杭州，一場醖釀了三十年的工業AI革命_風聞

文 |劉錚、唐曉園

視覺設計：星船知造

正文共計：11869字

預計閲讀時間：12分鐘

01 為什麼是以大模型為支點，打響第一槍？

縱觀歷次工業革命，無論國家、地區、還是企業，想在新技術浪潮下獲得先機，核心在於誰先編織好一張明暗線交織的協同網絡。

明線，是看得見的、高效協同的供應鏈體系。

暗線，是產業鏈、供應鏈上所有實體制造和新技術融合打造出的數智生態。

明暗線彼此交織滋養，才能釋放出新一輪的工業變革能量。

source：unsplash

回顧歷史，第三次工業革命（信息化革命）的引領者，正是靠着一張軟硬協同網絡脱穎而出。其典型，就是美國航空工業——

明線是硬核、高效的航空產業鏈體系：20世紀的美國製造擁有從原材料（航空鋁、複合材料）→關鍵零部件（發動機、航電、飛控）→整機集成的成熟製造體系。波音背後，是GE、霍尼韋爾等完整配套商支持。

反觀當時的空客，機頭在法國、機翼在英國、尾部在西班牙。歐洲“拼好機”的每一塊組件都更講究政治妥協而非生產效率，與美國高效分工且高度集成的航空產業生態形成鮮明對比。

暗線則是工業軟件生態系統：當時新興的信息化技術（如產品生命週期管理PLM、模塊化設計等）被深度融入航空產業鏈👇

之後，這張以航空工業為起點的軟硬協同網絡被規模化複製：向汽車、電子、醫療設備等多個領域輻射，所過之處就如同鋼筋鐵骨被注入了數字靈魂👇

現在，第四次工業革命的曙光正從“信息化”進化為“智能化”，這一轉變是所有人都必須把握的戰略機遇。

作為工業大國，中國數智化供應鏈網絡的明線已經越織越密：

截至2024年底，中國規模以上工業企業數量達到51.2萬家，較2023年末增長6.1%。

到2025年上半年，規上工業企業數量進一步增加至52萬户，較2024年底增加了8000多户。

同時，隨着不斷擴建的一帶一路基礎設施，在中國和周邊國家如印尼、吉爾吉斯斯坦，中東國家如沙特阿拉伯，以及非洲大陸都形成了龐大的供應鏈網絡。

圖源：中國一帶一路網

而網格的暗線，比的是誰能再次靠先進技術讓產業升級，釋放出巨大能量——

隨着一家家企業的數智化轉型升級，最終產業集羣間形成更高效的協同和進化，帶來更低的生產成本和更高效的產業創新。

《星船知造》判斷，這一次，暗線的關鍵不再是傳統工業軟件，而是以工業大模型為支點的工業AI。

我們這麼説，基於三點洞察：

一是路徑創新。幾乎所有的工業後發國，都無法完全依照先行經驗進行復制式發展。如果真的可以“抄作業”，那歷史將變得多麼無趣。

就像中國汽車產業的崛起靠的不是在燃油賽道上死磕，而是依靠新能源汽車的“三電”技術完成產業的彎道超車。

歐美工業軟件生態系統自第三次工業革命開始就佔據主導地位。但真正的趕超，常常發生在範式轉換的拐點上——第四次工業革命（智能化時代），工業大模型就是這樣一個能重構全球工業格局的新賽道。

疊加中國完整的工業版圖，最有可能開啓一場新質生產力的創新革命。

source：pexels

二是需求迫切。傳統方案的瓶頸日益凸顯——一直被工業企業視為靈丹妙藥的傳統工業軟件，因部署成本高、週期長、數據孤島等問題，已經越來越難以跟上新時代企業對於降本增效、創新以及效率的要求。

工業企業對於數智化升級的渴求正從地表深處湧出，催逼着一個能重構、超越工業軟件的新物種在工業領域全面鋪開。

三是已具備將大模型深度應用於工業的基礎：

●工業底藴：中國擁有全球最龐大的工業體系，覆蓋流程與離散兩大門類，為AI大模型提供了無與倫比的“數據富礦”與應用場景。

●AI技術：國產算力與DeepSeek等AI大模型快速發展，全球穩居前二。2025年工業企業中應用大模型及智能體的比例達到47.5%；並且有35%的企業在多環節開展應用，技術滲透率顯著提升。

source：pexels

一場以大模型為支點的工業革命已經打響第一槍。當然，是靜悄悄的——

它沒有ChatGPT們聊天對話的公眾熱議度，也沒有OpenAI“星際之門”一擲千金的豪賭，它只是通過中國工業大模型讓一張融入無數工廠、車間的數智網絡越織越密。

不久的將來，當它深度融入工業血脈，一張可以被大規模複製的“軟（AI）硬（工業）共生”網絡也將覆蓋到世界各地。那些走在最前列的人，將獲得新一輪工業革命的先機與紅利。

