当前，全球制造业正经历以智能制造为核心的范式变革，钢铁工业作为国家的重要支柱产业，其智能化转型既是提升产业竞争力的关键路径，更是支撑制造强国战略实施的重要抓手。在新一代信息技术与制造业深度融合的背景下，我们愈发清晰地认识到：钢厂（流程制造业）智能化的实质是要构建一个数字物理融合系统（CPS），需从数字信息系统一侧和物理工艺系统一侧，相向而行，相互支撑，相互融合。

纵观中国钢铁工业数十年的发展历程，我们在工艺流程及工序装置升级、生产自动化改造和信息化建设等方面取得了显著进步，为智能工厂建设奠定了坚实基础。然而，我们必须清醒地认识到，钢铁智能制造仍面临诸多挑战：生产作业线多维度数据采集与集成度不足，信息孤岛现象依然存在；生产工艺复杂多变，机理模型与数据模型的融合尚欠深入；全流程管控能力有待提升。这些问题的解决，需要行业同仁共同努力，从系统架构设计、技术路径创新和实施方法优化等多个层面突破。

需要特别强调的是，智能工厂建设绝非单纯的技术革新，更是管理模式和生产方式的系统性变革。不同企业在数字化转型过程中积累的宝贵经验，为行业提供了多样化的解决方案和实践路径。这些实践表明，智能工厂建设必须与企业的发展战略、业务流程和组织架构优化深度融合，才能发挥最大效能。

本期专刊精心遴选了18篇论文，集中展现了当前钢铁行业在智能工厂建设和智能制造技术应用方面的最新成果。从这些论文中，我们欣喜地看到既囊括了特种无缝钢管、钒钛钢、优质线材等不同产品领域的智能工厂建设实践，也包含了兴澄特钢、永钢等企业的灯塔工厂和数字化工厂建设经验；既有宝武集团等大型钢铁企业数字化转型的系统性探索，也有在向量数据库、EfficientDet算法、数字孪生、智能体控制等具体技术领域的创新研究。

当前，钢铁工业智能化转型正处于关键阶段，需要更多的理论探索与实践经验分享。本期专刊的出版，旨在搭建行业交流平台，分享智能工厂与智能制造领域的最新成果和经验。我们相信，这些论文必将为同行提供有益借鉴，激发创新思路，为钢铁工业智能化转型贡献力量，共同推动我国钢铁工业高质量发展。

中国工程院院士 殷瑞钰

当大模型技术从通用场景向工业核心领域延伸时，冶金行业作为流程复杂、数据异构、机理特殊的典型工业场景，面临着一系列亟待突破的挑战。这些挑战既源于行业固有的特性，也来自大模型技术适配的现实困境，现在的总体情况是，行业无论是场景发掘还是技术供给都存在问题。

    在数据层面，冶金生产数据来源分散，涵盖生产检测、工序反馈、用户反馈等多渠道，可直接用于训练的数据少之又少，尤其所谓的业务“上下文”样本严重不足，冶金行业的垂类模型训练与微调正面临着与基于互联网语料而诞生的通用大语言模型迥然不同的处境。行业过去数据治理的理论、技术与经验都已经难以满足行业大模型发展的需要，冶金行业一直引以为傲的“海量”数据其实离大模型需要还有很远的距离。我相信参与大模型训练、微调和应用的同行都会同意，其实我们要重新认识数据，需要重构数据治理的技术体系。

    在模型层面，冶金过程涉及高温反应动力学、多相流耦合等复杂机理，单纯数据驱动的模型难以解释工艺参数与生产结果之间的因果关系。材料性能与微观结构的映射受动态工艺影响，模型泛化需同时兼顾数据规律与物理约束。因此如何解决机理与数据的融合，如何解决大小模型的协同，是摆在我们面前的必答题。

    在应用层面，行业的实践呈现碎片化、散装化的局面。如何从系统的角度找到一种全新的智能工程方法，实现大、小模型的协同，实现数据、知识的协同，实现自动化、信息化与智能化的协同，是行业面临的又一个共性问题。与此同时，随着智能体越来越多地进入企业生产、经营、运维和服务的各个环节，未来工厂人与智能体的协同模式、管理方法，也将迅速成为一个新的命题。

    问题就在这里，需要行业同仁一起努力解决。这就是本期行业大模型专刊的初心。

我欣喜地看到来自企业、研究院所、高校的同行正在共同努力地解决问题。在这一期的论文中，既有技术前瞻分析，也有平台建设框架、大模型构建等实践，也有生产数据治理、知识图谱与RAG、时序预测、多步知识推理等共性技术的突破，还有一体化生产调度、机械性能软测量、吹氩检测与智能调节等生产核心环节的场景。

    这次的专刊只是一个起点。我相信来自行业的共同努力，终究将汇聚成一种力量，共同绘制出大模型赋能冶金行业的蓝图，并在各个企业中兑现新一代人工智能技术应有的价值。虽然目前行业还处于起步阶段，但是通过我们共同的努力，有理由期待一个美好的未来。

中国钢研科技集团人工智能首席专家 张云贵