工厂为何在中国学会了思考？

文 |唐晓园、刘铮

视觉设计：星船知造

正文共计：13588字

预计阅读时间：12分钟

01 巨脑觉醒

很长一段时间里，全球的化工厂如同一座座写着“生人勿近”的钢铁孤岛。

“岛”，意味着它的封闭性——背后是流程工业严苛的安全风险管控和设备间无法实时互通的数据信息。

在这片金属巨物交织的丛林里：冷却塔低矮，升腾起磅礴的蒸汽浪。脱硫塔高耸，映衬钢筋肌理。巨大储气球罐一字排开，盛装着液化气——让“有毒有害、易燃易爆、高温高压”这12字箴言，刻在每个化工人的脑海里。大型压缩机组和蒸汽阀门则在四周发出嗡鸣的工业底噪。

人们需要换上厚重的工装，顶着声浪，步行穿过这片罐区，沿途核对多个仪表的读数——眼看、耳听、鼻闻。一圈检查下来，汗湿了一身。

这就是传统化工厂。正是在如此持续多年的粗粝场景中，现代文明被孕育而出——汽车外壳、电子屏幕、服装面料，全部是来自化工厂的初级产物。

但它的问题也显而易见：

它由人驱动，也因人局限——凡胎肉身要在数千甚至上万个仪表中大海捞针般寻找异常、凭多年经验判断数据的微妙变化意味着什么……即便如此，最资深的工程师也无法保证每次决策都是最优解。

它不缺数据——每座装置每秒都在产生海量的温度、压力和振动读数。但工厂没有“记忆”，经验锁在凡人的头脑里。它无时无刻不面临着“老师傅”断层风险，也限制着自身进化的速度。

然后，德国提出的“工业4.0”号称要解决这些问题。

工业4.0给出的答案是其终极产物——黑灯工厂。

黑灯工厂通俗来说就是“关着灯也能照常生产的工厂”，通过物联网、大数据等技术来控制设备的运行。在部分实现了“黑灯控制”的流程工业场景里，机械臂和AGV小车往来穿梭；数字孪生等技术让几百公里之外的管理者能实时监控各设备的运行状态。

但黑灯工厂的问题同样明显：

机器人能在预设的程序轨道内通行无阻，可一旦面临不在程序设定内的情况，它便束手无策。

数据活跃在一块块大屏幕上，酷炫、科幻——这种“数据可视化”是黑灯工厂最为人津津乐道之处。

但这些数据依然需要人来判断、需要人来决策——它们只是用来让人“看”的。不同装置、不同品牌的数据也无法互通。

简言之，黑灯工厂的科技感更多在于“工厂里一个人都没有”。但在工厂之外，仍然是人盯屏幕、人调参数——只会按预设程序跑的机器人，也仍然不过是忠实而无脑的仆役。且目前真正实现“黑灯化”的工厂，主要集中在离散制造领域（如电子组装、家电生产），而在流程工业（石化、化工）领域，“黑灯控制”极为有限。

source：pexels

中国，东海之滨。表面看，位于宁波镇海的中石油镇海炼化分公司（以下简称“镇海炼化”），和其他化工厂并无太多不同：

高耸的炼化塔、交错的管廊、密集的储罐，组成它崎岖的外表。镇海炼化全天高速运转，年炼油能力达到4000万吨、乙烯250万吨，相当于将约半个法国的炼厂压缩了东海之滨的一小块土地上。

但当你真正走进这座世界级的石化基地，就会发现——

“岛”，竟然是“活”的。数据在苏醒、超级大脑在思考。

镇海炼化罐区机器人

初夏，夜晚。幅员二十多平方公里的炼化厂区都被笼罩在一片潮热的海风中。

1.2万平方米的罐区内，机器人正沿钢索穿梭于12个球罐之间，通过光谱成像在2秒内生成高精度3D云图——即使泄漏的气体是透明的，“看不见”的，也无法逃过机器人的硅基之眼：

球罐上的无线防爆传感器潜伏在管廊阴影中，持续对气体进行监测。

地面云台配合声波探测，确保没有“死角”——一整套的高空巡检机器人方案已经取代了人工巡检。

不过，如果仅仅到这一步，那么“硅基之眼”再多，也仍然是按照事先设定好的程序行走的“程序囚徒”，但这些巡检机器人正将数据第一时间反馈给工厂的“工业AI大脑”→“大脑”再对海量数据进行分析，筛选有效情况→反馈给中央控制室进行处理。

远离罐区的核心炼化装置区，高温管线沿塔器蜿蜒延展，炼化反应在密闭装置内昼夜不息。这里曾长期受原料组分多变、离线化验滞后的掣肘：工艺调整总是慢于工况变化，产品质量与收率的平衡，高度依赖操作人员的经验积累。