為了讓大家更好感知到這場靜悄悄的工業變革，《星船知造》下文將從以下三點具體展開——

1) 認知：為什麼工業大模型終將重構、超越工業軟件——被更多工業企業所使用。

2）挑戰：無法突破“智能孤島”的工業大模型，本質上仍然是“小模型”——未來屬於能真正打破孤島的通用工業大模型。

3）破局：錢塘江畔，一家深耕中國流程工業三十餘年的企業，已經開始憑藉多年工業數據、行業know-how等積累，打造出一款能被應用到多個流程工業領域的通用工業大模型。

中控技術近日發佈了全球首個流程工業時間序列大模型TPT的升級版本TPT 2 （Time-series Pre-trained Transformer 2）（以下簡稱TPT 2）。它正幫助工業企業重構傳統工業軟件應用，用一個大模型就能智能、高效地運營起工廠👇

一個可以確定的未來是，當越多越多工業企業開始用上TPT 2等工業大模型後，由“人工經驗驅動生產”的百年工業慣性將被打破——工業知識將真正變得可流通、可進化。智能製造也才能加速鋪開。

02 工業大模型，通向未來智造的唯一路徑

先明確一點，到目前為止，工業軟件仍是“製造核心”。

中國工業軟件在PA層（Process Automated，生產過程自動化）到BA層（Business Automated，企業運營自動化）的各個環節，仍然發揮着“大腦和神經”的作用。

工業大模型則是一個後起之秀，正憑藉十八般武藝挑戰昔日霸主的地位。

圖源：中控技術

簡單理解，工業軟件是“工業數字生產力”。工業大模型則是“工業數智生產力”。

兩者相同之處在於，用的都是“吃豆人”的升級方式：通過吃進一個個工業技術、行業know-how，用機器來解決工業管理和生產過程裏的問題。吃得越多，解決問題的能力就越強大。

最大區別在於，工業軟件缺“智（AI）”，吃豆人吃得再多，本質上仍是“人教機器”。工業大模型有“智”， 是一整個“智慧大腦”，吃進足夠多的豆子，能實現“機器教人”，徹底解放“老師傅”。

source：unsplash

傳統工業軟件存在無法逾越的“雙重軟肋”：

對軟件供應商本身而言，軟肋是高度依賴“老師傅編程”——知識封裝於老師傅腦中，面對生產工藝工況各異的工業現場，老師傅需要憑藉個人經驗知識，根據每個工廠的實際需求定製化開發實施工業軟件，效率低下且面臨人口紅利消失的危機。

對作為使用方的工業企業而言，軟肋是高門檻的“精英遊戲”——由於工業軟件部署成本高、週期長、對人才和數據基礎要求嚴苛，將佔工業基本盤大多數的中小企業拒之門外。

導致千行百業、不同規模、不同生產方式的企業被困在不同數智化發展階段，智能製造推進緩慢👇

我國智能製造水平有極大提升空間：

截至2025年2月，中國有超過半數的製造業企業智能製造能力位於智能製造的起步階段；僅有7.22%的製造業企業實現了深度智能化。（國家數據局）

針對上述工業軟件存在的問題和侷限，《星船知造》以中控技術大模型TPT 2為例，一窺工業大模型如何一一化解這些軟肋。

在呈現軟肋和化解軟肋的過程中，我們也能看到工業大模型到底帶來了什麼根本性的改變——

不僅僅是“替代”、重構傳統工業軟件，更是通過更低的部署成本、強大的學習能力，真正改變了工業知識的積累、進化和傳播方式。

大模型也因此成為通向智能製造的唯一路徑。

source：unsplash

軟肋一，今天的工業軟件仍高度依賴人，本質是“人教機器”、“人教人”。因此軟件本身的使用效率、到底能發揮多大作用，都既受限於人的個人經驗，也困於人的“工業信息繭房”。

舉個例子。我國是世界第一大石油進口國——煉油廠每年會處理來自中東、非洲、南美等原油。

不同地區的原油如同風味迥異的食材，在各項參數上存在差異

中東原油硫含量高，易腐蝕設備；

西非原油酸值高，高温下易腐蝕管道；

南美重油密度大，加工過程複雜；

此時，工業軟件“應變能力弱”的短板就暴露出來了——同一套煉油裝置，為了應對來自五湖四海的不同原油，唯一的解決方案是靠經驗豐富的煉油廠老師傅，用數十年沉澱下的經驗知識對機器進行人工調試——也就是“人教機器”。這一過程難免會造成大量過度料的浪費。

