人工智能(AI)作为新一轮科技革命的主要驱动力，正在深刻改变钢铁工业的发展模式。全球钢铁行业正在经历从自动化向“认知制造”的范式转移，核心技术路径是部署“物理人工智能(Physical AI)”。与执行预设代码的传统自动化不同，物理 AI 具备感知环境、理解复杂状况并自主做出物理调整的能力。本文梳理了这一技术在核心工艺控制、资产维护、视觉感知及供应链优化四个领域的全球最新进展。

一、核心工艺：解密“黑箱”与接管控制

高炉炼铁和转炉炼钢是钢铁生产的核心环节，但长期以来，其内部高温、高压且多相流耦合的环境使其成为无法直接观测的“黑箱”。传统上，工艺控制高度依赖资深操作人员的经验判断，近年来，AI 技术开始承担越来越多的控制职能。

1. 高炉的透视与预测：网络物理系统

日本JFE 钢铁为了解决高炉内部状态不可见的问题，在8座高炉上部署了网络物理系统(CPS)。该系统的核心并非简单的数据采集，而是将数千个传感器的数据输入热力学机理模型，在虚拟空间中实时重构高炉内部的物理化学状态。据JFE披露，系统能够提前8到12小时预测炉温的异常波动，这给操作员留出了调整送风参数或焦炭负荷的时间窗口。

值得注意的是，JFE已开始将这项技术对外输出。2024年7月，JFE宣布与印度 JSW Steel启动CPS技术的试点合作。这意味着钢铁企业的商业模式正在发生变化--从单纯销售钢材，转向输出算法和工艺服务。

2. 闭环控制与“一键炼钢”

在预测能力的基础上，部分企业已实现AI 主导的闭环自主控制。浦项制铁的智能高炉是典型案例，AI分析数万个数据点，自动调节鼓风量和喷煤量，以维持铁水温度稳定。据浦项制铁披露，该系统使单座高炉的日产量增加了240吨，相当于每年增产约8.5万吨。

在转炉炼钢环节，浦项制铁开发了“一键炼钢”(One-Touch Steelmaking)系统。转炉吹炼对时间控制要求极高，传统上需要操作员根据火焰颜色、声音等经验判断终点。新系统整合视觉传感器和过程模型，由AI 自动判断吹炼终点，将原本需要人工执行的25个操作步骤简化为一键操作。此外，浦项制铁还在连铸平台和取样环节部署了AI 驱动的协作机器人，用于完成测温、取样等高危任务，减少了人员暴露在高温钢水飞溅风险中的时间。

3. 网络物理生产(CPP)：把经验搬进数字世界

日本制铁推行的“网络物理生产” (Cyber Physical Production, CPP)是一套四层架构。

最底层是现场数据层。日本制铁在炼铁、炼钢、轧钢现场大规模部署了低功耗无线传感器(LPWA)，覆盖温度、压力、振动、电流等参数。这些传感器不追求精度高，而是追求覆盖面广、能耗低，让过去“看不到”的设备状态变成连续的数据流。

第二层是数据汇聚层。各工序、各工厂的数据不再分散在本地系统，而是统一进入云端平台。这一层解决的不是 AI 问题，而是工程问题，即对不同年代的设备、不同的通信协议、不同的数据口径，进行清洗和对齐。

第三层是数字孪生层，也是CPP 的核心。日本制铁为生产线和关键设备建立了数字孪生模型，这些模型结合冶金机理、历史运行数据和资深技工的经验规则。系统可以在数字空间中模拟当前状态、推演参数变化的后果、对比正常状态与异常偏移。值得注意的是，这里用的不是黑箱大模型，而是“机理模型+ 数据修正”的混合方法。

最顶层是应用层。CPP 主要服务于三类场景：一是早期异常检测-- 当操作条件刚开始偏移、人还感觉不到时，系统已经能提示“趋势不对”；二是预测性维护-- 判断设备的老化速度和劣化拐点，找到最佳检修窗口；三是稳定化生产-- 减少波动、减少非计划停机、减少质量偏差。

日本制铁对 CPP 的定位较为务实，其目标并非全自动无人钢厂，而是提升生产的可预测性，实现经验知识的显性化与可复制，使运维模式从被动响应转向主动干预。

二、资产与知识：解决人与设备的问题

钢铁企业面临两个结构性问题：一是老龄化导致资深技工退休，经验难以传承；二是设备故障导致的高昂停机成本。

1. 用生成式人工智能(GenAI)提取维修知识

在大型钢铁企业，维修设备涉及大量技术手册、日志和标准作业程序(SOP)。当设备出现故障时，技术人员往往需要花费大量时间查找资料。此外，随着资深技工的退休，宝贵的隐性经验面临流失风险。

