昨天，中国冶金报发表了我的一篇文章。可以看成本文的简化版，去掉了一些可能存在争议、非专业人士不太容易懂的内容。这里把想说的原汁原味地说出来。前面有几篇文章谈的也都是这个方面的内容，这次是总汇一下。这篇文章分成了三个部分：

第一部分回顾过去。说明冶金行业在数字化领域其实非常先进，当时取得的成就非常惊人，许多思想是超前的。在有些方面可以说是“实践领先现在的理论”。我离开宝钢后，发现有些经验还是值得有些行业参考的。

第二部分放眼当前。谈了我对发展钢铁行业智能制造的看法。总结成一句话，就是成功的做法总是因地制宜、与国情有关。另外，给出一个观点：智能化主要是提高白领的劳动效率，盲目提高自动化程度是不合适的。但有些企业，确实就

是这么做的。我国钢铁行业应该借助AI的机会，发展制造到服务；借助数字化技术发展，推进多方协同、资源共享、知识复用；借助工业互联网提高企业管理水平。不要总盯着机器人。

第三部分批判误区。我痛感胡八道的人太多了。有不少人喜欢把离散制造业的思想、概念和方法，生搬硬套到钢铁行业。这种声音多了，会误导行业发展。两类行业最基本的原理虽然相同，但可行性不一样：因为机会产生的原理不一样。原理与机会之间的关系，我在昨天的文章中又深入地谈了一下。总体上说，最近20来年，主要是离散制造业的机会变了，这种变化是摩尔定律带来的。这种逻辑很朴实。比如，过去存不下，现在能存下。这种机会，在钢铁行业要少得多，引发的变化也就比较少。所以，在我看来：数字化的机会爆发期，在钢铁行业发生在上世纪；本世纪爆发的机会，更多在离散制造业。当然，这个观点不能绝对化。

辩证法要求我们具体问题具体分析。要搞技术创新，一定要有独立的思维、把逻辑想清楚。切忌别人怎么做我就怎么做。但有些人，跟随习惯了，不会分析问题，只会卖弄名词。可笑的是，这种人的地位在我国往往还是蛮高的，足以误国。

一、历史的回顾

改革开放以来，我国钢铁行业取得了巨大的技术进步，数字化技术起到了巨大的推动作用。这段历史，值得有些行业借鉴。

1978年我国钢铁总产量为3178万吨，全行业职工人均产钢量不到15吨。如今，我国已连续多年产钢10亿吨左右，人均产量超600吨，部分先进企业甚至达到2000吨。如果没有劳动效率的提升，现在的钢企需要近7000万职工，销售额远低于人工成本。这种技术进步是设备、产品、工艺和自动化等综合进步的成果，但自动化技术功不可没。自动化技术的应用不仅直接减少用工量，还对其他技术的进步起到了“催化剂”作用。例如，连铸取代模铸、转炉取代平炉的重要原因之一，是连铸和转炉自动化水平更高；自动化还推动了设备大型化，进而提升人均产量。

从上世纪60年代起，数字化技术就成了推进自动化技术发展的关键要素。PLC、DCS等控制设备都是基于数字化技术开发出来的，是工业3.0时代的标志性技术。这两种技术诞生于60年代末、70年代初，宝钢一期是1978年开始建设的，就大量采用了这两种设备。

在钢铁行业，PLC、DCS一般称为L1系统。自动化系统还包含了过程控制级的L2系统。L2系统其实可看作车间级工业互联网平台的雏形。L2系统上运行的数学模型，就是现在人们熟知的工业APP。自动化系统的一个重要作用是提高控制精度和效果，如提高钢水纯净度、轧钢温度和几何尺寸精度、降低能耗和物耗。

改革开放初期，我国吨钢煤耗约1.2 - 1.5吨，是当前的2~3倍；吨钢耗水约30吨，比现在高10多倍。按年产10亿吨钢计算，若无上述技术进步，每年需耗费12 - 15亿吨煤、产生30多亿吨CO2；要耗费300亿立方米水，相当于黄河一年流入渤海的总水量，环境破坏更是灾难性的。而这些技术指标的进步，都离不开自动化技术的贡献。 

控制精度的提高进一步促进产品技术发展。在钢铁行业，许多高端产品的关键特征是不是成分复杂，而是杂质少，成分、组织和工艺控制精度高。控制精度的提高也为产品细化和多样化奠定基础。

产品的多样化支持了用户的个性化需求。高端用户往往根据自己的需求定制产品。宝钢建成不久就推动“按合同组织生产”，也就是按照用户对成分、性能、几何尺寸、表面质量的具体要求交付用户。这不仅满足了用户的需求，还为钢企带来的巨大的效益，每吨钢的价格往往提高几百元。