而且老師傅總要退休的，下一次機器又不會了怎麼辦？就只能靠傳幫帶，老師傅教小師傅——也就是“人教人”。

這種高度依賴個人判斷和經驗的工業現狀，會導致一系列問題。比如工業軟件本身的發揮受限，使用效率不高；五花八門的工業軟件之間也會出現相互衝突、難以協同等情景……讓軟件廠商與企業用户都很痛苦。

source：pexels 五花八門的工業軟件有時也會難以協同

人口紅利褪色的時代背景下，“老師傅斷層”和“招工難”已經是許多工業企業無法迴避的事實。

可預見的未來，企業斥巨資買下工業軟件、花長時間部署軟件，但好不好用還得靠“人”。對於廣大工業企業來説，這正是阻礙其通過投資工業軟件實現數智化的根結所在。

source：unsplash

在《星船知造》的觀察中，工業軟件的第二大軟肋不似前一個那麼明顯，影響卻同樣深遠。

某種程度上，工業軟件的“高門檻”讓其更適配“精英企業”。大量中小企業卻在數字化的大門前望而卻步。

截至2024年底，我國規上工業企業數字化生產設備普及率為53.2%，剛剛過半；

在智能工廠數量上有卓越級230餘家；先進級1200餘家；

但基礎級多達3萬餘家——僅具備基本的數據採集監控能力。

也就是説，目前我國真正能實現生產過程數智化決策和優化的企業，仍然是鳳毛麟角般的存在。

它們通常是大型企業——向外展示着行業頂尖的數字化水平。向內則是一座燈塔，燈光所及之處，皆是匍匐前進的中小企業。

中小企業是中國工業最龐大的參與者，其數字化程度決定着一條產業鏈的協同效率與發展韌性。但相比數字燈塔的大型企業，我國大量中小企業的數字化進展還未能鏈接起國家產業中最底層的數據孤島。

圖源：中控技術 點擊圖片可放大

造成這種情況的原因之一是——

使用方（工業企業）未必都具備用好工業軟件的能力

實際部署中，工業企業用好工業軟件是有一定硬性要求的：

1）覆蓋全流程全要素的完整數據基礎。

2）擁有數字化、生產工藝、工程管理等複合人才儲備。

3）縱橫交錯的工業軟件體系運維能力。

同時具備上述三點的企業，本就是各行業翹楚。

而那些同樣需要數字化轉型升級的中小企業，卻被擋在門外——數字化轉型在很多中小企業內部，風險是實打實的。業內戲稱“大公司上中台錢沒了，小公司上中台公司沒了”。

小企業最終只能在生產運營中，挑選極少數環節單獨部署軟件，與全面數智化漸行漸遠。

source：unsplash

以上就是工業軟件當下無法迴避的兩大軟肋。怎麼重構？

答案只有一個，工業AI大模型。

03 懂工業的TPT，才能化解老問題

工業AI大模型和ChatGPT、DeepSeek等大語言模型有什麼不同？

大語言模型很難觸及工業核心場景，因此只能在知識管理、數據問答等場景來回打轉。

工業AI大模型則擁有無可替代的“工業場景入場券”，疊加“理解工業語言的能力”——讓其能徹底解放“老師傅”，以7×24小時的不間斷體能深入各類生產場景。

在工業AI大模型中，主流的當屬以中控技術TPT 2為代表的時間序列大模型。

中控技術的TPT 2大模型是專為流程工業設計的革命性AI工具——

通過時序數據算法和可靠模型，在各類生產工藝場景中實現閉環應用，助力用户實現高效生產力，且在幫助用户保障生產安全、提高產品質量、降低能耗物耗、提升設備維護效率、實現自主運行等方面具有不可替代的作用。

