為何工業(yè)AI需要時間序列大模型，而非大語言模型(LLM)？千億級市場締造絕非“夢一場”
發(fā)布時間：2025-08-20 作者：石林才
火熱的AI，在工業(yè)領(lǐng)域為何“水土不服”？是技術(shù)鴻溝？場景錯配？還是認知偏差？為此，我們推出“探尋工業(yè)AI的真相”系列文章，抽絲剝繭，只為找到讓AI真正驅(qū)動生產(chǎn)力的密鑰。
在人工智能浪潮席卷全球的當下，大語言模型（LLM）以其卓越的語義理解和內(nèi)容生成能力，在文本創(chuàng)作、代碼生成、客服對話等商業(yè)領(lǐng)域大放異彩。
然而，當我們深入石化、化工、電力、制藥等工業(yè)生產(chǎn)的核心腹地——設(shè)備運行監(jiān)控、工藝參數(shù)優(yōu)化、故障預(yù)測診斷時，卻會發(fā)現(xiàn)一道無形的“壁壘”：大語言模型的應(yīng)用似乎被嚴格限制在知識問答、輔助編程或文檔編寫等外圍環(huán)節(jié)，始終難以觸及生產(chǎn)控制的核心領(lǐng)域。
這不禁引人深思：在AI幾乎橫掃所有行業(yè)的今天，為何大語言模型在工業(yè)核心場景中會“隔行如隔山”？其 “用不了”“不敢用”“不能用”的根源究竟何在？
“用不了”：當大語言模型遇上工業(yè)生產(chǎn)
大語言模型的核心能力源于對海量互聯(lián)網(wǎng)文本、圖像、視頻和代碼的訓(xùn)練，其優(yōu)勢在于捕捉語言模式和知識的統(tǒng)計關(guān)聯(lián)，從而實現(xiàn)語義理解和內(nèi)容生成。
然而，當它踏入工業(yè)領(lǐng)域，單純依靠基于概率的數(shù)據(jù)分析遠遠不夠，面對秒級甚至毫秒級24小時不斷采集生成的溫度、壓力、流量、振動等強時序、強耦合、高干擾的連續(xù)數(shù)據(jù)流時，其先天的技術(shù)短板致使其在工業(yè)生產(chǎn)面前顯得“無能為力”。
大語言模型擅長處理離散的符號信息，卻難以精確建模這些數(shù)據(jù)中復(fù)雜動態(tài)的時序依賴關(guān)系（如參數(shù)如何隨時間相互影響演變）和多維變量間的耦合關(guān)系（如溫度、流量變化如何瞬間影響壓力和反應(yīng)速率）。
例如，大語言模型能夠解釋“什么是PID控制”這樣的概念，卻難以對PID回路中多個變量間動態(tài)變化的耦合關(guān)系進行精確建模；它能根據(jù)歷史文本預(yù)測下一個詞，卻無法利用實時數(shù)據(jù)精確預(yù)測一臺關(guān)鍵設(shè)備未來幾小時可能發(fā)生的故障。面對工業(yè)數(shù)據(jù)的“語言”，大語言模型如同“文盲”，其設(shè)計初衷與工業(yè)數(shù)據(jù)的時空特性存在根本性錯位，導(dǎo)致其在生產(chǎn)控制等核心工業(yè)場景“用不了”。
“不敢用”與“不能用”：信任缺失與安全鴻溝
即使技術(shù)上有勉強應(yīng)用的可能，大語言模型在工業(yè)核心領(lǐng)域還面臨著更深層次的 “不敢用”和“不能用” 困境。工業(yè)決策關(guān)乎重大安全風險和經(jīng)濟損失，其對因果邏輯、可解釋性和絕對可靠性的要求極為苛刻。大語言模型基于概率預(yù)測的“黑箱”特性，使其決策過程缺乏透明度。操作員和工程師無法理解模型為何提出某個調(diào)節(jié)閥門開度的建議，或預(yù)測某個故障的確切依據(jù)。這種可解釋性的缺失，直接動搖了工業(yè)用戶對大語言模型的信任根基——誰敢將價值千萬的生產(chǎn)裝置托付給一個無法“講清道理”的模型？
更深層的是 “AI幻覺” 問題：基于概率框架的模型可能生成看似邏輯自洽、實則完全錯誤或脫離物理規(guī)律的推斷。在工業(yè)控制中，一個“幻覺”導(dǎo)致的誤判（如誤判設(shè)備狀態(tài)安全、給出錯誤優(yōu)化參數(shù)）可能引發(fā)災(zāi)難性后果。這種潛在風險，使得大語言模型在追求絕對精準可控、安全可靠的工業(yè)控制核心環(huán)節(jié)“不能用”，且“AI幻覺”的不可控風險則從根本上決定了企業(yè)“不敢用”。
