一、引言

當前，以大模型為代表的人工智能呈現出技術創新快、應用滲透強等特點，正加速與制造業深度融合，展現出強大的賦能效應，是新型工業化的重要推動力。原材料工業是國民經濟的支柱產業，已初步形成與人工智能的融合實踐，但總體還處于早期階段。我國具有市場空間大、需求場景豐富等先發優勢，但也面臨落地應用難、產業基礎薄弱、高質量數據匱乏、保障體系不健全等挑戰，亟需統籌推進人工智能賦能原材料工業應用創新，助力推進新型工業化。

二、原材料工業人工智能應用現狀

原材料工業包含石化化工、鋼鐵、有色金屬、建材等行業，也包括新材料產業，是實體經濟的根基，具有資源能源密集、過程機理復雜、生產連續性強等流程性工業突出特點。當前，我國原材料工業經過多年的信息化、自動化建設，大部分企業已能夠基于數字化能力實現穩定連續生產、高效經營管理、產品質量把控、市場業務維系等發展要求，保障生產運營等基本環節穩定運行。然而，原材料工業發展仍面臨市場需求受限、國際競爭加劇、能耗排放過高、安全事故頻發、產品價值不高等阻礙，針對行業需求，原材料工業的智能化升級成為必然趨勢。

人工智能技術可以對生產過程中的數據進行實時監測和分析，為企業提供決策依據，從而優化生產流程，進一步提升研發、監測、診斷、預測、控制、決策水平，在產業信息化、自動化、數字化基礎上進一步實現智能化升級，形成創新范式變革、生產管理智能優化、智能機器人與自動駕駛技術應用、工業大模型等典型應用模式。

（一）創新范式變革

基于人工智能“數據+模型”的智能分析，從傳統基于人工經驗、重復試錯的封閉式研發，向基于數據分析的智能創新轉變，推動高質量、高附加值產品產出與行業產品結構優化，逐漸形成輔助材料研發場景。即：利用數理統計、神經網絡等算法，構建新型鋼材、新型材料、催化劑等“成分、工藝、目標、性能”間的強關聯，顯著提升對結構材料構效關系的深入理解，實現了材料性能預測、實驗優化指導和新材料輔助研發。目前國內外已出現人工智能助力新材料研發的研究成果，例如英國劍橋的一家人工智能公司Intellegens開發的機器學習算法已被用于設計一種新的金屬增材制造鎳基合金，可節省大約15年的材料研究時間和大約1 000萬美元的研發成本。東北大學、中國石化石油化工科學研究院、英國利物浦大學等高校及科研院所基于人工智能技術已研發出新型鋼材或催化材料，其中英國利物浦大學的研發周期由數月縮短至8天。此外，人工智能還可以用于分析石化、鋼鐵等行業原材料的失效機制和性能退化過程，為原材料的性能改進和延長使用壽命提供指導。

（二）生產管理智能優化

圍繞生產制造、設備采購、安全管控、能耗排放、供應鏈與庫存管理、市場與客戶管理等重點環節，可實現快速準確地分析大量生產經營數據，從過去以人工為主導的管控方式，逐漸向全局性、自主性和實時性的管理模式轉變，最大化節能提效、優化生產資源配置，有效提升管理效率。

（1）智能生產調控。依托智能傳感與數據分析系統，主動感知生產運行狀況的變化，自適應優化調控生產過程的操作模式，實現質量、效率、安全、環保、能耗和價值等運行指標的多目標優化。

（2）智能安環管控。通過泛在感知、風險智能預警和人機共融決策等實現開放環境下制造過程全生命周期安全、環保足跡監控，風險溯源分析與智能處置。

（3）智能運維服務。融合機理、專家知識和人工智能技術，實現設備的預測性維護與全生命周期管理。

（4）智能優化決策。通過構建從原料至最終客戶的端到端供應鏈全流程計劃和排程體系，實現供應鏈全流程按單生產的貫通，優化模型結構和算法，并綜合考慮全球化的市場供需、產品結構、自身產能等因素，基于工業互聯網和數字孿生系統的自主學習和主動響應能力，實現精益生產決策管理。