也就是説，工廠裏發生的任何事，都能被TPT 2追溯為一段“時間序列數據”——TPT 2還能將24小時不間斷產生的數據，理解並“翻譯”成機器語言。

可以説，只有能獲得、理解時序數據的算法和模型，才算是掌握了工業數智化的命脈。

但是，無論是獲得“時間序列數據”，還是理解工業語言，都有數個前提條件，每一個都有極高門檻。

這一次，需要跨越高門檻的不是使用方，而是大模型的提供方（工業AI企業）。

source：unsplash

首先是（使用方）工業企業願意開放數據的信任。這一點，缺乏大量工業企業用户的大語言模型幾乎是做不到的。

其次是包括儀器儀表、工業控制系統在內的硬件數據基礎。這同樣超出了絕大多數大語言模型的能力範疇。

最無法替代的，是打造工業大模型的工業AI企業，其自身在貫通不同工業領域、垂直行業乃至單一場景後，所積累得來的工業know-how。這是能“讀懂”數據的關鍵。

source：unsplash

《星船知造》觀察中，目前中控技術幾乎是唯一一家同時具備這些條件的大模型玩家。

首先是客户信任（開放數據）、行業know-how和應用場景積累。

中控技術是一家誕生於1993年，多年紮根流程工業自動化的企業。過去三十多年裏，中控在流程工業領域積累了3.7萬家客户。擁有廣泛的用户基礎和“規模化”應用場景。

比如中控技術在與國際石油巨頭沙特阿美的合作中，積累了海量天然氣場站環境數據、甲烷泄漏相關數據等，對優化智能工廠中的機器人檢測算法、提升檢測精度大有助益。

另外，流程工業既有深度、又有廣度；同時其數據具備“連續性”、“複雜性”等特點——是工業與AI融合的關鍵戰場。

點擊上圖可放大

其次，中控自身就具備包括儀器儀表、工業控制系統在內的強大硬件實力。

工業控制系統是所有AI實施執行的硬件基礎。中控技術目前在化工、石化、建材、造紙四大行業 DCS 市場佔有率常年均排名第一。

硬件上，中控技術的儀器儀表業務板塊涵蓋測量儀表產品、分析儀產品、智能控制閥等多個產品系列。

軟件上，覆蓋工業信息安全系統、數據資源系統、設備健康系統、產品研發管理及工藝設計系統、自主運行系統、質量提升系統、生產運營系統、安全優先系統、節能低碳系統、供應鏈管理系統、銷售與服務系統、支持與保障系統等等。

中控技術現已擁有了極為豐富的流程工業各細分領域的即時數據。如果一定要再加一個定語，應該就是“最”了，且其領先地位是斷層式的。

這意味着，工業大模型所必需的“強生態”，其實是中控TPT與生俱來的基因：來自客户的數據信任，know-how積累，以及巨大潛力的流程工業市場——一個擁有“無限數據學習、無限場景應用”的正循環已經在TPT內部形成。

source：giphy

當一款工業大模型能夠匯聚各種軟硬數據，並用大量know-how進行分析後，到具體的使用環節，所依賴的單元就是AI Agent。

AI Agent是能自主理解目標、規劃任務並執行行動的智能體，它通過感知環境、調用工具和持續學習，像“數字員工”一樣獨立解決問題。

它具備記憶能力：每一次與“老師傅”交流的信息都會成為下一個問題判斷的依據。

具備分析能力：AI Agent能夠分解任務成多個步驟，根據效率或質量等多種考量因素有規劃地去執行，擁有一定的自主決策能力。

具備調用能力：AI Agent能調用包括大模型、工業軟件、工業APP甚至其他Agent的能力來進行具體操作。

這樣一來，工業軟件兩大軟肋就能迎刃而解。

工業軟件時代，需要有多個不同的工業軟件相配合，才能解決一個系統問題。

工業互聯網的興起後起到一定緩解效果。軟件廠商打造出具有更小顆粒度的工業APP，將原本包攬一整個環節的工業軟件，拆解成多個執行不同任務的小程序。

但是，工業APP只能改良，無法突破——

比如上文提到的高度依賴老師傅經驗的石化場景，部分工業APP可以融入一定AI能力，但卻首尾不能兼顧：操控温度和壓力的APP，會忽略產品質量問題；負責質量的APP又難以兼顧設備健康……也就是説，“工業APP+AI”仍然只能在單個場景裏學習、應變，難以跨邊界協同。

TPT 2這樣的工業大模型出現後，能將這個系統問題拆分成無數個小問題，然後用上千個甚至更多AI Agent一一對應解決。

但整個操作過程並不會變得更復雜——在工業大模型部署好後，只需對其提出問題，並添加工廠各項數據，所有Agent的生成與程序調用即可自動實現。

換言之，工業大模型也同時在賦予傳統工業全新的生命力，整個運行邏輯都在重構。

目前TPT 2就能將PA層的安全優先、質量提升、自主運行、節能低碳、設備健康五大環節用一個大模型全部包攬。而如果採用傳統方式，則可能需要多達幾十個工業軟件才能實現相同的效果。

