检测、石墨烯 CVD 检测等领域发挥越来越 重要的作用，成为推动工业精密检测和科学研究的重要工具。 （8）基于混合建模的数字孪生系统 基于混合建模的数字孪生系统是指结合数据驱动和物理机理的建模，充分发挥机理仿真的可解释性和 泛化能力以及数据驱动模型的灵活性和可学习性，创建一个与物理实体或系统相映射的数字化镜像。这种 系统能够实时更新，反映物理实体的全生命周期过程，并支持物理对象生命周期各项活动的决策。 ，结合知识图谱和 AI 算法，实现数据与物理机理之间的语义关联；② 嵌入物理机理的生成式模型增强——研究融合物理对象运 行机理的 AI 算法，通过生成符合真实物理信息的数据填补数据缺口，提升数字孪生系统的泛化能力和模 拟质量；③ 跨模态、尺度模型融合技术——整合多要素、多维度、多领域机理生成数据及 AI 生成数据， 融合微观和宏观的多方面机理模型，打造复杂系统级数字孪生体，推动数字孪生体由静态描述向动态分析 静态描述向动态分析 演进；④ 模型修正技术——基于实际运行数据持续修正模型参数，涵盖数据模型实时修正、机理模型实时 修正技术，确保数字孪生模型的精度和迭代优化。 从大方向上看，以下几个方面有待进一步探索：① 自主式智能——数字孪生体可以通过孪生体间的 连接主动从相关孪生节点获取有价值信息，以进行智能决策，而无须通知其物理实体；② 集成化与协同 化——数字孪生系统将从单一领域向多领域集成方

状，分析了驱动人工智能在钢铁工业能源管控领域应用的重要技术，结合钢铁工业人工智能应用实 例讨论了典型人工智能技术应用于钢铁能源管控的可行性和存在的问题，指出钢铁智慧能源的未来 发展趋势为：如何实现机理、数据、知识等多模型合理深度融合；运算结果的可解释性提升。钢铁 企业智能化、绿色化需求必将使人工智能深度融入钢铁能源综合管控。 随着能源管理系统 (Energy Management System， 基础 设施层 平台层 应用层 工业数据采集 ... ... 高性能服务器 大规模存储设备 高效网络设备 VR、AR等 平台资源部署及管理 应用开发（开发工具、服务框架等） 组件库研发（机理模型、知识、算法等） 工业大数据分析系统 大数据预处理 生产-能源协同关联分析 考虑能效、成本、 安全等多目标优化 能耗、环 保等指标 可视化 多能流统一建模 ... 监控系统 调度系统 能技术目前已开始深度融入钢铁能源综合管控。考 虑到实现钢铁智慧能源这一终极目标，除了本文已 介绍和分析的几个核心内容和主要应用举例外，以 下几个方向将成为人工智能应用于钢铁能源管控的 未来发展趋势： (1) 机理、数据、知识模型的深度融合：目前模 型方法的构造方式仍相对单一，仅基于数据、知识 等某一资源开展建模工作，所得结果难免有所偏 颇，无法全面反映钢铁能源产、消、存实际变化。 虽然已有学者进行了融合模型的研究，但采用的仍

…… 农 业 基 准 数 据 库  数据增值的关键在于整合，但整合的前提是数据标准的统 一。 3. 农业大数据分析处理技术 建模技术：  农作物生长与产量形成机理建模；  农产品消费行为与消费量变化动态建模；  基于多代理系统进行农业智能仿真模拟；  关联分析：  专家会商系统结合；  专家智慧动态引入；  仿真模拟智能化和自适应； 商系统 农业动态 建模技术 农业动态 建模技术 交互仿真 模拟技术 交互仿真 模拟技术 仿真可视 化技术 仿真可视 化技术 农产品消费 行为与消费 量变化模型 农作物生长 与产量形成 机理模型 介入与反 馈模型 农业智能仿真架构 农业智能仿真架构 优化调整 决策 优化 农业 专家  仿真过程介入；  仿真结果反馈；  生产与市场决策流程优化。 4. 数据分析模拟技术 农业大数据交互式可视化技术 农信采监测数据可视化 大数据背景下，在交互式数据可视化技术的支撑下，通过对高频变 农产品市场数据的处理，实现多品种、多地域、多类型农产品市场变 动的内在机理、波动周期、市场走势的可视化呈现。 农信采监测数据可视化 四、大数据技术在农业中的应用 大数据应用在于从流程优化、知识发现、辅助 决策的过程中发现大价值。 大

