的AI模型体系；完善模型评估与技术创新生态；全面提升从业人员AI素养。

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，在数字化转型的道路上不断探索前行，实现钢铁产业的全面振兴与升级。钢铁行业一定要将近年发展的最新人工智能技术与钢铁行业实体经济相结合，充分利用钢铁行业丰富的大数据、钢铁领域专家的理论/经验和信息领域先进的生成式人工智能（AIGC）技术，建立人机混合人工智能体（HI，Hybrid Intelligence），实施“AI+钢铁”行动，向钢铁行业赋能，实现钢铁行业数字换脑，模型换代。这种将人的智能与AIGC融合的人机混合智能方法，建立了钢铁流程各单元全局性、系列化、通用化智能预测体系，实现材料系统内部数据实时、连续、在线、精准预测，推动钢铁行业升级换代，转型发展。

5.2 关于AI+钢铁行动研究方向的建议

建议具体的研究方向分为下述三个方面：

（1）大数据+机器学习方向

构建钢铁材料成分、工艺和性能等全链条数据平台，研究工业大数据清洗、修复与分布均衡化等预处理方法，以及机理知识-数据信息共同驱动的多源异构数据特征提取方法，采用“数据+机器学习”方法，通过生产大数据预测产品性能。

（2）人机混合智能方向

以大规模生产数据为基础，融合工艺机理与操作经验知识，利用“理论/经验+大数据+机器学习”的人机混合智能，建立材料组织预测模型，并通过数据挖掘深化物理冶金学理论认知。

（3）多智能体方向

研究优化问题降维和快速求解方法，打造全流程、多层次多智能体，实现制造单元与工序级的多尺度工艺质量指标动态协调优化，建立材料外形尺寸-组织性能-表面质量的全局性、系列化、通用化的预测系统。

钢铁生产过程涵盖炼铁、炼钢、热轧、冷轧、热处理等多个工艺环节，“黑箱”和不确定性问题的处理方法各不相同，均应按照工艺特点开展相关工作，形成各自的人机混合式智能体，并构成钢铁行业全流程一体化的具身智能多智能体系统。

5.3 关于AI+钢铁行动计划的工作安排的建议

AI+钢铁行动计划的安排建议为：

2025-2026年重点打造10条以上铁-钢-铸-轧全流程一体化AI+钢铁样板生产线。同时，制定标准体系、验收评测指标体系及方法。

2027-2030年大面积推广，完成30条以上全流程一体化AI+钢铁生产线的建设。

2031-2035年全行业推广，全面实现钢铁行业的AI+钢铁。

《世界金属导报》

2025年第30期 封1、A06