（三）智能機器人與自動駕駛技術應用

綜合運用5G網絡、自動駕駛、高精度定位、多傳感系統等先進技術，研發設計出智能機器人與無人駕駛汽車，完成礦區、園區、生產車間等場景的智能巡檢、輔助生產、智能運輸等工作，實現降本增效。例如，中國石化鎮海煉化公司、冀東水泥、包鋼集團（白云鄂博礦區）、美國埃克森美孚公司等國內外企業運用智能機器人開展巡檢運輸；中冶寶鋼與中軟國際聯合開展L4自動駕駛、車路協同、遠程控制等技術的應用模式研究，助力湛江鋼鐵實現廢鋼轉運無人化智能場景落地。智能機器人與無人駕駛汽車已在原材料工業企業的礦山、工廠中實現初步應用。

（四）工業大模型創新應用

大模型技術在工業領域創新應用已成為全球關注的焦點。大模型憑借其卓越的理解能力、生成能力和泛化能力，成為推動工業智能化的關鍵力量。

在研發設計環節，通過大模型技術在更大范圍內整合原材料工業基礎研發文檔、語言規則、表征數據等，輔助化合物預測、反應條件確定和知識檢索。例如，瑞士洛桑聯邦理工學院和美國羅切斯特大學的研究團隊開發了一種基于大語言模型（LLM）的化學智能體ChemCrow，能夠完成規劃合成路線、材料設計等多種簡單化學任務；Google DeepMind發布的 AlphaFold3 模型，通過千億級別的邏輯推理和決策能力，對蛋白質、核酸、小分子、離子和修飾殘基在內的復合物進行聯合結構預測，將研發周期縮短到分鐘級；美國麻省理工學院使用1000萬個獨特分子的數據集，訓練形成具有超過10億參數的ChemGPT模型，可快速實現化學性質預測。

在生產制造環節，通過大語言模型或多模態大模型技術整合生產制造關鍵環節的文檔、圖像等基礎數據構建基于規則的知識圖譜，形成設備運維、缺陷檢測、過程監管、風險預警等應用場景，提升人機交互與任務執行的效率、準確度和信息豐富度。例如，攀鋼集團公司、河鋼集團公司等企業正探索基于大模型實現生產設備、信息系統的運維信息檢索應用。哈爾濱工業大學研究人員應用多模態大模型進行工業圖像異常檢測，實現更準確的異常檢測和高質量的異常描述。同時，通過全流程的信息融合準確透視工藝、設備、質量等關鍵參數之間的復雜關系，解決原材料工業部分關鍵機理不清晰、黑箱等問題。例如，東北大學相關團隊建立了SEII架構下的熱軋生成式工業大模型，構建了高保真熱軋過程“成分—工藝—組織—界面—載荷—性能”數字孿生模型，相較于傳統模型，其變量總數多出5個數量級以上。

在經營管理環節，通過大模型整合行業知識、市場趨勢、企業內部管理系統等數據，實現供應鏈優化管理、客戶服務、合同審查、行業知識查詢、方案生成等場景，助力企業降本增效，大模型產業化應用初步形成。例如，上海鋼聯面向大宗商品行業的貿易、分析咨詢和內容生成三個場景，發布了大宗商品行業垂類大語言模型應用——“小鋼”數字智能助手，簡化了傳統的信息獲取、內容分析和知識生成的繁瑣和低效的步驟，輔助行業用戶更高效地完成日常的工作，為大宗商品行業用戶提供更高質量的行業智能應用和服務。

