杭州，一场酝酿了三十年的工业AI革命

文 |刘铮、唐晓园

视觉设计：星船知造

正文共计：11869字

预计阅读时间：12分钟

01 为什么是以大模型为支点，打响第一枪？

纵观历次工业革命，无论国家、地区、还是企业，想在新技术浪潮下获得先机，核心在于谁先编织好一张明暗线交织的协同网络。

明线，是看得见的、高效协同的供应链体系。

暗线，是产业链、供应链上所有实体制造和新技术融合打造出的数智生态。

明暗线彼此交织滋养，才能释放出新一轮的工业变革能量。

source：unsplash

回顾历史，第三次工业革命（信息化革命）的引领者，正是靠着一张软硬协同网络脱颖而出。其典型，就是美国航空工业——

明线是硬核、高效的航空产业链体系：20世纪的美国制造拥有从原材料（航空铝、复合材料）→关键零部件（发动机、航电、飞控）→整机集成的成熟制造体系。波音背后，是GE、霍尼韦尔等完整配套商支持。

反观当时的空客，机头在法国、机翼在英国、尾部在西班牙。欧洲“拼好机”的每一块组件都更讲究政治妥协而非生产效率，与美国高效分工且高度集成的航空产业生态形成鲜明对比。

暗线则是工业软件生态系统：当时新兴的信息化技术（如产品生命周期管理PLM、模块化设计等）被深度融入航空产业链👇

之后，这张以航空工业为起点的软硬协同网络被规模化复制：向汽车、电子、医疗设备等多个领域辐射，所过之处就如同钢筋铁骨被注入了数字灵魂👇

现在，第四次工业革命的曙光正从“信息化”进化为“智能化”，这一转变是所有人都必须把握的战略机遇。

作为工业大国，中国数智化供应链网络的明线已经越织越密：

截至2024年底，中国规模以上工业企业数量达到51.2万家，较2023年末增长6.1%。

到2025年上半年，规上工业企业数量进一步增加至52万户，较2024年底增加了8000多户。

同时，随着不断扩建的一带一路基础设施，在中国和周边国家如印尼、吉尔吉斯斯坦，中东国家如沙特阿拉伯，以及非洲大陆都形成了庞大的供应链网络。

图源：中国一带一路网

而网格的暗线，比的是谁能再次靠先进技术让产业升级，释放出巨大能量——

随着一家家企业的数智化转型升级，最终产业集群间形成更高效的协同和进化，带来更低的生产成本和更高效的产业创新。

《星船知造》判断，这一次，暗线的关键不再是传统工业软件，而是以工业大模型为支点的工业AI。

我们这么说，基于三点洞察：

一是路径创新。几乎所有的工业后发国，都无法完全依照先行经验进行复制式发展。如果真的可以“抄作业”，那历史将变得多么无趣。

就像中国汽车产业的崛起靠的不是在燃油赛道上死磕，而是依靠新能源汽车的“三电”技术完成产业的弯道超车。

欧美工业软件生态系统自第三次工业革命开始就占据主导地位。但真正的赶超，常常发生在范式转换的拐点上——第四次工业革命（智能化时代），工业大模型就是这样一个能重构全球工业格局的新赛道。

叠加中国完整的工业版图，最有可能开启一场新质生产力的创新革命。

source：pexels

二是需求迫切。传统方案的瓶颈日益凸显——一直被工业企业视为灵丹妙药的传统工业软件，因部署成本高、周期长、数据孤岛等问题，已经越来越难以跟上新时代企业对于降本增效、创新以及效率的要求。

工业企业对于数智化升级的渴求正从地表深处涌出，催逼着一个能重构、超越工业软件的新物种在工业领域全面铺开。

三是已具备将大模型深度应用于工业的基础：

●工业底蕴：中国拥有全球最庞大的工业体系，覆盖流程与离散两大门类，为AI大模型提供了无与伦比的“数据富矿”与应用场景。

●AI技术：国产算力与DeepSeek等AI大模型快速发展，全球稳居前二。2025年工业企业中应用大模型及智能体的比例达到47.5%；并且有35%的企业在多环节开展应用，技术渗透率显著提升。

source：pexels

一场以大模型为支点的工业革命已经打响第一枪。当然，是静悄悄的——

它没有ChatGPT们聊天对话的公众热议度，也没有OpenAI“星际之门”一掷千金的豪赌，它只是通过中国工业大模型让一张融入无数工厂、车间的数智网络越织越密。

不久的将来，当它深度融入工业血脉，一张可以被大规模复制的“软（AI）硬（工业）共生”网络也将覆盖到世界各地。那些走在最前列的人，将获得新一轮工业革命的先机与红利。