如今，装置各处的感知节点正将海量运行数据，连同沉淀多年的工艺知识与专家经验，源源不断汇入这座工厂的 “超级大脑”。依托原生的模拟预测能力，大脑对数据流展开实时解析推演：一边对关键设备、仪表阀门与核心工艺参数开展全自主监督，提前捕捉异常波动、推送工况预警；一边推演关键产品的质量走势，消解传统化验滞后带来的生产盲区。

上述场景，是这座世界级“炼化岛”上的一些智能侧写。

更多类似高空巡检机器人的智能设备作为“肢体”，正与各种生产管理系统联动，将数据信号传至“工业大脑”——工业AI大模型；

→

工业AI大模型作为“大脑”，毫秒级捕捉、分析数据；

→

工厂控制系统如同“神经中枢”将大模型的指令发送至各个生产环节。

就这样，一个完整“感知、决策、执行”的闭环在工厂内形成。很多时候不再依赖人的持续在场。

过去十年间，全球工业界都在热议“黑灯工厂”。但当一个庞大的工业实体开始能自己感知、理解、并在没有人类干预的情况下自主推理、决策、执行时——这不远比黑灯工厂更先进吗？

在全工业话语仍纠结于“工业4.0”的黑灯工厂和“工业5.0”的以人为本理念时，中国工业前沿已经出现了让工业本身拥有理解、判断与进化的能力。

《星船知造》看到下一代工业正显出雏形。

source：unsplash

这一次，庞大的钢铁躯体将通过“超级大脑”（工业AI大模型）第一次拥有自主意识，通过“神经网络”（贯通数据与指令的控制系统）下发决策，指令到达实体终端(无数的设备和传感器）。

不过，要看懂“下一代工业”形态到底强在哪儿，还是得先从工业4.0说起

《星船知造》看来，工业4.0的“智能化”要打个引号。

2011年，德国提出工业4.0，简单说就是：基于物联网等技术，以设备联网协同实现“智能工厂”（通过传感器和工业互联网等，将设备、产线甚至供应链连接成一张可实时互通的网）。这一概念随即从欧洲风靡世界，掀起了第四次工业革命。

但是，4.0所谓的“智能”，其实依赖的还是人为规划好的程序，多连几台设备、多部署几个工业软件——目前能达到的终极形态，就是黑灯工厂。

黑灯工厂可以做到以下三点

1）全线机器协作：生产、检测、包装、搬运（AGV小车/AMR机器人）全部由机械设备完成；

2）数字孪生： 工厂不需要开灯，但“数字世界”里灯火通明。设备状态、环境温度、物料消耗都可以在云端看板上实时跳动，管理者在几百公里外就能监控；

3）效率： 能消除人为因素带来的不稳定（如疲劳、情绪、操作失误），追求 24 小时不停歇的高效运转。

看起来已经很先进了是不是？

但如果和已经在中国出现的“下一代工业”比，“黑灯工厂”就显得四肢发达、头脑简单了。

黑灯工厂里机器可以自动运行，但仍然只是在执行命令，并不具备自主的判断力：比如机器人在预设的轨道内可以运行无阻。可一旦面临不在程序设定内的问题，它便束手无策。

再从数据角度看，黑灯工厂的数据只是大屏幕上的数字与图表，依然需要人工监测；而且数据采集自动化≠决策智能化——这些数据依然需要人来判断、人来决策。AI则在云端和产线、设备遥遥相望，做着滞后的分析和改造，无法真正实时接管、指挥生产。

另外，不同装置、不同品牌的数据无法互通。意味着流程行业海量数据最核心的价值——作为AI的训练语料——尚未被充分点燃。

总之，黑灯工厂的“无人化”就像一个“无头骑士”，设备只能执行预设程序，缺乏智慧大脑。它更接近于“自动化”的极致：是“无人”的工厂，而不是“自主”的工厂。

因此黑灯工厂能做到极限是“机器替人”，还远未触及“机器教人”——而后者，是“下一代工业”形态中，工厂正在不断做到的事

2021年，欧盟又抛出了“工业5.0”，其核心报告为《工业5.0：迈向可持续、以人为本和弹性的欧洲产业》。给出的定义则是：工业5.0将工人福祉置于生产过程的中心，实现就业和增长以外的社会目标，成为富有弹性的繁荣提供者。

听起来很绕？说人话就是，欧盟工业5.0本质上并没有提出什么新东西——主要是对4.0做了一些补充：可持续（绿色低碳）、以人为本（人机协同而非机器替代）、生产韧性（能快速响应断供与危机）。

相比欧洲对先进工业定义的缝缝补补——中国这次并没有喊出什么“工业6.0、工业7.0”的口号，但从“下一代工业”形态初现雏形起，它就已经实质上包含了工业5.0所追求的三个目标

可持续、以人为本、生产韧性：

在万华宁波氯碱产线上，针对废水pH控制这一化工老痛点（水源复杂、波动频繁，稍有不慎即超调），工业大模型跳过了人工摸索，基于工艺规律实时模拟并自主完成控制策略计算，接管“盲人摸象”式的重复劳动，员工得以从现场操作中解放，转向更具价值的创新工作。

