AI热点 5小时前 60 浏览次数 0 评论

数字技术工人已到岗!时序大模型+Agent已掌握了工厂生产管控技术

量子位

发布了 388 文章

小明 发自 凹非寺

量子位 | 公众号 QbitAI

只用一周,一个相当于人类20年经验的“数字技术工人”——基于时序大模型和Agent的智能体,就能直接上岗

时至今日,在化工、环保、新能源等工业生产场景中,这类数字技术工人已经不再是“概念演示”,而是已经真正承担起生产操作、安全控制、能源管理等关键任务。

能胜任的场景也并不轻巧:动态合成氨、电解水制氢、垃圾焚烧发电……都是工业体系里最复杂、最依赖经验积累的环节。这些过去需要老师傅级别的专家才能把控,而如今正逐步被AI驱动的数字工人接手。

原因也很现实:经验丰富的专家越来越稀缺,而精细生产要求却越来越高。现在,这个空白则可以用数字工人填补。Ta不仅能马上学会工艺,还能把老师傅的经验和思考装进算法里,迅速成长为更稳定、更可靠的生产“骨干”。

至于为什么Ta能上岗如此之快?

秘诀就在于:数字技术工人们并不是到岗后才开始学习,而是在上岗前就已经完成了大量预训练积累,掌握了多种工艺流程,就像是进入了一个系统化的工程师训练营一般。

所以,Ta一到岗就能迅速融入生产现场,直接执行任务。这种“可复制、可扩展、不会疲劳”的数字技术工人正在成为工业智能化转型中的关键角色。

这到底怎么一回事儿?

让Agent成为工厂老师傅

如上所说的“训练营”,其实是由国内AI团队打造的一个工业智能体平台:河谷

它所构建的智能体就像一名“数字技术工人”一般,在工业生产环境中“会听会看、会思考、可行动”,即具备感知、认知&决策和执行的能力。

△旨在将Agent技术工人融入生产管控的关键节点中

其中,感知(Perceive)是指能实时获取车间或生产系统状态,比如各种传感器的数据、业务指标等。具备这项能力,Agent就能像人类一样不仅能获取原料编号、生产指令、库存需求这种生产级数据,更能时刻感受到温度、压力、流速等这类影响生产决策的核心数据指标。

认知&决策(Think&Decide)则是关键部分,其核心是利用大模型的能力,通过导入生产与工艺知识后,输出生产管理决策;在这方面,Agent有一个基础能力库,底层由多种模型构成,包括人们熟知的大语言模型和工业时序大模型等专业模型。

执行(Act)则是能够“上手”操作工业软件系统以及硬件设备,就像真人一样控制、调度或操作任务。

具备如此能力的智能体,可以承担实际生产环节中的诸多岗位。

结合工业生产的特点——行业不同但是基本环节相似,河谷平台率先推出了一批最通用岗位的“数字技术工人”。比如:

  • Agent设备操作员:设备启停、参数调整、波动响应等;
  • Agent工艺班长:决策工艺策略,如生产调度、工艺方案优化等;
  • Agent能源管理员:监控能耗、调整用能策略、达成节能指标等;
  • Agent安全员:监控设备运行状态、处理设备报警、预测性维护与故障辅助诊断;
  • Agent计划员:制定生产计划、原料计划、检修计划等;
  • 支持工厂客户自定义的Agent角色。

在工厂里,“数字技术工人”已经不再是概念,而是可以按需选择、随时上岗的新型角色。

比如,一些传统化工厂正在普及绿色合成氨工艺,以实现碳中和的重要目标。而虽然生产过程绿色低碳,生产绿色合成氨带来的挑战也很现实:上游能源供给波动大、电化学催化剂的状态难以实时监测,使得整个过程复杂、对动态工况的响应要求极高。更何况,在业内普遍认知里,化工生产本身就是工业体系中最复杂、最难做到精准控制的场景之一。

过去,连续生产主要依靠控制系统加上人工配合DCS(分布式控制系统)控制干预来维持稳定,但波动的可再生能源不断带来生产扰动,生产稳定性安全性要求不断提升,传统方式逐渐显得力不从心。此时,数字技术工人Agent便能发挥作用——它可以持续学习,适应生产中不断变化的情况,自动优化控制参数,下发控制指令完成生产,大幅减少人工干预。

现在,走入已经上线的客户厂区,在合成氨工段中控室中,已经可以看见数字技术工人替代了原本三班倒的控制班组,开始自主管理与控制生产,智能体之间相互协作(合成塔操作Agent、进气压力管控Agent……),并长时间保障生产的稳定性安全性。这一幕,让人不禁感叹新工业智能时代已经到来。