为了让大家更好感知到这场静悄悄的工业变革，《星船知造》下文将从以下三点具体展开——

1) 认知：为什么工业大模型终将重构、超越工业软件——被更多工业企业所使用。

2）挑战：无法突破“智能孤岛”的工业大模型，本质上仍然是“小模型”——未来属于能真正打破孤岛的通用工业大模型。

3）破局：钱塘江畔，一家深耕中国流程工业三十余年的企业，已经开始凭借多年工业数据、行业know-how等积累，打造出一款能被应用到多个流程工业领域的通用工业大模型。

中控技术近日发布了全球首个流程工业时间序列大模型TPT的升级版本TPT 2 （Time-series Pre-trained Transformer 2）（以下简称TPT 2）。它正帮助工业企业重构传统工业软件应用，用一个大模型就能智能、高效地运营起工厂👇

一个可以确定的未来是，当越多越多工业企业开始用上TPT 2等工业大模型后，由“人工经验驱动生产”的百年工业惯性将被打破——工业知识将真正变得可流通、可进化。智能制造也才能加速铺开。

02 工业大模型，通向未来智造的唯一路径

先明确一点，到目前为止，工业软件仍是“制造核心”。

中国工业软件在PA层（Process Automated，生产过程自动化）到BA层（Business Automated，企业运营自动化）的各个环节，仍然发挥着“大脑和神经”的作用。

工业大模型则是一个后起之秀，正凭借十八般武艺挑战昔日霸主的地位。

图源：中控技术

简单理解，工业软件是“工业数字生产力”。工业大模型则是“工业数智生产力”。

两者相同之处在于，用的都是“吃豆人”的升级方式：通过吃进一个个工业技术、行业know-how，用机器来解决工业管理和生产过程里的问题。吃得越多，解决问题的能力就越强大。

最大区别在于，工业软件缺“智（AI）”，吃豆人吃得再多，本质上仍是“人教机器”。工业大模型有“智”， 是一整个“智慧大脑”，吃进足够多的豆子，能实现“机器教人”，彻底解放“老师傅”。

source：unsplash

传统工业软件存在无法逾越的“双重软肋”：

对软件供应商本身而言，软肋是高度依赖“老师傅编程”——知识封装于老师傅脑中，面对生产工艺工况各异的工业现场，老师傅需要凭借个人经验知识，根据每个工厂的实际需求定制化开发实施工业软件，效率低下且面临人口红利消失的危机。

对作为使用方的工业企业而言，软肋是高门槛的“精英游戏”——由于工业软件部署成本高、周期长、对人才和数据基础要求严苛，将占工业基本盘大多数的中小企业拒之门外。

导致千行百业、不同规模、不同生产方式的企业被困在不同数智化发展阶段，智能制造推进缓慢👇

我国智能制造水平有极大提升空间：

截至2025年2月，中国有超过半数的制造业企业智能制造能力位于智能制造的起步阶段；仅有7.22%的制造业企业实现了深度智能化。（国家数据局）

针对上述工业软件存在的问题和局限，《星船知造》以中控技术大模型TPT 2为例，一窥工业大模型如何一一化解这些软肋。

在呈现软肋和化解软肋的过程中，我们也能看到工业大模型到底带来了什么根本性的改变——

不仅仅是“替代”、重构传统工业软件，更是通过更低的部署成本、强大的学习能力，真正改变了工业知识的积累、进化和传播方式。

大模型也因此成为通向智能制造的唯一路径。

source：unsplash

软肋一，今天的工业软件仍高度依赖人，本质是“人教机器”、“人教人”。因此软件本身的使用效率、到底能发挥多大作用，都既受限于人的个人经验，也困于人的“工业信息茧房”。

举个例子。我国是世界第一大石油进口国——炼油厂每年会处理来自中东、非洲、南美等原油。

不同地区的原油如同风味迥异的食材，在各项参数上存在差异

中东原油硫含量高，易腐蚀设备；

西非原油酸值高，高温下易腐蚀管道；

南美重油密度大，加工过程复杂；

此时，工业软件“应变能力弱”的短板就暴露出来了——同一套炼油装置，为了应对来自五湖四海的不同原油，唯一的解决方案是靠经验丰富的炼油厂老师傅，用数十年沉淀下的经验知识对机器进行人工调试——也就是“人教机器”。这一过程难免会造成大量过度料的浪费。

