高炉是一种容不得模型只在纸面上令人信服的生产装置。矿石、焦炭、热风、煤气与铁水在炉体内相互作用，其中最重要的反应又无法直接观察。一次错误的代价远超一条令人失望的聊天回复：它会扰乱产品质量、浪费燃料、缩短设备寿命，也会迫使操作员进入缓慢而昂贵的恢复过程。

正因如此，宝钢于 2026 年 4 月 3 日发布其称为 AI 智慧高炉的系统，意义格外突出。新的对话模型与更鲜亮的控制室屏幕都居于次位，变化的核心落在生产控制：宝钢表示，系统已经从预测炉况推进到参与感知—决策—执行回路，并已部署于宝山基地 4 号、3 号和 2 号高炉。[1] 宝钢一季度经营数据公告也确认该系统已经投用，并将其列入公司当季投入运行的 122 个 AI 场景和 20 个智能体之中。[2]

截至 2026 年 8 月 5 日，公开记录足以证明这是一项真实的生产部署。至于附着其上的各种最高级表述，现有材料仍不足以逐项佐证。更值得追问的范围要窄一些：炉况预测需要满足哪些条件，才能成为安全的控制系统；系统上线之后，又要凭借哪些证据，证明这条回路能够持续运转？

图片说明：封面采用宝钢高炉控制中心的真实照片，区别于生成式工厂画面或分析图。照片中的操作员、层层嵌套的控制台与生产显示屏表明，这个用例嵌入既有工业指挥体系，模型界面只是其中一环。[3]

变化的核心是交棒，模型规模居于次位

2026 年的自主控制建立在既有技术积累之上。中国宝武 2024 年公布的钢铁大模型平台已经提出三层体系，包括基础模型层、行业层和面向具体任务的场景模型，并以中心训练、边缘推理和生产应用为配套。该方案还把“AI 首席操作工”列为传统控制难以处理的流程所追求的目标。[6] 早期平台奠定了技术基础，4 月发布则标志着更有分量的一次交接：模型输出开始进入高炉的实时运行。

这条回路可以分成五个阶段。

第一，厂内仪表和实验室结果把间接证据汇集为当前状态估计。高炉内部在物理上依然不可见；宝武的技术合作伙伴华为称，炉内温度超过 2,000°C，整个流程覆盖 5,000 多个数据维度。[5] 这些数字出自供应商，但其工程含义成立：单个传感器无法揭示“高炉健康状况”。系统必须综合温度、压力、煤气成分与分布、炉料数据、原料性质和铁水化验结果，而这些数据又按不同频率到达。

第二，模型预测操作员能够据以行动的变量。据上海有色网报道，宝钢的系统可以提前两小时预测铁水温度和硅含量，公司报告的命中率超过 90%。[4] 相比笼统地把炉况描述为“稳定”，这样的目标和预测时域原则上可以接受检验。评估仍有缺口：如果缺少允许误差范围、采样频率、缺失数据处理规则，以及正常与异常炉况下各自的表现，命中率本身很难说明问题。

第三，决策层把预测转化为干预。视炉况而定，干预内容可以包括燃料、鼓风、炉料或其他工艺设定。公开材料同时使用了“建议”和“自动调整参数”两类说法。[3][5] 两者对应的权限分界不同：模型提出改动、交由操作员批准，与模型获准直接向控制系统写入参数，代表两种控制层级。

第四，既有自动化系统执行获准的改动。AI 因而要经由厂内控制、工艺约束、联锁装置和人工监督来影响高炉，其运转方式与自主智能体演示中的自由式“驾驶”相去甚远。这里可信的自主性范围很窄：系统在经过验证的运行区间内，从有明确限制的动作中作出选择；常规安全系统始终保有拒绝执行或切换回退模式的权力。

最后，干预后的炉况转化为新证据。华为把这一过程描述为训练、推理、生产验证与反馈的增量循环。[5] 真正投入生产的是这套循环。单次预测模型在历史测试中可以表现出色，控制回路则必须吸收自身建议造成的后果，同时避免误差被进一步放大。

公开数字显示系统已经采用，整体成效仍待补全

几项披露数据值得认真看待，因为它们描述的是实际运行。国务院国资委转述的材料称，截至 4 月，系统已经覆盖宝山基地三座高炉，核心模型预测命中率和控制采纳率均超过 90%。[1] 宝钢的证券市场公告也确认系统发布，而这份文件的主要用途是披露经营情况，并非产品发布演讲。[2] 华为称，一套高炉模型已经运行十个多月，并估算每座高炉每年效益超过 CNY10 million，收益来自燃料消耗下降、铁水质量更加稳定和异常炉况减少。[5]

不过，所有结果数据都由企业或合作伙伴提供。公开来源尚缺逐炉评估材料，其中应包括“命中”所采用的容差定义、预测误差分布、干预日志、人工接管记录、与部署后数据匹配的部署前对照期，以及所称节省金额的不确定范围。4 月发布材料只写明燃料消耗持续下降，缺少每吨铁水燃料消耗变化的公斤数，也没有从原料、维护和操作调整等因素中单独识别模型的贡献。[1]

采纳率也需要一个分母。如果操作员接受了 90% 以上的控制建议，系统是否只在熟悉、稳定的炉况下提出建议？罕见的状态转换期间，系统是否停止给出动作？已被接受的动作后来又有多少需要修正？高采纳率可以体现信任，也有另一种解释：推荐策略偏保守。缺少覆盖率和人工接管数据时，“90%”无法区分这两种情况。