美国钢铁公司与谷歌云(Google Cloud)合作，推出了名为 MineMind ™ 的生成式AI 应用，基于 Vertex AI 平台和 Document AI(文档人工智能)技术构建。维护人员可以使用自然语言提问，例如“明尼苏达(Minntac)矿区液压泵压力异常如何排查?或者请给我展示传送带更换的步骤图”。系统会理解语义，从海量的非结构化文档中检索相关信息，生成简洁的维修指南，甚至直接调出相关的电路图或机械图纸。

数据显示，该应用将维护工单的处理时间缩短了 20%，不仅提高了维修效率，缩短了设备停机时间，还加速了新员工的培训过程，使其能更快地达到熟练水平。

2. 预测性维护的进阶

传统的维护策略要么基于时间(定期维护)，要么基于状态(故障后维修)。预测性维护的目标则是预测设备的剩余使用寿命(RUL)，在故障发生前安排检修。这一领域的进步主要得益于振动分析、油液分析与机器学习的结合，常用的算法包括随机森林、长短期记忆网络(LSTM)以及用于异常检测的自编码器。

澳大利亚博思格公司采用了西门子的 Senseye 预测维护平台，其创新之处在于不依赖昂贵的振动传感器，而是分析电机和驱动器的电流、电压波形数据。当电流波形出现微小畸变时，往往意味着轴承或齿轮箱出现了早期磨损。据 博思格公司称，该技术在三年内帮助其减少了约 2000 小时的非计划停机时间。据报道，印度塔塔钢铁已在其价值链中部署了超过 650 个 AI 模型，但具体的技术细节披露有限，从公开信息看，相当一部分模型用于预测关键资产的剩余使用寿命。

三、视觉感知：机器看见的与看懂的

计算机视觉在钢铁行业的应用已有多年历史，但近年来的进展主要体现在两个方向：一是从“识别缺陷”到“解释成因”，二是适应钢厂特有的极端环境。

1. 质量控制的深度归因

传统的表面检测系统仅能识别缺陷的存在与位置，而新一代系统已具备缺陷成因分析能力。

蒂森克虏伯的数字数据实验室开发了基于深度学习的表面检测系统。利用卷积神经网络(CNN)，该系统学习了数十万张缺陷图像，能够识别钢材表面的微米级纹理差异。更重要的是，系统建立了缺陷形态与生产工艺参数之间的关联模型。这意味着 AI 不仅能告诉操作员这里有个缺陷，还能提示这个缺陷很可能是由于第 3 机架轧辊磨损引起的，从而直接指导维护决策。

针对罕见缺陷样本不足的问题(严重的质量事故很少发生，导致 AI 缺乏训练数据)，企业开始利用生成对抗网络(GANs)生成合成的缺陷图像，以增强模型的泛化能力。针对工业现场对实时性的极高要求，最新的研究与应用开始采用 物体检测和图像分割模型 (YOLOv8)及其改进版本(如 STEYOLO)。这些模型经过剪枝和量化，能够部署在生产线旁的边缘计算设备上，实现毫秒级的缺陷检测。

2. 工业安全的全覆盖监控

拉丁美洲钢铁企业特尼姆公司 (Ternium)在AI 应用上聚焦于工业安全，在其工厂内部署了超过1300 个智能摄像头，构建了一个全覆盖的视觉感知网络。这些摄像头不仅用于录像，更内置了多种自研的AI 算法，能实时检测员工是否佩戴安全帽、反光背心，是否违规进入行车吊运区域，甚至能识别人员跌倒等紧急情况。

特别值得一提的是Ternium 自研的火灾探测算法。在充满高温热源、焊接火花和强烈照明的钢厂环境中，传统的光学烟感或温感探测器容易误报或漏报。Ternium 利用数万张包含真实火焰、焊接闪光、高温钢坯辉光的图像训练了深度神经网络。该模型能够根据火焰的形状、颜色变化频率、运动轨迹等视觉特征，精准区分真正的火灾与环境干扰。一旦识别出火情，系统会立即向控制中心发送警报，并弹出现场实时画面，使应急团队能在火灾初期进行干预。