而且老师傅总要退休的，下一次机器又不会了怎么办？就只能靠传帮带，老师傅教小师傅——也就是“人教人”。

这种高度依赖个人判断和经验的工业现状，会导致一系列问题。比如工业软件本身的发挥受限，使用效率不高；五花八门的工业软件之间也会出现相互冲突、难以协同等情景……让软件厂商与企业用户都很痛苦。

source：pexels 五花八门的工业软件有时也会难以协同

人口红利褪色的时代背景下，“老师傅断层”和“招工难”已经是许多工业企业无法回避的事实。

可预见的未来，企业斥巨资买下工业软件、花长时间部署软件，但好不好用还得靠“人”。对于广大工业企业来说，这正是阻碍其通过投资工业软件实现数智化的根结所在。

source：unsplash

在《星船知造》的观察中，工业软件的第二大软肋不似前一个那么明显，影响却同样深远。

某种程度上，工业软件的“高门槛”让其更适配“精英企业”。大量中小企业却在数字化的大门前望而却步。

截至2024年底，我国规上工业企业数字化生产设备普及率为53.2%，刚刚过半；

在智能工厂数量上有卓越级230余家；先进级1200余家；

但基础级多达3万余家——仅具备基本的数据采集监控能力。

也就是说，目前我国真正能实现生产过程数智化决策和优化的企业，仍然是凤毛麟角般的存在。

它们通常是大型企业——向外展示着行业顶尖的数字化水平。向内则是一座灯塔，灯光所及之处，皆是匍匐前进的中小企业。

中小企业是中国工业最庞大的参与者，其数字化程度决定着一条产业链的协同效率与发展韧性。但相比数字灯塔的大型企业，我国大量中小企业的数字化进展还未能链接起国家产业中最底层的数据孤岛。

图源：中控技术 点击图片可放大

造成这种情况的原因之一是——

使用方（工业企业）未必都具备用好工业软件的能力

实际部署中，工业企业用好工业软件是有一定硬性要求的：

1）覆盖全流程全要素的完整数据基础。

2）拥有数字化、生产工艺、工程管理等复合人才储备。

3）纵横交错的工业软件体系运维能力。

同时具备上述三点的企业，本就是各行业翘楚。

而那些同样需要数字化转型升级的中小企业，却被挡在门外——数字化转型在很多中小企业内部，风险是实打实的。业内戏称“大公司上中台钱没了，小公司上中台公司没了”。

小企业最终只能在生产运营中，挑选极少数环节单独部署软件，与全面数智化渐行渐远。

source：unsplash

以上就是工业软件当下无法回避的两大软肋。怎么重构？

答案只有一个，工业AI大模型。

03 懂工业的TPT，才能化解老问题

工业AI大模型和ChatGPT、DeepSeek等大语言模型有什么不同？

大语言模型很难触及工业核心场景，因此只能在知识管理、数据问答等场景来回打转。

工业AI大模型则拥有无可替代的“工业场景入场券”，叠加“理解工业语言的能力”——让其能彻底解放“老师傅”，以7×24小时的不间断体能深入各类生产场景。

在工业AI大模型中，主流的当属以中控技术TPT 2为代表的时间序列大模型。

中控技术的TPT 2大模型是专为流程工业设计的革命性AI工具——

通过时序数据算法和可靠模型，在各类生产工艺场景中实现闭环应用，助力用户实现高效生产力，且在帮助用户保障生产安全、提高产品质量、降低能耗物耗、提升设备维护效率、实现自主运行等方面具有不可替代的作用。