在大唐内蒙古多伦，一工业大模型为核心的国内首个大型燃煤热电耦合新能源多能源互补调度优化系统，预计每年可实现49690.2万千瓦时绿色电能替代燃煤发电，相当于减少二氧化碳排放41.94万吨。

我们注意到，在这些初具下一代工业形态的工厂里，有一个共同点：

这些工厂内部，都运转着一套看不见的系统——自主运行工厂系统AOP（Autonomous Operating Plant），这套系统来自于工业AI领先的企业——中控技术，这也是中国企业率先在全球做到的系统。

它有“大脑”：中控技术的时间序列大模型TPT(Time-series Pre-trained Transformer)，从工厂大量设备（仪表、阀门等）产生的海量时序数据（温度、压力、设备运行曲线、物料反应周期、质量波动趋势等）中提取规律、预测趋势、做出决策。

它有“神经网络”：一套与大脑深度耦合的控制系统，它可以是中控技术研发的新一代通用控制系统UCS(Universal Control System)，它也可以是传统的DCS形态，甚至是其他品牌。关键在于，它能将TPT的决策指令毫无损耗地传导至工厂的每一个执行环节。

下一代工业已经出现。它以钢铁实体为身体，以数据为血液，在真实的火焰、压力和化学反应中持续进化。

和它相比，传统的“黑灯工厂”四肢发达，头脑简单，略显落伍；欧洲的工业5.0则徒有口号，缺乏场景，倍显空洞。

这种已率先在中国落地的全新工业形态正在全球范围内重新定义“什么是先进工业”。

随着它的进化，全球工业的未来只有一条路——成为它，或成为历史。

02 为什么“下一代工业”最先诞生在中国？

一条公路，两个世界——

路的左侧，是钢铁管廊纵横交错、喷吐烟气的化工基地；右侧，有闪烁焊接弧光，正组装新能源汽车的制造车间。

宁波石化区900多公里的管线从石化工厂辐射而出，将300多种原材料输送给下游36家企业。这些企业生产的改性塑料、橡胶，很快又会被运往不远处的零配件企业。

沿着上海南银河路行驶，路的一侧是赛科石化等巨头的装置群；另一侧则坐落着为特斯拉、上汽等新能源车企供应电驱和精密模具的制造工厂。二者之间最近的距离不超过一路宽。

这种“流程工业（石化、冶金等）”与“离散制造（汽车、电子等）”高度协同、紧密相连的产业生态，在中国长三角、珠三角等工业腹地随处可见。

相比之下，德国大型钢铁和化工生产基地鲁尔区，与斯图加特、慕尼黑等汽车机械集群相距数百公里；美国石化集中于南部的化工走廊，而其电子和汽车装配大多位于更北边的加州和密歇根；即便是工业土地紧张的日本，其位于临海的重化工带，与半导体基地九州硅岛也相距半个日本。

更不用提在欧美产业转移大潮下，那些远在国境线之外的工厂和产线了。

而西方的工业4.0之所以无法进化为更高级的工业形态（5.0只能搞点小概念，修修补补），正是因为一个不断缩水的“工业躯体”，无法承载进化的野心。

20世纪80年代，欧盟制造业占GDP比重接近30%。到了2024年，这一数字已跌至14.3%——四十余年，几乎腰斩。

2012年欧盟提出“再工业化”战略，目标是将制造业占比提升至20%。十余年过去，目标非但没实现，差距反而越拉越大——2000年，欧盟制造业就业人数约3500万；到2025年6月已降至不足3000万——流失约500万个工业岗位。

在“产业空心化”的地基上，工业4.0和5.0只能是“虚”的。

德国工业4.0的两大样板工厂

博世洪堡工厂西区关停；

大众沃尔夫斯堡工厂2023年大量减产，处于关闭边缘。

至于工业5.0——欧盟对4.0打出了“可持续、以人为本、生产韧性”三个补丁——更像一套价值宣言，而非技术路线。在“空壳”上谈论“人本”与“韧性”，如同在漏水的船上讨论内饰装修。

诞生下一代工业形态需要四个必要条件：身躯（工厂实体）、血液（工业数据）、大脑（工业大模型）、神经（工业控制系统）——放眼全球，只有中国同时具备流程工业与离散制造的巨大体量，是以上条件在全球唯一的超级试验场。

先看身躯（工厂实体）与血液（工业数据）。

老牌工业国的问题是产业空心化带来的“身躯”萎缩——工厂都越来越少，谈何进化出大脑？

中国工业仍在不断生长。

2025年，中国仅长三角地区规上工业营收就突破40万亿元，庞大的工业体量超过英、法两国总和。数万家流程工业企业和十数万家离散工业企业聚集于此、紧密啮合——它们共享同一张电网、同一套物流体系、甚至受益于同一套产业政策。”