TPT 2

對“老師傅”的依賴也將減輕。

AI Agent的記憶能力、分析能力與調用能力，意味着可以從“人教人”、“人教機器”進化為“機器教人”。

source：unsplash

上文提到，在工業軟件時代，工業企業需要自身實力過硬去“向上”兼容工業軟件。

但來到大模型時代，則是工業大模型“向下”兼容工業企業。

為了讓流程工業任意一個從業者都能零門檻用上工業AI，中控TPT 2對內融合行業know-how、時間序列數據，對外則是“懂人話”、“説人話”、“幹人活”——

無論老師傅還是小師傅，都不需要從頭學起，讓自己像懂工業軟件那樣懂AI，而是通過語言交流向TPT 2提出問題，隨後“機器”會引導師傅們上傳數據，生成解決方案。

這意味着，TPT 2能以極低的門檻，無縫遷移至不同行業、不同企業，並且有SaaS化、本地化多種部署方式。其部署成本（資金、時間）遠低於工業軟件。

即使是資金儲備較弱、數據採集能力不強的中小企業，也可輕鬆使用。

這就是為什麼儘管到目前為止，工業軟件仍是“製造核心”，但它終將被“智造核心”的工業大模型所超越。而那些沒有跟上工業大模型浪潮的企業，在朝智造邁進的過程中，就會掉隊。

也正因此，不少科技公司、工業巨頭都已推出了自己的工業大模型產品。

照理説，工業大模型應該已進入百花齊放、百家爭鳴階段。但《星船知造》多方調研後發現——工業大模型作為一個全新的賽道，目前正面臨一個行業挑戰：

相當一部分的工業大模型雖然叫“大模型”，但本質上仍是“小模型”，和工業軟件一樣，尚未衝破“智能孤島”困境。

04 不是所有大模型都是TPT

雖然都叫工業大模型，但細分來看，又可分為“通用工業大模型”、“行業大模型”和“場景大模型”。

宣佈打造出工業大模型的各類玩家，實則多集中於行業大模型和場景大模型。而深究下來，兩者本質上仍是“小模型”。

source：unsplash

場景大模型，顧名思義是隻在某個單一工業場景中深耕。其玩家，多是互聯網科技企業與在某垂直場景深耕的工業企業。如手機、家電、汽車企業近幾年都推出過自己的垂類場景大模型——進入的，多是技術成熟度高的質檢、安檢等場景。

但這類大模型的本質仍然是“小模型”。是“一事一模型”。

其“小”，不僅指小在功能單一，更在於不可複製：

這種大模型，一旦要“跨廠”使用，就變得和工業軟件一樣——高度依賴老工程師的判斷和經驗。需要“人教機器”。

場景大模型中，數據和行業Know-how被封閉起來，鍛造成一把唯一的鑰匙，便再打不開第二扇門。

source：unsplash

再看行業大模型，顧名思義，它從深耕具體場景的老師傅進化成了“行業百曉生”——通過學習該行業專屬數據，覆蓋行業內多個場景，解決行業級問題。

玩家多為具備制定行業標準能力的巨頭企業。這些企業聯合科技大廠等供應商，共同打造出行業大模型。

行業頭部企業選擇自建行業大模型，通常出於幾個考慮：一是巨頭的數據本就“量大質優”，通過大模型，可將自己多年的行業數據積累轉化為數智化能力；二是在訓練、使用大模型過程中，不用擔心自己的數據泄露。

但也恰因為此，數據被巨頭圈地，無法跨行業複用，形成新的數據高牆。

source：unsplash

以流程工業中的石油化工與生物製藥這兩個行業來舉例：

它們在生產上，都有高温高壓反應、多相流傳質控制等相同環節。

理想狀態下，一款工業大模型經過石油化工、生物製藥等行業的訓練，其“吃豆”能力會大幅增強，且能觸類旁通——最終能形成自己的記憶能力、分析能力與調用能力——可無縫遷移至更多行業、更多企業。

但現實問題在於，你很難想象兩個巨頭會坐在一起，聊聊如何訓練同一個大模型。

這就導致了即使在相同工業門類下、擁有相同生產環節的行業大模型之間仍是一座座“智能孤島”。既無法提煉共性，更無法協同進化。

source：unsplash

當前工業大模型普遍存在的“一事一模型”、“一行業一模型”現象，其根源在於各方面仍未脱離“工業軟件思維”：先定義一個具體問題，再用一個具體方案解決——最終導致“智能孤島”普遍存在。