然而，个性化、高质量要求会给生产管理、生产组织、交货周期等带来很多负面影响。随着产量增加、合同变小、个性化要求增多，生产组织和管理的困难会越来越大、浪费也会越来越多。日本人曾回忆说：当钢厂年产量200万吨时，人工管理还可勉强应付；产量达600万吨时基本没办法了。

下面以热轧为例描述这些困难。热轧工序每1~2分钟轧一卷钢，前后两卷钢的用户和工艺参数可能不一样。如果靠人工进行参数的切换，很容易出错，进而导致生产的混乱。所以，参数的切换工作应该让计算机自动执行。为此，需要精准地跟踪每一炉钢、每一块板坯，要实时地知道它们在什么位置、属于什么合同、需要如何加工。这就要把各个工序的信息连起来,还要把管理计算机和控制计算机的信息联系起来。宝钢当年推进这项工作时，通信技术很落后。为此，宝钢老领导何麟生先生提出“数据不落地”的想法，要求在数据传递过程中避免人对数据内容的干涉。宝钢人“土法上马”，用RS232、Modem甚至定时用软盘来传，从而保证数据准确传递。可以说，宝钢在工业互联网技术产生之前，采用了工业互联网的思想。

合同多、批量小会导致能耗和物耗的增加、质量和效率的降低、交货期的延长、产品匹配困难等，经济损失很大。用户向钢厂订货时，钢厂往往说不清何时能够交货，给用户带来很大不便。要解决这些问题，需要复杂的优化计算。进行复杂计算的前提，是把更多的信息集成起来。上世纪末，宝钢花巨资购买了IBM9672计算机，把产供销等过程全面管理起来，并在此基础上推动了ESI组织流程再造，让企业的管理水平有了本质性的提高。比如，实现了“按周交货”，1~2分钟就确定出交货时间。本世纪初，我国曾经组织过两次制造业信息化500强评比，宝钢不仅蝉联第一，还在十个单项中获得六个第一。

二、新时代的挑战与困惑

进入本世纪后，数字化技术更是全面影响制造业，但许多钢铁企业反而进入困顿时期。其中的原因耐人寻味：相对于其他行业，钢铁行业的数字化技术应用相对成熟；一些新的思想、理论和方法主要出现在离散制造业，有些做法并不完全适合钢铁行业。

比如，流水线上的个性化定制是工业4.0的典型场景。这其实就是钢铁行业所谓的“按合同组织生产”，几十年前就做到了。一个重要的原因是：钢铁行业的产品切换基本上是参数的切换，很容易自动实施。相对而言，钢铁行业的技术成熟度很高。表现在（先进企业）的自动化程度高、劳动效率高、能能源利用率高等，许多指标已经接近极限。而成熟度越高，就越难找到合适的发展方向。不同国家、不同企业往往根据自己的具体情况，给出适合自己的做法。

美国的国情是劳动力成本高。目前，美国人均GDP达8万美元，大约是欧洲和日韩的2倍、中国的6倍。一般来说，企业人均创造的价值，要与所在国家的经济发展水平匹配，否则就难以生存。美国的人均GDP高，钢企就要设法提高人均吨钢产量。美国智能化的一个发展方向就是提高人均钢产量。所以，美国大河公司把提高人均钢产量作为目标。人均钢产量接近4000吨，接近浦项的2倍。当然，有所得往往有所失。要提高人均产量，在品种、质量等方面就要有所放弃，大河公司的产品往往是相对单一且相对低端。

先进钢企的自动化水平原本已经很高，大河公司是如何提高人均产钢量呢？其实，自动化和智能化的逻辑是不一的：自动化是提高蓝领的劳动效率，智能化往往是提高白领的劳动效率。先进钢企的自动化程度很高，白领的人数可能远远多于产线上的操作工。10多年前，我国某钢企曾与浦项对标。当时，我们人均产钢1000吨，浦项人均产钢2000吨。进一步对标发现：我国企业的工人数量居然比浦项还要少。也就是说，我们人均产量低的原因，是白领的劳动效率低。

质量和品质是浦项的优势和特长，他们不可能放弃。所以，韩国浦项提出目标：建立无人介入的智能工厂，确保竞争对手无法超越的超差距成本和质量竞争力。也就是，浦项通过减少人的失误，提高质量、降低成本。

我国钢企的智能化该如何走呢？

与国外先进企业相比，我国人均产钢量还有一定提升空。但由于我国劳动力成本相对较低，提高自动化水平的意义相对较小。对于自动化水平较高的企业，应该把提高白领的劳动效率作为重点，不能不计成本地提高自动化水平。我国钢铁企业职工数约有160万，但支撑钢铁企业的职工大约是钢铁企业4倍。在这些领域提高自动化水平的价值其实更大。

