■ 徐甲甲

　　工业大模型不是一个更懂工业的聊天机器人，也不可能依靠一个模型包打天下。真实的工业现场，需要语言模型读懂知识和规程，需要视觉模型看懂现场，更需要时序模型读懂设备和生产过程，再由智能体去调用工业软件、机理模型和硬件工具等综合要素，把感知、判断、决策和执行串成一个完整闭环。说得更直白一些，就是让AI不仅有“大脑”，还要有“眼睛、耳朵和手脚”。

　　在这些能力中，最容易被忽略、却最贴近工业核心的是时序数据。工业能源领域的时序数据包含温度、压力、振动、电流、功率、负荷等，它们就像人的心电图和血压，通过时间刻度严谨记录着设备和生产系统每时每刻的“生命体征”。文本告诉我们发生过什么，而时序数据更直接地告诉我们：设备现在怎么样，接下来可能发生什么。

　　为了把控时序数据，我们深入业务场景，和行业专家一起共同构建了工业时序基础模型。以中国石油长庆石化为例，过去遇到复杂设备故障，往往要靠懂专业的老师傅一项项排查；现在，AI可以把仪表、振动、电流、历史检修记录等信息放在一起分析，几分钟内给出异常诊断并生成检修方案，自主闭环处理。实际应用中，设备故障诊断误报率比原来降低了40%，工单处理效率提升50%，故障排查时间缩短70%。这类变化的价值，不在于AI“答对了一道题”，而在于它开始真正参与生产。

　　在能源行业，这样的价值更加具象化。过去，发电企业更关注“发好电”；现在，进入电力市场化交易时代，企业还要“卖好电”。电价、负荷、新能源出力（风电、光伏能发多少电）每天都在变化，靠人工盯盘越来越吃力。我们用时序模型预测负荷、电价和新能源出力，再由智能体辅助交易前分析、交易中执行和交易后复盘。在国能安徽项目中，交易前分析效率提升80%，绿电交易效率提升83%，复盘效率提升95%，每度电收益提升5%到10%——AI开始直接影响企业的经营结果。

　　工业AI要大规模落地，得过成本、安全、自主可控三道关——这也是我们在一线被追问最多的三个问题。我们的底气，来自科大讯飞的技术积累：以讯飞星火为底座，构建起语言、视觉与时序一体的工业大模型体系；在飞星平台上与华为联合攻关，把训练和推理都放在国产算力上，啃下长思维链强化学习训练和MoE（混合专家模型）全链路训练两块硬骨头，再让模型跑进车间的端侧设备。底座自主可控，工厂才敢把核心工况交出来，AI才谈得上替人干活。模型跑进车间只是第一步，端云一体化则是我们下一步重点推进的方向：把90%的高频、敏感、实时任务放在本地端侧完成，只留10%的深度工作交给云端。数据留在厂里，云端的脑子照样转得快；既压下了算力成本，也守住了个人隐私、商业机密和知识产权，让AI在工厂里用得起、跑得稳、数据守得住。

　　我们越来越相信，AI+制造的下一程，不是把一个更大的模型“搬进工厂”，而是让AI真正学会干活：读懂工厂里“研产供销服管”每个关键业务流程的“生命体征”，连接企业已有的软件和设备，把人的经验沉淀下来，让一次次判断变成可执行、可反馈、可持续优化的动作，并沉淀成持续迭代的企业资产。只有当AI能真正蹚进产业深水区“干硬活”，模型能力才算完成了产业生产力的变革。

　　（作者为羚羊工业互联网股份有限公司总裁）