与离散制造相比，金属材料制造具有连续流程难停机、关键内部状态难直接测量、操作作用与质量结果之间存在明显滞后以及故障样本少而失效代价高等特征。 轧制中的组织演变、残余应力、局部温度场、设备热状态及缺陷成因大量处于不可直接观测状态；传统机理模型受理想假设和离线参数限制，单纯数据驱动模型又容易受到工况漂移、小样本和物理不一致影响。 因此，轧制智能化的核心问题并非继续增加若干相互独立的预测模型，而是如何在物理规律、安全边界和实时性约束下，把有限观测转化为可信状态认知，把状态认知转化为可验证的行动方案，并在真实反馈中持续校正。

当前人工智能正由以内容识别与生成为主的生成式AI，向具有明确目标、任务分解、规划、行动和反馈能力的智能体AI演进，并进一步与真实物理过程形成闭环。 金属材料生产控制天然具有目标驱动属性：给定订单、设备和原料条件，需要围绕组织性能、厚度、宽度、板形、表面/形状质量、效率、成本、能耗/排放和安全等目标，求解操作量与系统状态、质量结果之间的复杂映射及多目标折中。 由此，工业AI不能简单等同于将通用大模型移植到工厂，而必须形成机理、数据、世界模型、智能体、确定性控制、工业网络和软硬件平台协同的工程体系。

基于此，本文从目标驱动和知行合一的视角讨论轧制工业AI的技术路径：首先分析生成式AI走向智能体AI/物理AI的范式跃迁，进一步讨论面向工业控制的模型构建、世界模型及其反事实推演能力；随后分析工业AI工程化对工控架构、云－边－端协同和工业操作系统提出的新要求；在此基础上构建以世界模型形成全局“知” 、以领域专业智能体与确定性控制实现现场“行”的轧制工业AI系统架构，为后续组织性能、外形尺寸和形状质量等领域的专业智能体研究建立统一框架。

１ 从生成式AI到目标驱动轧制工业AI

１.１ 生成式AI的能力边界与目标驱动范式跃迁

生成式AI通过大规模数据学习内容及其统计关联，能够生成文本、图像、声音、视频、代码等新内容，在知识获取、信息组织和模式识别方面表现出较强能力。 然而，其主要处理对象仍是虚拟数字信息，训练目标通常表现为对数据分布或后续内容的预测。 对于真实工业系统而言，仅能生成合理内容或预测可能结果并不足以完成控制任务，因为生产过程还受到物理规律、空间关系、执行机构能力、实时性、安全联锁和失效后果等刚性约束。

因此，人工智能正在由生成式AI向智能体AI演进。 与开放式生成不同，智能体AI以明确任务目标为牵引，需要在动态环境中完成状态感知、任务分解、路径规划、方案选择、行动执行和反馈修正。 对于金属材料制造过程，这种转变尤其重要：生产控制本质上始终是目标驱动过程，控制系统必须回答的不是“接下来最可能发生什么”，而是“为了达到既定质量、效率、成本、能耗和安全目标，应当采取什么操作，以及采取该操作后系统将如何演化”。

这一差异要求对现有“数据密集－智能涌现－人机协同”科研范式进行面向控制任务的扩展，在数据与模型能力基础上显式引入“目标驱动”。 其目的不是否定数据驱动和人机协同，而是使数据、模型、知识与人的经验围绕控制目标组织起来，并通过实际反馈评价策略是否达成目标。 由此形成“数据密集－智能涌现－人机协同－目标驱动”的工业AI研究范式：数据提供状态证据，模型形成认知与预测，人的理论与经验提供约束和校核，目标函数与安全边界决定优化方向，执行反馈驱动模型持续修正。

从这一意义上看，生成式AI到工业AI的关键跃迁不是模型规模的简单扩大，而是从数据驱动的预测与生成转向目标驱动的感知、理解、推演、决策、执行和反馈。 这构成轧制工业AI后续“知－行”闭环的逻辑起点。

１.２ 物理AI与世界模型：从“会预测” 到“会推演、会行动”

物理AI是面向真实物理世界的人工智能模型与系统，其核心要求是能够感知和理解现实状态、模拟和预测状态演化，并在物理规律和安全边界约束下与现实系统交互和完成任务。 与强调内容生成的AI相比，物理AI不仅关心判断是否正确，更关心行动能否在真实世界中长期、安全、可靠地执行。

为描述这一能力，可采用 ＶＭＣ 功能闭环进行解释。 Ｖ（Ｖｉｓｉｏｎ）表示对当前世界的观察、感知和状态表征；Ｍ（Ｍｅｍｏｒｙ）表示对历史信息、状态演化规律及时空关系的记忆与预测；Ｃ（Ｃｏｎｔｒｏｌｌｅｒ）表示在内部模型中比较候选行动、学习行动策略并将结果映射到现实执行。 ＶＭＣ 并不是把世界模型、物理AI和控制器简单等同，而是揭示从“感知环境－理解规律－选择行动” 形成闭环的基本功能关系。

从功能上看，世界模型至少承担两类核心任务：一是内部表征，即回答系统有什么、在哪里、处于什么状态、彼此有什么关系；二是未来预测，即回答在当前状态和给定行动条件下下一状态将怎样变化。 进一步展开，可归纳为表示世界、预测变化和反事实推演三项特质。 其中，反事实推演尤为关键，它不是被动预测既有轨迹，而是在内部“沙盘”中回答“如果改变某个操作量，会发生什么” ，从而在真实生产实施前比较不同方案的后果、风险与收益。 世界模型由此赋予AI超越统计模式匹配的物理直觉、时空认知和因果 /反事实推理能力，并显著降低真实系统中的试错成本。

具身智能与物理AI、世界模型有明显区别。具身智能强调智能如何在身体－环境交互中学会行动，即解决“怎么学会动”；物理AI则进一步关注系统动起来以后如何在现实环境中长期、安全、可靠地工作；世界模型是形成内部状态理解、预测与推演能力的核心之一，但不是整个物理AI工程系统的全部。 对轧制而言，“具身”不应机械等同于人形机器人，而应映射为轧机、加热炉、冷却装置、传感器、执行机构及其控制系统所构成的物理载体。

从系统构成看，物理AI可概括为世界模型、物理仿真引擎和具身/执行控制器三个基本环节：世界模型形成对状态与演化关系的认知，物理仿真使候选策略满足力学、热学、冶金学等客观规律，控制器则把经过验证的策略转化为真实操作。三者共同把“理解世界” 与“作用于世界” 连接起来，为工业场景的知行闭环奠定能力基础。

