如何让工业AI懂人话、说人话、干人活。
作者｜王博
“95%生成式AI的企业试点并没有带来实质回报。”
这是近期麻省理工学院（MIT）的NANDA项目发布的《生成式AI鸿沟：2025 年企业级AI现状》报告里的调研结论。这份报告把生成式AI在企业落地过程中出现的显著分化现象命名为生成式AI鸿沟（GenAI Divide）。
少数企业（约5%）跨越了这道鸿沟，把AI转化为了能直接带来业务价值的生产力工具；大多数企业（约95%）则被困在鸿沟另一侧，AI项目停留在试点或演示层面，难以创造可衡量的ROI（投入产出比）。
从行业现状看，这个数字可能有些夸张，但企业级AI的问题值得讨论。和消费级AI不同，企业级AI落地的痛点在于：能做demo不一定能跑生产，能跑生产未必能带来ROI。
报告还指出，尤其是在工业和先进制造业领域，AI多为维护类试点，比如在设备维护或质量检测方面进行尝试，但尚未推动整个产业流程。
工业是AI落地的关键领域，这条生成式AI鸿沟应如何跨越？
1.什么样的AI模型能真正走进工厂
工业AI落地面临“三道坎”。
首先是数据问题。工业数据分散在不同系统，存在噪声、缺失和非结构化，且高质量标注数据稀缺，制约了模型训练效果。
其次是机理与数据的融合难题。纯数据驱动的模型“黑箱化”严重，难以让工艺工程师信任；传统机理模型虽精确，却难以实时计算。如何形成既有解释性又有灵活性的“灰箱模型”，仍是业界探索的方向。
最后是安全性与ROI。工业场景事关重大资产与人身安全，AI必须具备极高的鲁棒性。而从试点到规模化落地，企业如何衡量投资与收益，也是一道现实难题。
那么，什么样的AI模型能真正走进工厂？
「甲子光年」在一家国企找到了应用案例——中石油兰州石化榆林化工有限公司（以下简称“兰州石化榆林化工”）的乙烷制乙烯生产智能化转型。
中石油兰州石化榆林化工有限公司，图片来源：中石油兰州石化榆林化工有限公司
兰州石化榆林化工是一家典型的流程工业企业，流程工业指的是以连续性或半连续性的物料流动、化学反应或物理变化为主要特征的工业部门。生产往往是连续的、不可逆的，中间环节很难像机械制造那样“停下来”再装配。
这意味着，应用于流程工业的AI模型需要深度融合工艺知识（Know-how），具备强大的实时数据处理能力，以安全和效益为核心，并能够快速响应生产过程中的变化，是一个工业级“超级大脑”。
乙烯是一种重要的化工基础原料，被誉为“石化工业之母”，而乙烯生产过程由于对工艺设计、装备制造、过程控制、生产操作等有着极高的要求，由此带来的技术密集度高、工艺流程长、运行工况苛刻等特点使其在业内享有“皇冠上的明珠”之称。
兰州石化榆林化工80万吨乙烷制乙烯项目是国家级示范工程，也是保障国家石化能源安全的重要工程。作为一家始终走在技术前沿的老国企，如何利用AI，确保生产安全、提升运行效率、实现精益生产，兰州石化榆林化工一直都在思考解法。
在众多国内外企业中，他们选择了一家名为中控技术的上市企业。
这除了因为中控技术在流程工业深耕30余年的积淀和口碑外，还有一个重要的原因：中控技术近年在工业AI领域持续加大研发投入，打造了一款专为流程工业而生的大模型——时间序列大模型TPT。
中控技术时间序列大模型TPT
时间序列大模型TPT（Time-series Pre-trained Transformer），由中控技术自主研发，并基于生成式AI算法及海量工业数据训练而成。
时间序列是指按照时间顺序排列的一系列数据点，在流程工业中，数据的顺序至关重要。“先发生A，后发生B”这个信息本身就有巨大价值。
流程工业具有典型的“多时序、少文本、缺图像”的数据特征，主要信息载体是带有时间标签的时间序列数据，工厂里面发生的任何一个事件都可以被追溯为一段时间序列数据。
而TPT就是一种专门用于处理和分析时间序列数据的AI模型。它通过学习时间序列数据中的模式和规律，能够进行预测、分类、异常检测等任务。