我国也是全球唯一拥有联合国产业分类中全部41个工业大类、207个工业中类、666个工业小类的国家。

工业身躯日益强壮后，更多丰饶且流动的工业数据产生——海量工业数据是训练工业大模型的关键，也是下一代工业形态必不可少的“血液”。

比如，作为现代工业金字塔最底层的基石，无数流程工业的厂区里，就隐藏着一条条黄金矿脉——流程工业领域的“时序数据”。

这些数据不仅体量庞大，而且结构复杂，参数间存在深层耦合关系。《星船知造》看来，这种数据质量，是互联网文本、消费行为等“低维数据”无法比拟的。

一座中型炼化厂每天就可产生数亿条数据点，它们记录了每一次温度波动和每一次压力变化。

中国流程工业体量全球第一——年炼油能力、乙烯产能、钢铁产量均居世界首位。

相比之下，“下一代工业”的“身躯”和“血液”已经不可能出现在日益产业空心化的欧美，也无法在仅承接组装环节的东南亚落地。

印度曾被认为会是“下一个中国”，产业转移搞得轰轰烈烈：前沿如亚马逊、微软、谷歌豪掷数据中心，再次一层还有苹果、富士康电子厂。但多年过去，传闻中无往不利的“后发优势”并未出现，反而被中国越甩越远。核心原因在于其工业身躯的残缺——

全球只有中国完成了对于“工业六个层级”的最高密度布局

东南亚和印度，目前几乎承接的都是第五、第六层的来料加工和组装。由于缺少基础工业，它们既无法向上蹿升涉足高精尖产业，也无法向下保障轻工业的供给——工业设备、材料、配件，还是依赖从中国进口。就好像拿到大把乐高玩具的学龄前儿童，除了拼拼装装，玩不出太多新花样。

老欧洲的“隐形冠军”企业近两年也在加速向中国长三角等制造业集群地迁移。截至2025年底，太仓已聚集了超过560家德资企业，其中“隐形冠军”企业超60家。

全球制造业“东看”的逻辑早已从原先的“降低人工成本”彻底转变为“追求创新效率”，全球先进制造产能正不可逆、也不得不与中国产业链深度绑定。

这些都意味着，欧洲本土在缝缝补补的政策、产业转移的大潮里，已失去了从工业4.0向更高维度工业形态跃进的试验田。

说到底，高质量工业数据的积累不来自金融街的牛皮纸档案袋，也不出自宣传报表，而是来自真实的工业场景和工厂设备。孕育下一代工业形态的土壤，更看重的是全量规模与连续工业场景的覆盖：

比如，工业机器人是工业互联设备的重要领域，而中国工业机器人不仅数量上世界第一，且密度也超过470台/万人；相比之下，美国只有300台/万人，欧盟231台/万人。

中国重点工业互联网平台工业设备连接数已超过1亿台（套），实现41个工业大类全覆盖。欧美整体或是多家企业私有积累（如Caterpillar、GE Predix、特斯拉工厂内网），或是西门子Mindsphere、ABB、博世跨平台分散，远未形成中国这种集中化、规模化的设备接入与数据汇聚能力。

2025年，中国产生工业数据8.53ZB，位列全球第一。

source：unsplash

如果说前两个必要条件，“工厂身躯”与“数据血液”为下一代工业形态提供了血肉，那么后两个必要条件——大脑（工业大模型）与神经（工业控制系统），同样只可能进化于中国。

这么说，当然是有理由的。

“工业大脑”的进化不是靠某个AI技术奇点的迸发，而是一场从底层的工业体系搭建、到中层的算力基础设施建设、控制系统自主可控，再到顶层的算法与行业Know-how的深度融合——

任何一个环节缺失，都不可能孕育出真正的“工业大脑”。

在中国，这是一场长周期工程——一个个“五年计划”像接力赛一样，将工业进化的任务一棒一棒传递到今天。这种宏观调控能力同样是一些自由市场环境所不具备的。这一过程中，顶层设计的远见、定力和企业的拼搏开拓精神缺一不可。

“一五”到“四五”计划：我国完成了工业化骨骼搭建。建国初期，向钢铁、有色、煤炭、电力等重工倾斜，第一次让中国拥有了独立生产工业装备和基础材料的能力。

“十五”到“十四五”期间，我们不断建造强大“算力底座”、储备“工业数据”。“十五”计划首次提出“以信息化带动工业化”后，随着ERP、MES系统逐渐在企业中普及，工厂开始沉淀电子数据。

这一时期，全球工厂通过DCS（Distributed Control System，分布式控制系统）在一定程度上实现打下“智能化”的基础。DCS时代，让我国突破“DCS卡脖子”的是中控技术，这家企业自主研发的中国第一代DCS控制系统，助力我国从工业2.0走向了工业3.0。