也就是说，工厂里发生的任何事，都能被TPT 2追溯为一段“时间序列数据”——TPT 2还能将24小时不间断产生的数据，理解并“翻译”成机器语言。

可以说，只有能获得、理解时序数据的算法和模型，才算是掌握了工业数智化的命脉。

但是，无论是获得“时间序列数据”，还是理解工业语言，都有数个前提条件，每一个都有极高门槛。

这一次，需要跨越高门槛的不是使用方，而是大模型的提供方（工业AI企业）。

source：unsplash

首先是（使用方）工业企业愿意开放数据的信任。这一点，缺乏大量工业企业用户的大语言模型几乎是做不到的。

其次是包括仪器仪表、工业控制系统在内的硬件数据基础。这同样超出了绝大多数大语言模型的能力范畴。

最无法替代的，是打造工业大模型的工业AI企业，其自身在贯通不同工业领域、垂直行业乃至单一场景后，所积累得来的工业know-how。这是能“读懂”数据的关键。

source：unsplash

《星船知造》观察中，目前中控技术几乎是唯一一家同时具备这些条件的大模型玩家。

首先是客户信任（开放数据）、行业know-how和应用场景积累。

中控技术是一家诞生于1993年，多年扎根流程工业自动化的企业。过去三十多年里，中控在流程工业领域积累了3.7万家客户。拥有广泛的用户基础和“规模化”应用场景。

比如中控技术在与国际石油巨头沙特阿美的合作中，积累了海量天然气场站环境数据、甲烷泄漏相关数据等，对优化智能工厂中的机器人检测算法、提升检测精度大有助益。

另外，流程工业既有深度、又有广度；同时其数据具备“连续性”、“复杂性”等特点——是工业与AI融合的关键战场。

点击上图可放大

其次，中控自身就具备包括仪器仪表、工业控制系统在内的强大硬件实力。

工业控制系统是所有AI实施执行的硬件基础。中控技术目前在化工、石化、建材、造纸四大行业 DCS 市场占有率常年均排名第一。

硬件上，中控技术的仪器仪表业务板块涵盖测量仪表产品、分析仪产品、智能控制阀等多个产品系列。

软件上，覆盖工业信息安全系统、数据资源系统、设备健康系统、产品研发管理及工艺设计系统、自主运行系统、质量提升系统、生产运营系统、安全优先系统、节能低碳系统、供应链管理系统、销售与服务系统、支持与保障系统等等。

中控技术现已拥有了极为丰富的流程工业各细分领域的实时数据。如果一定要再加一个定语，应该就是“最”了，且其领先地位是断层式的。

这意味着，工业大模型所必需的“强生态”，其实是中控TPT与生俱来的基因：来自客户的数据信任，know-how积累，以及巨大潜力的流程工业市场——一个拥有“无限数据学习、无限场景应用”的正循环已经在TPT内部形成。

source：giphy

当一款工业大模型能够汇聚各种软硬数据，并用大量know-how进行分析后，到具体的使用环节，所依赖的单元就是AI Agent。

AI Agent是能自主理解目标、规划任务并执行行动的智能体，它通过感知环境、调用工具和持续学习，像“数字员工”一样独立解决问题。

它具备记忆能力：每一次与“老师傅”交流的信息都会成为下一个问题判断的依据。

具备分析能力：AI Agent能够分解任务成多个步骤，根据效率或质量等多种考量因素有规划地去执行，拥有一定的自主决策能力。

具备调用能力：AI Agent能调用包括大模型、工业软件、工业APP甚至其他Agent的能力来进行具体操作。

这样一来，工业软件两大软肋就能迎刃而解。

工业软件时代，需要有多个不同的工业软件相配合，才能解决一个系统问题。

工业互联网的兴起后起到一定缓解效果。软件厂商打造出具有更小颗粒度的工业APP，将原本包揽一整个环节的工业软件，拆解成多个执行不同任务的小程序。

但是，工业APP只能改良，无法突破——

比如上文提到的高度依赖老师傅经验的石化场景，部分工业APP可以融入一定AI能力，但却首尾不能兼顾：操控温度和压力的APP，会忽略产品质量问题；负责质量的APP又难以兼顾设备健康……也就是说，“工业APP+AI”仍然只能在单个场景里学习、应变，难以跨边界协同。

TPT 2这样的工业大模型出现后，能将这个系统问题拆分成无数个小问题，然后用上千个甚至更多AI Agent一一对应解决。

但整个操作过程并不会变得更复杂——在工业大模型部署好后，只需对其提出问题，并添加工厂各项数据，所有Agent的生成与程序调用即可自动实现。

换言之，工业大模型也同时在赋予传统工业全新的生命力，整个运行逻辑都在重构。

目前TPT 2就能将PA层的安全优先、质量提升、自主运行、节能低碳、设备健康五大环节用一个大模型全部包揽。而如果采用传统方式，则可能需要多达几十个工业软件才能实现相同的效果。