１.３ 面向工业控制的模型构建与轻量化迁移

工业AI的目标驱动能力最终必须落实到可计算模型。 结合生产线长期积累的大数据与人的理论和经验，可形成三类互补的建模方法：一是单模态大数据机器学习，面向结构化过程变量和质量指标形成计算与预测能力；二是多模态大数据机器学习，融合视觉、图像、时序信号、传感器数据及工艺上下文形成更完整的感知与状态表达；三是大数据符号回归机器学习，从数据中提取显式关系和可解释表达，为规律发现、知识抽取与认知建模提供支撑。 三类方法并非相互替代，而是分别发挥计算智能、感知智能和认知智能优势，并通过人的机理知识、工艺经验和安全规则进行约束与校核。

上述建模方法应同时服务于推理大模型和轻量化小模型，而不是形成彼此割裂的两套体系。云端或高性能计算环境中的复杂模型负责跨工序数据融合、全局状态理解、候选方案推演和知识形成；边缘侧轻量化模型则承担毫秒至秒级的实时感知、局部预测与控制辅助。 两者之间需要通过知识蒸馏、模型压缩、迁移学习、参数辨识和结构重构等方式实现能力迁移，并利用现场反馈持续进行在线校正。 由此形成“云端能力形成－边缘能力迁移－现场实时应用－反馈再学习”的模型生命周期。

随机配置网络模型 （ Ｓｔｏｃｈａｓｔｉｃ ＣｏｎｆｉｇｕｒａｔｉｏｎＮｅｔｗｏｒｋｓ，ＳＣＮｓ）可作为复杂模型向轻量化小模型转化的重要候选方法之一。 其潜在价值在于面向大规模工业数据时兼顾训练效率、模型规模与预测能力，为边缘智能体的快速建模和在线更新提供可能。

对于轧制工业AI而言，模型构建的关键不在于追求单一模型最大或最复杂，而在于建立全生命周期协同：复杂模型在云端形成可迁移知识，轻量化模型在边缘实现实时响应，确定性控制承担最终安全执行，真实反馈再用于更新世界模型和领域模型。 该机制为后续“知” 向“行” 的转换提供模型层基础。

１.４ 世界模型技术路线与关键瓶颈

如何持续为边缘生成可靠的轻量化能力，取决于云端复杂模型本身能否形成可信、可迭代的核心能力———这正是世界模型作为“知”之内核所要回答的问题。 近期世界模型研究正在形成多条技术路线，其差异主要体现在世界如何表示、未来如何预测以及行动如何规划。 从工业AI视角看，可将现有代表性思路归纳为全栈物理AI、空间模拟和抽象预测三类。

第一，ＮＶＩＤＩＡ 认为世界模型是物理AI系统里的预测引擎，并与大语言模型、物理仿真和具身部署共同构成闭环。 针对机器人，ＮＶＩＤＩＡ 形成了“训练计算－仿真计算－部署推理” 的三级链路：训练侧形成基础能力，仿真侧借助高保真数字环境生成合成数据、开展大规模虚拟试错和 Ｓｉｍ⁃ｔｏ⁃Ｒｅａｌ 迁移，部署侧在本体计算平台完成实时感知、推理与执行。 对工业过程而言，其可抽象为数字孪生与模拟推演、多模态感知与推理学习、持续学习与适应、安全可控以及复杂模型轻量化部署五类能力，最终目标是建立“训练－仿真－部署－反馈－再学习”的全生命周期闭环。

第二，李飞飞创立的 Ｗｏｒｌｄ Ｌａｂｓ，空间模拟路线强调渲染、模拟和规划之间的统一，讨论世界模型如何形成“感知状态－预测结果－选择动作” 的闭环。 世界模型划分为渲染器、模拟器和规划器：渲染器负责形成可观察的空间表达，模拟器负责产生符合客观规律的状态变化，规划器负责输出行动序列。 对轧制而言，价值不在于构建可“走进去”的照片级三维世界，而在于借鉴其多模态状态重构、可交互仿真和“动作－下一状态”连续推演能力。

第三，长期深耕深度学习底层架构、被誉为“ＡＩ 教父”之一的杨立昆强调在表征空间中学习状态演化规律。 以 ＪＥＰＡ、Ｖ－ＪＥＰＡ ２ 等为代表的方法试图把物理规律理解、历史记忆、因果预测和规划统一到可学习的预测架构中。 这一路线对工业过程的启示是：并非所有世界状态都需要像素级重建，只要能够形成与控制任务相关、可预测且可用于决策的内部状态表示，就能支持智能体理解和规划。

三类路线虽技术形态不同，但共同指向可更新状态表征、未来预测、反事实推演、行动规划以及物理/安全约束。 当前世界模型距离高可信工业应用仍存在三类突出瓶颈：一是物理一致性不足，生成或预测结果可能违背守恒、边界和工艺机理；二是长程预测与规划存在误差累积，难以覆盖跨工序、长时延过程；三是缺少统一的工业评价体系，模型是否真正理解状态、能否可靠支持控制尚缺少可比基准。 对于金属材料工业，世界模型研究的重点因此不应是追求通用场景复刻，而应围绕材料－设备－工艺－质量－环境构建与生产目标直接相关的状态、因果和行动模型。

１.５ 工业AI工程化与AI时代新型工控架构

然而，无论采用哪一条技术路线，世界模型能否真正走出实验室、进入生产现场持续运行，最终都取决于工业AI工程化对实时性、可靠性和数据主权提出的特殊要求。 工业AI与消费级AI在工程约束上存在根本差异。 消费级模型通常可以接受秒级响应，训练数据来源广泛，局部错误往往只影响交互体验；工业AI则需要适配 ＰＬＣ、运动控制和过程控制的实时性要求，数据以传感器小样本、强不平衡和故障稀缺数据为主，模型输出必须满足近零容错、安全联锁和责任追溯要求，且大量数据受生产安全和知识产权约束不能离开现场。因此，工业AI的建模需要机理与数据双驱动，部署上以边缘为主并与云端训练协同，其竞争对象不是单一模型，而是完整工程栈。

传统 ＩＳＡ⁃９５ 架构在工业信息化和自动化发展中发挥了重要作用，但其多层级、多协议和相对封闭的组织方式，使跨层数据、模型、指令与反馈往往需要逐级传递，难以满足智能体AI对全局状态感知、模型快速迭代、跨工序协同和实时闭环的要求。AI时代的工控架构并非简单推翻既有硬件体系，而是保留云－边－端物理部署格局和必要的确定性控制边界，通过 ＯＴ /ＩＴ 融合工业网络、智能边缘、软件定义和工业操作系统重新组织系统能力，实现“硬件与云边端配置保留、目标驱动的全栈式整合、软件定义物理AI、ＯＳ 创新”的体系升级。