“十四五”又进一步将数据列为关键生产要素，启动“东数西算”工程，明确建设全国一体化算力网与算电协同发展区域。这让“工业大脑”拥有了坚固的物理底座。

而其他国家在工业底座、新老基建等积累上的不足，实际上已很难进化出下一代工业。

2026年，“十五五”开局。“十五五”规划纲要提出，坚持把发展经济的着力点放在实体经济上，坚持智能化、绿色化、融合化方向。

此时，我国诞生下一代工业形态的舞台已基本搭好

建立完整工业体系

→

推进自动化与信息化

→

布局人工智能与算力基础设施

每一步都是上一阶段的自然延续。

新的时代命题也随之出现——谁能率先在这个舞台上肩负起“工业大脑”和“工业神经”的重任，谁就将成为新时代的大国重器。它将承载着中国工业向上突围的答案。

大脑，负责感知变化、理解工况、做出决策；

神经，负责将决策指令实时传导至每一台泵、每一个阀门、每一条管线。

二者缺一不可，且必须在同一个系统内闭环运行。

未来的答案，不妨去产业发展的后视镜中寻找。

在我国工业发展的每个阶段，都会有一把专属的“大国重器”。

国产盾构机的突围加速了基建大潮涌起，今天中国盾构机已占据全球市场份额三分之二以上。高铁产业的自主让“八纵八横”从蓝图变成现实。盾构机的突破，离不开中国钢铁与重型机械的底座。高铁产业的突围，离不开材料与轨道工业的积累。同样的逻辑，新时代的大国重器也不可能被凭空锻造，它一定是连续的、和中国工业同生共长：

它必须一早在成千上万家工厂里埋下控制系统——控制系统是所有AI实施执行的硬件基础。真实产线里每一秒的温度、压力、流量，这些数据只存在于生产现场。只有多年通过控制系统在工厂里扎下根，才能打造出AI时代的“神经网络”。

它也必须一早就进入石化、化工、电力、冶金等多个工业场景，从最早的国产化替代一路走到今天——才能亲历过伙伴每一个阶段的痛点与突破，在AI时代同样获得工业伙伴的信任。触得到、看得懂工业数据，有底气和伙伴们一起积累出让工业大模型不断进化的“工业语料库”。

它必须有足够的工业行业Know-how——才能懂客户，在AI浪潮下打捞出真实需求。为新技术找到真实的应用场景，实现技术与市场的正循环。

在中国，中控技术已经做到了这一点。

03 TPT+UCS：大脑+神经，打破工业第四面墙

在本文开头的几个下一代工业场景中，中控技术的时间序列工业大模型TPT与通用控制系统UCS都共同构成了工厂的“大脑与神经”，让厂区本身既能“自上而下指挥”，又能“自下而上反馈”。

从这个角度看，以中控技术为代表的中国工业AI企业在今天承担的是新型工业“破题者”的角色——

中控技术用三十年走过了这样一条路：先以DCS控制系统扎根工厂，累计部署超十万套，积累超过三十年的时序数据；再以TPT大模型为“大脑”，以UCS通用控制系统为“神经”，率先在中国流程工业的真实产线上完成“下一代工业”形态的完整闭环。

中控科技园

1993年之前，流程工业的核心控制系统DCS百分之百被霍尼韦尔、横河、西门子等外资品牌把持。但也在同一时期，中控技术从深入中小化工厂、地方电企做起，一个一个现场啃工艺、驻场排障，做出第一套国产DCS。

前文已经说过，控制系统是所有AI实施执行的硬件基础。中控技术早在上世纪90年代就扎进流程工业的“硬骨头”里，把“神经末梢”铺进了石化、化工、电力、冶金的每一条产线。

中控的成长史，本身就是中国流程工业的进化史：早年帮中小化工厂解决“卡脖子”的控制系统依赖，后来陪大型炼化基地做全流程优化，再到如今和中石化、万华化学等巨头共建智能工厂。这种“共成长”的关系，让中控摸透了每个行业的“隐性知识”——比如炼油厂催化裂化装置的“脾气”，化肥厂合成氨反应的“临界点”，这些藏在老师傅经验里的“工业密码”，最终都沉淀为中控的“工业语料库”。

中控的优势在于“懂行”——知道石化行业最在意“装置安稳长满优”，电力行业最关注“负荷预测精度”，冶金行业最需要“能耗优化”。这种“懂”，不是来自行业报告的二手信息，而是来自三十年里为上万家企业做过项目、处理过百万次故障的实战经验。就像中控近年推出的“工业AI平台”，之所以能快速落地到中煤信息的气化炉、浙石化的4000万吨/年炼化一体化装置，正是因为它的每一个功能模块，都对应着工业现场一个真实的“痛点场景”。

这个领域从没有“后来者居上”的神话，更没有“资本砸出护城河”的可能。下一代工业的竞争，本质上是“时间复利”的竞争——你必须在三十年前就开始埋种子、扎根现场、积累数据，才能等到今天的“开花结果”。

中控的独一无二，恰恰在于它用三十年走完了别人还没开始的路：别人讨论“该怎么建”时，中控已经深入工厂的控制系统里；别人还在寻找应用场景时，中控已经和伙伴们一起，把场景变成了可复制的解决方案。