TPT 2

对“老师傅”的依赖也将减轻。

AI Agent的记忆能力、分析能力与调用能力，意味着可以从“人教人”、“人教机器”进化为“机器教人”。

source：unsplash

上文提到，在工业软件时代，工业企业需要自身实力过硬去“向上”兼容工业软件。

但来到大模型时代，则是工业大模型“向下”兼容工业企业。

为了让流程工业任意一个从业者都能零门槛用上工业AI，中控TPT 2对内融合行业know-how、时间序列数据，对外则是“懂人话”、“说人话”、“干人活”——

无论老师傅还是小师傅，都不需要从头学起，让自己像懂工业软件那样懂AI，而是通过语言交流向TPT 2提出问题，随后“机器”会引导师傅们上传数据，生成解决方案。

这意味着，TPT 2能以极低的门槛，无缝迁移至不同行业、不同企业，并且有SaaS化、本地化多种部署方式。其部署成本（资金、时间）远低于工业软件。

即使是资金储备较弱、数据采集能力不强的中小企业，也可轻松使用。

这就是为什么尽管到目前为止，工业软件仍是“制造核心”，但它终将被“智造核心”的工业大模型所超越。而那些没有跟上工业大模型浪潮的企业，在朝智造迈进的过程中，就会掉队。

也正因此，不少科技公司、工业巨头都已推出了自己的工业大模型产品。

照理说，工业大模型应该已进入百花齐放、百家争鸣阶段。但《星船知造》多方调研后发现——工业大模型作为一个全新的赛道，目前正面临一个行业挑战：

相当一部分的工业大模型虽然叫“大模型”，但本质上仍是“小模型”，和工业软件一样，尚未冲破“智能孤岛”困境。

04 不是所有大模型都是TPT

虽然都叫工业大模型，但细分来看，又可分为“通用工业大模型”、“行业大模型”和“场景大模型”。

宣布打造出工业大模型的各类玩家，实则多集中于行业大模型和场景大模型。而深究下来，两者本质上仍是“小模型”。

source：unsplash

场景大模型，顾名思义是只在某个单一工业场景中深耕。其玩家，多是互联网科技企业与在某垂直场景深耕的工业企业。如手机、家电、汽车企业近几年都推出过自己的垂类场景大模型——进入的，多是技术成熟度高的质检、安检等场景。

但这类大模型的本质仍然是“小模型”。是“一事一模型”。

其“小”，不仅指小在功能单一，更在于不可复制：

这种大模型，一旦要“跨厂”使用，就变得和工业软件一样——高度依赖老工程师的判断和经验。需要“人教机器”。

场景大模型中，数据和行业Know-how被封闭起来，锻造成一把唯一的钥匙，便再打不开第二扇门。

source：unsplash

再看行业大模型，顾名思义，它从深耕具体场景的老师傅进化成了“行业百晓生”——通过学习该行业专属数据，覆盖行业内多个场景，解决行业级问题。

玩家多为具备制定行业标准能力的巨头企业。这些企业联合科技大厂等供应商，共同打造出行业大模型。

行业头部企业选择自建行业大模型，通常出于几个考虑：一是巨头的数据本就“量大质优”，通过大模型，可将自己多年的行业数据积累转化为数智化能力；二是在训练、使用大模型过程中，不用担心自己的数据泄露。

但也恰因为此，数据被巨头圈地，无法跨行业复用，形成新的数据高墙。

source：unsplash

以流程工业中的石油化工与生物制药这两个行业来举例：

它们在生产上，都有高温高压反应、多相流传质控制等相同环节。

理想状态下，一款工业大模型经过石油化工、生物制药等行业的训练，其“吃豆”能力会大幅增强，且能触类旁通——最终能形成自己的记忆能力、分析能力与调用能力——可无缝迁移至更多行业、更多企业。

但现实问题在于，你很难想象两个巨头会坐在一起，聊聊如何训练同一个大模型。

这就导致了即使在相同工业门类下、拥有相同生产环节的行业大模型之间仍是一座座“智能孤岛”。既无法提炼共性，更无法协同进化。

source：unsplash

当前工业大模型普遍存在的“一事一模型”、“一行业一模型”现象，其根源在于各方面仍未脱离“工业软件思维”：先定义一个具体问题，再用一个具体方案解决——最终导致“智能孤岛”普遍存在。