工業(yè)大模型既要懂“語言”更要懂“工業(yè)”
那么，在工業(yè)生產(chǎn)領(lǐng)域，尤其是流程工業(yè)中，能夠讓用戶真正“能用敢用”的工業(yè)AI大模型，究竟應(yīng)該具備哪些特質(zhì)？
要解答這個問題，需要直面工業(yè)AI落地的三大核心挑戰(zhàn)——數(shù)據(jù)碎片化、場景復(fù)雜性、需求隱蔽性。
數(shù)據(jù)層面，工廠數(shù)據(jù)質(zhì)量參差不齊，且涉及工藝保密，難以大規(guī)模共享；
場景層面，從節(jié)能到安全，需求多樣且相互關(guān)聯(lián)，單一模型難以覆蓋；
需求層面，用戶常常并不完全清楚自己“要什么”，需要技術(shù)方與工業(yè)專家深度協(xié)同。
其中，數(shù)據(jù)是工業(yè)大模型應(yīng)用的“生命線”與“燃料”。正如中控技術(shù)AI專家王寬心所強調(diào)的，工業(yè)數(shù)據(jù)以時序數(shù)據(jù)為主體，如隨時間推移而不斷變化的溫度、壓力、流量等。這樣的時序數(shù)據(jù)，不僅具有強時空關(guān)聯(lián)性，往往還具有來自不同設(shè)備、傳感器的多源性，現(xiàn)場干擾帶來的高噪聲，以及不同變量間的強耦合性。
正是基于工業(yè)時序數(shù)據(jù)的這些復(fù)雜特性與實際應(yīng)用中的重重挑戰(zhàn)，理想的工業(yè)AI大模型必須具備以下三大核心能力。
強大的時序建模能力是基石。工業(yè)AI大模型必須能敏銳捕捉參數(shù)間復(fù)雜的動態(tài)關(guān)聯(lián)與深層次的時序依賴，從而對設(shè)備壽命、工藝指標趨勢等實現(xiàn)高精度的預(yù)測。
快速適配不同工業(yè)場景是關(guān)鍵。面對千行百業(yè)，工業(yè)場景和生產(chǎn)裝置可謂千差萬別，工況更是瞬息萬變。要適應(yīng)這種多樣性，理想的工業(yè)大模型可以在海量工業(yè)時序數(shù)據(jù)預(yù)訓(xùn)練形成的通用能力基礎(chǔ)上，以少量特定裝置的數(shù)據(jù)進行微調(diào)，以快速適配不同的新場景、新裝置。
破除“不敢用”和“不能用”的核心，用于工業(yè)的AI大模型，還需要能夠深度融合工藝機理知識。
時間序列大模型，破解工業(yè)AI落地困局
面對這些工業(yè)領(lǐng)域?qū)I提出的獨特要求，時間序列大模型的誕生可以說是站在“巨人的肩膀上”取得的成就，這個巨人叫作“工業(yè)”。
以中控技術(shù)的時間序列大模型TPT（Time-series Pre-trained Transformer）為例，其核心在于通過對Transformer算法架構(gòu)進行深度改進和優(yōu)化，使其擅長對工業(yè)多維數(shù)據(jù)的內(nèi)在關(guān)系進行深度挖掘。
與此同時，TPT大模型采用了“預(yù)訓(xùn)練+微調(diào)”的范式，即首先在海量規(guī)模的工業(yè)時序數(shù)據(jù)上進行預(yù)訓(xùn)練，學(xué)習(xí)工業(yè)數(shù)據(jù)的內(nèi)在規(guī)律和通用模式，然后再根據(jù)具體場景需求，利用少量的特定裝置數(shù)據(jù)進行微調(diào)，即可獲得高度適配的專用模型。這種“預(yù)訓(xùn)練+微調(diào)”的模式，極大地降低了模型在多樣化應(yīng)用場景落地的成本和門檻。
雖然TPT大模型本質(zhì)上是數(shù)據(jù)驅(qū)動的，但其核心驅(qū)動力與底層邏輯來源于工業(yè)機理。它不僅通過獨特的算法框架設(shè)計融合了機理知識，更通過海量數(shù)據(jù)與先進算法，在特定領(lǐng)域?qū)崿F(xiàn)了超越人類經(jīng)驗的深度洞察與精準建模，同時將人的經(jīng)驗作為重要輸入和校驗手段，形成“機理為骨、數(shù)據(jù)為翼、人機協(xié)同”的智能范式，而非取代人的判斷。