这是长期主义的胜利，也是工业领域最硬的“入场券”。

中控DCS在化工、石化、建材、造纸四大行业的市占率连续十五年第一，累计部署超10万套，服务客户逾4万家，累计产生庞大工业数据资源。

与工业世界复杂的多模态数据不同，流程工业产生的时序数据天然具备边界清晰、工况连续完整的特征，不仅时序一致性与业务确定性突出，且从源头便剔除了互联网中的冗余噪声。

而这些承载着明确生产语义的高质量数据，在合规授权、定向脱敏之后，与工业机理、行业Know-how数据深度融合，形成跨工艺、跨场景的底层运行规律认知，能够显著提升模型训练效率与泛化效果——这正是支撑中控工业AI持续进化的核心“工业语料库”。

2025年度，中控的DCS在国内的市场占率达45.1%，连续十五年蝉联国内DCS市场占有率第一。全国无数座千万吨级炼油装置、乙烯裂解炉、空分装置里每秒跳动的温度、压力、流量、振动时序数据，都经由中控技术的系统采集——三十年的“时间复利”也开始集中爆发：

从早期打破垄断推出首台热冗余DCS，到武汉石化500万吨炼油项目首进核心装置、中天合创煤制烯烃创下超17万点规模多年未被超越的业绩，再到浙石化刷新行业纪录的77万点巨无霸控制规模，每一步都从硬仗中磨出。

这让“长期主义”的积累，才让AOP真正懂工业、能落地，而不是讲故事的跨界玩具。

2024年，中控技术发布全球首个流程工业时间序列大模型TPT。一年后，TPT升级版本面世。

但TPT的实际年龄至少再乘以10。它的孕育自多年前就已开始。

三十年积累下亿级I/O点数的连续工业时序数据资产，以及跨十余个行业的工艺机理知识，成为TPT得以诞生的唯一土壤。一个拥有“无限数据学习、无限场景应用”的正循环已经在TPT内部形成。

之后，“大脑”的进化分两步：

首代TPT （2024年发布）——流程工业首个时间序列大模型。凭借大量工厂现场的成熟控制底座形成的跨行业时序数据做大规模预训练，掌握不同工艺变量间的动态关联，一个基座模型统一覆盖异常预警、质量预测、工艺寻优、设备健康诊断、自主运行控制五大能力，首次实现"一模型适配多装置、多场景"，告别传统工业A“一场景一模型”的碎片化困局。

升级版TPT （2025年升级）——工业Agent生成平台。引入MoE混合专家架构，支持自然语言交互：工程师用日常语言描述问题，系统自动生成可执行的工业智能体（Agent），场景适配从数周压缩至数十分钟。

也就是说，在AI尚不明朗的时期，中控技术在国内最早将控制系统作为“大脑”，加上软件和知识让工厂“变聪明”。

人工智能浪潮涌现后，中控技术又最先提出让5T（AT自动化技术、IT信息技术、PT工艺技术、OT运营技术、ET设备技术）深度融合，用于工业AI产品的开发。

之后，随着中国工业实力的夯实、云计算技术升级、算力网络的完善，TPT大模型就自然而然破土而出。

如果说从DCS国产化替代到工业AI大模型，中控技术用三十年走完了西方巨头半个多世纪的进化，那么今天，相比TPT的进化速度，跨国巨头已经落后了半步。

西门子、艾默生等西方工业自动化系统出身的巨头，虽然也覆盖行业多，积累时间久，但长期走的是“机理模型+单点先进控制”的路线：即，每套装置、每种原料工况都要工艺工程师从头标定，建一个专用小模型。定制周期数周至数月，工况一变就得推倒重调，数据利用率低，且无法跨装置复用。简言之，就是仍被局限于传统工业软件的天花板之下。

TPT则从“定制化项目交付、私有化全量部署”转向“标准化云端服务、按需调用”，能适应不同行业、不同规模的企业需求。它意味着中控技术有望通过“工业大脑”做到一件西方同行无法做到的事：串起数字孤岛。

中小企业作为中国工业最庞大的参与者，其数字化程度决定着一条产业链的协同效率与发展韧性。但大量中小企业的数字化进展远未能链接起国家产业中最底层的一片数据孤岛。比如，石化行业数字化转型过程中，就存在中小企业数字化能力薄弱等问题。

但TPT大模型不仅在速度上远超传统软件，还降低了使用门槛——针对中低自动化基础的企业，TPT能够以轻量化部署方式快速提升传统控制系统智能化能力，让AI技术先赋能局部核心工序，实现单点环节的自主运行。待基础夯实后，再逐步打通数据壁垒，实现跨工序优化，稳步从部分自主运行向有条件自主运行进阶，进一步实现向高度自主运行的跨越。

