夜雨聆风据 ChosunBiz 报道，韩国钢铁制造商浦项制铁（POSCO）将在其面向中小企业的智能工厂支持项目中新增“AI track”，以帮助韩国中小制造企业进一步引入人工智能能力。这是浦项“共生型智能工厂”计划的一次功能升级，也意味着浦项正在把自己在钢铁厂内部验证过的工业AI能力，向供应链和中小制造企业外溢。
换句话说，浦项要做的不是简单地给中小企业安装一套软件，而是试图把钢铁行业长期依赖老师傅经验、现场判断和工艺控制的隐性知识，转化为数据、模型和标准化接口，再通过智能工厂项目向产业链扩散。
这也是“AI Path”真正值得关注的地方：它不只是一个扶持中小企业的公益项目，而是浦项从“单体钢厂智能化”迈向“产业链智能化”的一步。
浦项的AI不是从生成式AI热潮才开始
理解浦项今天的AI路径，不能从2026年的“AI track”开始，而要回到它更早的智能工厂建设。
2019年，浦项成为韩国唯一入选世界经济论坛“灯塔工厂”网络的企业。世界经济论坛将其列入灯塔工厂的重要原因包括：在钢铁生产中应用AI提升生产率和质量，以及通过高校、中小企业和初创企业合作建立智能工厂平台。浦项自己的智能工厂平台 PosFrame，则负责收集并标准化各工厂长期积累的现场数据和工艺经验，用于判断最佳工况并支持生产过程的实时监控与控制。
这意味着，浦项的AI并不是停留在办公自动化、聊天机器人或报表生成层面，而是很早就进入了钢铁制造最核心的环节：高炉、转炉、连铸、轧制、质量控制、设备维护和物流调度。
在高炉场景中，浦项通过深度学习AI控制炉内状态。公开资料显示，其智能高炉曾实现每吨铁水投入能耗减少4公斤，日产铁水增加240吨；2016年至2019年间，浦项推进321项智能工厂任务，累计降本2520亿韩元。
这些数字说明一件事：浦项的AI不是“概念验证”，而是已经在真实钢铁生产中产生了效率和成本收益。
浦项到底把AI用在了哪些地方？
浦项AI应用可以概括为五条主线。
第一，是生产控制AI。浦项DX对智能工厂的定义，是实时采集生产现场数据，通过大数据分析和AI支持最优控制，从而提升制造业生产率、质量竞争力以及设备、能源和安全管理水平。其智能工厂方案明确提出，系统可以监控制造全过程，用AI预测最佳操作条件，并自动控制操作。
这对钢铁行业尤其重要。钢铁生产不是离散装配，而是连续流程。炉温、成分、压力、速度、冷却、轧制力等参数环环相扣，一个环节的波动可能在后续工序中被放大。AI的价值就在于，它可以从海量工况数据中识别人工难以稳定捕捉的模式，辅助甚至接管部分控制决策。
第二，是质量预测与缺陷控制。浦项DX提出，通过联动分析工序之间的运行数据，可以提前监测质量缺陷，并通过自动控制防止缺陷进入下一工序。 这意味着AI不只是事后检测产品是否合格，而是向前移动到缺陷产生之前，成为过程控制的一部分。
第三，是设备预测维护。在钢厂里，设备停机往往比单纯维修费用更昂贵。浦项DX的智能工厂方案通过安装在关键设备上的IoT传感器实时监测设备状态，诊断并预测设备状况，提前处置潜在问题。 这类AI本质上是在把维修从“坏了再修”转向“坏之前干预”。
第四，是物流、安全和无人化作业。钢铁现场有大量高温、高压、重载和吊装作业。浦项近年来持续把AI、传感器、机器人和自动化设备引入现场物流与安全管理。韩国媒体2025年报道，浦项在光阳厂应用AI识别铁水状态与炉渣位置，计算最佳除渣路径；还在板坯修整区域引入基于Lidar和AI CCTV的安全系统。
第五，是办公和知识系统AI化。浦项并没有把AI局限于制造现场。2023年，浦项开始运行P-GPT，也就是面向内部员工的Private-GPT服务，将内部知识信息与生成式AI结合，用于报告写作、数据分析、内部知识检索、会议纪要和多语言翻译等工作。到2025年底，ChosunBiz 报道称，P-GPT已经服务于37家集团公司约2万名员工，并运行着员工自建的3500多个工作AI agent。