三、原材料工業人工智能應用案例分析

（一）案例分析整體情況

中國信息通信研究院對全球247個（國外126個，國內121個）原材料工業人工智能典型案例進行了統計分析。

圖1 原材料工業與人工智能融合應用的環節分布

在生產環節方面，大約80%的應用案例集中在原材料工業的生產過程管控環節（如圖1所示），主要聚焦質量提升、綠色生產等方面需求，實現帶鋼表面視覺智能檢測、反應裝置智能運維、能耗智能優化等典型應用，整體還處于早期發展階段。其中，國外應用于研發規劃與經營管理環節相比于國內較為成熟，占比為22.3%，國內主要聚焦解決生產實際痛點問題，在質量檢測、設備運維、工藝優化等生產過程管控環節的應用遠高于國外（如圖2所示）。

圖2 原材料工業與人工智能融合應用于生產環節的國內外對比

在行業分布方面，鋼鐵、石化行業原材料工業人工智能應用較成熟廣泛，占比為42.1%、28.7%；建材、有色行業原材料工業人工智能應用的占比為17.4%、11.7%，還有較大上升空間（如圖3所示）。人工智能融合深度與行業數字化水平、工藝機理復雜度等因素密切相關。

圖3 原材料工業與人工智能融合應用的行業分布

圖4 人工智能技術類型分布

在人工智能技術類型方面（如圖 4 所示），近九成應用場景聚焦在以深度學習、機器學習、工業視覺為代表的數據科學技術（占比為89.5%），知識圖譜為代表的知識工程與大模型技術應用還屬于初步階段（分別占比為5.3%、3.6%）。

（二）人工智能與重點行業融合應用分析

通過對全球274個原材料工業與人工智能融合應用典型案例分析發現，由于鋼鐵、石化、建材、有色金屬等行業數字化基礎參差不齊，導致不同行業人工智能應用水平存在較大差異（如表1）。

表1 全球247個應用典型案例示例

1.鋼鐵行業

鋼鐵行業數字化水平相對較高，與人工智能技術融合應用廣泛且深入，主要集中在生產管控環節，已形成廢鋼智能判級、鋼材性能智能預測、人工智能視覺缺陷檢測、煙氣成分智能分析、爐溫精準智能預測等典型應用場景，可提升鋼材質量與生產管理效能。

例如，安賽樂米塔爾鋼鐵公司基于生物啟發優化算法在數字化地形上尋找最優的生產順序，幾分鐘內即可生成最優生產計劃。美國大河鋼鐵廠通過人工智能技術將生產工序中的數據進行綜合分析，實現全局最佳的鋼鐵生產過程智能化。在大模型應用探索方面，美國鋼鐵公司正利用大模型技術構建的應用程序，基于對話方式指導檢修工完成設備維修和零件訂購，簡化設備維護流程，預計全面投入使用后，工作效率可提升20%。

2.石化行業

石化行業數字化水平相對較高，與人工智能技術融合應用場景主要集中在研發與生產管控環節，并已形成化工材料研發、化學品泄漏識別、擠壓造粒機故障診斷、煙氣排放檢測、油井工況診斷等重點應用場景。例如，三井化學公司使用深度學習處理由51種類型數據（如溫度，流量和壓力）表示的因素，實現高精度的生產過程氣體產品質量預測。中國石化石油化工科學研究院使用人工智能技術分析鈦硅分子篩催化劑組成、硅醇類型以及溶劑效應對反應的影響。大模型在石化行業已展開初步探索應用，勝利油田利用60萬條油氣勘探開發知識對大模型進行微調，構建涵蓋930億參數的油氣大模型，實現油氣知識查詢、生產信息查詢等20余個應用，極大提高管理效率。

3.建材行業

建材行業生產工序分散，人工智能總體滲透率不高，目前主要以視覺識別等淺層應用為主，形成材料表面檢測、工藝指標預測，及安全風險預警等應用場景。例如，海螺集團通過人工智能技術在堆料口堵塞、傳送帶崩裂檢測、冒灰污染檢測、翻斗閥檢測等方式進行了機器視覺應用開發，使監控效率提升3~4倍。水泥網基于先進自然語言處理技術針對水泥技術知識構建人工智能對話模型——ChatCEM，可解決水泥行業知識查詢問答等相關問題。

