工业大模型热潮下的冷思考：业务场景+数据治理才是破局之钥
文 / 严卫国 上海润吧信息技术有限公司 创始人兼CEO
深耕制造企业30年，从事工业领域重点场景和数据治理研发13年，我们经历了从“两化融合”到“工业互联网”再到“工业AI大模型、数智化”发展的多次技术浪潮。每一次浪潮都伴随着热烈的讨论和巨大的投入，但真正数智一体化落地的项目仍寥寥无几。本文我想和大家聊聊在数智化实践中的一些误区，谈谈中国制造企业数智化转型的难点和痛点，以及真正的破局之道。
一、工业大模型推进的绊脚石
最近参加了几场工业大模型、AI+智能制造的研讨会，台上的专家们讲得热火朝天，从Transformer架构到大模型微调，从算力需求到模型压缩，技术细节讲得头头是道。但当问及“你们的训练数据从哪里来？质量如何保证？模型训练后优化策略和措施如何落实到业务场景中去，并动态闭环？”这时，往往得到的是模糊的回答：“我们会和企业合作获取数据”、“数据清洗是标准流程”、“结果应用还有待完善”等等。场景-数据-模型-决策优化，如何动态闭环，成为了企业经营者最为关注的问题。大模型如何在工业领域真正落地，成为了数智化转型升级的关键。
1.1 数智化转型的困惑
近几年，我们接触了多家大型化工企业。他们少则几千万，多则几个亿，引进或研发“AI智能优化系统或数字化工厂”，承诺能够通过机器学习优化工艺参数，提升产品收率。但实际上线后，经营者苦笑着告诉我：“系统是挺先进的，但给出的优化建议我们只能做参考，工艺运行不稳定，还是靠有经验的人，告诉操作系统的人去针对性的查数据，实际工艺控制还是根本不敢用。”
为什么？因为AI优化、数字化工厂，落到最底层的时候，两个没有打通，一个就是业务场景没有打通，一个是数据治理没有实现融合。
1.2 数据被忽视的原因
我总结了几个原因：
第一，数据工作“不性感”。
相比于谈论大模型、深度学习这些前沿技术，数据采集、数据清洗听起来太过基础，不够吸引眼球，加上数据跨度大，数据采集辛苦，产业界不愿意在数据上下功夫；学术界则很难获取企业全域的真实数据，多数学术研究人员都是利用公开数据集做训练，得不出有高价值的建议。
第二，数据工作“见效慢”。
搭建一个BI看板，可能一两周就能出成果，给领导演示时很有说服力。但要真正做好数据治理，确保数据入湖前数据可靠，可能需要一年甚至上三年的时间，而且前期看不到明显的效果。在追求快速回报的商业环境下，很少有人愿意做这种“慢功夫”。
第三，数据工作“很复杂”。
工业数据不像互联网数据那样相对规范。它涉及到设备、工艺、管理等多个层面，需要既懂技术又懂业务的跨专业复合型人才。而这样的人才，市场上极其稀缺。
第四，数据工作“不好量化”。
算法的效果可以用准确率、召回率来衡量，但数据质量的提升很难用一个简单的指标来评价。这导致数据治理工作的价值往往被低估。
二、工业数据的“特殊性”
很多做过互联网数据的团队，在转向工业领域时，往往会遇到意想不到的困难。因为工业数据和互联网数据，有着本质的不同。
2.1 数据的物理属性
工业数据是和物理世界紧密关联的。一个温度值，不仅仅是一个数字，它背后对应着真实的化学反应、材料特性、能量传递。这意味着：
首先，数据之间存在强约束关系。比如，在一个蒸馏塔中，塔顶温度、塔底温度、回流比、进料流量之间存在严格的物理关系。如果数据违反了这些关系，要么是传感器故障，要么是工艺异常。
其次，数据的时序性非常重要。工业过程往往存在滞后效应。比如，调整某个阀门开度，可能要10分钟后才能在下游看到效果。如果不理解这种时序关系，就无法正确建模。
第三，数据的采集环境恶劣。工业现场可能存在高温、高压、强腐蚀、强电磁干扰等极端环境，传感器的可靠性远不如实验室条件下那么理想。
2.2 数据的历史包袱
很多工业企业的信息化建设是分阶段进行的，不同时期引进的系统往往来自不同的供应商，使用不同的技术标准。这导致：
第一，数据孤岛严重。ERP、MES、DCS、SCADA等系统各自为政，数据无法打通。我见过一家企业，同一个设备的运行数据，在三个不同的系统里有三个不同的名称和单位。
第二，历史数据难以利用。老旧设备可能使用的是上世纪的控制系统，数据格式早已过时，甚至连文档都找不到了。但这些设备还在运行，而且往往是核心设备。
