原材料工业人工智能应用发展分析 ——基于全球247个应用典型案例

一、引言

当前，以大模型为代表的人工智能呈现出技术创新快、应用渗透强等特点，正加速与制造业深度融合，展现出强大的赋能效应，是新型工业化的重要推动力。原材料工业是国民经济的支柱产业，已初步形成与人工智能的融合实践，但总体还处于早期阶段。我国具有市场空间大、需求场景丰富等先发优势，但也面临落地应用难、产业基础薄弱、高质量数据匮乏、保障体系不健全等挑战，亟需统筹推进人工智能赋能原材料工业应用创新，助力推进新型工业化。

二、原材料工业人工智能应用现状

原材料工业包含石化化工、钢铁、有色金属、建材等行业，也包括新材料产业，是实体经济的根基，具有资源能源密集、过程机理复杂、生产连续性强等流程性工业突出特点。当前，我国原材料工业经过多年的信息化、自动化建设，大部分企业已能够基于数字化能力实现稳定连续生产、高效经营管理、产品质量把控、市场业务维系等发展要求，保障生产运营等基本环节稳定运行。然而，原材料工业发展仍面临市场需求受限、国际竞争加剧、能耗排放过高、安全事故频发、产品价值不高等阻碍，针对行业需求，原材料工业的智能化升级成为必然趋势。

人工智能技术可以对生产过程中的数据进行实时监测和分析，为企业提供决策依据，从而优化生产流程，进一步提升研发、监测、诊断、预测、控制、决策水平，在产业信息化、自动化、数字化基础上进一步实现智能化升级，形成创新范式变革、生产管理智能优化、智能机器人与自动驾驶技术应用、工业大模型等典型应用模式。

（一）创新范式变革

基于人工智能“数据+模型”的智能分析，从传统基于人工经验、重复试错的封闭式研发，向基于数据分析的智能创新转变，推动高质量、高附加值产品产出与行业产品结构优化，逐渐形成辅助材料研发场景。即：利用数理统计、神经网络等算法，构建新型钢材、新型材料、催化剂等“成分、工艺、目标、性能”间的强关联，显著提升对结构材料构效关系的深入理解，实现了材料性能预测、实验优化指导和新材料辅助研发。目前国内外已出现人工智能助力新材料研发的研究成果，例如英国剑桥的一家人工智能公司Intellegens开发的机器学习算法已被用于设计一种新的金属增材制造镍基合金，可节省大约15年的材料研究时间和大约1 000万美元的研发成本。东北大学、中国石化石油化工科学研究院、英国利物浦大学等高校及科研院所基于人工智能技术已研发出新型钢材或催化材料，其中英国利物浦大学的研发周期由数月缩短至8天。此外，人工智能还可以用于分析石化、钢铁等行业原材料的失效机制和性能退化过程，为原材料的性能改进和延长使用寿命提供指导。

（二）生产管理智能优化

围绕生产制造、设备采购、安全管控、能耗排放、供应链与库存管理、市场与客户管理等重点环节，可实现快速准确地分析大量生产经营数据，从过去以人工为主导的管控方式，逐渐向全局性、自主性和实时性的管理模式转变，最大化节能提效、优化生产资源配置，有效提升管理效率。

（1）智能生产调控。依托智能传感与数据分析系统，主动感知生产运行状况的变化，自适应优化调控生产过程的操作模式，实现质量、效率、安全、环保、能耗和价值等运行指标的多目标优化。

（2）智能安环管控。通过泛在感知、风险智能预警和人机共融决策等实现开放环境下制造过程全生命周期安全、环保足迹监控，风险溯源分析与智能处置。

（3）智能运维服务。融合机理、专家知识和人工智能技术，实现设备的预测性维护与全生命周期管理。

（4）智能优化决策。通过构建从原料至最终客户的端到端供应链全流程计划和排程体系，实现供应链全流程按单生产的贯通，优化模型结构和算法，并综合考虑全球化的市场供需、产品结构、自身产能等因素，基于工业互联网和数字孪生系统的自主学习和主动响应能力，实现精益生产决策管理。

（三）智能机器人与自动驾驶技术应用

综合运用5G网络、自动驾驶、高精度定位、多传感系统等先进技术，研发设计出智能机器人与无人驾驶汽车，完成矿区、园区、生产车间等场景的智能巡检、辅助生产、智能运输等工作，实现降本增效。例如，中国石化镇海炼化公司、冀东水泥、包钢集团（白云鄂博矿区）、美国埃克森美孚公司等国内外企业运用智能机器人开展巡检运输；中冶宝钢与中软国际联合开展L4自动驾驶、车路协同、远程控制等技术的应用模式研究，助力湛江钢铁实现废钢转运无人化智能场景落地。智能机器人与无人驾驶汽车已在原材料工业企业的矿山、工厂中实现初步应用。