“智能孤岛”一方面让行业和企业陷入重复造轮子的恶性循环。另一方面，数据、知识不互通，让绝大部分工业大模型始终在“小模型”中打转，无法掌握更大范围内的规律。

所有人都重复建造自己的小船，新大陆便永远隐匿于迷雾。

人们迫切需要一款能打破“智能孤岛”的通用工业大模型。

在《星船知造》的观察中，TPT 2正是一款在流程工业领域相当符合“理想型”的通用工业大模型产品。

它已经做到了两点：一是有能力打破数据和行业know-how的“封闭性”。二是在此基础上，具备场景贯通能力。从下图看更为直观👇

我们以图中的数据资产和知识融合举例——

工业场景具有其他场景不具备的“高标准、严要求”（聊天对话场景下，ChatGPT等大语言模型时不时已读乱回，人们大可一笑了之，但工业场景绝不能出现此类情况）。

因此，只有获得足够多的数据和行业知识，才能在数据安全性、输出精准性上达到一定标准，进入核心环节。

但场景大模型和行业大模型的主要玩家多是跨界而来的互联网/科技企业，虽然具备IT技术开发等技术能力，但缺“场景贯通”——缺乏行业know-how、专业数据及落地场景。而掌握了行业数据和know-how的工业巨头，又往往在AI技术实力上有所缺失。

目前，TPT 2已经同时具备了数据、know-how、场景贯通能力，也因此能向上统一数据基础，向下进入多个工业核心环节，成为一款能打破“智能孤岛”的通用工业大模型。

在它背后，拥有的是——

●强大的数据根基

●深度的技术耦合

将行业know-how与工程实践系统性编码到TPT模型架构，确保可靠可解释；

MoE + 异常检测的融合设计，显著提升模型容量、计算效率与实时性，处理海量数据下的复杂异常检测任务；

结合大语言模型，顺畅语义交互，深度自主思考优化；

●全（工业）场景一键打通

中控技术服务过3.7万+企业，广阔的行业覆盖和扎实的客户基础为AI场景验证与规模复制提供了丰富的应用场景；

TPT能够解决工业应用分散、数据应用碎片化等难题，实现由一个TPT大模型为基座打造“一个软件支撑多种应用场景”的新模式；

创新的落地模式：预训练（通用工业知识+海量数据）+微调（精准场景数据）模式，实现低成本、高效率、规模化落地。

那么，作为一款“理想型”的通用工业大模型，TPT 2已经做到了哪些其他人没做到的事？未来，它又将凭借哪些能力，走到更远的远方？

05 TPT 2,不仅仅以万倍效率破局

2025是中控技术的破局之年。这家诞生于1993年，素以深耕流程工业自动化闻名的企业，其技术和业务光谱中已经延展出了两大新物种——

●机器人《一家“不做机器人”的机器人公司，正把中国机器人卖遍“一带一路”》

●时间序列大模型TPT 2

两者都是其自然升级为工业AI公司的体现。

图源：中控技术

《星船知造》看来，TPT 2的愿景，不仅仅是打破工业软件和工业“小模型”的“智能孤岛”困境；也不仅仅是成为一个能更好服务工业企业的“智慧大脑”。它的雄心指向一个更宏大的未来：

打破过去工业领域“经验驱动”的百年惯性，孕育出由中国工业大模型主导的工业智能生态。这一次，AI普惠将是这一生态的核心壁垒。

source：unsplash

TPT 2正凭借提炼“工业母语”、“向下兼容”等创新优势，为工业AI普惠做出创新尝试。

先看提炼TPT 2“工业母语”的能力。

“工业母语”可以这样理解——

它是一种将千变万化的数据、行业know-how转化成AI可理解的表达方式。

过去，工业软件也好、工业APP也好、工业“小模型”也好，都是必须叠加老师傅经验才能跑得通。

现在，TPT 2通过提炼出“工业母语”，让机器开始具备“理解问题→转译数据→构造方案→生成行动”的自主能力。实现“机器教人”👇

通过对已知数据的深度建模、对未知情景的预测，以及对整个过程的自主学习与重构，它正在迈入工业自主化阶段。

TPT 2是这样做的👇

第一步，先整合散落在工业各个角落非结构化、格式各异的工业数据（包括经验知识、传感器读数、图纸、流程图等）；

中控技术正在系统整合过去三十多年来自身及整个工业界积累的各类数据资产，包括工艺参数、行业图谱、技术文献，以及大量沉淀于工业软件、APP与小模型中的问题解决经验。

这一步能确保模型不仅具备“从零建模”的能力，更具备“承载经验”的厚度。

第二步，开始对数据进行“翻译”，目的是从“收集数据”走向“贯通知识”。让AI在学习“工业语言”后，能像工程师一样理解工业世界。

比如在流程工业中，许多系统运行参数是基于经验设定的。一旦原料波动或工况变化，这些预设参数就可能不再适用。而TPT的记忆能力和预测能力，使得AI Agent可以先于人类察觉风险并行动——“机器教人”。