TPT概念图

基于此，广大缺乏软件工程能力的工业企业也能构建自己的智能生产系统——技术和市场的正循环飞轮就这样加速转动起来。

“工业大脑”，中西方都在卷，各种版本的大模型层出不穷，而“神经网络”这个赛道的选手就比较稀缺了。中控技术打造的通用控制系统UCS，是完全能体现中国工业原生创新能力的产物。它组成了下一代工业的“神经网络”。

技术上，我们可以这样理解UCS——以云实时操作系统NyxOS为基础，根据需求自动调整资源的规模和容量，实现弹性和可伸缩性，提供更高的计算效率和系统的稳定性，辅以基于全数字化高带宽通讯的APL技术，提供更全面的现场设备数据——相比于传统的DCS，更加适合AI应用。

通俗点说，UCS铺就了数据高速公路，让工业现场仪器仪表的大量数字信息的通信效率提高100倍，并行、直达控制数据中心，为“工业大脑”提供实时、完整、多维的“数据粮食”，也能将“工业大脑”的决策快速传达到产线上的设备。

UCS不是在DCS的架构上修修补补，而是从底层彻底推翻了西方自动化巨头统治了近半个世纪的游戏规则。

很长一段时间里，大多自动化工厂里，起到“神经”作用的，是西方企业开创的DCS系统，但其本质上是一个被焊死在黑盒里的东西——I/O卡件（一种核心硬件）、主控单元、通信协议、上位机软件等被西方巨头打包出售，你买了它的硬件就等于买了它的规则，想接第三方AI得先交昂贵的接口授权费，还未必给你全量数据访问权限。

但这一次，“神经网络”的角色由UCS扮演：它既能让TPT大脑的决策毫秒级到达机器人等“工业肢体”，又能让现场的温度、压力等实时数据高速回传至“大脑”，形成感知–决策–执行的完整闭环。

UCS和DCS不同的第一件事是软硬件解耦：抛弃传统DCS层层堆叠的封闭架构，以虚拟化的高性能控制服务加全光确定性工业网络重构控制层，机柜空间砍掉90%、线缆成本大幅减低，同时协议更开放——这意味着，TPT大脑生成的决策不再需要经过外国厂商的私有网关“翻译”才能到达工业现场。

UCS也考量到数据的安全性：在开放架构的同时，通过内生安全机制与零信任通信协议，确保控制指令的可信与可追溯。

反观跨国巨头沿用三四十年的传统系统，感知链路很灵敏，但决策逻辑被固化在预设程序里，工况一超出设计范围就只能回调人工操作，面对复杂场景直接放弃自主寻优，本质上还是“数据采集+人工判断”的老路子。

UCS所做的，就是破除这堵工业之墙，神经通路彻底打通，大脑的命令才能毫无损耗地抵达每一个智能设备。

USC.中控技术

说到底，下一代工业形态不可能由“AI大厂”+“工业大厂”拼接而出。它的破题者必须同时具备三个条件：有数据（客户信任与接入能力）、懂数据（行业Know-how积累）、会使用数据（拥有强大控制硬件与软件底座）。具备这三个条件的企业，只可能是几十年与中国工业共同生长的产物，其他任何人都难以复制。

TPT与UCS，是中控技术三十年与中国工业共同成长后，交出的开启下一代工业之门的第一把钥匙。

04 未来，从“细胞”到“网络”

工业大模型是“大脑”，控制系统是“神经”，这两者咬合，就进化出了“下一代工业”的全新工厂。也就是我们本文所描述的多个流程工业领域场景。

和这种不再只会等待指令的工厂相比，黑灯工厂就显得四肢发达，头脑简单。

《星船知造》判断，这类工厂将是“下一代工业”的主流，也是未来全新工业形态的“最小单元”。而当多家自主运行工厂连接，就能形成更大范围内的下一代工业网。最终指向的，是中国重新定义全球工业标准和规则。

兴发集团湖北兴瑞硅材料有限公司

为什么“自主运行工厂”一定会成为未来工业主流，得先看它到底强在哪里。

传统工厂的架构是分层的。现场设备层负责执行，控制层负责按预设逻辑开关阀门、调速电机，制造执行系统（MES）层负责排产与工单追踪，企业资源计划（ERP）层负责采购、销售与财务。

这套架构运行了三四十年，但来到人工智能时代，问题就暴露出来：从感知到决策再到执行，每一层之间都存在信息滞后。

比如在生产过程中，现场温度压力变化要先传到控制室；控制室操作员判断完发出指令；再由DCS输出到现场驱动器——

因为这套架构的本质是“人脑决策+机器执行”，永远无法形成“自主感知–决策–执行”的完整闭环。

“自主运行工厂”要打破的正是这道墙。

自主运行工厂的进化，与自动驾驶的进阶颇为相似：

前者依靠TPT充当“大脑”负责全局感知与决策，后者依靠端到端大模型理解路况；前者依托UCS充当“神经”负责毫秒级可靠执行，后者依托VCU（车载控制系统）完成精准操控。