中控技术副总裁兼Industrial AI事业群CEO吴玉成回想起当时承接兰州石化榆林化工的乙烯项目时，第一反应是“太难了”。哪怕是全球已经发展了五十多年的DCS（分布式控制系统），作为自动化成熟产品，目前能够用在大型乙烯项目上的厂家也是寥寥可数。虽然中控技术承接了近些年国内大量的大型乙烯项目，但在新兴的大模型领域，实属挑战。但团队经过评估之后，还是决定接受。
流程工业场景的需求，与消费场景有着本质差别。这里没有灵感爆发，也没有内容生成，而是涉及各种复杂环境和多变量参数的生产装置，哪怕一次小小的预测错误，都可能带来百万级的经济损失，甚至是安全事故。
如果说通用大模型像是一个博学的通才，擅长理解、生成语言，那么TPT就是一位读过世界上所有设备操作手册和历史记录的“超人工程师”，擅长基于规则从数字序列中洞察规律、预测未来。
TPT的逻辑是：在海量的、跨领域的时间序列数据上进行“预训练”，得到一个通用的、强大的“基础模型”，然后只需用少量数据对这个大模型进行“微调”，就能快速适应各种各样的行业、工艺、装置。
工厂里的设备，你只需要帮TPT回溯一段周期内的运行记录和相关技术资料，TPT就能很快上手。通过统一分析类、优化类、控制类、培训类等工业建模过程，TPT可以实现装置的跨工况、高精度、高可靠模拟与预测，从而解决数据碎片化、工业应用分散等难题。
兰州石化榆林化工正是看中了TPT的这些优势，在今年提前引入了中控技术还没有正式对外发布的最新时间序列模型TPT 2，并和内部已有的中国石油昆仑大模型进行了工作流的结合。
“中控技术TPT 2已经在工业生产控制、操作优化等核心场景取得了应用突破，它能够改变过去‘一场景一模型’的方式，沉淀行业的知识和经验，为解决工业难题带来新的思路和方法。”中石油兰州石化榆林化工有限公司总经理、总工程师李玮说。
引入TPT 2后，兰州石化榆林化工在乙烷制乙烯生产中提升了两个关键的数据：投炉时长缩短超过25%，单炉乙烯收率提升0.373%。
不要小看这两个数据。
传统的乙烯裂解装置投炉升温阶段往往耗时长达15小时，如果升温过快，极易导致燃烧不完全，进而影响下游乙烯产品质量。过去依赖人工经验和延迟反馈的调整方式，往往存在“发现问题已为时过晚”的困境。将TPT 2引入投炉环节后，实现了升温过程的精准控制。据兰州石化榆林化工预估，投炉时长缩短超过25%可以让每年单炉效益提高130万元以上。
乙烯收率指的是原料在裂解反应中转化为乙烯的效率。经过TPT 2优化后，榆林化工单炉乙烯收率从49.792%提升至50.165%，收率增加0.373%。看似微小的数值，但在80万吨产能的背景下，这意味着单炉每年新增净效益315.5万元，每年整体效益提升超过1500万元。
除了看得到的效益，作为流程工业领域的企业来说，兰州石化榆林化工更在乎的是安全。
安全也是全行业的共识，工业AI领域有一句话是：工业不接受“幻觉”。
在和中控技术合作时候，兰州石化榆林化工把“确保生产安全”放在了第一位，他们的诉求是：提前识别和发现生产异常；快速定位和确定异常根因；即时获得并执行处置方案。
中控技术TPT 2从两个方面让生产运行更安全。
第一是实时监控。依托乙烯装置时序大模型的预测和异常检测能力，TPT 2能够对设备状态、工艺参数和生产效率进行全方位监测。通过动态生成参数可信区间，系统能够精准识别早期异常，提前发出预警，有效保障装置在高负荷下依然保持安全与稳定。
第二是诊断分析。在发现异常后，TPT 2不仅能迅速给出报警，还能自动生成处置方案，深入剖析问题根因，并提供相应的操作建议与应急流程。对一线工程师而言，这相当于一名“随时待命的专家助手”，帮助他们快速决策、即时响应，避免小问题演变成大事故。
中控技术TPT 2将复杂的工艺机理、设备特性以及必不可少的安全规程全部融合到了模型中，变成模型的本能反应。
这就是能进工厂的模型，它并不会展示各种榜单分数，而是真正切入到真实工业流程中，为工厂提供安全保障、为生产解决痛点、为企业带来效益。
2.从TPT到TPT 2：让工业AI懂人话、说人话、干人活
中控技术TPT自2024年6月首次推出以来，已经成功落地超过110个项目。
