山钢 × 尚智平台：把「看火色」变成「算火候」

背景：一座钢厂的四个硬约束

工业场景是智能体落地容错率最低的场域之一。与办公、客服、研发辅助不同，钢铁产线上有四条绕不过去的约束。

其一，连续生产。产线 7 乘 24 小时运转，没有「先停机改造再验证」的窗口，任何自动化都必须在不打断生产的前提下接入。

其二，容错成本极高。通用模型吃的是互联网语料，对设备机理、工艺参数、行业规矩所知有限；而工业现场一次误判的代价可能是一条产线、一批订单，甚至人员安全。

其三，核心工艺参数事关数据安全。把温度曲线、配比方案、质量控制参数送到外部公有云推理，在很多企业是不可接受的前提性障碍，而不是可以事后补的合规项。

其四，真正的知识在人身上。炉长对火色的判断、老师傅对设备异响的敏感、对异常质量案例的记忆，过去主要存在于个人经验里，人员更替之后经验传承容易出现断点。这既是痛点，也是智能体最能产生增量的地方——如果知识本来就在文档里，自动化的收益有限；如果知识只在一线工人的判断里，把它固化下来本身就是价值。

行业背景也值得记录：据中国钢铁工业协会调研数据，截至 2025 年，95.1% 的钢铁企业已把数字化转型战略融入企业发展战略，81% 的企业在探索大模型应用。但从整体落地效果看，多数企业仍停留在浅层试用阶段，通用大模型难以适配钢铁生产的专属场景。

先有行业底座，再有智能体

尚智大模型的启动时间是 2024 年末，1.0 版本到 2.0 版本的整体研发投入已过千万元，模型于 2025 年 12 月 30 日推出。它的架构被描述为「通用大模型加行业小模型」的双引擎：通用底座提供基础能力，冶金行业垂类模型理解工艺，知识库承载企业经验，智能体连接具体场景。

几个工程细节值得单独拎出来：

层次	承担的职责	公开信息中的实现要点
通用底座	基础语言与推理能力	支持 DeepSeek、阿里百炼等多类大模型接入并统一管理
行业垂类模型	理解冶金工艺与行业规矩	由山鼎云科自研，面向冶金场景训练
知识库	承载一线的隐性工艺经验	把工艺经验逐句梳理后转化为可计算、可迭代的数字化工艺资产
数据集	向下沉淀可复用资产	经营、生产、行业知识、多模态四类数据集
智能体层	连接具体场景并执行	配套低代码智能体开发平台；可孵化行业小模型嵌入生产执行细节

最后一行对应的是一个容易被忽略的现实：并非所有环节都能等云端大模型往返。对部分需要秒级实时推理的产线，平台依托工业软件生成轻量化小模型，把 AI 能力下沉到生产执行细节里。这一层拆分——重的归通用与行业模型，快的归轻量小模型——是工业场景与办公场景在架构上的显著差别。

三笔账：炉内、原料、效率与人

公开报道把收益拆成了三笔账，这个拆法本身值得借鉴：它不是先给一个总数，而是把收益分别挂到具体工序上。

账单	改造前	智能体介入方式	公开量化结果
账单一：炼钢炉	转炉冶炼末期熔池状态不可见，炉长凭经验「看火色」判断终点，操作有波动	动态冶炼智能体整合烟气、视频、音频与工艺数据，自动生成并执行最优操作指令	终点温度命中率稳定在 95% 以上，终点碳含量命中率达 90% 以上；单炉冶炼周期缩短 2 至 3 分钟；石灰、合金等辅料消耗下降 2% 至 5%；吨钢综合生产成本降低 3 至 6 元
账单二：原料	配煤配矿靠工艺人员凭经验估算，一张测算表要算半天甚至一天	配煤配矿智能体融合多目标优化算法	一次测算压缩到 3 分钟；配比方案通过率从 60% 提升到 95%；吨钢原料成本再降 0.5 至 2 元
账单三：效率与人	日照基地 4300 产线由人工转钢，高温高粉尘环境	AI 视觉系统自动完成转钢；办公侧智能体处理重复性工作；制档机器人完成加热管件的取件、定位与加工	每转一次平均节省 2 秒，操作人员劳动强度降低 80% 以上；办公重复性工作减负 80% 以上；制档机器人单件节拍比人工降低 20% 至 30%，预计年综合创效约 100 万元

