ARTICLE · 1288547
王国栋:钢铁的 AI,难点不在模型,在看不见
王国栋:钢铁的 AI,难点不在模型,在看不见大咖说｜第 42 期 本期嘉宾：王国栋，中国工程院院士、东北大学数字钢铁全国重点实验室教授。本文据其与唐帅合著论文《金属轧制工业 AI 的探索与实践》（《冶金自动化》2026 年第 4 期）摘编，参以 2026 年 10 月 23 日南京"材智讲堂"第三期主旨报告《材料工业世界模型的建立与应用》。论文全文见文末"阅读原文"。 一、四句话讲清痛点 金属材料制造与离散制造不同，有四个特征：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明显滞后、故障样本少而失效代价高。 轧制中的组织演变、残余应力、局部温度场与缺陷成因，大量处于不可直接观测状态。王国栋把这类生产叫"黑箱"：不是数据少，是关键状态测不到。 二、机理为体，数据为用 两条现成的路都不够用。传统机理模型受理想假设与离线参数限制，纯数据驱动模型受工况漂移、小样本与物理不一致影响。他给的是叠加方案：物理机理为骨架，实时数据为神经，贝叶斯集合量化不确定性。 落到架构上，就是"动态物理机理模型＋数据驱动残差校正＋输出概率分布"。输出的不是一个单点值，是一个带不确定性的分布——这一条决定了模型能不能进控制回路。 三、世界模型是一张推演沙盘 材料工业世界模型，核心能力是一个功能闭环：V 状态表征、M 记忆预测、C 推演决策。落到产线上，它是对物理产线做全息可计算重构的"平行宇宙"，以状态空间、统一状态对象为基石，具备感知融合、演化预测、反事实推演等七大功能，并用 L2.5 边缘公共引擎层让多个智能体共享同一张沙盘。 它的价值在算力账上：依托较少算力与数据做高精度预测，已在炼铁、连铸、热轧、冷轧四条产线验证。 四、三个方向，三种打法 内部性能：关键数据难测但数据量大，走"数据先行、知识赋能"，先给出最优工艺方案。外形尺寸：机理成熟但参数容易偏移，走"机理主导、数据补偿"，给出可执行设定值与补偿量。形状质量：结果可见但成因难辨，走"问题牵引、虚实融合"，先定位缺陷再给执行方案。 三套系统在产线边缘层协同调度，多目标优化下保证产线安全稳定。 五、落地次序 他给行业的原则是"先进、积极、稳妥、安全"，路径是小试到全线迭代；试点优先选不影响主流程、自成体系、数据基础好的产线。2026 年，中厚板自动转钢试验系统已建成，自动转钢设备正在多家钢厂上线应用。 ▎出处 本文为观点摘编，非全文；论文全文见文末"阅读原文"。 — 智多星链 · 大咖说 第 42 期 —
- [1] 王国栋, 唐帅. 金属轧制工业 AI 的探索与实践[J]. 冶金自动化, 2026, 50(4): 1-17. DOI: 10.3969/j.issn.1000-7059.20260239.（东北大学数字钢铁全国重点实验室；本文主要据此文摘编）
- [2] 王国栋. 材料工业世界模型的建立与应用[R]. 南京：原材料工业数字化转型专家委员会"材智讲堂"第三期, 2026-10-23.（平行宇宙、七大功能、L2.5 引擎层、四条产线验证）
- [3] 会议与演讲报道：赛迪《原材料工业数字化转型专家委员会 2026 年"材智讲堂"（第三期）在南钢召开》（2026-10-29）；中国财富网《王国栋院士：以工业 AI 破解材料轧制"黑箱"难题》（2026-09-09）。