第三，数据标准缺失。不同厂商的设备，即使是同类型的参数，命名、单位、精度都可能不一致。比如，压力可能用“Pa”、“kPa”、“MPa”、“bar”、“psi”等多种单位，温度可能用“℃”、“℉”、“K”等不同标度。
2.3 数据的业务复杂性
工业数据不是孤立存在的，它和业务流程、组织架构、管理制度紧密相关。
首先，数据的产生依赖人的操作。很多关键数据需要操作工手工记录，比如原料批次、设备状态、异常事件等。这些数据的质量，取决于操作工的责任心和专业水平。
其次，数据的含义需要领域知识。同样是“温度偏高”，在不同的工艺环节，可能意味着完全不同的问题。没有工艺知识，就无法正确解读数据。
第三，数据的价值存在争议。在一些企业，数据被视为部门的“私有财产”，不愿意共享。因为数据意味着话语权，意味着在绩效考核中的主动权。但是，数据往往相互有联动关系，或者有根因关系，但恰恰不同的数据分散在不同的部门，部门和部门之间不交流，数据的规律就很难找到。比如，设备电流电压波动，很可能导致工艺控制失效，产品出现质量问题。
这些特殊性，决定了工业数据治理不能简单照搬互联网的经验，必须有针对性的方法和工具。
三、数据治理的“慢功夫”
既然数据这么重要，那该怎么做呢？我的经验是，数据治理没有捷径，必须一步一个脚印，扎扎实实地推进。
3.1 摸清数据家底
很多企业其实并不清楚自己有哪些数据。我们做的第一件事，往往是帮助企业做“数据资产盘点”。
这个过程很琐碎，但很必要。我们需要梳理清楚：有哪些数据源？包括各种信息系统、控制系统、手工记录表格等；每个数据源有哪些数据？字段名称、数据类型、更新频率、历史跨度等；数据的质量如何？完整性、准确性、一致性、及时性如何；数据的使用情况如何？哪些数据经常被使用，哪些数据从未被调用过。只有摸清了家底，才能有针对性地制定治理方案。
3.2 建立“数据标准”
数据标准是数据治理的基础。但在工业领域，建立数据标准并不容易。
我们的做法是：
第一步，制定“主数据标准”。比如，设备编码规则、物料编码规则、工艺参数命名规范等。这些标准需要和企业的实际情况结合，不能生搬硬套。
第二步，建立“数据字典”。对每一个数据项，明确其定义、来源、计算规则、使用场景等。这个数据字典要成为企业的“数据宪法”，所有人都要遵守。
第三步，推动“标准落地”。这是最难的一步。因为标准的执行，往往会触及既有的利益格局，会遇到各种阻力。需要有高层的支持，也需要有耐心和韧性。
我见过一家企业，光是统一设备编码这一件事，就推了两年。因为涉及到多个部门的系统改造，涉及到历史数据的迁移，涉及到操作习惯的改变。但一旦完成，后续的数据集成工作就顺畅多了。
3.3 解决“数据质量”问题
数据质量是一个系统工程，需要从源头抓起。
在数据采集环节：比如选用可靠的传感器和采集设备，定期校准和维护；设计合理的采集频率，既要满足分析需求，又要避免数据冗余；在采集端做初步的数据校验，过滤明显的异常值。
在数据传输环节：
采用稳定的通信协议和网络架构，确保数据不丢失、不延迟；对关键数据做冗余备份，防止单点故障；建立数据传输的监控机制，及时发现和处理异常
在数据存储环节：
选择合适的数据库类型（关系型、时序型、文档型等）；设计合理的数据模型，平衡查询效率和存储成本；制定数据备份和归档策略，确保数据安全和可追溯
在数据使用环节：
对数据进行清洗和预处理，处理缺失值、异常值、重复值等；建立数据质量评分机制，让用户知道数据的可信度；收集用户反馈，持续改进数据质量、
四、数据中台的“真问题”
这几年，“数据中台”的概念很火。但在我看来，很多所谓的数据中台，其实只是一个“数据集市”，甚至只是一个“BI工具”。
4.1 数据中台建设的常见误区
误区一：重平台轻治理。很多企业花大价钱买了一套数据中台产品，以为部署上线就万事大吉了。但实际上，平台只是工具，关键是要有配套的治理流程和组织保障。
误区二：重技术轻业务。数据中台的建设往往由IT部门主导，但IT部门对业务的理解有限。结果是，建出来的中台和业务需求脱节，成了“技术的自嗨”。
误区三：重建设轻运营。数据中台不是一次性的项目，而是需要持续运营的平台。但很多企业在项目验收后就不再投入资源，导致数据质量逐渐下降，最终沦为“数据坟墓”。
误区四：重大数据轻小数据。很多企业追求“大而全”，想把所有数据都纳入中台。但实际上，应该先聚焦于核心业务场景，把关键数据做好，再逐步扩展。