第三步，打破知识壁垒，重塑协同机制。

过去许多工业难题长期悬而未解，不是因为缺乏数据或算力，而是因为这些问题横跨多个学科与专业范畴——有人认为是工艺问题，有人认为是算法问题。完成大工业范围内学习的TPT 2，将能重塑协同机制。

TPT 2

TPT 2提炼“工业母语”的能力，已经让AI开始解决具体的工业问题——

过去，数字化升级依赖资深工程师现场调试，成本高、门槛高。一个项目需要几十人，部署时间以“年”为单位。

现在借助TPT 2，无需代码，只需动动手、说说话，理清生产问题，导入数据与知识，即可生成专属Agent，快速实现数智化升级。几十分钟就能部署好一个Agent，效率飞升万倍。

更重要的是，中控技术在打造大模型时并非从0起步，而是将TPT作为“炼丹炉”，把三十多年所积累的数据、算法、知识、经验、软件等能力，全部聚集其中。

在大量的数据学习后，TPT 2已经具备无缝迁移至各类工业场景的能力。

正因为此，相较于被困于“智能孤岛”的各类大模型而言，中控技术的TPT 2已经做到一个大模型在庞大的流程工业里“千厂千面”地部署应用——很大程度上打破“智能孤岛”，深入流程工业的安全保障、质量提升、设备健康、自主运行以及节能低碳等环节之中。

万华化学官网

截至目前，TPT 2已经累计预定订单企业518家，成交量112套，线上注册申请用户3268名。

这些数字意味着，同一套TPT 2解决方案，已在不同企业、不同工厂的产线间奔涌。标志着TPT 2模型从技术研发阶段正式迈向规模化落地👇

中石油兰州石化榆林化工：TPT 2生成出的多个智能体，在不同生产环节发挥作用——

异常预警智能体实时监控生产参数与设备状态，预测准确度达99.79%，精准定位异常并生成处置方案，保障安全运行；

操作路径规划智能体在投炉升温阶段优化COT温度操作路径，缩短升温时间4-5小时，在质量达标前提下，整体年效益预计不低于650万元；

操作优化智能体在稳定运行阶段提升乙烯选择性与收率，单炉乙烯收率提高0.373%，年净收益315.5万元/炉，整体年效益预计不低于1500万元。

中石油兰州石化中控室

再看TPT 2“向下兼容”能力。它正让AI技术加速普惠工业企业。

第三次工业革命中，制造业从发达国家向发展中国家转移，但制造环节的落地并不意味着先进制造知识和质量标准的到来，它们往往都被封装于工业软件中。

几乎全世界的工业制造都在先发国家设计的规则下运转。

这意味着，中国工业要实现转型升级，必须跨越由工业软件体系主导的掣肘。

比如今天我们引以为傲的高铁产业，早期阶段大量使用西门子、日立等提供的建模、控制软件，控制模型均由外方定义，导致国产系统难以替代。直到中国逐步构建TCMS等自有建模平台和列控仿真系统后，才真正实现自主。

在流程工业，DCS（分布式控制系统）是电力、冶金等承载国家命脉的产业里不可或缺的控制平台，也是将工业know-how封装进数字系统的桥梁——

过去三十多年中，中控技术始终扎根这一领域不断突破——2007年，中控技术获得中国石化武汉分公司500万吨“油品质量升级炼油改造工程”的项目合同，标志着高端市场核心主装置DCS被跨国公司垄断的时代结束了。

它从霍尼韦尔、艾默生等跨国巨头手里赢回了流程工业的话语权，也为今天自身成长为一家软硬融合的工业AI企业打下了地基。

下一个三十年里，随着大模型时代到来，在新的技术窗口期里，中控技术选择了一条更为激进却也更为目光长远的道路——

美欧老牌工业软件巨头，目前选择的是一条保守路线：延续现有技术路径，通过在传统工业软件基础上叠加大语言模型实现大模型能力。

比如，霍尼韦尔、艾默生、西门子等企业，先通过“软件+AI”保证不掉队，再逐步整合各个业务单元，形成大模型或全能AI平台。艾默生则将这些年并购的软件都融到其“无界自动化平台”中，并采用ChatGPT等大语言模型做问答交互。