图 １AI时代新型工控架构

如图１所示，新架构需要同时区分两条轴线：云－边－端回答计算与控制能力部署在哪里，知－行回答系统承担什么功能。 “知” 主要包括世界模型、动态数字孪生、数据与高质量数据集、推理计算模型、沙盘推演、冲突消解、全局工艺仲裁与多目标优化；“行”则由领域专业智能体、边缘轻量化推理、感知－执行控制器以及现场数字化装备逐级实现。 全栈式垂直整合包含数据服务、模型服务、工业网络、 边缘计算、 实 时 核/非 实 时 核、 ＨＭＩ、ＡＰＩ、安全联锁和软硬件适配等工程要素，它们是“知”能够可靠转化为“行”的基础。

１.６ 轧制工业AI的机遇与挑战：从“看得懂”到“推得出”再到“控得住”

金属材料制造是物理AI和世界模型最具代表性的应用场景之一，也是工程约束最强的场景之一。 其连续流程、不可测黑箱、强滞后以及小样本高危四类特征在轧制过程中表现得尤为突出：材料内部组织、残余应力和局部温度场难以在线直接测量；质量结果具有明显过程遗传性；压下、速度、张力、冷却、弯辊等操作相互耦合且作用时延不同；故障与极端工况样本稀缺，但错误决策可能导致批量质量损失、设备损伤乃至安全事故。

与此同时，轧制生产已经积累了大量工艺数据、机理模型和自动控制基础，为工业AI提供了良好的数据与知识条件。 真正的挑战在于如何把这些分散能力重组为面向目标的闭环系统。 第一，需要构建可信、可更新、可推演的轧制世界模型，在信息不完备、多尺度耦合和过程遗传条件下统一表达材料－设备－工艺－质量－环境状态，并支持反事实推演和多目标方案比较。 第二，需要解决复杂模型与工业实时性的矛盾，使云端高能力模型能够通过蒸馏、压缩、迁移、ＳＣＮｓ 等方法形成边缘可部署的轻量化能力，同时保持物理一致性、鲁棒性和可追溯性。 第三，需要解决多智能体协同和确定性执行问题，使不同质量领域、不同工序和不同控制周期的智能体在统一目标、约束和安全边界下完成任务分配、冲突协调与闭环执行。上述问题对应轧制工业AI从“看得懂”到“推得出”，再到“控得住” 的三个层次。 单一预测模型、单一数字孪生或单一智能体均难以独立解决，因此需要从分散模型和局部控制转向目标驱动的“知行合一”系统架构：由世界模型形成全局认知、推演和仲裁之“知”，由领域专业智能体、轻量化模型与确定性控制形成协同执行和反馈校正之“行”，并以云－边－端和全栈式工程底座保障两者闭环运行，最终面向高效率、低成本、绿色化和综合质量最优的自主制造目标。

２ 目标驱动的“知行合一”轧制工业AI系统架构

轧制工业AI的关键不在于继续增加相互独立的模型和算法，而在于把数据、机理、模型、智能体和控制系统围绕生产目标重新组织起来。 为此，本文构建以“知－行”为功能主轴、以云－边－端为部署主轴、以全栈式垂直整合为工程基础的轧制工业AI系统架构，使全局认知与现场执行形成可验证、可约束、可反馈、可持续学习的闭环。

２.１ 总体架构：从全局“知”到现场“行”

图２ 轧制工业AI系统架构

如图 ２ 所示，轧制工业AI系统在功能上由“知”和“行”构成。 “知” 面向全局工艺认知与决策，以轧制世界模型为核心，融合材料、设备、工艺、质量和环境状态，承担模型训练、状态预测、反事实推演、全局工艺协同仲裁和多目标优化，并形成可向边缘迁移的领域模型与轻量化能力。 “行”面向任务分解、实时协同与安全执行，由领域专业智能体、领域内任务分配与调度引擎、边缘AI智能体、执行智能体和确定性控制共同实现，把全局“所知”转化为现场“所行”。

在部署上，云－边－端承载不同时间尺度和计算复杂度的任务。 云端适合进行世界模型训练、跨工序数据融合、复杂推演和全局多目标优化；边缘侧承担领域任务分解、轻量化推理、实时状态估计、智能体协同和本地闭环；端侧由传感器、ＩＯ、伺服系统和数字化装备完成确定性执行并返 回 真 实 反 馈。 由 此， 云 － 边 － 端 并 不 是“知－行”的同义层级，而是知行能力的物理承载位置。

图 ２ 中的“全栈式垂直整合”位于领域智能体与真实产线之间，承担知行闭环的工程实现。 一方面，边缘AI智能体需要轻量化模型、传感器模型、数据库、通信、ＨＭＩ、ＡＰＩ 和边缘计算支撑；另一方面，执行智能体需要运动控制、逻辑控制、实时调度、实时通信、硬件冗余和实时驱动保障。 通过实时核与非实时核的协同，可把AI推理与数据处理能力同确定性控制能力组织在同一边缘控制体系内，在不破坏安全边界的前提下提高系统开放性和智能化水平。 顶层和中层既有硬件可在满足兼容、安全和性能要求的前提下通过软件定义方式逐步改造，从而降低体系升级成本；底层实时控制则必须优先保证确定性与安全性。

该架构的闭环过程可概括为：现场多源感知形成状态证据→世界模型同步与更新→围绕质量、效率、成本、能耗和安全等目标生成候选工艺动作→在虚拟环境中开展反事实推演和风险评估→全局工艺仲裁与多目标优化选择候选策略→领域专业智能体完成任务分解和参数设定→轻量化模型与执行智能体进行实时推理和确定性控制→真实产线产生反馈→状态、模型和约束再更新。 由此形成“目标－认知－推演－决策－执行－反馈－再学习”的知行闭环。 以下将依次展开云端世界模型作为全局 “ 知” 的核心构成与推演能力（２.２节）、领域专业智能体实现“知→行”领域化转换的具体机制（２.３ 节），以及支撑知行闭环稳定运行的全栈式工程基础（２.４ 节）。

２.２ 云端轧制世界模型：形成可验证、可推演的“知”