4.2 我们的实践经验
在帮助企业建设数据中台的过程中，我们总结了一些经验：
第一，从业务场景出发。不要为了建中台而建中台，而是要明确业务痛点，有针对性地解决问题。比如，如果企业的核心痛点是设备故障频发，那就先把设备数据治理好，建立预测性维护的应用场景。
第二，小步快跑，快速迭代。不要追求一步到位，而是先做一个MVP（最小可行产品），快速验证价值，再逐步完善。这样既能降低风险，也能积累经验。
第三，重视数据标准和数据质量。宁可慢一点，也要把基础打牢。否则，后期的返工成本会非常高。
第四，建立跨部门的协作机制。数据中台的建设不是IT部门一家的事，需要业务部门、IT部门、数据团队的紧密协作。要建立定期的沟通机制，及时解决问题。
第五，注重人才培养。数据中台的运营需要既懂技术又懂业务的复合型人才。企业要舍得投入，培养自己的数据团队。
五、大模型应用的“场景化”思考
回到工业大模型的话题。我认为，大模型在工业领域的应用，不应该只是一个“聊天机器人”，而应该深度融入业务场景，成为业务流程的“智能助手”。
现在很多工业大模型的应用，都是Chat模式：用户提问，模型回答。这种模式在某些场景下是有价值的，比如：快速查询设备手册、操作规程等文档；辅助新员工培训，回答常见问题；提供故障诊断的初步建议。但Chat模式有明显的局限：比如只抓取前几十名的网页来进行向量解析，解析后记忆短，不支持同一素材的深度提问，加上，工业生产数据样本缺失，幻化多，计算错误多，实际工业运行中，AI大模型发挥的作用受到很大局限。
我们需要什么样的工业AI大模型
我认为，工业AI大模型区别于语言大模型，最大的区别就在于，工业AI大模型侧重的是多元数据变量和多元结果通过多头自制力计算，实现可视化预警、预测、优化的数智化决策模型，输出的更多的是数据、指标；语言大模型侧重的是文本解析，多模态复合的逻辑推理，输出的更多的是问答，报告。
基于我们的实践，我认为以下几个重点场景是工业AI大模型可以发挥价值的：
场景一：工艺知识的传承与应用
老师傅的经验是企业的宝贵财富，但这些经验往往是隐性的，难以传承。大模型可以通过自然语言处理技术，从操作日志、现场处置、交接班记录、培训资料中提取工艺知识，建立结构化的知识库。更进一步，模型可以在生产过程中实时提供工艺建议。比如，当原料成分发生变化时，模型可以根据历史经验，建议调整哪些工艺参数，调整幅度是多少。
场景二：设备故障的预测与诊断
设备故障往往会造成巨大的损失。大模型可以通过分析设备的运行数据、维保记录、故障案例，建立故障预测模型。当模型检测到设备的运行状态出现异常趋势时，可以提前预警，并给出可能的故障原因和处理建议。维保人员可以根据这些建议，提前准备备件，安排维保计划，避免突发故障。
场景三：质量问题的追溯与分析
产品质量问题往往涉及多个环节，追溯起来非常困难。大模型可以整合原料信息、工艺参数、设备状态、环境条件、人员技能等多维度数据，建立质量追溯模型。当出现质量问题时，模型可以快速定位可能的原因，缩小排查范围。同时，模型还可以分析历史数据，发现质量问题的规律，提出预防措施。
场景四：能源管理的优化
能源成本在很多企业占据很大比重。大模型可以分析能耗数据，识别能源浪费的环节，提出优化建议。比如，模型可以发现某个设备在非生产时段仍然保持高功率运行，建议调整运行策略。或者，模型可以根据生产计划和电价波动，优化生产排程，降低能源成本。
除此之外，还有很多，比如人工优化、材料优化、工程优化等等。这些场景的共同特点是：数据驱动、场景明确、价值可衡量。这也是我们认为工业大模型应该努力的方向。
六、数据治理、工业AI大模型应用的具体建议
最后，我想分享几个具体建议，供企业借鉴。
第一，业务蓝图整体规划、数据治理目标明确。
工业AI大模型不同于任何传统的统计分析。传统的ERP统计分析，是从结果中分析原因，但出现结果后，实际损失已经产生了；工业AI大模型则是从过程变量中找相关性，找因子，输出的结果是超前预警、提前预测和实时优化、智能决策，其复杂性和难度显然要大得多。当然，找准了，在实际生产过程中实现了动态调优，经营改善的效果也好很多。
