基础模型如何助力钢铁和水泥生产实现更高可持续性

重工业，尤其是水泥、钢铁和化工，是最大的温室气体排放行业，占全球二氧化碳排放量的 25%。这些行业的许多流程使用高温热量，而这些热量主要来自化石燃料。应对气候变化需要降低重工业的排放。然而，这些行业在减少温室气体排放方面面临着巨大挑战。更换设备并非减少排放的可行途径，因为这些行业属于资本密集型，资产生命周期超过 40 年。这些行业同时也在尝试使用替代燃料，但这又带来了替代燃料供应稳定性以及混合燃料流程管理能力的新挑战。《巴黎气候协定》要求这些行业必须在 2030 年前将年度排放量减少 12% 至 16%。生成式 AI 应用于工业流程时，能够提高生产效益、降低质量波动并减少单位能耗（从而降低运营成本与排放量）。

运营和流程的波动性越大，单位能耗 (SEC) 和排放量就越高。这种波动性来自材料的不一致性（原材料来自地球）、不同的天气条件、机器条件，以及人类无法每周每天 24 小时以最高效率操作流程。人工智能技术能够预测流程中的未来波动性及其对产量、质量和能耗的连锁影响。例如，若能提前预测熟料质量，我们就能以最低能耗生产优质熟料为目标，优化水泥窑的热能配置与燃烧过程。此类流程优化可降低能耗，进而减少能源排放与流程排放。

基础模型通过整合高达 70% 的模型训练成本与工作量，使 AI 更具扩展性。基础模型最常见的应用领域是自然语言处理 (NLP)。然而，经过适当调整后，基础模型能帮助组织精准建模复杂的工业流程，创建流程的数字孪生体。这些数字孪生体能够捕捉流程变量、材料特性、能源需求、天气条件、操作人员操作和产品质量之间的多变量关系。借助这些数字孪生体，我们可以模拟复杂的运行工况，获取流程“最优区间”的精确操作设定点。例如，水泥窑数字孪生体会推荐最优的燃料配比、风量、窑速和投料量，在保证熟料质量的前提下实现热能消耗最小化。当这些优化设定点应用于实际流程时，我们将见证前所未有的效率提升与能源削减。改进的效率与单位能耗不仅转化为 EBITDA 价值，同时直接降低能源排放与流程排放。

重工业在过去几年已开始采用 AI 模型优化流程。典型做法是使用回归模型捕捉流程行为；每个回归模型负责描述流程某部分的行为特征。当通过优化器将这些模型组合后，整个模型群便能表征流程的整体行为。这 10 到 20 个模型群由优化器像指挥乐团般协调运作，为工厂生成优化的操作点建议。然而，该方法难以捕捉流程动态特性，尤其是在扰动期间的升负荷、降负荷等工况。此外，训练和维护数十个回归模型并非易事，这成为加速推广的瓶颈。

如今，基础模型主要用于自然语言处理。它们采用转换器架构来捕获文本中词语（在生成式 AI 术语中称为词元）之间的长期关系。这些关系被编码为向量。然后，这些关系向量用于为任何特定上下文（例如租赁协议）生成内容。如 ChatGPT 所展示的，基于这些映射向量生成的内容准确性令人印象深刻。如果我们能将时间序列数据表示为词元序列呢？如果我们可以使用并行化转换器架构对多变量时间序列数据进行编码，捕获变量之间的长期和短期关系，会怎么样？

IBM Research 与 IBM Consulting 合作，将转换器架构适配于时间序列数据，并取得了鼓舞人心的成果。运用该技术，我们仅需一个基础模型即可对整个工业流程（例如水泥窑）进行建模。这些基础模型针对流程领域进行训练，能够捕捉整个资产类别和流程类别的行为特征。例如，一个水泥磨基础模型可以掌握多种规格水泥磨机的运行特性。因此，后续部署的每台新磨机只需对“水泥磨基础模型”进行微调，而无需经历从头开始的训练过程。这将模型训练与部署时间缩短一半，使其成为大规模推广的可行技术。我们观察到，这些基础模型的准确度是回归模型的七倍。更重要的是，由于这些模型能进行高精度的多变量预测，我们可以准确捕捉流程动态特性。

生成式 AI 技术必将将工业生产变革至前所未有的水平。这是在控制资本支出影响、提升 EBITDA 的同时，遏制工业排放并提高生产率的解决方案。IBM 正与多家客户合作，将此项技术引入生产一线，已实现生产率最高提升 5%，单位能耗与排放最高降低 4% 的成效。我们与客户团队组成联合创新小组，共同为多个应用场景训练和部署模型，涵盖供应链优化、生产优化、资产优化、质量优化至计划优化等领域。我们已开始在印度的一家大型钢厂、拉丁美洲的一家水泥厂以及北美的快消品制造企业部署该技术。

最终，关键因素在于人：工厂操作员必须愿意采用，流程工程师应当乐于使用，工厂管理层必须充分认可其价值。这只能通过有效的协作与变革管理来实现，这也是我们在整个合作过程中持续聚焦的重点。让我们携手共创这样一个时代：在实现产能增长的同时不牺牲可持续发展目标，为子孙后代建设更美好、更健康的世界。