因此，闭环控制的主张目前对应的是系统设计里程碑，完整安全论证仍待补充。它说明预测已经能够跨过分界线，进入生产动作；至于系统的权限范围有多宽，以及它在最重要的炉况下能否经受考验，公开材料还没有给出答案。

真正的考验出现在高炉发生变化时

高炉数据会持续发生分布漂移。矿石质量会变，焦炭性质会漂移，传感器会结垢或失效，维护也会改变设备行为。重新砌筑后的高炉与旧训练数据所代表的设备存在差异；异常工况恰恰又面临历史样本稀缺的风险。

在当前基础模型浪潮到来之前，北京科技大学的一篇同行评议综述已经指出相同的固有限制：炼钢模型高度依赖数据，数据预处理困难，生产安全仍须验证。[7] 扩大模型规模不会消除这些依赖，数据治理与控制权限分界反而更加重要。

一份可信的运行记录至少应区分四种状态：

1. 影子预测：模型给出预测，操作员和原有控制系统不采用预测结果，照常采取动作。
2. 辅助操作：模型提出建议，由人接受、修改或拒绝。
3. 受限闭环：系统可以在获批的运行区间内执行预先定义的动作。
4. 回退：当数据漂移、传感器读数冲突、不确定性升高或炉况超出运行区间时，控制权交还常规控制系统与操作员。

性能指标也应跟随状态分别记录。影子模式下的预测误差、辅助模式下的接受率与修改率、闭环模式下的干预结果，以及回退频率，衡量的是不同问题。把它们合并成一个成功率，会遮蔽系统本应处理得更安全的几次权限交接。

完整炉役周期的报告同样重要。高炉是连续运行的资产，基准测试只覆盖其中一个片段。有价值的成绩表应跨越季节与原料组合，列出温度和硅含量误差分布、每吨铁水燃料消耗、铁水质量波动、异常状态持续时间、计划外恢复事件、停止建议次数、人工接管次数和传感器引发的回退次数；同时还要标明每个时间区间由哪个模型版本控制。工厂据此才能分辨真正的改进与恰好有利的运行窗口。

它为何是中国 AI 的一项重要信号

中国最具分量的 AI 优势，首先显现的地方未必是公开排行榜。在宝钢这个案例中，稀缺资产包括数十年的工艺知识、同步的工厂数据、能够把冶金知识转译为模型目标的工程师、可以接收有限动作的控制系统，以及数座可用于迁移已奏效方法的同类高炉。

宝武的平台设计明确体现了规模化扩展的意图。2024 年的方案提出可复用的行业层和场景层，让每条产线都从零开发一套模型的做法退居次位。[6] 华为也表示，联合团队采用预训练基础模型并针对具体高炉微调，应用范围还延伸至铸造、轧制、表面检测和材料研发。[5] 一旦迁移奏效，优势便会从一次聪明的预测扩大为一套可重复的方法：把工艺历史转化成受到严格约束的生产软件。

这一前景本身还算不上证据。不同高炉在几何形态、仪表配置、炉料、操作惯例和维护历史上都存在差异。低成本迁移伴随着校准损失的风险；需要大量重新工程化的系统依旧有价值，却难以称为通常意义上的规模化“基础模型”。下一次真正有信息量的披露，应说明系统从宝山一座高炉移到另一座，需要投入多少时间、数据和验证工作，继而说明移至差异明显的厂区又需要多少投入。

宝钢已经跨过一条重要界线：AI 的工作范围从描述高炉延伸到影响高炉的下一步动作。评价这项成果的质量时，基础模型名称的权重较低，严格的权限约束更有分量——系统何时行动、何时放弃行动，操作员如何检查其决策依据并接管控制，以及燃料、质量和稳定性收益能否贯穿一个完整工业炉役周期。在物理 AI 中，最终裁决始终属于工厂现场。

来源

1. 中国宝武／国务院国有资产监督管理委员会，《中国宝武AI智慧高炉全球首发上线》（2026 年 4 月 9 日；对 4 月 3 日发布、三座高炉部署、控制回路和所报运行结果的官方说明，由新浪财经转载）。
2. 宝山钢铁股份有限公司，《2026年第一季度主要经营数据公告》（2026 年 4 月 29 日；确认 AI 智慧高炉发布、122 个 AI 场景和 20 个智能体的正式经营披露）。
3. 李荣，《新华每日电讯》，《新华智见丨拥抱AI，中国宝武全线“动”起来》（2026 年 6 月 9 日；报道高炉自动调整，并提供企业所供控制中心照片的来源页面）。
4. 上海有色网，《宝钢发布智慧高炉，实现降本增效低碳减排》（2026 年 4 月 3 日；发布报道，明确两小时铁水温度和硅含量预测目标）。
5. 华为，《Baowu's Innovative Production: AI Models Unlock the ‘Black Box’ of Blast Furnaces》（2026 年；技术合作伙伴对流程数据维度、模型架构、反馈回路、运行时长和所称收益的说明）。
6. 中国金属学会，《科技新进展：中国宝武钢铁大模型平台的开发与应用》（2024 年 11 月 22 日；由宝信软件提供的发布前平台说明，涵盖分层模型、中心训练、边缘推理和场景架构）。
7. 王忠良等，《Research progress and application status of deep learning in steelmaking process》，《Chinese Journal of Engineering》（DOI: 10.13374/j.issn2095-9389.2021.08.17.001；综述数据、预处理、泛化与生产安全的适用范围）。