以大模型为代表的AI逐渐走进办公室，成为白领的提效利器。但来到制造业，走进工厂，大模型却很难直接应用。比如在化工、制药、食品等间歇式生产行业经常遇到一类问题：同样的设备、同样的配方、同样的操作规程，不同批次的产品收率却出现明显差异。

其中原因并不难理解。生产控制系统中记录的设定值相同，却不代表真实过程也相同。升温速度、温度超调、原料状态、设备性能等细微变化，都可能在生产过程中叠加，最终造成质量、纯度、粒径或收率波动。

如何从海量数据中挖掘这些看不见的小差别，并在下一批生产开始前识别风险，成为工业AI进入生产核心环节的重要能力。

120余台反应釜的批次波动难题

一家精细化工企业就遇到了这类问题。该企业拥有120余台反应釜，用于间歇式生产精细化工品。企业发现即使采用相同原料和控制逻辑，不同批次的产物收率仍存在较大差异。

图1 某企业反应釜

企业并不缺数据，制造执行系统（MES）保存着批次编号、生产时间、工艺配方和生产结果，工业控制系统（DCS）持续记录温度、压力、液位等设备传感器时序数据。但两类数据来源、格式和时间尺度不同：MES以“批次”为单位，DCS以“时间”为单位。单独查看其中任何一类数据，都难以解释批次波动，更无法直接判断下一批生产是否存在风险。

这也是工业AI落地中的常见障碍：企业拥有大量多源异构数据，无法把不同系统数据对应起来、转化为可建模的有效信息，后续的预测和优化更无从谈起。

针对此问题，南京天洑软件有限公司使用智能数据建模软件DTEmpower开展多源异构数据处理与建模。其AI数据处理智能体支持工艺人员用自然语言描述需求，大模型生成并执行数据处理脚本，完成约10万条传感器时序数据和336个生产批次数据的数据透视、跨表关联、时间窗口匹配和批次聚合等操作。

图2 DTEmpower数据处理智能体

原本需要数据工程人员编写脚本、反复核对的整理工作，被转化为工艺人员可以参与和复用的分析流程。

从事后追因变为生产前预判

完成数据融合后，DTEmpower进一步通过机器学习建模，建立批次之间的关系，预测下一批次的失效风险。MES和DCS中的数据也从留档功能变成了辅助工艺判断和生产决策的依据。企业的数据应用由“出问题后查原因”，转为了“出问题前识别风险”。

图3 DTEmpower机器学习建模

这一转变对企业意义重大，因为异常产品一旦形成，原料、能源和设备时间就浪费了。在生产前发现高风险状态，工艺人员便能提前核查设备、原料和关键工艺条件，避免损失。

该项目集中体现了天洑工业世界模型中的数据治理、专业工业小模型和预测能力，把数据、物理规律、设备机理、工艺知识、优化算法和执行系统进一步连接起来。

工业世界模型，不仅是大模型进工厂

当前通用大模型擅长处理语言、文本和图像，但工业现场还受到物理规律、设备机理、工艺流程、安全边界和控制规则的共同约束。工程师真正关心的是“温度升高2℃后产品会怎样”“降温过程缩短10分钟是否影响收率”“设备性能衰减后原有控制策略是否仍然适用”。这要求AI能够理解工业对象，并对不同条件下的结果进行预测和推演。

天洑将自身定位为工业世界模型框架体系及基础设施提供商。其技术体系由物理AI、工业AI以及大模型与工业智能体协同构成：AICFD、AIFEM和AIPOD形成物理建模、计算推演与优化能力；工业AI底座TFIIF和DTEmpower负责工业数据治理、专业模型训练、部署与运行。

图4 天洑工业世界模型

在这一体系中，大模型更像调度者，负责把人的需求转化为可执行步骤。专业模型、机理模型和工业软件则承担计算、预测、诊断与优化，形成从感知状态、理解规律、预测变化、推演方案到优化决策和反馈学习的闭环。

“每锅都不一样”并非设备失去规律，而是影响结果的变量远比操作规程显示的复杂。这些变量分散在不同系统和时间序列中，工业世界模型的作用，是把数据、机理和知识组织成可计算、可更新的工业模型。

当工业AI能够理解一台设备、一道工艺乃至一座工厂如何运行，企业才有可能从事后处理走向事前预测，从反复试错走向低成本推演，并把长期积累的工业数据和专家知识转化为生产力。