轧制世界模型是面向轧制控制任务构建的材料－设备－工艺－质量－环境状态空间及其演化关系的可更新、可推演、受机理和安全约束的模型体系。 其“世界”不是追求轧机和轧件外观的高保真复刻，而是选择与生产目标和控制决策相关的状态变量，建立这些状态在压下、速度、张力、冷却、弯辊、转钢等操作作用下的可计算演化关系。 动态数字孪生可作为世界模型进行状态同步、虚拟运行和策略验证的重要载体，但二者不应简单等同：数字孪生侧重真实对象的同步映射与仿真环境，世界模型进一步强调可学习的状态表征、未来预测、反事实推演和目标驱动决策。

第一，Ｖ：形成可用于决策的工业状态表征。轧制世界的可观测信息包括成分、坯料与钢卷标识、设备位置与健康状态、轧制力、速度、张力、温度、冷却、厚度、宽度、板形、视觉缺陷以及上下游生产节奏等；但组织、相变、析出、残余应力、局部温度场和某些设备内部状态难以直接测量。 因此，Ｖ 不能等同于传感器数据汇总，而应把多源传感、视觉/图像、生产数据库、人工检验、软测量、机理模型和数字孪生统一到同一时空基准，形成可追溯的任务相关状态。 对于“测不到” 的内部状态，可通过可测变量与机理/数据模型进行代理表征，使不可观测状态进入后续预测与推演。

第二，Ｍ：形成对状态演化、过程遗传和时空关系的内部模型。 轧制过程具有明显的跨尺度与跨工序遗传性：成分、加热与变形历史影响组织演变，组织与温度场进一步影响力能、相变和残余应力，设备磨损、热膨胀和传感器漂移又改变控制模型参数。 Ｍ 需要通过机理模型、单模态与多模态机器学习、符号回归以及历史记忆共同表达这些演化关系，并在新钢种、新规格、设备老化和工况漂移下持续校正。 其目标不是仅预测一个最终质量指标，而是维持“当前状态－操作－下一状态－质量结果”的可更新状态转移模型。

第三，Ｃ：在“知”的范围内完成候选动作与反事实推演。 世界模型中的 Ｃ 首先不是越过控制系统直接驱动现场，而是在目标函数和约束条件下生成、比较和筛选候选操作。 例如，改变某道次压下、速度或冷却后，组织性能、板形、残余应力、能耗和生产节奏将如何变化；如果提高强度目标，是否会牺牲板形或效率；若设备状态接近边界，是否存在更安全的工艺路径。 通过“如果这样做，会发生什么”的反事实推演和沙盘推演，可以在真实执行之前识别冲突、排除不可行方案，并为全局工艺协同仲裁和多目标优化提供依据。

第四，目标驱动决定轧制世界模型的评价标准。 通用世界模型可能侧重视觉真实性或场景生成质量，而轧制世界模型的价值取决于其是否能够提高生产目标达成度。 因此，状态选择、模型精度和推演深度均应服务于组织性能、外形尺寸、表面/形状质量、效率、成本、能耗/排放和安全等目标的协同优化。 对于相互冲突的目标，世界模型需要输出可解释的约束、敏感性和候选方案，为全局仲裁提供后果可比较的决策依据，而不是给出单一、未经验证的最优值。

第五，工业可信性是世界模型进入控制闭环的前提。 状态转移必须满足轧制力学、传热学、物理冶金学和设备约束；候选动作必须先通过安全联锁、执行机构能力和工艺窗口检查；模型输出应能够追溯到具体轧件、批次、传感器和模型版本。对于低置信度、超出训练分布、长程预测误差累积或物理一致性不足的情形，应降低智能决策权重、触发重新推演或回退到经过验证的机理模型与确定性控制。 世界模型当前面临的物理一致性、长程预测和评价体系问题，在工业场景中必须通过机理约束、分层时间尺度建模、在线校正和可验证评价指标加以工程化处理。

第六，世界模型形成的“知”必须能够被“行”实时使用。 云端推理大模型和复杂世界模型负责形成高维状态表达、跨工序推演和全局知识，但其计算复杂度通常不能直接满足现场时延与算力约束。 因此，需要通过知识蒸馏、模型压缩、迁移学习、参数辨识以及 ＳＣＮｓ 等轻量化方法，将与特定领域任务相关的状态估计、预测和控制辅助能力下沉到边缘，同时传递目标、约束、置信度和候选策略，并利用现场反馈持续更新云端模型。 这样，世界模型不是停留在“看懂生产”的数字大脑，而是形成可验证、可迁移、可供智能体调用的全局“知”。

至此，轧制工业AI已经具备“全局看懂、推演、比较”的认知与决策基础，但世界模型给出的全局目标、约束和候选策略仍需转化为组织性能、外形尺寸、形状/表面质量等不同领域和不同工序可实时执行的任务。 如何由领域专业智能体完成任务分解、模型调用、协同调度和受限执行，即构成下一节“由知到行”的核心问题。

２.３ 领域专业智能体及其子模型：实现由“知”到“行”的领域化转换

轧制世界模型能够给出统一状态、生产目标、约束条件、候选策略及其置信度，但这些全局结果并不能直接等同于现场控制动作。 不同质量领域具有不同的状态变量、控制周期、执行机构和安全边界，必须经过领域化解释与任务分解后，才能进入实时控制环节。 因此，领域专业智能体位于全局“知”与现场“行”之间，承担将世界模型的全局认知和候选策略转换为可执行领域任务的关键职责。

表１ 领域问题属性、专业子模型与智能体行动路径

领域专业智能体与领域专业子模型应在职责上予以区分。 领域专业智能体面向任务执行，负责接收全局目标与约束，完成领域任务分解、专业模型调用、局部推理、参数设定、领域内协调、跨领域约束传递、受限执行和反馈上报；领域专业子模型则是智能体的专业能力载体，用于完成状态估计、质量预测、工艺计算、参数辨识、局部优化等具体计算。 前者回答“如何组织和执行任务”，后者回答“依靠什么专业模型完成任务”。 二者通过统一状态标识、模型接口和反馈机制与世界模型连接，使全局策略能够在不突破机理和安全边界的前提下逐级下沉。

组织性能、外形尺寸和形状质量虽然共同受材料－设备－工艺－质量耦合关系影响，但其问题属性并不相同。 组织性能的关键内部状态难以在线直接测量，质量结果滞后明显，但跨工序数据积累较为丰富；外形尺寸具有较成熟的力学模型、控制模型和在线检测手段，主要困难来自设备状态、边界条件和执行效率随工况变化而产生的模型漂移；形状质量往往呈现“结果可见、成因难辨”，同时涉及多模态感知、跨道次状态重构和多执行机构协同。 由此，三类问题在可测性、机理成熟度、数据条件、主要误差来源、实时性要求和执行链复杂度六个维度上形成差异，决定了其“知→行”不能采用同一建模与控制方式。