4.有色金屬行業

有色金屬生產過程中的采礦、選礦、成品檢測等關鍵環節未完全覆蓋自動化儀表、可編程邏輯控制器（PLC）等自動化基礎控制設施，在冶煉、精煉、加工等關鍵工序中近35%暫未被網絡基礎設施覆蓋，僅部分有色金屬頭部企業圍繞礦石勘探預測、智能分揀、智能配料、稀土酸堿中和滴定智能檢測等開展人工智能融合應用探索。例如，隆達鋁業利用機器學習優化算法尋找最優的原料配比，構建鋁水配料優化、鋁水成分預測等智能模型，實現了再生鋁智能配料。

四、我國原材料工業與人工智能技術融合的機遇與挑戰

（一）發展機遇

以人工智能為代表的新一代信息技術是發展原材料工業數字化新質生產力、原材料工業轉型升級的重要推動力。基于當前我國發展基礎和行業現狀，原材料工業與人工智能技術的融合迎來三大發展機遇。

1.我國市場規模大，應用需求豐富

我國既是制造大國，又是網絡大國，擁有全球門類最齊全、體系最完備、規模最大的制造業，創新活躍的人工智能產業，在人工智能融合創新方面具備更廣泛的基礎。同時，龐大的市場及豐富的應用，構筑了巨大的數據資源優勢。

2.行業龍頭企業具備良好信息化基礎與創新帶動作用

我國原材料工業龍頭企業多數已積極推動企業的數字化轉型與智能化升級，并打造出了一系列影響力大、實力強的創新服務平臺及數字化智能化解決方案。

3.我國具有新一代信息技術發展和模式創新優勢

目前，我國正廣泛開展5G網絡、人工智能、大數據等數字技術研發、建設和應用，互聯網優秀創新企業已處于全球第一梯隊。制造企業、ICT企業、相關科研院所等對于新一代信息技術的關注程度和投入熱情被廣泛調動，并已初步形成多方協同、融合發展的產業生態。

（二）問題挑戰

當前，我國原材料工業不斷面臨國內外局勢的劇烈變化和產業發展形勢的倍增壓力，需要加快推動原材料工業轉型升級、高質量發展，與人工智能技術的深度融合成為大勢所趨。而在此過程中，既要面臨人工智能等新技術賦能行業的共性問題，也存在原材料工業所處發展階段及實際需求的制約。

1.流程型制造業生產具有連續性強、機理及工況復雜、安全可靠性要求高等特點，人工智能融合應用落地難度大

冶煉、催化、裂化等生產過程機理高度復雜、生產過程連續不能中斷，設備控制、工藝參數調整、安全監測處置等核心環節高實時性、高可靠性特點突出，極大提高了人工智能與其融合應用的難度。例如，煉化過程中僅乙烯裂解就涵蓋超過1萬個反應方程，建模復雜程度和工程量之大難以想象。鋼鐵生產作業中的高爐轉爐、水泥煅燒爐等內部工作環境存在高溫、噪音、振動等危害因素，部署工業傳感、視覺相機等智能化設備時，存在限制因素多、部署要求高等情況。石化化工生產中涉及有毒、有害、易爆的介質，需要極高的安全生產防范和管控要求。同時，由于工業大模型等前沿技術的應用還不成熟，多數原材料企業考慮到技術成效、成本等問題，也制約著人工智能技術的落地應用。

2.支撐融合應用的核心算法及產品軟硬件對外依存度高，產業創新基礎薄弱

在人工智能技術方面，我國在深度學習算法、生成式大模型、人工智能芯片等方面的基礎性研究和創新能力還處于模仿追趕的被動局面。在原材料智能化基礎方面，流程模擬仿真軟件、核心工藝包、先進控制系統、物性數據庫等依然受制于人，需要加快國內人工智能技術的應用落地。如美國AspenTech公司擁有近2 000種化合物的物性數據，其客戶涵蓋全球各大化工、石化、煉油等過程工業制造企業及工程公司，在流程模擬技術、工藝控制流程等關鍵領域已經具備絕對優勢。