3. 废钢智能分级

作为以电弧炉(EAF)为主的短流程钢企，西班牙电炉企业Celsa 集团的战略重心在于废钢资源的极致利用。废钢的成分波动是影响电弧炉生产稳定性的最大因素，废钢中混杂的铜会导致钢材热脆性，塑料会在高温下分解产生有害气体，这些杂质直接影响钢水质量和生产安全。

Celsa 集团利用计算机视觉和 AI 算法对进入工厂的废钢进行自动扫描和分级。通过 AI 识别废钢中的杂质(如铜、塑料)，系统可以指导配料优化，确保钢水成分达标，同时最大限度地使用低成本废钢。这不仅控制了钢水成分，也直接支撑了其循环经济战略。

四、供应链与绿色：算法驱动的决策

钢铁生产的另一个瓶颈在于调度。一个中等规模的钢厂每天要处理成百甚至上千个订单，同时还要兼顾能耗、设备寿命、交期等多重约束。这类问题的复杂度已经超出了人工调度的能力边界。

1. 蚁群优化算法调度

钢铁生产线的排产是一个典型的组合优化问题。以镀锌线为例，一天数十个订单需要排序，每个订单有不同的尺寸、钢种、涂层和工艺窗口，70 个订单的排列组合超过10^109 种。传统方法要么依赖资深调度员的经验，难以复制和扩展；要么依赖规则系统，但规则难以穷举，且局部最优不等于全局最优。

安赛乐米塔尔全球研发中心采用了改造后的蚁群优化算法(ACO)来解决这一问题。第一步是构建“数字景观”，将每一种生产顺序映射为一个综合绩效值，涵盖成本、质量风险、换规格代价、能耗和设备冲击。这也是算法能够运行的前提。

在此基础上，排产问题被抽象为图论问题：每个订单是一个节点，订单之间的切换是路径。“虚拟蚂蚁”从第一个订单出发，根据信息素浓度(历史上效果较好的切换顺序)和数学模型的反馈，逐步选择下一个订单。经过多轮迭代，优质序列被强化，劣质序列被淘汰，且快速收敛。

该系统能在几分钟内生成可执行的排产方案。安赛乐米塔尔在宣传中强调的是工业效果而非数学性能--生产率提升、质量更稳定、能耗更低，但具体数字并未公开。目前这套算法已扩展到物流载具、轧辊、钢包等设备的调度。

2. 供应链的数字孪生

浦项制铁与人工智能为驱动的集成计划和运营解决方案供应商--o9 Solutions 合作，对其供应链计划系统进行了彻底的数字化重构。新系统被定位为企业的“数字大脑”，利用AI 构建了浦项制铁全供应链的数字孪生模型。

这一平台赋予了浦项制铁强大的情景分析能力。管理层可以模拟原材料价格突变、港口罢工、设备故障等各种突发状况，系统会自动计算不同应对方案对利润、交期和库存的影响，从而支持数据驱动的决策。

日本制铁则利用AI 分析宏观经济指标和历史订单数据，生成高精度的需求预测。结合计算机视觉和运筹优化算法，实现了对库存的自动化追踪和物流路径的实时优化，显著缩短了产品的交付周期。

3. 绿色数据的资产化

余热回收是钢铁行业提升能效的重要抓手，但“怎么测、怎么评估、怎么选技术”在工业现场并不容易。安赛乐米塔尔联合凯捷工程(Capgemini Engineering)，在法国环境与能源管理署的资助下，启动了ANAGREEN 项目(ANAlyse Globale de Récupération d’ENergie)，目标是用“模型+ 数据分析”把钢厂余热看清楚、算明白、排出优先级。

ANAGREEN 的方法分为三层。第一层是物理模型，建立热量方程和热平衡模型，量化余热的来源和规模。第二层是技术经济模型，把换热器、热泵、有机朗肯循环(ORC)、热能储存等回收技术的成本、收益、节能潜力和边界条件算清楚。第三层是数据分析与优化，从大量工艺参数中筛选关键变量，对不同技术组合进行参数化优化，计算总投资和年节省量。

该项目的交付物是一个余热回收决策支持系统，能回答投资回收期多久，预计避免多少  排放，最多能回收多少比例的能量，并按优先级对方案进行排序。项目团队的模型估算显示，安赛乐米塔尔法国钢铁厂每年可回收能量潜力约2.4 万亿千瓦时。