△合成氨生产操作室内Agent工人已上岗

再比如垃圾焚烧发电,同样作为一种重要的环保能源方案,通过燃烧城市固体垃圾获取热能再转化为电能,不仅能减少垃圾填埋量,还能实现热电能源回收。这个过程虽早已实现部分自动化(如自动给料、温控、烟气处理),但受限于当前垃圾热值波动、供给不稳定、环保排放标准趋严等因素,仍需要人工日常介入完成精细柔性控制

在这种场景下,Agent技术工人则承担起炉排以及进风等控制任务,承担起多个工种的岗位,而人类则主要负责安全监管,让整体运行更加智能和高效。

△区别于传统DCS控制系统的河谷智能体产品呈现方式

这类方案,不仅能提升产能和绿色能源利用效率,还能降低成本、增加工厂收益。

更重要的是,“数字技术工人”顺利落地的背后不仅是技术层面的进步,更有产品形态和商业模式的创新。

那么,河谷智能体平台究竟是如何做到的呢?

自研时序大模型,训练懂工艺的Agent

梳理来看,河谷的创新主要有两方面:自研底层技术+重构产品逻辑

带来的好处包括但不限于:

  • Agent泛化能力更强
  • 微调数据更少、上线更快
  • Agent更灵活、更符合实际生产需求
  • ……

自研底层技术

河谷智能体平台的核心突破之一,是其自研的工业时序大模型Geegobyte-g1。

和常见的大语言模型不同,时序大模型专门处理随时间演变的数据,例如金融市场价格、气象观测、工业传感器信号、医学监护数据等。这类数据的特点是:依赖历史、存在周期性、变量之间强关联、且噪声较多

在transformer网络模型的基础上,河谷的方案选择了改良的only-decoder架构,在传统encoder-decoder基础上进一步改造。

这种架构的特点是:单向注意力允许模型“回看”历史时间步,从而以自回归的方式生成未来值。比如输入过去24小时的压力数据,模型会先宏观观测,再逐点(token-by-token)推理,输出预测未来的趋势变化。

更进一步,当时序大模型与大语言模型结合,就不再只是单纯的“预测器”,而更像是一个能学习经验、具备决策逻辑的“数字工人”。

大语言模型更像是负责“理论学习”的部分:快速消化工艺文档、专家经验和历史工况,并从中提炼出参数变量、逻辑规则和控制目标等关键信息。

时序大模型则承担“实战操作”的角色:在实时数据和目标约束的驱动下,它能输出适用于现场的控制决策、优化建议和趋势预测。

两者结合,最终炼成的Agent在数据监测和情况预测上往往比人类的预感更精准,带来的生产结果也更优。

△河谷智能体正在模仿人类思考过程从输入到输出决策的画面

在Agent的训练理念上,河谷也提出了新的思路:不再以行业为界,而是以“工艺类型”来划分训练目标

长期以来,AI在工业落地时普遍面临一个难题——泛化性不足。主要原因在于:不同行业、部门、系统和技术模块相对封闭,容易形成“烟囱效应”。为了缓解这一问题,一些厂商选择打造行业大模型,通过行业数据训练来培养“领域专家”,比如矿务大模型、水利大模型等。

这种方式使得模型依然难以广泛的跨场景跨行业迁移,而工业生产虽然千差万别,却往往在工艺的第一性原理上存在底层的共通点

举个例子:垃圾焚烧发电和危险废物处置看似属于不同赛道,但都涉及燃烧无害化处理的工艺;电解水制氢涉及的电化学工艺不仅应用于新能源场景,在煤化工、精细化工等领域同样适用。

如果单纯以行业维度划分训练Agent,反而会把Agent限制在特定领域,无法充分发挥跨场景的价值。

所以河谷智能体平台从工艺维度训练Agent,让Ta们掌握核心技能,再像“通用工种”一样加入不同产线、不同行业的技术工种,“哪里需要哪里搬”。

对于需要Agent的企业客户而言,他们也可以先以最小模块形式使用Agent方案,而不是直接调整整体产线,部署灵活性也更高。

河谷的数字工人不仅专业,上岗速度也相当“硬核”。

它只需要少量数据微调,最短仅需半个月数据就能生成第一版本去做影子陪跑,验证实际效果,快速投入生产。

哪怕是0样本的企业客户,2个月内也能完成Agent从方案设计、预训练、微调、投运的流程。而已有样本的客户,则能在1周内让Agent真正上产线。

△河谷工业生产智能体平台配置化交付能力

速度为什么这么重要?不仅是技术实力的体现,更是工业场景落地AI的刚需。

现实中,产线是365天×24小时不停歇运转的。哪怕只是为了增加传感器或校准仪表临时停产,带来的损失也可能以秒计算。因此,能否快速部署、让Agent迅速进入实操,是衡量工业AI成败的关键指标之一。