我国产钢量约占全世界一半，用户种类多、资源消耗大。所以，为用户提供个性化服务的空间大，节能降耗的价值也大。我国特别重视节能环保，但先进企业的节能水平很快会接近极限，相对价值会越来越少。但减少污染物排放的潜力却是无限的。古人云：一尺之锤，日取其半，万世不竭。技术上永远都有“减少一半污染排放”的潜力。

我国钢铁产能大，资源整合的潜力也大。工厂的产品越单一，生产管理越容易、生产过程优化的能力越强。山东永锋钢厂在这方面就做得非常好，甚至超过了很多传统的先进企业，成为行业的标杆。一个重要原因是永锋的生产流程简单合理、产品大纲相对单一、生产组织和管理相对容易，数字化技术的优势比较容易发挥。永锋的实践，也验证了殷瑞钰院士的观点：推进智能化，不能仅仅关注数字化技术，还要关注物理侧的设备和流程。

数字化技术的一个重要作用是进行资源整合，让每个生产单元的产品组合相对简单。宝武集团在这个方面所做的工作值得肯定。

通过数字化的手段，还可以有效地推进知识的复用。知识产品有“零边际成本”的特点：增加新的用户不会增加新的成本。由于高科技产品的投入很大，往往只有市场足够大、用户足够多时，收益才能大于投入，才有经济效益。对钢铁企业来说，产品技术、管理技术和软件都属于知识产品，能否扩大市场是经济上成败的关键。但市场的扩大往往以市场整合为前提。国内有些大企业的数字化公司取得了很大的成功，背后的原因是母公司体量大、便于在母公司内部技术推广。当然，更好的做法是国家范围内建立“统一大市场”，避免各个公司内部技术开发的低水平重复。

除此之外，通过数字化的手段，可以更有效地促进资源的共享。例如，许多企业都有大量的备品备件，容易造成极大的浪费。如果能够实现资源的共享，就可以显著地降低成本。

人们经常发现：有些企业的技术设备很先进，但质量和经济指标却落后于国外先进企业。一个重要的原因，是我们的管理相对落后，设备和技术的潜力没有充分发挥出来。工业互联网成为热点后，一个非常重要的应用场景就是提高企业的管理水平。我国已经组织过6届全国性的工业互联网大赛。其中，大型工业企业的应用，多数项目都可以归结为“提升管理水平”。典型的如能源管理、安全管理、设备管理、质量管理、物流管理等等。从某种意义上说，工业互联网把人类带入一个新的时代：过去是人管机器，未来是机器管人。

工信部两化融合专家组首任组长王安耕先生经常说：日本的管理是让人像机器一样工作，在我国很难做到。我们可以用数字化的手段，让机器帮助人、代替人、管理人、监督人，从而弥补我们的不足。理论和实践都表明，工业互联网技术完全可能带动一场管理的革命。

日本提出过工业数字化的工业价值链参考架构（IVRA)。这个架构可总结为“资源管理的PDCA持续改进”。单从字面上看，与数字化没有关系。其本质是用数字化的手段，让资源管理的PDCA做得更好。

我国制造业门类繁多、需求多样化，这就为钢铁企业走向服务提供巨大的潜力。若干年前，有企业提出“从制造到服务”的战略目标，但实施效果不太理想。一个重要原因是：服务往往依赖有经验的专家，而这样的专家很少，只服务于大企业或大工程，不能服务于千百万中小企业。但是，借助人工智能技术，特别是大模型技术，可让AI代替专家进行服务，企业只要专注于知识库建设即可。所以，我一直认为：钢铁AI的重点不应是制造环节，而是如何更好地服务市场和用户。在国内，有些专家和互联网大厂推进AI时，把重点集中在生产环节，这种做法在战略上不合适。

三、防止进入误区

我国钢铁行业发展到今天，可以模仿的东西少了，需要依靠自己的思想和方法推进技术进步了。由于我们缺乏创新的经验，很容易进入误区。其中，典型的务求就是盲目追求先进技术，却偏离了企业和市场的需求。

一种常见的误区是把智能化理解为采用先进的机器人技术。采用自动化技术的目的应该是创造价值。所以，浦项把无人工厂做为手段，目的是提高质量和成本竞争力，以便把技术先进性和经济性的统一起来。如果不计成本地采用机器人，资本成本可能比工人的工资还要高、而工人还失去了工作。这样做，其实是浪费社会资源而不是技术进步。

许多企业搞了些形式主义的东西、不能创造价值。例如，很多企业的数字大屏只显示数据而不能发现问题:显示了产量却不知道产量是多还是少；显示了能耗却不不知道能耗是高还是低；显示了合格率，却不知道质量是升还是降。人们获得信息的目的，是为了发现问题，也就是发现生产过程中出现的异常或者偏差，从而采取行动消除偏差或异常。如果显示的数据不能促使行动的产生，就不能产生价值，就是资源的浪费。