因此，工业AI大模型要有效，业务蓝图规划是重点，数据治理是关键。业务蓝图不清晰，管理域定义不明确，数据宽表、数据分层就会乱成一团糟；数据采集、清洗、治理、应用，就分不清重点；数据样本、数据集很难有效准备，而错误的数据集和样本，就会驯化出错误的模型。优秀的数据集才能驯化出最佳的模型答案。因此，数据治理必须解决好三个问题：一是数据源清晰，血缘关系清晰，数据入湖干净；二是数据转换、数据治理、数据结构清晰，数据分层明确，管理域与业务战略匹配，核心宽表清晰，能支持各种计算；三是数据应用和服务规划明确。
数据是企业的核心资产，要像重视设备、技术一样重视数据。要舍得在数据治理上投入资源，这是一项长期的、战略性的工作。
第二，重点产品重点工艺试点先行，模型跑通普及推广。
数据治理、模型优化，一开始，不要追求“大而全”，而是要聚焦于重点产品，重点工艺，先优化解决实际的质量效益问题。比如，先把一个产品全过程、全流程融合做透，再逐步扩展。
第三，业务场景过程管理数据融合，数据有效样本真实。
企业实际生产经营中，数据不全，数据不准，数据中断、数据孤岛现象普遍存在。工业AI大模型要真正赋能生产工艺优化、质量改善，挖掘新质生产力，首先必须保证过程管理的业务场景闭环。以危化医药等连续型生产为例，工艺生产过程闭环就包括打通过程管理的生产控制系统，包括DCS、GDS、SIS，整合操作记录，同时基于工业数据贯通业务管理场景，包括重大危险源实时监测、报警处置（DCS在线处理）、现场控制(含隐患排查、生产巡检、设备点检的现场处置)、报警优化、自动化过程控制优化，全过程全流程数据融合，交叉验证，才能确保数据准确，样本有效；以机械制造加工离散型生产为例，电镀、焊接、热处理工艺，每一台设备的电流电压波动，都可能导致虚焊、应力性裂缝等质量问题，质量检测结果只有和过程控制的数据闭环融合，才能发现根因，快速预警、预测、优化。准确判断是材料质量不合格，还是设备加工电压不稳定，还是操作人员技能不过关，现场温度、湿度等环境不合适，最终导致的质量缺陷。
第四，现场操作自动控制经验积累，控制参数优化迭代。
工业AI大模型推进过程中，因为涉及到工艺最核心的参数范围和控制优化策略等，所以需要海量的现场操作和自动控制记录积累，这些记录必须是真实有效的，必须是经过数据清洗后，结构化的数据，宝贵的现场处置记录、自动化过程控制的操作记录，以及过程中的产量、收率、质量等结果记录，才能构建企业独有的知识库，才能大浪淘沙，沙里淘金找到最佳控制实践和最佳操作，从而通过模型调优，最终实现自动控制、智能决策。因此说，数据治理不只是技术问题，更是管理问题、文化问题。要让全员认识到数据的价值，形成“用数据说话”的氛围。
第五，效益改善绩效驱动管理闭环，知识产权保护同步。
工业AI大模型是企业的核心资产，也是企业的核心竞争力。企业工艺创新优化，最佳操作模型固化后，效益测算必须以看板的方式，可视化的实时呈现，这样经营管理者才会保持高度戒备，快速决策堵住效益流失，抓住成本控制的数据中枢神经；操作人员则必须绩效管理同步，最佳操作经验、最佳优化策略一旦确定，收率提高、优级品率提高测算出来，奖励跟上，每个人就会成为一个发动机。
工业AI大模型成熟后，发明专利等知识产权保护必须同步，AI+智能制造的时代，企业需要加快进行知识产权布局，打造行业独占性的细分模型，才能在激烈的市场竞争中独占鳌头。
总之，工业AI大模型赋能实体企业是一个很好的方向，有巨大的应用潜力。但工业制造企业的互联网化，是一个黑洞，里面有很多黑障。我们必须认识到，工业AI大模型的价值最终取决于数据的质量、数据质量取决于过程管理中的场景闭环融合。如果场景不通、数据的基础不牢，再先进的模型也只是空中楼阁。
因此，场景落地、数据治理是一项“硬功夫”，只有前期的场景落地做好了充分的技术积累，中期的数据治理规划清晰，后期的模型优化才能快速赋能。
数智化时代已来，让我们一起跨越工业4.0，直接进入数智化时代，挖掘新质生产，实现高质量发展！
关于作者
严卫国，上海润吧信息技术有限公司（简称”润吧云”）创始人兼CEO，深耕制造企业30年，带领团队自主研发13年打通了18个业务场景，实现了过程管理数字化，业务场景、安全效益一体化，公司工业AI大模型重点场景垂直赋能化工医药行业企业300余家，主导过数十个工业数字化转型项目。
来源：太原日报
相关链接
企业AI知识库搭建与运营培训课程
呼叫中心AI知识库培训课程
个人知识体系构建能力课程