（四）工业大模型创新应用

大模型技术在工业领域创新应用已成为全球关注的焦点。大模型凭借其卓越的理解能力、生成能力和泛化能力，成为推动工业智能化的关键力量。

在研发设计环节，通过大模型技术在更大范围内整合原材料工业基础研发文档、语言规则、表征数据等，辅助化合物预测、反应条件确定和知识检索。例如，瑞士洛桑联邦理工学院和美国罗切斯特大学的研究团队开发了一种基于大语言模型（LLM）的化学智能体ChemCrow，能够完成规划合成路线、材料设计等多种简单化学任务；Google DeepMind发布的 AlphaFold3 模型，通过千亿级别的逻辑推理和决策能力，对蛋白质、核酸、小分子、离子和修饰残基在内的复合物进行联合结构预测，将研发周期缩短到分钟级；美国麻省理工学院使用1000万个独特分子的数据集，训练形成具有超过10亿参数的ChemGPT模型，可快速实现化学性质预测。

在生产制造环节，通过大语言模型或多模态大模型技术整合生产制造关键环节的文档、图像等基础数据构建基于规则的知识图谱，形成设备运维、缺陷检测、过程监管、风险预警等应用场景，提升人机交互与任务执行的效率、准确度和信息丰富度。例如，攀钢集团公司、河钢集团公司等企业正探索基于大模型实现生产设备、信息系统的运维信息检索应用。哈尔滨工业大学研究人员应用多模态大模型进行工业图像异常检测，实现更准确的异常检测和高质量的异常描述。同时，通过全流程的信息融合准确透视工艺、设备、质量等关键参数之间的复杂关系，解决原材料工业部分关键机理不清晰、黑箱等问题。例如，东北大学相关团队建立了SEII架构下的热轧生成式工业大模型，构建了高保真热轧过程“成分—工艺—组织—界面—载荷—性能”数字孪生模型，相较于传统模型，其变量总数多出5个数量级以上。

在经营管理环节，通过大模型整合行业知识、市场趋势、企业内部管理系统等数据，实现供应链优化管理、客户服务、合同审查、行业知识查询、方案生成等场景，助力企业降本增效，大模型产业化应用初步形成。例如，上海钢联面向大宗商品行业的贸易、分析咨询和内容生成三个场景，发布了大宗商品行业垂类大语言模型应用——“小钢”数字智能助手，简化了传统的信息获取、内容分析和知识生成的繁琐和低效的步骤，辅助行业用户更高效地完成日常的工作，为大宗商品行业用户提供更高质量的行业智能应用和服务。

三、原材料工业人工智能应用案例分析

（一）案例分析整体情况

中国信息通信研究院对全球247个（国外126个，国内121个）原材料工业人工智能典型案例进行了统计分析。

图1 原材料工业与人工智能融合应用的环节分布

在生产环节方面，大约80%的应用案例集中在原材料工业的生产过程管控环节（如图1所示），主要聚焦质量提升、绿色生产等方面需求，实现带钢表面视觉智能检测、反应装置智能运维、能耗智能优化等典型应用，整体还处于早期发展阶段。其中，国外应用于研发规划与经营管理环节相比于国内较为成熟，占比为22.3%，国内主要聚焦解决生产实际痛点问题，在质量检测、设备运维、工艺优化等生产过程管控环节的应用远高于国外（如图2所示）。

图2 原材料工业与人工智能融合应用于生产环节的国内外对比

在行业分布方面，钢铁、石化行业原材料工业人工智能应用较成熟广泛，占比为42.1%、28.7%；建材、有色行业原材料工业人工智能应用的占比为17.4%、11.7%，还有较大上升空间（如图3所示）。人工智能融合深度与行业数字化水平、工艺机理复杂度等因素密切相关。

图3 原材料工业与人工智能融合应用的行业分布

图4 人工智能技术类型分布

在人工智能技术类型方面（如图 4 所示），近九成应用场景聚焦在以深度学习、机器学习、工业视觉为代表的数据科学技术（占比为89.5%），知识图谱为代表的知识工程与大模型技术应用还属于初步阶段（分别占比为5.3%、3.6%）。

（二）人工智能与重点行业融合应用分析

通过对全球274个原材料工业与人工智能融合应用典型案例分析发现，由于钢铁、石化、建材、有色金属等行业数字化基础参差不齐，导致不同行业人工智能应用水平存在较大差异（如表1）。

表1 全球247个应用典型案例示例

1.钢铁行业

钢铁行业数字化水平相对较高，与人工智能技术融合应用广泛且深入，主要集中在生产管控环节，已形成废钢智能判级、钢材性能智能预测、人工智能视觉缺陷检测、烟气成分智能分析、炉温精准智能预测等典型应用场景，可提升钢材质量与生产管理效能。