“智能孤島”一方面讓行業和企業陷入重複造輪子的惡性循環。另一方面，數據、知識不互通，讓絕大部分工業大模型始終在“小模型”中打轉，無法掌握更大範圍內的規律。

所有人都重複建造自己的小船，新大陸便永遠隱匿於迷霧。

人們迫切需要一款能打破“智能孤島”的通用工業大模型。

在《星船知造》的觀察中，TPT 2正是一款在流程工業領域相當符合“理想型”的通用工業大模型產品。

它已經做到了兩點：一是有能力打破數據和行業know-how的“封閉性”。二是在此基礎上，具備場景貫通能力。從下圖看更為直觀👇

我們以圖中的數據資產和知識融合舉例——

工業場景具有其他場景不具備的“高標準、嚴要求”（聊天對話場景下，ChatGPT等大語言模型時不時已讀亂回，人們大可一笑了之，但工業場景絕不能出現此類情況）。

因此，只有獲得足夠多的數據和行業知識，才能在數據安全性、輸出精準性上達到一定標準，進入核心環節。

但場景大模型和行業大模型的主要玩家多是跨界而來的互聯網/科技企業，雖然具備IT技術開發等技術能力，但缺“場景貫通”——缺乏行業know-how、專業數據及落地場景。而掌握了行業數據和know-how的工業巨頭，又往往在AI技術實力上有所缺失。

目前，TPT 2已經同時具備了數據、know-how、場景貫通能力，也因此能向上統一數據基礎，向下進入多個工業核心環節，成為一款能打破“智能孤島”的通用工業大模型。

在它背後，擁有的是——

●強大的數據根基

●深度的技術耦合

將行業know-how與工程實踐系統性編碼到TPT模型架構，確保可靠可解釋；

MoE + 異常檢測的融合設計，顯著提升模型容量、計算效率與即時性，處理海量數據下的複雜異常檢測任務；

結合大語言模型，順暢語義交互，深度自主思考優化；

●全（工業）場景一鍵打通

中控技術服務過3.7萬+企業，廣闊的行業覆蓋和紮實的客户基礎為AI場景驗證與規模複製提供了豐富的應用場景；

TPT能夠解決工業應用分散、數據應用碎片化等難題，實現由一個TPT大模型為基座打造“一個軟件支撐多種應用場景”的新模式；

創新的落地模式：預訓練（通用工業知識+海量數據）+微調（精準場景數據）模式，實現低成本、高效率、規模化落地。

那麼，作為一款“理想型”的通用工業大模型，TPT 2已經做到了哪些其他人沒做到的事？未來，它又將憑藉哪些能力，走到更遠的遠方？

05 TPT 2,不僅僅以萬倍效率破局

2025是中控技術的破局之年。這家誕生於1993年，素以深耕流程工業自動化聞名的企業，其技術和業務光譜中已經延展出了兩大新物種——

●機器人《一家“不做機器人”的機器人公司，正把中國機器人賣遍“一帶一路”》

●時間序列大模型TPT 2

兩者都是其自然升級為工業AI公司的體現。

圖源：中控技術

《星船知造》看來，TPT 2的願景，不僅僅是打破工業軟件和工業“小模型”的“智能孤島”困境；也不僅僅是成為一個能更好服務工業企業的“智慧大腦”。它的雄心指向一個更宏大的未來：

打破過去工業領域“經驗驅動”的百年慣性，孕育出由中國工業大模型主導的工業智能生態。這一次，AI普惠將是這一生態的核心壁壘。

source：unsplash

TPT 2正憑藉提煉“工業母語”、“向下兼容”等創新優勢，為工業AI普惠做出創新嘗試。

先看提煉TPT 2“工業母語”的能力。

“工業母語”可以這樣理解——

它是一種將千變萬化的數據、行業know-how轉化成AI可理解的表達方式。

過去，工業軟件也好、工業APP也好、工業“小模型”也好，都是必須疊加老師傅經驗才能跑得通。

現在，TPT 2通過提煉出“工業母語”，讓機器開始具備“理解問題→轉譯數據→構造方案→生成行動”的自主能力。實現“機器教人”👇

通過對已知數據的深度建模、對未知情景的預測，以及對整個過程的自主學習與重構，它正在邁入工業自主化階段。

TPT 2是這樣做的👇

第一步，先整合散落在工業各個角落非結構化、格式各異的工業數據（包括經驗知識、傳感器讀數、圖紙、流程圖等）；

中控技術正在系統整合過去三十多年來自身及整個工業界積累的各類數據資產，包括工藝參數、行業圖譜、技術文獻，以及大量沉澱於工業軟件、APP與小模型中的問題解決經驗。

這一步能確保模型不僅具備“從零建模”的能力，更具備“承載經驗”的厚度。

第二步，開始對數據進行“翻譯”，目的是從“收集數據”走向“貫通知識”。讓AI在學習“工業語言”後，能像工程師一樣理解工業世界。

比如在流程工業中，許多系統運行參數是基於經驗設定的。一旦原料波動或工況變化，這些預設參數就可能不再適用。而TPT的記憶能力和預測能力，使得AI Agent可以先於人類察覺風險並行動——“機器教人”。