在碳足迹追踪方面，萨尔茨吉特(Salzgitter)正在推进其宏大的 SALCOS® (萨尔茨吉特低二氧化碳炼钢)计划，旨在分阶段将高炉流程替换为氢基直接还原流程。为了支撑这一转型，萨尔茨吉特深化了与思爱普(SAP)的合作，利用SAP S/4HANA 作为数字化核心。双方合作开发的重点之一是碳足迹管理。利用SAP 的云解决方案，萨尔茨吉特能够精确计算每一吨钢材的碳排放数据。这对于绿色钢铁的市场化推广至关重要，因为下游客户(如汽车制造商)需要可信的数据来计算其范围3 排放。

五、研发与未来：从试错到设计

传统的材料研发主要依赖试错法，即通过反复调整配方和工艺参数进行实验验证，周期长、成本高。

1. 材料信息学

材料信息学是AI 在材料科学领域的核心研究方向之一。为了在庞大的化学成分和工艺参数空间中寻找最优解，研究人员利用贝叶斯优化(Bayesian Optimization)算法指导实验设计。它能够根据已有的少量实验数据，预测下一个最可能产生高性能材料的实验参数组合，从而大幅减少实验次数。

Citrine Informatics 和 Intellegens 等初创公司提供的 AI 平台(如 Alchemite ™)已被奥钢联集团等企业采用。Alchemite ™ 核心算法的独特之处在于它能处理稀疏、嘈杂的实验数据，这对于历史数据往往不完整的钢铁研发部门来说极具价值。

Materials Nexus 利用AI 设计出了一种不含稀土的高性能磁体材料“MagNex”。严格来说这不是钢铁案例，但它展示的方法论--用 AI 在成分空间中搜索，而非依赖经验试错，对钢铁新材料研发有直接的参考价值。

2. 技术生态的演变

钢铁企业普遍缺乏原生的软件开发能力，这一点与互联网企业形成鲜明对比。因此，技术生态的构建成为关键。

数据基座的构建。日本制铁与日铁软件(NS Solutions)合作，建立了名为 DATAOPTERYX ™的集成数据管理平台。为了解决各工厂数据格式不统一的难题，该平台引入了数据集成引擎 Talend。它负责将分散在各地的异构数据进行清洗和标准化，然后输送至 Snowflake 云端仓库中。这种架构使得原本分散在各个工厂、各个业务部门的异构数据得以统一汇聚与治理，实现了无地域限制(Location-free)的数据访问，使得位于东京总部的AI 专家能够实时调取并分析位于室兰、大分等偏远钢厂的运行数据，为全集团范围内的 AI 模型训练与部署铺平了道路。

Cognite 是一家成立于2017 年的全球工业人工智能SaaS 公司，以 Cognite Data Fusion®(CDF)平台闻名，专注于解决工业数据的情境化问题，它能将数百万个传感器的时间序列数据与 P&ID 图纸、3D 模型自动关联。Cognite 在 JFE 钢铁的智能工厂建设中发挥了核心作用，帮助 JFE 构建了坚实的数据底座。

设备商的软件化转型。传统的冶金设备供应商也在转型为工业软件提供商。西马克集团提供了Data Factory 和X-Pact® 等数字化解决方案。其“数字调试”(Digital Commissioning)技术利用数字孪生，在设备安装前就在虚拟环境中完成调试，大幅缩短了现场达产时间。达涅利集团的 Q3 Intelligence 平台整合了过程控制与数据分析，其 Digi&Met 部门专注于开发基于 AI 的闭环控制系统，直接将工艺诀窍固化在算法中。

机器人公司的反向整合。2024 年，AI 机器人公司思灵机器人(Agile Robots)收购了蒂森克虏伯的自动化工程业务。这说明不仅是钢铁企业在寻找AI 合作伙伴，AI 公司也在主动进入传统工业领域。

六、结语

从日本制铁的数据基座到美国钢铁的 GenAI 助手，从安赛乐米塔尔的蚁群算法到 JFE 的高炉 CPS，全球钢铁行业的 AI 应用已超越概念验证阶段，进入规模化部署。行业竞争的焦点正在从产能规模转向数据资产的价值转化能力，即谁能更有效地将物理世界的运行数据转化为效率提升、质量改进和碳排放优势。这一趋势值得中国钢铁企业密切关注。

原文刊载于《冶金管理》 作者：冶金工业经济发展研究中心 李燕杰