例如，安赛乐米塔尔钢铁公司基于生物启发优化算法在数字化地形上寻找最优的生产顺序，几分钟内即可生成最优生产计划。美国大河钢铁厂通过人工智能技术将生产工序中的数据进行综合分析，实现全局最佳的钢铁生产过程智能化。在大模型应用探索方面，美国钢铁公司正利用大模型技术构建的应用程序，基于对话方式指导检修工完成设备维修和零件订购，简化设备维护流程，预计全面投入使用后，工作效率可提升20%。

2.石化行业

石化行业数字化水平相对较高，与人工智能技术融合应用场景主要集中在研发与生产管控环节，并已形成化工材料研发、化学品泄漏识别、挤压造粒机故障诊断、烟气排放检测、油井工况诊断等重点应用场景。例如，三井化学公司使用深度学习处理由51种类型数据（如温度，流量和压力）表示的因素，实现高精度的生产过程气体产品质量预测。中国石化石油化工科学研究院使用人工智能技术分析钛硅分子筛催化剂组成、硅醇类型以及溶剂效应对反应的影响。大模型在石化行业已展开初步探索应用，胜利油田利用60万条油气勘探开发知识对大模型进行微调，构建涵盖930亿参数的油气大模型，实现油气知识查询、生产信息查询等20余个应用，极大提高管理效率。

3.建材行业

建材行业生产工序分散，人工智能总体渗透率不高，目前主要以视觉识别等浅层应用为主，形成材料表面检测、工艺指标预测，及安全风险预警等应用场景。例如，海螺集团通过人工智能技术在堆料口堵塞、传送带崩裂检测、冒灰污染检测、翻斗阀检测等方式进行了机器视觉应用开发，使监控效率提升3~4倍。水泥网基于先进自然语言处理技术针对水泥技术知识构建人工智能对话模型——ChatCEM，可解决水泥行业知识查询问答等相关问题。

4.有色金属行业

有色金属生产过程中的采矿、选矿、成品检测等关键环节未完全覆盖自动化仪表、可编程逻辑控制器（PLC）等自动化基础控制设施，在冶炼、精炼、加工等关键工序中近35%暂未被网络基础设施覆盖，仅部分有色金属头部企业围绕矿石勘探预测、智能分拣、智能配料、稀土酸碱中和滴定智能检测等开展人工智能融合应用探索。例如，隆达铝业利用机器学习优化算法寻找最优的原料配比，构建铝水配料优化、铝水成分预测等智能模型，实现了再生铝智能配料。

四、我国原材料工业与人工智能技术融合的机遇与挑战

（一）发展机遇

以人工智能为代表的新一代信息技术是发展原材料工业数字化新质生产力、原材料工业转型升级的重要推动力。基于当前我国发展基础和行业现状，原材料工业与人工智能技术的融合迎来三大发展机遇。

1.我国市场规模大，应用需求丰富

我国既是制造大国，又是网络大国，拥有全球门类最齐全、体系最完备、规模最大的制造业，创新活跃的人工智能产业，在人工智能融合创新方面具备更广泛的基础。同时，庞大的市场及丰富的应用，构筑了巨大的数据资源优势。

2.行业龙头企业具备良好信息化基础与创新带动作用

我国原材料工业龙头企业多数已积极推动企业的数字化转型与智能化升级，并打造出了一系列影响力大、实力强的创新服务平台及数字化智能化解决方案。

3.我国具有新一代信息技术发展和模式创新优势

目前，我国正广泛开展5G网络、人工智能、大数据等数字技术研发、建设和应用，互联网优秀创新企业已处于全球第一梯队。制造企业、ICT企业、相关科研院所等对于新一代信息技术的关注程度和投入热情被广泛调动，并已初步形成多方协同、融合发展的产业生态。

（二）问题挑战

当前，我国原材料工业不断面临国内外局势的剧烈变化和产业发展形势的倍增压力，需要加快推动原材料工业转型升级、高质量发展，与人工智能技术的深度融合成为大势所趋。而在此过程中，既要面临人工智能等新技术赋能行业的共性问题，也存在原材料工业所处发展阶段及实际需求的制约。

1.流程型制造业生产具有连续性强、机理及工况复杂、安全可靠性要求高等特点，人工智能融合应用落地难度大

冶炼、催化、裂化等生产过程机理高度复杂、生产过程连续不能中断，设备控制、工艺参数调整、安全监测处置等核心环节高实时性、高可靠性特点突出，极大提高了人工智能与其融合应用的难度。例如，炼化过程中仅乙烯裂解就涵盖超过1万个反应方程，建模复杂程度和工程量之大难以想象。钢铁生产作业中的高炉转炉、水泥煅烧炉等内部工作环境存在高温、噪音、振动等危害因素，部署工业传感、视觉相机等智能化设备时，存在限制因素多、部署要求高等情况。石化化工生产中涉及有毒、有害、易爆的介质，需要极高的安全生产防范和管控要求。同时，由于工业大模型等前沿技术的应用还不成熟，多数原材料企业考虑到技术成效、成本等问题，也制约着人工智能技术的落地应用。