这说明浦项的AI战略分成两条线：一条是面向钢厂现场的“智能工厂”，另一条是面向组织效率的“智能办公室”。前者解决生产效率、质量、安全和能耗问题；后者解决知识流动、办公效率和组织协同问题。
从“建智能工厂”升级为“植入工业AI能力”
浦项面向中小企业的智能工厂支持并不是新动作。早在2020年，浦项官方就披露，公司与韩国中小风险企业部合作推进“共生型智能工厂”和“智能化咨询”两类项目，并计划到2023年投入200亿韩元，支持1000家公司。彼时，浦项已经为110家公司建设智能工厂，其中59家并非浦项直接合作企业。对25家企业的绩效测算显示，智能工厂导入后生产率提高43%、产品质量提高52%，成本和交货周期则约减少27%。
后续效果也得到了韩国媒体和机构数据的进一步印证。韩国中小企业联合会对2019年至2021年间292家获得浦项支持、导入智能工厂的企业进行分析，结果显示，这些企业2022年销售额较2018年增长63.4%，营业利润增长50.5%。
因此，2026年新增“AI track”的意义，并不是浦项第一次扶持中小企业数字化，而是它把扶持重点从传统智能工厂建设，进一步推向AI能力导入。
过去的智能工厂建设，重点往往是设备联网、数据采集、MES系统、现场看板、流程可视化和基础自动化。AI Path 则意味着，中小企业不只是“看得见数据”，还要开始用模型理解数据、预测异常、优化工艺、控制能耗、改善质量和提高设备利用率。
也就是说，浦项试图帮助中小企业跨过一个关键门槛：从“数字化”进入“智能化”。
为什么浦项能做这件事？
许多企业都在谈工业AI，但浦项的特殊之处在于，它同时拥有三种能力。
第一，浦项有足够复杂的工业现场。钢铁厂是最典型的复杂制造系统之一，涉及高温反应、连续生产、重型装备、能源消耗、物流调度和严格质量要求。如果AI能在这样的环境中稳定运行，它的工业可信度会比普通演示场景高得多。
第二，浦项有长期积累的工艺数据和现场经验。PosFrame的价值就在于，它不是简单存储数据，而是把50多年现场经验和工艺知识转化为可计算、可分析、可控制的数据资产。
第三，浦项有IT/OT融合的执行主体。浦项DX将自身定位为工业现场AI与自动化的推动者，强调通过硬件、OT和AI融合，提供面向现场效率、自主化和无人化的工业AI服务。 这对工业AI非常关键，因为模型本身只是第一步，真正难的是把模型嵌入PLC、传感器、控制系统、设备管理系统和现场操作流程。
浦项DX的智能工厂建设方法也说明了这一点。其路径不是一上来就训练模型，而是先完成数据定义、数据标准化、自动采集和集成结构化，然后再进入数据准备、预处理、可视化、探索分析和AI建模。
这正是中小企业最缺的能力。很多中小制造企业不是不想用AI，而是没有稳定的数据基础，没有统一的数据格式，也缺少能把生产问题翻译成AI问题的人。浦项的价值，正是在于把自己的工业经验、诊断方法和数据治理能力一起输出。
从AI Technology Center到Physical AI
如果只看AI Path，容易低估浦项的野心。事实上，浦项近年来正在把智能工厂升级为更完整的“工业AI体系”。
2024年，浦项DX宣布设立AI Technology Center，重点发展三类AI引擎：视觉智能、决策智能和控制智能。视觉智能用于识别人员、设备、产品和现场状态；决策智能用于分析复杂场景并提出最优方案；控制智能则学习熟练工经验，将其转化为自动控制能力。
这三类能力，正好对应工业现场的三个层级：看见、判断、执行。
2025年，浦项DX进一步推进面向工业现场的Physical AI。所谓Physical AI，不是停留在屏幕上的AI，而是让AI理解物理环境，并通过机器人、自动化设备和控制系统作用于现实世界。浦项DX称，其已经建立在虚拟环境中复制真实工厂的AI模型，用于在现场应用前完成学习和验证，从而减少实际生产现场测试的时间、成本和风险。