图３ 领域专业智能体及其子模型的差异化构建路径

基于上述差异，可将领域专业子模型的构建归纳为三条互补路径，如图 ３ 所示：组织性能采用“数据先行－知识赋能”，先由跨工序数据建立不可测状态的代理表征和过程映射，再以物理冶金知识提高模型的可解释性、外推性和优化能力；外形尺寸采用“机理主导－数据补偿”，由机理模型提供稳定结构、可行边界和控制方向，再以数据模型在线辨识参数和补偿动态残差；形状质量采用“问题牵引－虚实融合”，围绕具体缺陷贯通多模态感知、虚实重构、候选方案推演、受限执行和真实反馈。领域问题属性、专业子模型与智能体行动路径如表 １ 所示。 三条路径并非相互独立，而是在同一世界模型的目标与约束下，形成面向不同问题属性的领域化行动机制。

领域专业智能体将世界模型提供的全局目标和候选策略转换为各领域可实时处理的任务，但任务可执行并不意味着能够直接进入现场。 智能推理的时延、模型版本、通信状态、权限边界和异常工况均可能影响执行可靠性。 因此，在展开三条领域路径之前，还需说明这些领域化“行”如何由工业操作系统、边缘计算、实时控制与安全机制共同承载。

２.４ 知行闭环的工程基础：全栈式垂直整合

轧制工业AI的工程化成败，很大程度上取决于能否形成自主可靠的全栈式垂直整合能力，涵盖软硬件底座、协同控制系统与轻量化模型部署等方面。

（１）软硬件底座。 在充分评估兼容性、安全性和改造成本的基础上，顶层与中层系统可通过软件定义方式，逐步构建面向开源系统和 ｘ８６ 架构的运行环境，继续挖掘既有系统的数据采集、治理与集成能力；边缘层和执行层宜采用新旧体系并行演进。 一是双内核工业操作系统，由实时内核保障控制确定性和安全性，非实时内核承担AI轻量化推理、数据处理和智能协同，实时性强但投资和验证成本较高；二是保留 Ｗｉｎｄｏｗｓ＋ｘ８６ 体系，兼容既有 ＰＬＣ、ＤＣＳ 和二级自动化，通过增加边缘计算、模型服务与标准接口渐进升级，实施快、成本低，但在实时确定性、开放性和长期自主可控方面受限。

（２）云边端协同的智算控一体化多智能体自主控制。 云端负责世界模型训练、全局推演与多目标优化，边缘端以轻量化专业智能体承担领域任务分解、调度引擎与实时协同执行，现场端侧由确定性控制器和执行机构安全执行，形成数据、模型、指令、反馈闭环。

（３）大模型预训练与小模型实时推理。 以云端大模型/世界模型持续预训练与更新为基础，通过知识蒸馏、模型压缩和迁移生成满足边缘算力与时延约束的轻量化小模型，并以机理约束、安全联锁、置信度监测和异常回退保证智能体实时推理可验证、可约束、可执行。

上述三方面共同构成轧制工业AI自主可控、快速迭代的技术底座，推动核心技术能力真正掌握在自己手中。

上述工程机制把“模型能算”转化为“系统能执行”，并为后续三类领域路径提供共同底座。 在统一目标、状态接口和安全约束下，领域差异主要体现在专业子模型如何形成以及智能体如何利用这些模型完成行动。 以下分别从组织性能、外形尺寸和形状质量三个典型领域展开。

３ 组织性能：“数据先行－知识赋能” 的不可测状态表征与工艺优化

３.１ 不可测组织状态与跨工序过程遗传问题

组织性能是轧制过程最难直接观测、但最终决定材料服役性能的关键状态之一。 屈服强度、抗拉强度、延伸率、冲击韧性等宏观性能由成分、奥氏体状态、再结晶、晶粒长大、相变、析出和位错等多尺度组织演化共同决定，这些演化大多发生在高温、高速、连续生产条件下，难以实现全流程在线直接测量；成品性能检验又具有明显时间滞后和空间离散性，少量试样无法完整反映板卷沿长度、宽度方向的性能分布。

另一方面，现代金属材料工业生产已经积累了贯穿炼钢、连铸、加热、轧制、冷却和检验环节的大量工业数据，使“从可测过程变量反推不可测组织状态”成为可能。 组织性能领域的主要矛盾因此不是缺少数据，而是如何把分散、异步、质量不一的数据转化为能够描述成分－工艺－组织－性能过程遗传关系的连续状态链，并进一步服务于工艺路径选择和性能控制。

基于这一问题属性，组织性能领域宜采用“数据先行－知识赋能”的路径：先利用跨工序工业数据建立状态代理和过程映射，使不可直接观测的组织与性能状态进入世界模型；再以物理冶金理论和工程经验对数据、特征、模型和优化结果进行约束与解释，使数据相关性逐步转化为可验证、可迁移的领域知识。 该路径的最终目标不是获得一个静态预测值，而是形成组织性能智能体可以调用的状态、工艺窗口和候选工艺路径。

３.２ 跨工序数据链、知识引导与组织状态表征

“数据先行”的首要任务是建立贯穿材料生产和质量检验的可追溯数据链。 典型输入包括化学成分、铸坯信息、加热温度履历、道次压下与轧制力、终轧温度、冷却速率、卷取温度、钢卷位置和热处理制度等，输出包括显微组织比例以及屈服强度、抗拉强度、延伸率、冲击功和硬度等指标。 通过统一轧件标识和时间－空间基准，可把不同工序、不同采样频率的数据还原到同一材料对象的演化历程。

数据治理需要服务于物理状态表达，而不是一般意义上的缺失值清洗。 板卷不同位置具有不同温度、变形和冷却履历，性能试样必须与相应位置的过程数据准确匹配；传感器漂移、信号缺失、人工录入误差、换规格过渡段和头尾非稳态数据需要分类标识；不同钢种和规格的样本分布应按工艺窗口分层，避免大样本钢种掩盖小样本高价值工况。 同时，数据变换、筛选和模型版本均需保留来源信息，为后续结果追溯和在线更新提供基础。