另有几组汇总口径的数据来自新华网的另一篇报道：冶炼能耗降低 3%，轧钢成材率提升 0.5%，物流效率提升 25%；自动转钢、缺陷检测、装出钢等智能体让轧钢产线综合效率提升 20% 以上。腾讯网的系列报道则提到机器狗一小时检测 36 个风口小套、隐患识别率 99.2%，以及山钢集团综合管理效率提升 70% 以上。

口径辨析：年创效与吨钢降本之间缺了什么

报道给出两个量级的数字：一是「全部应用场景年创造收益超过 1 亿元」（另一篇表述为「年降本增效超亿元」），二是吨钢口径的「综合生产成本降低 3 至 6 元」加上「原料成本再降 0.5 至 2 元」。这两个数字之间隔着一个未被披露的变量——年产量基数。

做一次方向性推算：两个吨钢区间合计约 3.5 至 8 元，取中值约 5.75 元。若要以这一项收益支撑「过亿元」的年创效，需要千万吨级的年产量基数。这个量级对大型钢铁集团并非不合理，但公开报道没有给出产量数字，也没有说明这 1 亿元是否仅由吨钢降本构成——从报道看，它还包含了效率提升、能耗下降、成材率提升等多项来源。因此这笔账的合理读法是方向性参考，而不是可核验的净现金流。

另有三处口径需要在引用时标注清楚：

• 命中率的定义未披露：「终点温度命中率稳定在 95% 以上」未说明允差范围，而允差直接决定这个指标的含义。另一篇报道的表述为「由过去 90% 上下波动稳定在 95% 以上」，两者的基线描述略有差别，引用时应以区间而非单点理解。
• 配矿耗时的两个数字不一致：新华网与中国山东网的报道称一次测算「压缩到 3 分钟」，腾讯网的系列报道则称「配矿 4 小时 → 智能配矿 2 分钟」。两者可能对应不同工序（配煤配矿与配矿）或不同基线，公开信息不足以判断，不宜直接并列引用。
• 两个「效率提升」不是一回事：「轧钢产线综合效率提升 20% 以上」与「集团综合管理效率提升 70% 以上」分属产线口径与管理口径，含义不同，混用会显著放大结论。

经验入模：四层结构与一个闭环

「工业大模型满天飞，为什么只有尚智把这笔账省出来了」是报道自己提出的问题，它给出的答案是两个字：经验入模。把这套做法抽象出来，可以拆成四层加一个闭环。

• 层一：把隐性经验显性化。山鼎云科脱胎于山钢集团自动化信息化队伍，有四十余年的冶金行业积淀。公司把一线工艺经验逐句梳理，整理为知识库。这一步没有捷径，也无法用算力替代。
• 层二：把显性经验资产化。知识库进一步被转化为可计算、可迭代的数字化工艺资产。区别在于：文档是给人读的，资产是给模型调用的。
• 层三：用行业模型承接工艺语义。通用底座提供基础能力，行业垂类模型负责理解冶金工艺。通用模型不理解的「行话」，在这一层被补齐。
• 层四：用智能体连接具体场景。一键炼钢、无人行车、能源流管控、自动转钢、缺陷检测、装出钢等智能体，把能力落到可执行的动作上。
• 闭环：模型、数据、场景三位一体。报道的表述是：模型、数据和应用在生产线上持续循环，形成从识别问题到给出方案、再到验证效果的闭环。这一条决定了系统是随时间变好还是随时间漂移。

对其它行业而言，这四层的可迁移性高于具体内容。真正的门槛不在下面两层——模型与智能体框架已经高度商品化——而在上面两层：你所在的行业里，那些只存在于资深从业者判断中的知识，有没有被逐句梳理过。

安全前提：生产数据不出厂区

尚智人工智能平台 2.0 以「智链系统」统一工业协议，打通内外网数据交互，并明确「生产数据不出厂区」。报道把这一点定位为工业大模型进入生产核心环节的安全基础。

这个顺序值得强调：安全前提是被前置解决的，而不是在场景验证成功之后再补的合规补丁。对于任何打算把智能体接进生产控制系统的企业，这一条的顺序基本决定了项目能不能走到上线——如果数据出域问题没有在架构阶段解决，那么后期无论效果多好，都可能在合规评审处被整体叫停。

