曾經，對於鋼鐵生產，大規模、集約化是顯著特征。有制造企業抱怨：“因為需要的鋼材性能特殊，而且用量不多，很少有鋼廠願意接單。”

　　如今，一群年輕人將人工智能技術引入傳統鋼鐵生產，讓“鋼鐵巨人”靈巧起舞。

　　在中國寶武，當海量訂單涌來，負責統籌調度的樞紐已變為鋼鐵人工智能決策優化模型。

　　“以寶鋼股份為例，我們擁有多個生產基地，總產能超8000萬噸，訂單如何分配，影響生產的成本與效率。”寶鋼股份鋼鐵人工智能決策優化技術研發團隊負責人、首席研究員賈樹晉說。

　　不同於傳統的運籌優化模型，人工智能模型在分配訂單時，除了會綜合考慮各生產基地的產能、可制造性、與客戶的距離等因素，還會依托歷史數據，主動預測未來的訂單情況，進行合理分配。

　　“我們自主研發的人工智能模型能做到實時優化派單。”賈樹晉說，這幫助解決了多個基地之間的資源優化配置難題。

　　然而，要實現個性化、定制化、小批量生產，還需要人工智能模型懂得鋼鐵生產工藝。

　　煉一爐鋼至少能出300噸，但遇到200噸甚至80噸的小爐鋼訂單，怎麼辦？

　　“我們讓人工智能學會‘合並同類項’，將工程師掌握的煉鋼工藝知識，轉化為數字化規則。”賈樹晉介紹，學會煉鋼工藝知識后，人工智能模型能將小訂單合並為大訂單，以更低的制造成本滿足小批量需求。

　　漸漸地，人工智能模型得以解決更多生產中的實際問題，其中包括余材利用——生產環節全流程有10多道工序，每道工序都會產生余材，若處置不及時，要麼擠佔庫存，要麼被當成低附加值產品直接賣掉。

　　以前，人工處置余材效率低。現在，人工智能模型發現可利用余材生產的新訂單時，會迅速進行匹配，既能降低成本，也能提升交付效率。

　　“余材智慧匹配模型系統實現全自動值守式運行，只要幾分鐘就能為全產線余材找到最合適的去處。”賈樹晉說。

　　產品下線后，如何發往客戶手中，同樣面臨尋找最優解的難題。

　　“過去公司多個生產基地各有物流中心負責配送，幾大物流中心之間的數據不互通、資源不共享。”團隊成員楊子凝介紹，團隊梳理了過去10多年積累的、涉及幾千個物流站點的物流價格和運輸周期數據，供人工智能學習、理解。

　　如今針對每一次運輸需求，鋼鐵物流線路導航系統能計算、比較所有物流組合方案，給出最優解。“這一推理過程，涉及成百上千萬次計算，人工很難比擬。”楊子凝說。

　　在寶鋼股份，團隊自主研發的人工智能決策模型系統已有30余套，覆蓋採購、制造、銷售等產業鏈關鍵環節，僅物流系統一年就能降低成本超千萬元。

　　模型背后，是一支僅有14人的團隊，近六成為90后，專業背景既涵蓋數學、計算機、大數據、人工智能，也有冶金、材料學。

　　“工業模型要求團隊成員既懂人工智能又懂鋼鐵工業。”賈樹晉說，團隊正努力打造鋼鐵產業的“虛擬工廠”，通過虛擬世界的成百上千次試錯來降本增效，助力現實生產的進步。

　　《 人民日報 》（ 2026年06月21日 02 版）