“知识赋能”发生在数据链建立之后。 物理冶金知识可以用于构造累计应变、末道次变形温度、冷却速率、碳当量、微合金元素有效含量等具有机理含义的变量，也可以作为特征选择、单调性判断、物理边界和结果解释的依据。 通过符号回归、多模态学习和机理－数据融合等方法，可将数据中的统计关系与组织演化规律连接起来，形成对再结晶、析出、相变及最终性能的代理表征。 由此，组织性能子模型不再只是质量预测器，而成为世界模型中不可测材料状态的专业表示，并向组织性能智能体输出状态估计、置信度、敏感性和可行工艺区间。

３.３ 组织性能预测与工艺优化的典型应用

为验证“数据先行－知识赋能”路径在破解不可测组织状态难题中的工程价值，以下选取显式规律提取、多模态组织性能预测、成分逆向优化和高效轧制工艺开发四个代表性场景加以说明。

（１）显式规律提取与析出行为表征。 形变诱导析出的开始与结束时间，长期依赖 Ｄｕｔｔａ－Ｓｅｌｌａｒｓ等经典机理模型估算，但该模型基于理想化假设，在复杂工业成分和多变形条件下预测误差较大，是困扰含铌、钛微合金钢工艺设计多年的难题。团队采用符号回归等人工智能算法，在不需要理论假设的条件下，通过实验数据挖掘和知识提取，建立了形变诱导析出开始/结束时间与成分工艺的关系，精准预测了形变诱导析出行为。 与传统 Ｄｕｔｔａ⁃Ｓｅｌｌａｒｓ 机理模型相比，预测精度提高 １ 倍以上，为微合金钢析出强化工艺的精细化设计提供了更可靠的“眼睛”。

（２）组织演化与性能的多模态预测。 连续冷却转变（Ｃｏｎｔｉｎｕｏｕｓ Ｃｏｏｌｉｎｇ Ｔｒａｎｓｆｏｒｍａｔｉｏｎ，ＣＣＴ）关系的准确刻画，是控制冷却路径设计的基础，也是长期依赖经验图谱、难以精确量化的难题。 团队通过物理冶金引导的遗传机器学习构建了 ＣＣＴ 关系，多模态动态模型进一步融合 ＣＣＴ、冷却路径和工艺序列预测材料性能。 该模型不仅克服了传统数据驱动机器学习模型在处理非结构化数据时特征丢失的问题，还提升了模型对多模态信息的理解能力，从而实现力学性能的精准预测。这一过程体现了“数据先行－知识赋能”的递进：数据首先提供状态关联，冶金知识再限定特征表达和演化方向，使模型能够从终点性能预测向中间组织状态表征延伸。

（３）成分与工艺的逆向优化。 合金元素减量化设计，是资源节约型钢铁材料研发的核心命题，但“减合金、不减性能” 历来是一道两难选择题。团队采用机理和数据混合驱动的组织性能预测模型，实现了合金成分的减量化设计，５５０ ＭＰａ 级桥梁钢和 ６９０ ＭＰａ 级海洋平台钢中 Ｃｒ、Ｎｉ、Ｍｏ 分别减量 １６％、１００％、４４％和 ７０％、６４％和 １００％，用“精打细算”的成分设计智慧，为开发资源节约型高端钢材开辟了新方向。

（４） “降本” 与“保性能” 协同的高效轧制工艺开发。 高强船板钢的高效轧制工艺开发，长期受“降本”与“保性能”两大目标掣肘。 团队以物理冶金原理为基础，融合人工智能方法建立宽厚板热轧工业模型，实现高强船板钢高效轧制工艺设计。 在力学性能保持不变的情况下，与传统工艺相比，出钢温度下降 ８０℃ ，２５ｍｍ 以下船板轧制效率提升 １５％，为企业降本增效提供了新思路。

综上，“数据先行－知识赋能”适用于关键状态难以直接测量、但跨工序数据和专业知识相对丰富的问题。 其核心贡献是把不可观测组织状态转化为可计算、 可 追 溯、 可 用 于 工 艺 选 择 的 领 域“知”。 对于外形尺寸问题，厚度、宽度和板形具有更成熟的传感与机理控制基础，主要矛盾转变为模型参数和边界随工况变化，因此需要采用以机理为稳定骨架、以数据进行在线校正的路径。

４ 外形尺寸：“机理主导－数据补偿” 的在线校正与可靠控制

４.１ 外形尺寸控制的机理基础与可执行边界

外形尺寸是轧制过程中可在线直接检测且与执行机构高度耦合的关键质量状态。 与组织性能的不可直接观测不同，厚度、宽度、凸度和平直度等指标已经形成较成熟的力学模型、设定模型和反馈控制体系。 因此，本领域的重点不是用数据模型替代既有控制规律，而是使世界模型和领域智能体在成熟机理约束内完成动态推演、参数校正与跨工况适应。

以自动厚度控制（ＡＧＣ） 为例，出口厚度由辊缝设定、轧制力和轧机弹性变形共同决定，ＢＩＳＲＡ等经典模型构成厚度设定与反馈控制的重要机理基础。 板形控制则进一步描述辊系弹性变形、轧件横向流动、入口/出口凸度、张力以及弯辊、窜辊、辊型和冷却等执行机构对横向厚差与平直度的影响。 这些确定性关系为候选动作划定了方向、尺度和可行边界。

在知行框架下，世界模型负责比较不同设定对厚度、板形、设备负荷和相关质量状态的影响，外形尺寸专业智能体则把候选策略转化为各机架、各执行机构的可执行设定和补偿量。 残余应力虽然不是传统几何尺寸指标，但它直接影响板形稳定性、切割翘曲及后续加工变形，可作为外形尺寸控制的关联隐状态纳入世界模型和边界约束。

４.２ 机理约束下的数据补偿与在线校正

成熟机理模型在工业现场仍会受到参数漂移和边界不确定性的影响。 轧机刚度随设备状态变化，轧辊热膨胀与磨损持续演化，摩擦、来料凸度、张力波动、执行机构迟滞和换辊周期也会改变模型有效参数。 因此，“机理主导－数据补偿”的基本原则是：机理模型保留力能关系、几何关系和稳定性边界，数据模型仅对难以直接测量的参数、复杂边界条件和系统残差进行在线辨识与修正。

在板形预测与优化中，可利用工业数据识别执行机构效率和工况变化，对机理模型难以准确描述的动态误差进行补偿；在残余应力相关状态估计中，应以温度－相变－应力耦合关系和解析/数值模型为主线，将数据模型用于边界条件和参数修正；对于厚度、张力和轧制力强耦合过程，机理－数据融合模型可在保留力能关系骨架的同时提高非稳态工况适应性。