第三步，打破知識壁壘，重塑協同機制。

過去許多工業難題長期懸而未解，不是因為缺乏數據或算力，而是因為這些問題橫跨多個學科與專業範疇——有人認為是工藝問題，有人認為是算法問題。完成大工業範圍內學習的TPT 2，將能重塑協同機制。

TPT 2

TPT 2提煉“工業母語”的能力，已經讓AI開始解決具體的工業問題——

過去，數字化升級依賴資深工程師現場調試，成本高、門檻高。一個項目需要幾十人，部署時間以“年”為單位。

現在藉助TPT 2，無需代碼，只需動動手、説説話，理清生產問題，導入數據與知識，即可生成專屬Agent，快速實現數智化升級。幾十分鐘就能部署好一個Agent，效率飛昇萬倍。

更重要的是，中控技術在打造大模型時並非從0起步，而是將TPT作為“煉丹爐”，把三十多年所積累的數據、算法、知識、經驗、軟件等能力，全部聚集其中。

在大量的數據學習後，TPT 2已經具備無縫遷移至各類工業場景的能力。

正因為此，相較於被困於“智能孤島”的各類大模型而言，中控技術的TPT 2已經做到一個大模型在龐大的流程工業裏“千廠千面”地部署應用——很大程度上打破“智能孤島”，深入流程工業的安全保障、質量提升、設備健康、自主運行以及節能低碳等環節之中。

萬華化學官網

截至目前，TPT 2已經累計預定訂單企業518家，成交量112套，線上註冊申請用户3268名。

這些數字意味着，同一套TPT 2解決方案，已在不同企業、不同工廠的產線間奔湧。標誌着TPT 2模型從技術研發階段正式邁向規模化落地👇

中石油蘭州石化榆林化工：TPT 2生成出的多個智能體，在不同生產環節發揮作用——

異常預警智能體即時監控生產參數與設備狀態，預測準確度達99.79%，精準定位異常並生成處置方案，保障安全運行；

操作路徑規劃智能體在投爐升温階段優化COT温度操作路徑，縮短升温時間4-5小時，在質量達標前提下，整體年效益預計不低於650萬元；

操作優化智能體在穩定運行階段提升乙烯選擇性與收率，單爐乙烯收率提高0.373%，年淨收益315.5萬元/爐，整體年效益預計不低於1500萬元。

中石油蘭州石化中控室

再看TPT 2“向下兼容”能力。它正讓AI技術加速普惠工業企業。

第三次工業革命中，製造業從發達國家向發展中國家轉移，但製造環節的落地並不意味着先進製造知識和質量標準的到來，它們往往都被封裝於工業軟件中。

幾乎全世界的工業製造都在先發國家設計的規則下運轉。

這意味着，中國工業要實現轉型升級，必須跨越由工業軟件體系主導的掣肘。

比如今天我們引以為傲的高鐵產業，早期階段大量使用西門子、日立等提供的建模、控制軟件，控制模型均由外方定義，導致國產系統難以替代。直到中國逐步構建TCMS等自有建模平台和列控仿真系統後，才真正實現自主。

在流程工業，DCS（分佈式控制系統）是電力、冶金等承載國家命脈的產業裏不可或缺的控制平台，也是將工業know-how封裝進數字系統的橋樑——

過去三十多年中，中控技術始終紮根這一領域不斷突破——2007年，中控技術獲得中國石化武漢分公司500萬噸“油品質量升級煉油改造工程”的項目合同，標誌着高端市場核心主裝置DCS被跨國公司壟斷的時代結束了。

它從霍尼韋爾、艾默生等跨國巨頭手裏贏回了流程工業的話語權，也為今天自身成長為一家軟硬融合的工業AI企業打下了地基。

下一個三十年裏，隨着大模型時代到來，在新的技術窗口期裏，中控技術選擇了一條更為激進卻也更為目光長遠的道路——

美歐老牌工業軟件巨頭，目前選擇的是一條保守路線：延續現有技術路徑，通過在傳統工業軟件基礎上疊加大語言模型實現大模型能力。

比如，霍尼韋爾、艾默生、西門子等企業，先通過“軟件+AI”保證不掉隊，再逐步整合各個業務單元，形成大模型或全能AI平台。艾默生則將這些年併購的軟件都融到其“無界自動化平台”中，並採用ChatGPT等大語言模型做問答交互。