在落地过程中，中控技术产品经理林想经常会前往现场跟客户交流。他发现，来跟他对接的工厂老师傅很有经验，但他们并不太习惯操作复杂的工业软件。他一直在思考一个问题：“到底怎么样才能让TPT这样一个专业性很强的工业AI产品，被一般的员工在日常的工作中使用？”
在中控技术看来，延续传统工业软件定制化开发那条路径是不行的，投入与产出不成正比，只会让客户停留在试用的阶段，无法产生真正的效益。
“我们要让任意场景、任意工业、任意装置、任意岗位的流程工业一线从业者，都能零门槛用上工业AI，通过语言解决装置生产运行中的模拟、优化、控制、预测等多学科难题。”林想说，“新一代的TPT就是要让工业AI懂人话、说人话、干人活。”
中控技术产品经理林想
这种来自工厂一线的观察与思考，成为了TPT 2的研发目标。
在工业AI逐渐走向深水区的当下，8月28日，中控技术在杭州发布了全新一代时间序列大模型TPT 2。
TPT 2发布
作为以MoE（混合专家模型）为核心的工业智能体平台，TPT 2不再只是一个工具型助手，而是能够主动识别异常、智能评估风险并自主决策执行的智能体。“TPT 2是专为流程工业核心需求打造的革命性工业AI工具。”中控国际运营公司副总裁张惠泽在新品发布时说。
长期以来，工业AI的发展受制于“一场景一模型”的碎片化模式。TPT 2打破了这一局限，依托SCOPES能力矩阵【模拟（Simulation）、控制（Control）、优化（Optimization）、预测（Prediction）、评估（Evaluation）、统计（Statistics）】，实现了跨场景的智能体快速生成。这意味着，原本需要多个工业软件分别完成的模拟、控制、优化、预测、统计，如今可以通过一次建模、一套智能体完成，从而真正让工厂积累的海量数据“活起来”，价值层层穿透。
在生产一线，复杂的工况往往意味着难以快速定位问题。TPT 2将数据规律深度融合进模型，使其具备根因定位与精准预测的能力。借助自然语言交互，工程师可以用对话的方式直接与模型沟通，迅速获得针对性分析和解决方案。它就像一个7×24小时在线的专家顾问，帮助企业在关键时刻锚定决策点，提升运营与管理的核心竞争力。
更具颠覆性的是，TPT 2已经具备 “感知-识别-决策-执行” 的全链路闭环能力。它不再局限于单一装置或单一场景，而是可以在更复杂的工业环境中发挥作用。这为未来工厂的少人化、无人化乃至高度智能化提供了坚实的技术底座。
安全同样是TPT 2的关注的重点。对此，中控技术的解法是：融合第一性原理。
在数据层，中控技术TPT 2研发团队把热力学、反应动力学等规律作为知识标签，嵌入了训练过程，让模型既学到数据相关性，也学到因果规律。
在模型层，研发团队通过增设物理损失函数来量化模型对第一性原理的违反程度，与数据损失共同优化来增强模型梯度计算在物理和工程规律上面的精确性。
在应用层，研发团队直接给TPT 2上了三道“安全锁”。
第一道锁-感知：实时监测数据质量，输出结果时附加“靠谱指数”；
第二道锁-执行：AI的指令在工艺约束下限幅、限速；
第三道锁-进化：通过“专家评分+强化学习”，不断迭代，越用越稳。
中控技术AI应用工程师曾欣欣讲解工业AI的“三道安全锁”，图片来源：「甲子光年」拍摄
中控技术AI应用工程师曾欣欣说：“我们团队目前最大的成就是用我们的TPT 2，将一套百万吨级别的硫酸装置的操作频次，从一天最高6000多次，降到日均不到10次，甚至可以多天连续0操作运行。这种近乎无介入的自主运行，正是我们工业AI可靠落地的最佳体现。”
「甲子光年」认为，TPT 2不仅是一代模型的迭代，更是对工业软件技术体系与应用模式的一次重塑：从依赖工程师经验的“人工诊治”，转向以智能体为核心的“自主演化”。
3.破局者为什么是中控技术？
从TPT到TPT 2，中控技术不仅在解决工业装置自身的智能化问题，还为流程工业场景中的所有企业搭建了一个开放的工业AI平台。
这也是现在中控技术对自己的定位：一家以工业数据为基础、AI大模型为核心、全场景智能体为触手的工业AI平台型公司。