界面状态同样可以作为数据补偿对象。 氧化铁皮厚度随温度履历和时间动态变化，并进一步影响摩擦、传热和轧制力计算。 相关研究将机器学习与非等温氧化模型结合，对氧化铁皮厚度进行动态估计并用于轧制力修正。 将该案例置于本节而非组织性能章节，更能体现“难测动态状态由数据估计、成熟轧制机理由其结果校正”的机理主导关系。

数据补偿必须受物理可行范围和闭环稳定性约束。 对超出训练分布、传感器异常、模型置信度显著下降或执行机构饱和等状态，应降低数据补偿权重，冻结或回退至经过验证的机理参数和确定性控制；模型更新还需记录版本、适用工况和验证结果。 由此，数据模型承担动态校正而非替代控制骨架，使外形尺寸专业智能体输出的设定具有可解释、可验证和可回退特征。

４.３ 非稳态尺寸、模型迁移与残余应力的典型应用

为验证“机理主导－数据补偿”路径在守护外形尺寸精度中的工程价值，以下选取非稳态尺寸动态建模、概念漂移下的模型迁移和残余应力关联状态调控三个代表性场景加以说明。

（１）非稳态尺寸的动态建模。 热连轧带钢品种、规格快速切换过程中的非稳态质量波动，是长期困扰行业的控制难题———机架刚度、辊缝、张力尚未稳定，产品尺寸就已“先天不足”。 团队开发了面向热连轧生产过程的“机理＋数据”多模态融合模型，构建了涵盖轧制力、厚度、宽度、板凸度和平直度等关键参数的动态数字孪生模型，实现了热连轧非稳态过程轧件三维尺寸高精度控制，一举攻克热连轧带钢品种和规格快速切换时非稳态过程质量稳定性差的行业控制难题。

（２）概念漂移下的模型迁移。 新产品首次生产时，历史数据几乎为“空白”，模型精度天然不足，是概念漂移场景下的典型难题。 团队提出了概念漂移下的模型滚动优化与迁移学习方法，有效提升了新产品首次生产时的尺寸稳定性，研制了品种、规格快速过渡协同管控技术及稳定轧制工艺方案，二级品率降低 ２６.９８％，实现了热轧过程中品种、规格快速过渡的质量一致性，引领了热连轧生产过程智能化升级。 该案例表明，数据补偿需要随设备和产品状态持续更新，而不是一次离线训练后长期固定。

（３）残余应力的关联状态调控。 带钢残余应力长期依赖单一物理场假设进行估算，边界条件复杂多变时模型往往“力不从心”，某钢厂 ２ ０５０ｍｍ 热轧线所生产的热轧高强钢曾在切割中反复出现翘曲与侧弯问题，令现场工程师头疼不已。团队突破传统单一物理场假设，建立了热轧全流程多场耦合、多尺度残余应力解析模型，构建了数据与机理融合的高精度残余应力模型，克服了机理模型受边界条件制约的局限，完成了带钢残余应力的在线精准调控，通过轧制补偿策略优化在线工艺，成功为该钢厂消除了这一长期困扰生产的“老大难”问题。 这类工作说明，机理主导路径可以把“不可直接完全测量”的关联状态纳入尺寸控制边界，为世界模型评估候选设定的后续变形风险提供依据。

外形尺寸领域已经形成较成熟的传感、机理和确定性控制体系，数据方法的主要价值在于补偿漂移、扩展工况并提高状态估计质量。 相比之下，形状质量问题往往同时存在感知不完整、内部成因难以重构以及跨道次执行链复杂等问题，仅靠机理参数补偿不足以形成闭环，需要进一步把真实感知与虚拟重构、策略推演和执行反馈连接起来。

５ 形状质量：“问题牵引－虚实融合” 的感知－重构－推演－执行闭环

５.１ 形状质量问题的可观测性、耦合性与闭环难点

形状质量是材料状态、设备状态、工艺动作和环境扰动共同作用的外在结果。 以宽厚板为例，单张轧制、规格跨度大、单道次变形量大、头尾非稳态显著，且缺少连续张力约束，温度场和变形场沿长度、宽度和厚度方向具有明显不均匀性，因而头尾不规则、镰刀弯、侧弯和平面形状偏差具有较强的个体差异和非线性。

该类问题的核心矛盾可以概括为“结果可见、原因不完全可见”。 机器视觉能够识别钢板边界和缺陷形态，但表观缺陷往往由入口偏斜、温差、辊速差、摩擦、辊缝楔形和跨道次累积误差共同造成；能够检测缺陷并不等于能够确定成因，能够解释成因也不等于能够生成可执行动作。 传统依赖人工经验的局部调参因缺少状态重构和后果验证，难以跨规格、跨工况复用。

因此，形状质量专业智能体需要建立从“感知结果”到“内部状态”，再从“内部状态”到“候选动作和执行反馈”的完整链路。 其方法起点不是预先选择某一种模型，而是从具体形状问题出发，组合视觉感知、机理仿真、数据模型和控制执行，形成问题牵引的虚实融合闭环。

５.２ 多模态感知－虚实重构－候选推演－精准执行机制

问题牵引－虚实融合可按照“感知－重构－推演－决策－执行－反馈” 组织。 感知环节利用高温机器视觉、红外测温、激光轮廓及力能信号获取钢板边界、头尾不规则区、侧弯量、转钢角度和过程状态，并将图像、温度、轧制力和道次信息映射到同一轧件与时间基准，使表观缺陷成为世界模型可调用的结构化状态。

虚实重构环节利用热－力耦合、几何演化和数据模型，将温差、摩擦、入口偏斜、辊速差和辊缝楔形等难以直接观测的诱因恢复为可分析的虚拟状态。 其目的不是追求高保真视觉复刻，而是建立“内部状态－操作－形状结果”的可计算联系，为世界模型和领域智能体提供能够解释缺陷来源的中间状态。

候选推演与决策环节在重构状态上比较不同工艺组合的预测后果，通过世界模型或动态数字孪生评估侧导板、转钢、辊缝、速度及冷却等候选调整对后续形状、效率和安全边界的影响，再由形状质量智能体选择满足全局约束的领域动作。 执行环节将动作转换为受限设定，由确定性控制完成实时下发和执行确认，实测形状结果随后反馈修正状态估计和模型参数。