从单点上线到场景倍增

规模侧的数据：平台已孵化 128 项典型场景应用，覆盖生产、能源、物流、供应链、客户全流程，其中 105 个已在山钢集团上线运行。孵化与上线之间约 23 项的差额，本身是一个有用的信号——并非所有孵化场景都走到了生产环境。

2026 年，山钢集团启动人工智能「百日行动」，提出「十百千」场景倍增计划：年内完成 100 个「AI+」场景投用，「十五五」末达到 1000 个，同时推进算力基座全栈信创化改造。认证方面，2026 年 9 月，尚智人工智能平台在全球工业互联网大会上通过中国工业互联网研究院相关评测，在大模型工业应用指数、冶金安全知识问答、冶金生产知识问答三个领域获评优秀；尚智冶金大模型此前入选《中国五十家工业大模型梳理研究与趋势研判（2025）》，并成为山东省工业大模型典型案例之一。

财务背景方面，据山东钢铁（600022.SH）2025 年年报，公司全年实现营业收入 672.53 亿元，归母净利润 1.06 亿元，较上年同期大幅增长，成功实现扭亏为盈。需要说明：年报业绩受钢价、原料成本与行业周期多重影响，不能归因于智能化改造，此处仅作为背景信息列出。

六步打法与三条红线

把这个案例抽象成可复现的打法，顺序大致如下：

• 步骤一：按「经验密度高、判断可观测、结果可量化」三条筛场景。转炉终点判断同时满足：依赖经验、有明确的温度与碳含量读数、结果可直接计价。这是它成为切入点的原因，而不是因为它技术难度低。
• 步骤二：在选模型之前先梳理经验。把资深从业者的判断逐句记录并结构化。这一步的产出决定了后续所有环节的上限。
• 步骤三：双引擎分层。通用底座给能力，行业模型给语义，知识库给企业经验，智能体给执行动作。四者职责不重叠。
• 步骤四：为实时环节准备轻量化模型。秒级推理场景不能等云端往返，需要用工业软件生成轻量小模型下沉到执行层。
• 步骤五：把安全前提做进架构。统一工业协议、打通内外网、明确数据边界，在场景验证之前完成。
• 步骤六：把收益挂到工序级指标。不是「提升了效率」，而是「单炉周期缩短 2 至 3 分钟」「吨钢成本降低 3 至 6 元」这类能被生产部门自己复核的数字。

局限与冷静判断

• 全部数据为建设方自报，无第三方审计：所有量化结果均来自媒体报道中的企业口径，未见独立机构核验或对照实验。命中率、成本降幅等指标的定义与统计周期未披露。
• 存在天然的利益关联：山鼎云科是山钢集团旗下的信息技术产业公司，承接集团全部数字化转型业务，既是建设方也是受益方。这不影响数据可能被验证，但要求在引用时保留折扣。
• 产量基数缺失导致总额不可核验：「年创效过亿元」与吨钢口径的节省之间缺少可被外部核对的换算依据，只能作为方向性参考。
• 同源报道占比较高：新华网山东频道、中国山东网、新浪财经、地方政府转载等多篇内容主体高度同源，交叉验证的实际强度低于篇数表面看起来的水平，这一点已在文中显式声明。
• 配矿耗时存在两个版本：3 分钟与 2 分钟两个数字来自不同报道，可能对应不同工序或基线，公开信息不足以判断，不应并列引用。
• 业绩归因不可做：山东钢铁 2025 年扭亏为盈受多重因素影响，与智能化改造之间不能建立因果联系。
• 可迁移性有条件：这套打法依赖四十余年的行业积淀与集团内部的场景供给，外部团队复制时最缺的往往不是技术，而是前述两层所依赖的行业经验资产。

综合来看，这是一个结构完整但口径需要自行折算的工业智能体样本。它的价值不在于那几个百分比，而在于演示了一条清晰路径：从最依赖经验的判断切入，把经验逐句整理成资产，用分层模型承接，用智能体执行，用工序级指标验收，并在全程把数据边界前置解决。对正在评估工业智能体的团队，这套顺序比任何单点数字都更值得抄。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。