若中国企业与欧美巨头采用相同方式，一则本土企业目前在涉足的工业软件广度上还不及跨国巨头；二则如果还是在对方的体系与规则下竞争，就无法在新的技术窗口里真正领先。

但要马上让工业大模型实现对工业软件的替代，目前也不现实。因为对广大下游工业企业而言，就像程序员面对一座运行多年的“屎山代码”，明知换人能解决问题，但只要系统还能跑，谁都不敢轻举妄动。

因此，中控技术走的是一条通过大模型重构工业软件的路线——工业软件是“向上兼容”。现在，中控技术则坚持工业大模型要“向下兼容”：

TPT 2具备SaaS化、本地化等多种形态，可以适应不同行业、不同规模的企业需求。不仅在速度上远超传统软件，还极大降低使用门槛——尤其对那些缺乏软件工程能力的工业企业而言，可以更便捷地构建自己的智能生产系统。

原本依赖中控技术专家团队交付的项目，如今可交给任何一个“懂行业、懂问题”的生态伙伴来完成。

他们不需要掌握复杂的AI算法，也不需要深度的软件工程能力，只需要理解客户问题和手握部分数据，就能通过TPT平台生成可交付的解决方案。

这种更轻盈、灵活的部署方式，不仅让工业大模型的“向下兼容”成为现实，也为TPT 2构建了一个可持续繁荣的工业场景生态。

目前TPT 2与工业软件之间并非绝对替代，而是尝试用更易上手的大模型产品，帮助更多工业企业去使用工业软件和APP来解决实际问题——也只有这样，才能让处于工业软件体系下的生态市场，从原先的思维惯性里无缝衔接到工业大模型之中。

source：giphy

工具的意义在于被人使用。只有真正普惠的工具才能创造极大价值。

TPT 2让工业AI大模型不再是昂贵且复杂的系统，而是每一个工程师甚至产线工人都可操作的智能助手，这才是工业AI深入核心场景、赋能万千工厂的真正标志。

尾声：三十年磨一剑

钱塘江的潮水奔涌向前。过去三十多年里，它见证了一座城市与一家企业的蜕变。

杭州城从昔日的工业重镇，成为一座“数智重镇”——其制造业、互联网、高新科技等多条产业都已汇入新时代的数智化海域。

它一直寻觅着下一个“意外收获”的出现。

今天，一颗1993年种下的深耕流程工业自动化的种子，正长成凭借工业AI能力改变工业格局的巨木。

中控技术的工业大模型TPT 2正以流程工业为原点，为新质生产力时代的工业添砖加瓦。

它不再重复“工具式工业软件”的老路，而是通过不断充实“工业语料”和“向下兼容”夯实工业AI的底座，以TPT 2的破土迎来厚积薄发。

它让老师傅的经验不再封闭于个人头脑，而是沉淀为可复用的智能资产；

它让中小企业无需重金搞“数字基建”，也能通过大模型轻装上阵拥抱智造；

它让中国工业AI不再追随他人写下的规则，而是自己构筑工业语料。

它的未来，则不完全取决于中控技术一家企业的能力。而是要让更多工业伙伴都能基于“工业母语”共识开展一场工业AI共建——让每一个Agent都成为智能节点，让每一次任务执行都能反哺知识体系，让每一个工业场景都能为大模型提供训练场。

这个过程中，不排除更多巨头会加入进来。如今的TPT 2，毫无疑问已经跑在了最前面。

它所走过的每一步路，都为后来者开启了一个尚未到达领域的新起点。当生态愈加繁荣，也意味着我们可能用5年的时间，完成其他国家用15年完成的工业智能化转型。在技术普及曲线尚未陡峭上升之前，先一步登上智能制造的高地。

时间会奖赏那些与工业共成长，并永远选择艰难而正确道路的人。

主要参考资料：

[1]《数字中国发展报告（2024年）》.国家数据局

[2] 人工智能大模型在重点工业领域规模化部署加快.工信部

[3] 中控技术官网、企业微信、公开年报等企业公开信息

[4]一家“不做机器人”的机器人公司，正把中国机器人卖遍“一带一路”.星船知造

本文基于访谈及公开资料写作，不构成任何投资建议

本文为星船知造原创内容

未经授权，禁止转载