该闭环还必须处理感知与执行的不确定性。对遮挡、烟尘、光照突变、相机漂移、轮廓识别置信度下降或执行机构异常等情况，应触发重新检测、降级处理、策略冻结或人工复核；对候选动作则需进行限幅、互锁和工艺窗口检查。 由此，形状质量控制从单点缺陷识别扩展为可验证、可回退的感知－推演－执行闭环。

５.３ 平面形状优化、系统虚拟化与跨工序协同的典型应用

为验证“问题牵引－虚实融合”路径在治理形状质量顽疾中的工程价值，以下选取平面形状自主优化、产线自动化系统虚拟化升级和跨工序头部形状协同优化三个代表性场景加以说明。

（１）平面形状的数字化表征与自主优化。 中厚板平面形状历来“眼见为实、量化为虚”———老师傅能看出钢板“歪不歪”，却难以把这种经验转化为可复制的参数。 团队利用工业相机，基于机器视觉技术获得轧后钢板平面形状的数字化描述，深度融合中厚板轧制机理与数据驱动理论，建立了平面形状演变多尺度预测模型，搭建了平面形状控制参数自动寻优系统，形成中厚板形状“视觉感知－数据融合－智能优化－精准控制” 的全流程闭环技术体系，实现了对中厚板平面形状控制参数的自主智能优化， 产品成材率提高 １％ 以上。 该案例对应“感知－重构－推演－执行” 链条，说明视觉结果可以进一步转化为可计算的控制参数。

（２）产线自动化系统的虚拟化升级。 传统中厚板轧线自动化系统运维分散、扩展困难，是产线智能化升级路上一道隐性瓶颈。 团队利用虚拟化技术，基于软件定义的计算资源、存储架构、虚拟网卡和分布式虚拟交换机，构建了适合中厚板轧线的虚拟化平台，提高资源利用率，降低企业成本，实现中厚板轧线自动化系统的操作自动化和集中化管理，增强了生产线的稳定性和可靠性，为中厚板产线智能化提供了便捷扩展平台。 该案例说明，形状质量专业智能体的可靠运行同样依赖于底层自动化系统的虚拟化与集中化管理能力，是感知－重构－推演－执行闭环得以稳定承载的基础设施保障。

（３）跨工序头部形状协同优化。 头部形状缺陷的动态优化涉及组板、轧制、剪切多道工序的协同，“头痛医头”的单工序优化难以根治问题。 团队基于机器视觉的深度感知技术，研制出适用于宽幅运动钢板轮廓仪，开发了机理融合数据驱动的平面形状 ＣＰＳ 智能优化系统，构建了“组板－轧制－剪切”多工序优化机制，实现了头部形状的动态优化。 系统投入应用后，产线成材率提升 ０.４４％，生产效率提高 ２５ｔ／ｈ。 该案例体现了形状质量智能体从局部缺陷修正向跨工序任务协同的进一步扩展，是三条领域路径中最早显现“跨工序协同”特征的工程实践。

上述应用说明，问题牵引－虚实融合能够把表观缺陷感知、内部状态重构、候选方案推演和现场执行连接为领域闭环；其中跨工序头部形状协同优化案例进一步表明，该路径已具备从单工序缺陷治理扩展为跨工序协同的能力，但这种协同目前仍局限于形状质量单一领域内部。

至此，组织性能、外形尺寸和形状质量三类路径分别针对“状态难测” “参数漂移” “因果链与执行链复杂”三种问题形成了不同的“由知到行”机制。 然而，领域闭环仍不是轧制工业AI的最终形态：三类智能体需要共享世界模型状态、交换约束，并在质量、效率、成本、能耗和安全目标冲突时接受全局仲裁，才能由单领域优化进一步走向全流程多目标协同。

６ 结语

钢铁等金属材料轧制的多相、多尺度、信息不完备、过程遗传和多目标强耦合特征，决定了工业AI必须同时跨越“形成可信认知”“实现可靠行动”两道关口。 本文以目标驱动为主线，将生成式AI向智能体AI/物理AI的能力跃迁映射到轧制控制问题：通过世界模型统一材料－设备－工艺－质量－环境状态，利用预测与反事实推演比较候选工艺路径，并以生产目标和安全边界评价策略，从而把分散的模型能力组织为面向控制任务的全局“知”。

在系统实现上，领域专业智能体承担“知→行”的转换，将世界模型给出的目标、约束、置信度和候选策略分解为不同领域、不同工序和不同时间尺度的可执行任务；轻量化子模型提供实时状态估计、预测与设定能力，确定性控制完成最终受限执行和反馈校正。 工业操作系统、工业网络、边缘算力、模型服务和安全联锁等不构成与“ 知”“行”并列的第三理论层，而是全栈式垂直整合的工程基础，用于保证智能任务可实时、可追溯、可验证和可回退。

围绕组织性能、外形尺寸和形状质量，本文进一步形成了问题属性驱动的差异化方法论：对于关键状态难以直接测量但数据积累丰富的问题，采用“数据先行－知识赋能”，由数据建立代理状态并由专业知识提高可解释性和可迁移性；对于机理基础成熟但参数和边界持续漂移的问题，采用“机理主导－数据补偿”，保持确定性机理骨架并进行在线动态修正；对于状态感知、成因重构和执行链同时复杂的问题，采用“问题牵引－虚实融合”，贯通感知、重构、推演、决策、执行和反馈。 三条路径是同一知行架构下不同领域“行”的实现方式，而非相互独立的技术路线。

面向未来，跨工序、多目标协同的实现仍需在三个方向上持续突破：一是应推动世界模型跨工序状态共享与约束交换机制的工程化，使组织性能、外形尺寸和形状质量三类领域智能体提出的候选方案能够在统一状态空间下接受全局仲裁，由当前单一领域内协同扩展为跨工序协同；二是应建立“仿真验证－受限上线－持续监控－异常回退”的安全治理体系，明确人机责任边界，使自主决策始终处于可验证、可追溯和可干预的范围之内；三是应持续推进边缘轻量化模型蒸馏部署的全栈自主可控技术体系建设，兼顾实时性、可靠性与长期可迭代性。 未来轧制工业AI的发展重点将从单模型精度和单工序局部优化，转向世界模型统筹下的跨工序、多领域、多时间尺度协同，使质量、效率、成本、能耗/排放和安全在统一目标体系中持续优化，为高效率、低成本、绿色化地制造综合质量最优产品提供可验证、可演进的自主控制基础。

原文刊载于《冶金自动化》2026年7月 作者：东北大学数字钢铁全国重点实验室 王国栋院士  唐帅