经常有人把先进技术用在不合适的场景。如AI大模型适合用在开放的环境下，用于处理各种随机出现的个性化问题；这些问题和方法，往往难以用罗列的形式给出预案。比如，面对用户千奇百怪的问题、面对道路上各种突发路况等。但是，如果把大模型技术用在工厂的自动控制，就不一定合适了。因为工业系统设计的基本原则就是尽量把各种意外和干扰阻挡在系统之外，以求得系统更加稳定；自动化系统处理的，也都是“预料之中的变化和干扰”。系统运行时，波动往往是在一个很小的范围内（工作点附近）。这时系统往往可以用小模型来描述。在这种环境下，正确的大模型只是更好地逼近小模型。这就好比，对于算数问题，大学生不会比小学生计算得正确。而且，在工业自动化场景应用大模型可能会带来一些不必要的风险和代价。

AI大模型的应用潜力很大。但主要的应用场景应该是研发设计、销售采购、企业管理、服务用户等，而不是生产过程控制。大模型能为人提供知识和信息支持，帮助人们决策和执行，其角色是出谋划策的“诸葛亮”而不是上阵杀敌的“关云长”。

把大模型和数据分析结合起来，提高数据分析师的效率，是个重要的发展方向。“数据中有黄金”。但人工数据分析时，效率底下、成功率低、工作周期长。如果能AI分析数据，就能极大地提高数据分析工作的经济性。最近，Palantir风靡世界，就是在这个方面取得了巨大的进展。

最近几年，数字孪生、CPS等技术风靡世界。如果不理解技术应用的逻辑，生搬硬套到钢铁行业，会产生很多问题。比如，为了推进数字孪生，把简单图标换成了三维动画，违背了工业“以简为优”的基本原则。

最近20年，离散制造业引领了数字化技术的应用，研发设计是重要的切入点。相关的机会来自于摩尔定律的持续发展。

下面用一个例子来理解现在的机会：有些事情为什么过去不能做，现在能做。上世纪末，宝钢购买IBM9672计算机时花费1亿左右，是当时国内最先进的计算机之一，存储量2T。然而，某先进锅炉的设计数据就有4T。由此可见，在当时的条件下就难以进行锅炉的全数字化设计。摩尔定律的持续发展，就是解决了这样的问题，为相关技术的发展带来了机会。关键是这样的机会就像多米乐骨牌，还会不断地延伸。

离散制造业的机会与CAD、CAE等通用软件的广泛应用有关。90年前后，某高校接到一个项目，用仿真手段分析齿轮的受力情况。当时需要自己编写FORTRAN程序，人工划分有限元网格，手工输入网格数据。项目的经费是2万元、时间周期是半年。但通用仿真软件工具出现后，这样的工作可以瞬时完成，成本接近于0。这就是通用工业软件带来的机会。

理解了机会产生的原理，就应该知道离散制造业和钢铁行业是不一样的。

比如，机械仿真用到的科学原理都是清晰的，好的算法能做到“输入参数正确，则结果正确”，本质上是个算法或数学问题。但在钢铁行业就不一样了。相关的机理模型涉及到大量的经验参数，整体的准确性就很难保证。重点不是“输入参数正确，则结果正确”，而是“关键参数如何正确”。仿真首先是科学问题而不是数学问题，难以产生通用的工具软件。

推进数字化转型时，离散制造业的很多思想可以借鉴，但要因地制宜。比如，人们经常提到的数字孪生、CPS技术。在钢铁行业，这些技术的作用之一是支持数字工厂的建设和维护。

从某种意义上说，数字化工厂是靠堆出来的，需要维护这些代码。20多年前，我消化引进代码时感到特别困难：程序中的数据往往来自特定文件的某个字段。每看一行代码都要去翻阅文件、了解变量的含义。当时，消化3万行的代码就花了半年的时间。数字化工厂可能涉及上亿行代码。如果还用过去的做法维护代码，工作量是难以想象的。而CPS、数字孪生和相关软件的一个重要作用，是帮助我们更好地维护软件。显然，要发挥这样的作用，不一定需要三维动画。

四、总结

有些人说中国钢铁技术落后。这是不对的。有些做法，钢铁行业领先了几十年。但这些都是过去式了。当今的数字化技术，往往是离散制造业牵引的。这种变化的本质是机会的不同；而机会的背后，是特点的差异。

我写这篇文章显然是有针对性的。某些人的说法是不是错了？某些企业搞得是不是偏了？有的地方，生生走了好几年的弯路、劳民伤财。只是不便点名罢了。

钢铁行业推挤数字化需要独立思考、不能人云亦云，要区分"真需求"与"伪创新"，要回归本质，坚持"技术为经济效益服务"，要因地制宜，基于行业特性和国情推进智能化。

来源：微信号 蝈蝈创新随笔

作者：郭朝晖

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。