2026年4月，浦项DX又投资30亿韩元入股韩国NPU企业Mobilint，推动用国产NPU替代GPU，将Edge AI直接集成到现场控制系统中。浦项DX称，其目标是在制造现场实现即时AI分析和控制，同时降低AI基础设施成本，提升制造数据安全性和生产率。
这一步尤其值得注意。很多工业AI项目之所以难落地，是因为模型部署在云端或数据中心，无法满足现场控制的实时性要求，也会带来数据安全和成本问题。浦项转向边缘AI，说明它的目标已经不是“AI给建议”，而是让AI更接近生产设备本身，参与实时控制。
控制供应链的数字接口
浦项AI Path最深层的意义，不只是帮助中小企业提高效率，而是重塑钢铁产业链的协作方式。
浦项DX在智能工厂演进战略中提出三个阶段：第一，智能化单个流程；第二，智能化整个价值链；第三，通过实时仿真和虚拟验证，形成跨公司、超连接供应链下的自主柔性工厂网络。
这句话非常关键。它说明浦项的智能工厂战略，边界已经从“一个钢厂”扩展到“整个价值链”和“外部供应链”。
如果中小供应商的设备数据、质量数据、交付数据、能源数据和生产计划都能逐步接入浦项主导的智能工厂体系，那么浦项获得的就不只是更稳定的供应商，而是一套更高效、更可控、更可预测的产业链网络。
这会带来三重效果。
第一，供应链效率提升。浦项可以更早掌握上游或协作企业的产能、质量和交付状态，从而减少不确定性。
第二，质量管理前移。质量问题不再等到产品交付后才发现，而可以在供应商生产阶段就被识别和干预。
第三，供应链黏性增强。一旦中小企业的生产管理、数据格式和工艺改善方法都围绕浦项体系展开，它们与浦项之间的协作关系就会从订单关系变成系统关系。
这就是所谓“接口权”。谁定义了数据接口、质量接口、设备接口和协同接口，谁就在产业链中拥有更强的组织能力。
现实与挑战
从已有公开资料看，浦项的AI和智能工厂建设已经有较扎实基础。它有灯塔工厂背书，有高炉AI控制的真实收益，有大量智能工厂支持案例，也有浦项DX这样兼具IT和OT能力的执行主体。更重要的是，它正在从传统智能工厂向Physical AI、边缘AI和智能办公室扩展，说明其AI战略不是单点项目，而是集团级系统工程。
但挑战同样明显。
首先，中小企业的数字化基础参差不齐。AI模型要产生效果，前提是现场数据足够稳定、准确和连续。很多中小制造企业真正缺的不是算法，而是数据采集、标准化、设备联网和流程纪律。
其次，工业AI的迁移并不容易。浦项在高炉、轧线和钢卷物流中积累的AI经验，不能简单复制到所有中小企业。不同企业的设备、工艺、人员能力和管理水平差异很大，AI Path如果要产生规模化效果，必须把浦项经验拆解成可配置、可调试、可维护的模块。
再次，技术外溢与核心护城河之间存在张力。浦项希望帮助供应链企业提高效率，但不可能完全开放自己的核心算法、工艺模型和数据资产。如何在“赋能伙伴”和“保护核心能力”之间取得平衡，将决定AI Path能走多远。
把钢铁经验变成工业智能
浦项AI Path的价值，不在于它给“智能工厂”这个老概念加上了AI标签，而在于它把浦项过去多年在钢铁现场积累的智能制造能力，放到了一个更大的产业链框架中。
过去，钢铁企业的竞争主要看规模、成本、资源和产品质量。现在，竞争正在转向另一层：谁能把现场经验数据化，谁能把数据模型化，谁能把模型嵌入控制系统，谁又能把控制系统扩展到供应链。
浦项的路线可以概括为：
从高炉AI，到智能工厂；从智能工厂，到Physical AI；从Physical AI，到供应链智能接口。
AI Path只是这条路线上的一个新入口。它真正指向的是一个更大的变化：钢铁行业的数字化竞争，正在从“单个工厂有多智能”，转向“整个产业链能否被智能系统重新组织”。
📅 2026年05月19日 写于Paris
✍️ 转载请注明：Steel Press