单位，有固定的经营服务场所，有面向行业提供数字化转型专业 化服务的必要设施、条件和能力，财务收支状况良好，经营规范， 具备可持续发展能力。优先支持脱胎于大型工业企业、具有工业 基因、熟悉行业机理的实体机构建设促进中心。 三、主要功能 (一)资源整合。汇聚政产学研用金等相关资源，整合技术、 产品、数据、标准、解决方案、基础设施、人才、安全防护等各类 资源要素，创新运营模式和合作机制，促进数字化转型资源开放 侧 数据互通共享。联合专业机构建设必要的网络和数据安全保障能 力，建立风险预警和应急处置机制。 (七)人才培训。提供标准化与定制化相结合的人才培训实训 服务，培育更多熟悉行业生产流程和工艺机理、具备数字化技能 的复合型人才队伍，打造人才培训实训基地。面向数字化系统运 维、设备故障检测等共性需求，组织行业技术人员与软硬件开发 工程师、网络工程师等深度协作，组建专职顾问团队。组织开展 式，支撑实际生产经营业务活动并发挥重要价值，是场景数字 化转型的关键驱动要素。 2.知识模型：利用数据挖掘、机器学习、人工智能等技术， 对场景中对象、现象和原理进行数字化、结构化处理，形成反 映工业机理、业务逻辑等现实场景的算法、数据结构或数字模 块等，是场景数字化转型的重要载体。 3.工具软件：场景数字化转型所需的各类数字化工具，包括 数字化集成工具、通用软件工具、专用软件工具等，是场景数

生产场景 3D 可视化、 生 产 调 度计 划 支持 、 设备紧急制动策略 业 务 应 用 服 务 基 础 平 台 服 务 模型库 • 3D 组态模型 • 故障诊断模型 • 设备机理模型 算法库 • 电气信号频谱分析 • 机械信号频谱分析 知识库 • 设备使用手册 • 故障 Q&A • 测量点要求 数据 管理 • 数据存储 • 进度、质量过程监控 • 作业指令垂直下达 5G 全 连 接 生 产 运 营 中 心 ** 5G 全连接平台  基于“人机料法环”生产全要素的泛在感知，积累沉淀生产经验，挖掘潜在机理，科学的变化点管理助力生产的稳定与平顺，实现以数据 驱动为核心的协同化、智能化生产管理 5G 全连接工厂 赋能汽车制造

有的密集活跃期，人工智能技术的崛起，特别是大模型的广泛 应用为传统工业发展带来全新范式。汇聚了算力、数据、算法 及知识的工业互联网，已经成为人工智能技术落地的重要载体。 通过工业知识注入，实现工业机理与通用人工智能大模型的有 机结合，一系列具备工业文本生成、知识问答、理解计算、代 码生成及多模态处理等核心能力的工业大模型不断涌现，进一 步助力实体经济的数字化转型。 （二）全球工业互联网的发展 控和优化资源分配，同时保障数据传输过程中的安全。平台层 提供工业数据管理能力，将技术、知识、经验等资源固化为可 移植、可复用的工业微服务组件，构建应用开发环境，实现工 业软件的快速研发。应用层聚焦数据科学与工业机理的深度融 合，形成各类工业软件，为设计、生产、管理、服务等各业务 环节提供数字化服务。 （四）工业互联网技术产业发展趋势 网络、平台、安全作为传统工业互联网三大核心，重点服 务于工业数据互 （四）应用层提供场景化解决方案服务能力 应用层是工业互联网最终价值体现。新工业应用依托于工 业互联网，面向研发设计、生产运营、数字经营、平台经济等 17 特定工业场景，基于平台沉淀的技术引擎、资源、模型和业务 组件，将工业机理、技术、知识、算法与最佳工业实践进行组 合封装而形成，与传统工业软件、信息系统相比，具备体量小、 易操作、松耦合、功能专一、响应灵活等特点。 图 6 工业互联网赋能能源化工行业体系架构—应用层