更重要的是，TPT的開發(fā)絕非空中樓閣。它根植于中控技術(shù)30余年深耕流程工業(yè)積累的海量工藝知識、工程實踐與行業(yè)know-how，這種深度的行業(yè)融合，從工程化角度為TPT設(shè)定出了嚴格且符合行業(yè)實際的安全約束邊界，為模型及其Agents在工業(yè)領(lǐng)域應(yīng)用的安全、可靠提供了有力的保障。
當然，TPT的價值還不止于提供預(yù)測與洞察，其核心優(yōu)勢在于能夠基于對機理的深刻理解和數(shù)據(jù)的精準學(xué)習(xí)，直接生成可執(zhí)行、高置信度的控制優(yōu)化建議，甚至安全、可靠地直接輸出控制指令（如自動調(diào)節(jié)閥門開度、優(yōu)化PID參數(shù)等），實現(xiàn)了由感知分析向閉環(huán)控制、自主決策的高階自動化躍遷，將智能化真正落地到生產(chǎn)執(zhí)行層面。
為何是時間序列大模型，而非傳統(tǒng)軟件組合？
面對時間序列大模型帶來的顯著效益，企業(yè)用戶可能會追問：這種優(yōu)化與采用先進控制（APC）、實時優(yōu)化（RTO）、預(yù)測性維護等傳統(tǒng)工業(yè)軟件組合所能達到的效果，究竟有何本質(zhì)區(qū)別？
傳統(tǒng)工業(yè)軟件組合雖然功能強大且各司其職，但在實際應(yīng)用中往往面臨“數(shù)據(jù)孤島”和“功能割裂”的困境。不同系統(tǒng)獨立運行，數(shù)據(jù)難以互通，功能模塊間協(xié)同困難，信息流不暢，導(dǎo)致整體優(yōu)化潛力受限，難以實現(xiàn)全局最優(yōu)。
而時間序列大模型則提供了一種革命性的統(tǒng)一框架范式。它如同一個強大的“中樞神經(jīng)系統(tǒng)”，能夠原生地整合處理來自底層設(shè)備傳感器、實時數(shù)據(jù)庫、歷史檔案庫、工藝知識圖譜等多源異構(gòu)的海量時序數(shù)據(jù)。在統(tǒng)一的模型架構(gòu)內(nèi)，它能對數(shù)據(jù)進行深度融合分析，并執(zhí)行協(xié)同決策。
這使得時間序列大模型能夠同時一體地承擔預(yù)測性維護（預(yù)判故障）、工藝優(yōu)化（尋找最優(yōu)操作點）、參數(shù)整定（優(yōu)化控制器參數(shù)）、異常檢測（實時監(jiān)控報警）等，這些過去依賴分散、獨立軟件才能勉強拼湊完成的核心功能，它徹底打破了傳統(tǒng)“煙囪式”軟件架構(gòu)的壁壘，實現(xiàn)了真正意義上的信息融合與協(xié)同優(yōu)化，其所能達到的全局優(yōu)化效率上限和系統(tǒng)協(xié)同潛力，遠非分散的軟件組合可比。
對于模型輸出結(jié)果的準確性，則通過嚴格的工業(yè)場景離線驗證與在線運行考核、不斷增強的可解釋性功能（如關(guān)鍵特征貢獻度分析）以及內(nèi)嵌于模型的安全約束機制等多重手段來保障，讓用戶知其然更知其所以然，從而建立信任。
王寬心談到，中控技術(shù)即將在今年8月28日發(fā)布的時間序列大模型TPT2較2024年發(fā)布的版本有巨大改變。目前，筆者了解到的一些顯著特點主要包括：基于規(guī)模更大的高質(zhì)量工業(yè)數(shù)據(jù)集，覆蓋更加多樣化的裝置類型、應(yīng)用場景，采用混合專家模型（MoE）的架構(gòu)，打造“多智能體協(xié)同”的新模式，大幅降低應(yīng)用門檻，“一人多崗” 的操作模式創(chuàng)新等等。
為什么是中控技術(shù)研發(fā)了TPT，而不是別人？
中控創(chuàng)始人褚健教授曾多次在公開場合提到：工業(yè)AI的核心是算法與數(shù)據(jù)，但如果沒有自動化，就沒有數(shù)字化，智能化也無從談起。由“工業(yè)自動化”邁向“工業(yè)AI”，進而實現(xiàn)AI時代的智能制造，是目前相對最為合理的進化路線。