3.原材料工業數據匯聚、數據共享難度大，缺乏可支撐建模訓練的高質量數據集

原材料工業數據類型多樣、數據來源復雜，溫度、流量、成分等生產數據呈現出多維度、動態性強、多源異構等特點。另外，生產設備協議眾多，缺乏統一規范，多數主流協議由國外廠商掌控，加大了數據采集與集成的難度。同時，原材料工業企業普遍對數據隱私及安全性存在擔憂，不愿將成分配方、關鍵工藝參數等核心數據提供給第三方進行建模訓練與應用開發。

4.融合應用人才匱乏、公共服務能力不足，相關標準等支撐保障體系有待完善

《產業數字人才研究與發展報告（2023）》顯示，未來3年，智能制造數字人才供需比預計將從1:2.2擴大至1:2.6，對既懂業務又懂算法的復合型工程技術人才需求強烈。另外，需要完善涵蓋基礎術語、參考架構、技術規范、評估評價等在內的原材料工業與人工智能技術融合應用相關標準研究工作。同時，缺乏面向原材料工業企業提供人工智能技術融合應用的規劃咨詢、技術支持、評估診斷、人才培訓、成果轉化等公共服務專業機構和平臺，建立圍繞融合應用的多方協同推進機制。

五、推進我國原材料工業與人工智能融合的策略

推進原材料工業與人工智能融合發展的過程中，需要把握以下3個原則。首先是需求引領，普及推廣。依托龐大的市場規模，釋放應用需求潛力，通過單項試點應用向重點園區復制推廣。其次是龍頭牽引，協同帶動。通過原材料工業龍頭企業示范引領作用，帶動中小企業融通協同發展。最后是中心支撐，集成提升。通過創新中心及促進中心建設匯聚要素資源，推動行業數據共享，營造數字生態。

我國原材料工業與人工智能融合的發展策略具體包括以下幾個方面。

1.堅持場景驅動，深化試點和推廣

圍繞新材料輔助開發、工藝智能優化、安全環保精準管控、全流程運營決策等重點環節，支持集團企業先行打造一批人工智能典型應用場景，加快“點狀”突破。同時，面向重點城市、示范園區和企業開展原材料工業人工智能融合應用試點，征集遴選一批帶動性強、影響力大的融合應用典型案例。在數字化轉型、智能制造相關標準體系中，強化原材料工業人工智能賦能水平與成效評估指標設計。并且，依托行業協會、產業聯盟等組織，逐步開展“一企一策”人工智能融合應用診斷與評估，加強供需對接、經驗交流與宣傳推廣。

2.加強智能主體與產品方案培育

支持重點企業、科研院所、高等院校組建創新聯合體，聚焦智能在線檢測、生產過程智能優化控制、面向智慧運營的知識發現等典型場景技術，開展模型、算法攻關，打造形成一批面向場景的典型智能模型。同時，依托智能制造系統解決方案揭榜掛帥項目等工作形成一批聚焦重點行業、重點場景的人工智能產品和創新方案，為行業企業智能化升級提供參考。

3.構建保障要素，完善保障體系

通過建設原材料工業創新中心、新材料大數據中心，引導行業協會、科研院所、骨干企業等產學研用融合發展，總結凝練出面向重點行業人工智能高質量數據集。同時，鼓勵工業企業、科研院所依托未來產業創新任務揭榜掛帥等項目，基于通用大模型底座構建行業大模型，并面向新材料產業產品研發、供應鏈優化、市場前景預測等重點場景，加快大模型技術與行業深度融合的創新應用模式。另外，通過重點行業人工智能融合應用標準體系建設，開展關鍵標準研制和貫標推廣相關工作，并且通過復合型高度人才培養、原材料工業職業技能培訓、高層次緊缺人才引進等策略，解決原材料工業人工智能融合應用人才短缺難題。