若中國企業與歐美巨頭採用相同方式，一則本土企業目前在涉足的工業軟件廣度上還不及跨國巨頭；二則如果還是在對方的體系與規則下競爭，就無法在新的技術窗口裏真正領先。

但要馬上讓工業大模型實現對工業軟件的替代，目前也不現實。因為對廣大下游工業企業而言，就像程序員面對一座運行多年的“屎山代碼”，明知換人能解決問題，但只要系統還能跑，誰都不敢輕舉妄動。

因此，中控技術走的是一條通過大模型重構工業軟件的路線——工業軟件是“向上兼容”。現在，中控技術則堅持工業大模型要“向下兼容”：

TPT 2具備SaaS化、本地化等多種形態，可以適應不同行業、不同規模的企業需求。不僅在速度上遠超傳統軟件，還極大降低使用門檻——尤其對那些缺乏軟件工程能力的工業企業而言，可以更便捷地構建自己的智能生產系統。

原本依賴中控技術專家團隊交付的項目，如今可交給任何一個“懂行業、懂問題”的生態夥伴來完成。

他們不需要掌握複雜的AI算法，也不需要深度的軟件工程能力，只需要理解客户問題和手握部分數據，就能通過TPT平台生成可交付的解決方案。

這種更輕盈、靈活的部署方式，不僅讓工業大模型的“向下兼容”成為現實，也為TPT 2構建了一個可持續繁榮的工業場景生態。

目前TPT 2與工業軟件之間並非絕對替代，而是嘗試用更易上手的大模型產品，幫助更多工業企業去使用工業軟件和APP來解決實際問題——也只有這樣，才能讓處於工業軟件體系下的生態市場，從原先的思維慣性裏無縫銜接到工業大模型之中。

source：giphy

工具的意義在於被人使用。只有真正普惠的工具才能創造極大價值。

TPT 2讓工業AI大模型不再是昂貴且複雜的系統，而是每一個工程師甚至產線工人都可操作的智能助手，這才是工業AI深入核心場景、賦能萬千工廠的真正標誌。

尾聲：三十年磨一劍

錢塘江的潮水奔湧向前。過去三十多年裏，它見證了一座城市與一家企業的蜕變。

杭州城從昔日的工業重鎮，成為一座“數智重鎮”——其製造業、互聯網、高新科技等多條產業都已匯入新時代的數智化海域。

它一直尋覓着下一個“意外收穫”的出現。

今天，一顆1993年種下的深耕流程工業自動化的種子，正長成憑藉工業AI能力改變工業格局的巨木。

中控技術的工業大模型TPT 2正以流程工業為原點，為新質生產力時代的工業添磚加瓦。

它不再重複“工具式工業軟件”的老路，而是通過不斷充實“工業語料”和“向下兼容”夯實工業AI的底座，以TPT 2的破土迎來厚積薄發。

它讓老師傅的經驗不再封閉於個人頭腦，而是沉澱為可複用的智能資產；

它讓中小企業無需重金搞“數字基建”，也能通過大模型輕裝上陣擁抱智造；

它讓中國工業AI不再追隨他人寫下的規則，而是自己構築工業語料。

它的未來，則不完全取決於中控技術一家企業的能力。而是要讓更多工業夥伴都能基於“工業母語”共識開展一場工業AI共建——讓每一個Agent都成為智能節點，讓每一次任務執行都能反哺知識體系，讓每一個工業場景都能為大模型提供訓練場。

這個過程中，不排除更多巨頭會加入進來。如今的TPT 2，毫無疑問已經跑在了最前面。

它所走過的每一步路，都為後來者開啓了一個尚未到達領域的新起點。當生態愈加繁榮，也意味着我們可能用5年的時間，完成其他國家用15年完成的工業智能化轉型。在技術普及曲線尚未陡峭上升之前，先一步登上智能製造的高地。

時間會獎賞那些與工業共成長，並永遠選擇艱難而正確道路的人。

主要參考資料：

[1]《數字中國發展報告（2024年）》.國家數據局

[2] 人工智能大模型在重點工業領域規模化部署加快.工信部

[3] 中控技術官網、企業微信、公開年報等企業公開信息

[4]一家“不做機器人”的機器人公司，正把中國機器人賣遍“一帶一路”.星船知造

本文基於訪談及公開資料寫作，不構成任何投資建議

本文為星船知造原創內容

未經授權，禁止轉載