但是为什么工业AI领域的破局者是中控技术？
中控办公楼
中控技术股份有限公司成立于20世纪90年代，以工业控制系统起家。“现场总线控制系统”曾荣获国家科学技术进步奖二等奖；自主研发的我国第一台1:1热冗余DCS（分布式控制系统）曾荣获国家科学技术进步奖三等奖。
DCS是工业自动化的基础设施。它保证了大型工厂在复杂工艺、多变量耦合的情况下能够长期、安全、稳定运行，是智能工厂和工业AI进一步落地的硬件基础。
中控技术工业AI技术管理总经理王宽心介绍，过去14年中控技术在中国的DCS市占率一直稳居第一，特别是在一些大型石化化工行业，基本上使用的都是中控技术的控制系统。数据显示，2024年中控技术在国内DCS整体市占率为40.40%，石化领域的DCS占有率达到56.2%，化工领域的DCS占有率更是达到了62.6%。
在发展过程中，中控技术持续在工业领域精耕，逐渐从自动化产品供应商转型智能制造整体解决方案供应商。经过在流程工业领域30多年的持续深耕，中控技术形成了两大优势。
一是产生了大量的工业数据。中控技术已累计为流程工业提供了10万套控制系统，累计产生的数据量约为100EB，是大语言模型训练数据的一万倍以上。这一数据体量足以支撑中控技术去挖掘工业核心场景的数据价值。
第二个是积累了大量的行业Know-how。中控技术建立了强大的工业数据解读能力，能够深度挖掘场景，更好地用人工智能技术为流程工业提供技术、产品和服务。这也是中控技术全面向工业AI进行战略转型的基础。
有优势并不足以破局，还要有决心。
在TPT 2发布会上，中控创始人褚健说：“30 年前，我们紧跟跨国公司的DCS。后来，我们通过自己的努力研发，不断地实践、迭代、应用，在痛苦中成长。在相当长一段时间里面，我们没有品牌，有的就是苦干。而现在，我们想回答‘如何在工业领域把AI应用好’这样一个放在全世界都是挑战的问题。”
中控创始人褚健
而在TPT 2发布会后的媒体会上，在谈到“中控技术如何看自身对工业AI的研发投入和产出比”时，中控技术董事长兼总裁崔山的回答很直接：“说实话，这个问题我们想都不想，因为我们现在不做，我们根本就没有未来，我们真正去做，这条路我们会很快走出来。”
中控技术董事长兼总裁崔山
很多人提起中控技术，第一反应仍停留在“国内自动化控制系统供应商”，但若依旧用这种“传统工业软件厂商”的眼光去看待中控技术，显然已经过时。
在大模型的浪潮中，众多明星AI公司依旧在为落地场景发愁，而中控技术在工厂真实运行的高风险场景里，让大模型完成了从“辅助”到“决策”的转变。
目前，中控技术已经和中国石化、中国石油、中煤等央企集团开展深度合作，基于TPT打造的工业智能体也已经在国内外百余家大型流程工业企业取得了突破性应用。不仅如此，在一些大型的化工装置，基于TPT打造的工业智能体已经能够下沉到边缘端和控制器内，在不需要人工参与下完成自主闭环控制。
中控技术在工业AI上的突破，真正做到了“可靠先于性能”，这是很多AI大模型公司尚未触及的门槛。
资本市场评价科技公司的方式，往往看其是否能找到“高天花板+高壁垒”的市场。
工业AI的市场空间极为广阔，但同时对安全性、可靠性的要求又极高，构成了天然壁垒。「甲子光年」认为，中控技术的积累与创新，对于资本市场而言，有两方面的价值。
一是确定性，中控技术的收入依托真实工厂运行，不依赖“风口流量”，具备较稳定的现金流；二是成长性，随着大模型技术迭代和应用范围扩大，智能体可以快速复制到更多装置和行业，带来指数级的拓展空间。
2024年7月，吴晓波和张江润写了一本书《跨越鸿沟：中控30年》。这本书讲述了30年来，中控集团跨越了一道道看似不可逾越的鸿沟，将无数“不可能”转变为“可能”：从科研到产业的华丽转身，从依赖进口到实现国产化的飞跃，打破“中国人做不出DCS”的偏见，以及在工业智能化转型中的创新突破。
而现在，中控技术继续迎难而上——跨越生成式AI鸿沟。
（封面图及文中未标注来源图片由中控技术提供）
END.