既有技术领先性、又能灵活部署、还可快速上岗,河谷智能体平台在这一点上做到了。也因此,河谷训练出的Agent不只是“能用”,而是真正被行业所需要的Agent

为啥能精准get重点呢?当然也是因为平台背后有熟悉工业现场的“行业老师傅”们出马。

更懂AI工业,所以造出“老师傅”

极峰科技Geegobyte AI,河谷工业智能体平台的幕后工匠。

它成立于2024年,创始人兼CEO王筱圃是中国科学技术大学计算机工学博士。他带领公司研发团队长期从事人工智能底层算法研发与AI+工业互联网产品研发,曾主导项目面向冶金、新能源、汽车等行业,应用场景覆盖生产执行管理、设备管控、工厂仓储物流、能源管理等生产运营管理核心环节。在基础算法研发以及AI落地工业方面,都具备丰富的经验。

极峰团队长期关注Transformer-based AI实现长时间序列预测任务的研究领域,并在此基础上自研了工业时序大模型。模型能够充分利用工业生产中强时序特征数据输出决策,并具备极强的领域适应与场景迁移能力。这种全新的研发范式,使得基于此的工业Agent产品的商业化价值也逐步提升

随着ChatGPT持续引爆大模型的全球浪潮,他们意识到:真正属于工业AI的时代机遇已经到来。结合工业数字化转型的趋势,极峰科技成立后,陆续推出了Geegobyte-g1工业时序大模型河谷工业智能体平台

从那一刻起,他们的目标就很明确:造出真正懂工厂、懂生产、懂行业的“数字技术工人”——新时代的AI老师傅。

需求侧:人力困境凸显,AI补位成必然

王筱圃博士坦言,他在和很多工厂接触时,都能明显感受到关键技术岗位人手不够,尤其是优质人才短缺的问题

一家化工企业负责人就和我说过,他发现现在愿意从事化工领域工作的年轻人越来越少,化工专业的录取分数都比当年低了不少。

个中原因也并不难理解:

第一,化工等传统行业本身的吸引力有限;第二,工作环境存在一定危险性;第三,工厂通常位于郊区等远离城市的地区……多重因素叠加,使得愿意投身这一行业的年轻人越来越少了

而人才稀缺还进一步加剧了行业内的人才争夺战。工业领域的人才培养模式更多还是“师傅带徒弟”,而这个过程相对漫长、培养效率不高。当新师傅终于被培养成独当一面的老师傅时,他往往也已是行业的稀缺资源,一旦流失,对于工厂就是沉重打击。

此外,不仅是人才紧缺影响,高危工段也有“无人化”需求也在日益增加。上个智能化阶段,部分AI模型和工业软件确实实现了自动化/替代人类,但水平更接近L1级辅助驾驶,只能处理特定任务,在有限条件下才能发挥作用,大量环节仍需人工干预,导致实际使用体验与预期差距甚远。

因此,行业仍旧迫切需要更加智能化、自主化的方案,来缓解当下人才短缺与生产安全的双重压力。

如今随着AI概念被大众熟知,工业行业本身也在积极拥抱AI。

王筱圃博士提到了一家从煤化工转型做环保化工的企业,出于对于安全生产的高要求,企业主原本在无人化操作上相当谨慎和保守,但是这家企业最终还是主动联系他们,希望能够合作落地Agent方案。

这反映出产业界的需求已经十分迫切,也体现出AI落地工业势不可挡

因此,极峰科技顺大势而为:凭借底层技术储备、丰富的落地经验与行业认知,快速打造出数字工人“训练营”,向行业批量输出可快速上岗的新一代高技术能力“老师傅”。

One More Thing

除了技术和产品创新外,极峰科技也在商业模式上给出了新的参考——让 Agent像人类一样“领工资”

具体来说,河谷智能体平台提供两种商业合作模式:

1)一次性采购:类似于买断,企业按照Agent购买数量付费,一次部署即可;
2)按需付费:企业用户支付“时薪/月薪”,费用根据“实际工时”计算,年底绩效达标还会付年终奖。期间Agent能力还会持续优化升级,长期保持价值。

(没想到,Agent像人类一样上岗工作的能力中,竟然还包括了领工资这部分)

随着越来越多的Agent工人参与到实际生产中,我们希望看到未来的年轻人们从繁琐、危险、重复的劳动工种中解放出来,有更多机会投身于更加具有创造性和高附加值的工作岗位中去。

进一步了解极峰科技的产品与服务,请联系 info@geegobyte.com

— 完 —

量子位 QbitAI · 头条号

关注我们,第一时间获知前沿科技动态

量子位

量子位

388 文章 56206 浏览次数 9840 粉丝

评论 (0)

睡觉动画