储和计算的压力。。 中心云平台利用大数据平台对采集的数据进行集中存储，并可 将数据以服务形式开放给 AI 平台和各类工业 APP 应用。AI 平台以 生产数据、经营数据、非结构化数据为基础建立各类机理模型和数 据模型，这些模型以服务接口的形式提供给各类工业 APP 使用。对 实时性要求较高的数据模型，AI 平台可将这些模型下发至边缘侧计 算服务器，边缘计算服务器可利用这些模型对边缘侧的现场数据进 式为上层业务系统的开发提供统一的开发框架、部署环境和运行时 环境，可满足业务系统快速开发、灵活扩展、动态调整的需求。为 26 企业数字化转型及企业数字化平台建设方案 快速构建 XXXX 公司各类业务系统、数据应用、机理模型、算法模 型、移动应用等提供统一的开发、测试、部署、运维、监控一体化 的支撑体系。 PAAS 平台主要由容器化平台、DevOps 开发运维一体化体系、 应用开发平台、移动应用平台、微服务体系、业务中台、工业大数 实现一站式大数据智能分析平台，降低大数据分析的难度，可快速 高效的支撑电力数字化和智能化应用场景的实现，能快速满足电力 行业各种大数据分析挖掘主题需求。提供电力行业应用场景相适应 的智能算法和模型，通过对机理模型和数学模型相互融合，不断优 化迭代，助力发电企业智能化发展。 3.2.3.4.3 BI 分析平台 数据分析是对大量结构化和非结构化的数据进行分析处理，从 中获得新的价值，具有数据来源广泛、数据关系复杂、数据计算量

2 模型架构 ◼ 混合架构 主流架构呈现"预训练+微调+物理嵌入"的混合模式： ➢ 基础层：基于 Transformer 的通用特征提取 ➢ 领域适配层：融入设备动力学方程、材料本构模型等机理知识 ➢ 任务特定层：面向检测、预测、优化等场景的轻量化模块 ◼ 实时推理架构 为满足产线实时性要求，架构设计突破包括： ➢ 动态计算图：根据输入数据复杂度自适应调整计算路径 13 合工业知识以及优化模型性能的关键任务，为上层模型的开发与应用提供了强 大的技术基石。它不仅是工业大模型通用能力的来源，也是其适应复杂工业场 景的关键保障。在实际应用中，基座层通过多模态预训练、工业机理嵌入以及 模型优化工具的综合作用，使工业大模型具备了强大的适应性和高效性，能够 满足多样化的工业需求。 多模态预训练模型是基座层的核心组件之一。工业场景中，数据来源极为 多样，包括文本（如 备管理到生产优化的多样化场景。 工业机理嵌入是基座层的重要特性之一，通过将工业领域的专业知识、物 23 理规律和机理模型融入到大模型中，显著提升了其对复杂工业问题的理解能力 和解决能力。工业场景中，许多问题具有高度的专业性和复杂性，例如流体动 力学、热力学、电磁学等领域的物理规律，往往是工业生产过程中的核心要素。 基座层通过工业机理嵌入，将这些专业知识直接融入大模型的训练和推理过程

工业领域流传众多安全类相关概念且相互交错、极易混淆，必须深度剖析和关联分析，在明晰工 业互联网重塑安全能力和产业格局的前提下，明确讨论范围。 (2) 本报告立足工业生产，对工业互联网安全的定义强调网络安全技术、工业机理知识与行业合规要 求的融合，凸显其与工业生产深度绑定的特性。 2. 工业互联网安全建设现状与未来趋势 (1) 工业互联网发展迅猛且成果显著、但工业互联网安全现状不容乐观，业务、设备、数据等多维度 （一）基于工业领域安全体系的定义考量​ 工业互联网安全是工业领域安全体系在数字化、网络化、智能化发展背景下的核心构成，其本质是覆 盖“设备、控制、网络、平台、数据”的立体防护体系，通过融合“网络安全技术”“工业机理知识”“行 业合规要求”，形成跨领域的安全能力边界。其定义需紧密依托 1.1.1 中在等保 2.0 视角下的工业领域安 全概念体系，即作为连接工业生产全要素、全产业链、全价值链的关键纽带，工业互联网安全旨在融合工 对工业控制系统的安全扩展要求，如物理环境安全、网络架构安全等， 进一步明确了工业互联网安全在合规层面的边界与技术规范。 （二）工业互联网安全的精准定义 工业互联网安全，是综合运用各类网络安全技术，紧密结合工业机理知识，并严格遵循行业合规要求， 针对工业互联网环境下的设备、控制、网络、平台、数据等关键环节，构建的一套全方位、多层次、动态 化的安全防护体系。其目的在于抵御内外部各类安全威胁，确保工业互联网中信息的保密性、完整性与可