控制系統(tǒng)是所有AI實施執(zhí)行的硬件基礎(chǔ)。中控技術(shù)創(chuàng)立至今也是多年來立身之本的10萬余套工業(yè)控制系統(tǒng)的廣泛應(yīng)用為今天的工業(yè)AI夯實了地基，使其具有得天獨厚的數(shù)據(jù)收集優(yōu)勢，而AI進化的關(guān)鍵，靠的就是持續(xù)不斷的海量數(shù)據(jù)“投喂”。在制造業(yè)內(nèi)的大部分企業(yè)還未想好怎樣利用AI賦能自身時，中控技術(shù)長久以來所追求的“挖掘數(shù)據(jù)價值”“做最懂用戶的soulmate”和分析、利用“工業(yè)數(shù)據(jù)+機理”的能力，早已將一切變成了順勢而為。
當然，技術(shù)的優(yōu)勢還需要通過實踐的檢驗方能得到驗證。令人欣喜的是，以中控技術(shù)TPT為代表的時間序列大模型已在石化、化工、能源電力、油氣、冶金、建材等行業(yè)成功落地超過110個項目，展現(xiàn)出變革性的成效。
在某化工企業(yè)的廢水處理環(huán)節(jié)，利用TPT強大的時序預(yù)測能力，成功實現(xiàn)了對廢水pH值的精準預(yù)測與超前調(diào)節(jié)。這一應(yīng)用將原本依賴人工經(jīng)驗或基礎(chǔ)自動化、耗時長達6～8小時的pH值控制過程，大幅縮短至幾十分鐘，顯著提升了處理效率與穩(wěn)定性，并實現(xiàn)了真正的閉環(huán)控制。
另一個典型案例發(fā)生在某化工企業(yè)的硫酸生產(chǎn)裝置上。通過應(yīng)用TPT對裝置關(guān)鍵參數(shù)進行實時預(yù)測與優(yōu)化控制，裝置運行狀態(tài)發(fā)生了質(zhì)的飛躍：從過去每天需要人工干預(yù)調(diào)整高達1600多次，轉(zhuǎn)變?yōu)檫B續(xù)穩(wěn)定運行5～7天無需任何人工干預(yù)，在實現(xiàn)“無人值守”目標的同時，控制精度和系統(tǒng)安全性也得到了同步提升，為真正實現(xiàn)“無人工廠”奠定了基礎(chǔ)。
時序大模型將成為工業(yè)智能化核心基礎(chǔ)設(shè)施
工業(yè)生產(chǎn)的復(fù)雜性和對效率、安全、成本的極致追求，為能深刻理解其時序數(shù)據(jù)“語言”的AI提供了廣闊的舞臺。隨著技術(shù)的成熟、成本的下降和成功案例的積累，時間序列大模型更有望成為流程工業(yè)智能化升級的核心基礎(chǔ)設(shè)施之一。
以中控技術(shù)的TPT為代表的先行者，依托核心技術(shù)領(lǐng)先性、大規(guī)模工程實踐和開放生態(tài)，正逐步樹立行業(yè)技術(shù)標桿。據(jù)其官方發(fā)表內(nèi)容顯示，結(jié)合已有項目及行業(yè)發(fā)展趨勢推算，TPT在國內(nèi)石化、化工、能源電力、油氣、醫(yī)藥食品等核心領(lǐng)域未來可開拓空間或突破330億元/年。展望未來，其成功的關(guān)鍵在于能否持續(xù)深化技術(shù)與工業(yè)know-how的融合，構(gòu)建開放共贏的生態(tài)，并真正解決企業(yè)在安全、可靠、效益方面的核心關(guān)切。
工業(yè)AI不僅將驅(qū)動效率的質(zhì)變與成本的優(yōu)化，更在深刻重塑工業(yè)自動化與智能化的底層運行范式，為“無人工廠”與智能制造時代的全面到來奠定基石。
我們可以預(yù)見，未來幾年，千億級工業(yè)AI藍海的出現(xiàn)為像TPT這樣持續(xù)進化的領(lǐng)先模型及其生態(tài)體系的加速構(gòu)建創(chuàng)造了從“潛力”轉(zhuǎn)化為“實力”，從“藍圖”落地為“實景”的市場條件，而TPT也極有潛力成為定義下一代工業(yè)智能的關(guān)鍵技術(shù)標準，引領(lǐng)這場深刻的產(chǎn)業(yè)變革，重新定義工業(yè)生產(chǎn)的效率邊界與價值創(chuàng)造模式。
掃碼報名中控技術(shù)8月28日
TPT2發(fā)布會直播