2.支撑融合应用的核心算法及产品软硬件对外依存度高，产业创新基础薄弱

在人工智能技术方面，我国在深度学习算法、生成式大模型、人工智能芯片等方面的基础性研究和创新能力还处于模仿追赶的被动局面。在原材料智能化基础方面，流程模拟仿真软件、核心工艺包、先进控制系统、物性数据库等依然受制于人，需要加快国内人工智能技术的应用落地。如美国AspenTech公司拥有近2 000种化合物的物性数据，其客户涵盖全球各大化工、石化、炼油等过程工业制造企业及工程公司，在流程模拟技术、工艺控制流程等关键领域已经具备绝对优势。

3.原材料工业数据汇聚、数据共享难度大，缺乏可支撑建模训练的高质量数据集

原材料工业数据类型多样、数据来源复杂，温度、流量、成分等生产数据呈现出多维度、动态性强、多源异构等特点。另外，生产设备协议众多，缺乏统一规范，多数主流协议由国外厂商掌控，加大了数据采集与集成的难度。同时，原材料工业企业普遍对数据隐私及安全性存在担忧，不愿将成分配方、关键工艺参数等核心数据提供给第三方进行建模训练与应用开发。

4.融合应用人才匮乏、公共服务能力不足，相关标准等支撑保障体系有待完善

《产业数字人才研究与发展报告（2023）》显示，未来3年，智能制造数字人才供需比预计将从1:2.2扩大至1:2.6，对既懂业务又懂算法的复合型工程技术人才需求强烈。另外，需要完善涵盖基础术语、参考架构、技术规范、评估评价等在内的原材料工业与人工智能技术融合应用相关标准研究工作。同时，缺乏面向原材料工业企业提供人工智能技术融合应用的规划咨询、技术支持、评估诊断、人才培训、成果转化等公共服务专业机构和平台，建立围绕融合应用的多方协同推进机制。

五、推进我国原材料工业与人工智能融合的策略

推进原材料工业与人工智能融合发展的过程中，需要把握以下3个原则。首先是需求引领，普及推广。依托庞大的市场规模，释放应用需求潜力，通过单项试点应用向重点园区复制推广。其次是龙头牵引，协同带动。通过原材料工业龙头企业示范引领作用，带动中小企业融通协同发展。最后是中心支撑，集成提升。通过创新中心及促进中心建设汇聚要素资源，推动行业数据共享，营造数字生态。

我国原材料工业与人工智能融合的发展策略具体包括以下几个方面。

1.坚持场景驱动，深化试点和推广

围绕新材料辅助开发、工艺智能优化、安全环保精准管控、全流程运营决策等重点环节，支持集团企业先行打造一批人工智能典型应用场景，加快“点状”突破。同时，面向重点城市、示范园区和企业开展原材料工业人工智能融合应用试点，征集遴选一批带动性强、影响力大的融合应用典型案例。在数字化转型、智能制造相关标准体系中，强化原材料工业人工智能赋能水平与成效评估指标设计。并且，依托行业协会、产业联盟等组织，逐步开展“一企一策”人工智能融合应用诊断与评估，加强供需对接、经验交流与宣传推广。

2.加强智能主体与产品方案培育

支持重点企业、科研院所、高等院校组建创新联合体，聚焦智能在线检测、生产过程智能优化控制、面向智慧运营的知识发现等典型场景技术，开展模型、算法攻关，打造形成一批面向场景的典型智能模型。同时，依托智能制造系统解决方案揭榜挂帅项目等工作形成一批聚焦重点行业、重点场景的人工智能产品和创新方案，为行业企业智能化升级提供参考。

3.构建保障要素，完善保障体系

通过建设原材料工业创新中心、新材料大数据中心，引导行业协会、科研院所、骨干企业等产学研用融合发展，总结凝练出面向重点行业人工智能高质量数据集。同时，鼓励工业企业、科研院所依托未来产业创新任务揭榜挂帅等项目，基于通用大模型底座构建行业大模型，并面向新材料产业产品研发、供应链优化、市场前景预测等重点场景，加快大模型技术与行业深度融合的创新应用模式。另外，通过重点行业人工智能融合应用标准体系建设，开展关键标准研制和贯标推广相关工作，并且通过复合型高度人才培养、原材料工业职业技能培训、高层次紧缺人才引进等策略，解决原材料工业人工智能融合应用人才短缺难题。