但与汽车相比，工厂自主运行的复杂度呈指数级上升：汽车只需应对道路环境与交通规则，而工厂则需统筹温度、压力、流量、液位等成千上万个时序变量，同时满足工艺、设备、质量、环保等多重边界约束。可以说，自主运行工厂系统(AOP)是比汽车完全自动驾驶系统(FSD)更难攻克的“皇冠上的明珠”：

工业AI落地L0-L5分级体系

L0纯人工操作级

核心能力:无数字化，全流程人工，设备仅基础功能

协作模式:100%人工主导，无系统参与

关键指标:人工干预率 100%;闭环控制覆盖率0;异常处置率0;安全验证通过率 0；模型适用工况覆盖率0

核心成功因素:仅依赖人工经验，无技术改造需求;安全与效率完全依赖操作人员技能

L1 操作辅助自动化级

核心能力:单点自动化，阈值告警，基础数据采集

协作模式:人工主导，系统仅辅助无决策

关键指标:人工干预率 74%;闭环控制覆盖率 60%;异常处置率 0;安全验证通过率80%:模型适用工况覆盖率 60%

核心成功因素:完成核心工序基础自动化改造;建立基础数据采集规范;培养员工数字化操作技能;落地高价值单点辅助场景

L2 人机协同自动化级

核心能力:单装置局部闭环，已知工况自动执行

协作模式:人工监管，系统被动执行规则

关键指标:人工干预率 46%;闭环控制覆盖率 90%;异常处置率 30%;安全验证通过率 90%;模型适用工况覆盖率 60%

核心成功因素:关键设备数字化改造完成，具备标准通信接口;实现跨系统局部集成，打破数据孤岛;建立自动化操作规范，明确人机权责边界;落地单装置无人值守前期场景

L3是关键分水岭((传统自动化一智能自主化)

L3 条件自主智能级

核心能力:AI感知-决策闭环，已知故障自动纠正

协作模式:人工主控决策与兜底，系统稳态场景自主执行

关键指标:人工干预率 24%;闭环控制覆盖率 95%;异常处置率 70%;安全验证通过率 95%:模型适用工况覆善率 80%

核心成功因素:构建企业级统一数据底座，完成全链路数据治理;实现机理模型与AI模型融合，降低决策“黑箱”风险;建立应急兜底机制，明确系统与人工的责任边界;落地装置级自主运行标杆场景

L4 场景全自主智能级

核心能力:限定场景无人，自学习自优化

协作模式:AI系统全权控制，人工远程监督

关键指标:人工干预率 2%;闭环控制覆盖率 99%;异常处置率90%;安全验证通过率98%;模型适用工况覆盖率 95%

核心成功因素:打造工业A1大模型+通用控制系统的自主运行中枢;云边协同+低时延网络保障决策实时性;建立预测性维护与全场景仿真验证体系;落地全厂无人调度/区域级无人值守场景

L5 全域自主智能级

核心能力:全场景自主，自感知自进化

协作模式:无人工参与，仅战略设定

关键指标:人工干预率 0%;闭环控制覆盖率 100%;异常处置率 100%;安全验证通过率100%:模型适用工况覆盖率100%

核心成功因素:工业AI大模型全域覆盖，实现机理+数据双驱动;构建零信任安全+自主防御体系;建立基于模型的全生命周期管理机制;打造产业链级协同的智能工厂生态

而“自主运行”的目标，则是跨越L3的鸿沟，直指L4乃至L5的高度自主。

湖北兴瑞大屏

目前，以中控TPT为工厂智慧大脑，以UCS为工业神经中枢，“读实时工况→自主判断最优操作→执行→观察效果→修正下一轮动作”，已经构建起完整的“识别-评估-决策-执行”智能闭环。

中控技术在兴发集团旗下兴瑞工厂部署的AOP系统，被兴发称作“81号数字员工”，已经越过了L3的门槛，进入了L4高度自主运行的初期阶段。

其中TPT的预测、优化范围，构建覆盖安全、工艺、设备、控制和质量异常预警、参数优化与操作规划的智能体集群，通过UCS直接写入现场执行机构，全程无需人工干预，最终实现了

报警频次从每天50000条降至100条，下降99.8%，同时预警准确率达到95%以上；

日均操作频次从25000次减少至1471次，下降94.1%，同时提升人效69%以上；

吨碱电耗下降约50千瓦时，按年产30万吨烧碱计算，一年省下1500万千瓦时电。

当越来越多的工厂进化为“下一代工厂”，就会从“单细胞”走向“多细胞”——从单个工厂的自主运行走向产业集群的自主化。

再往上一层，当港口、物流、能源这些不同职能的工业节点通过全国一体化算力网连接起来，还会浮现出一张更广域的自主运行工业网络。

在这个网络里，每个工厂都是一个自主运行的节点，节点间通过工业智能体协商协作，每个节点都保有自主权与本地决策能力，但又通过数据共享与智能合约形成更高层次的集体智慧。

这仍然是传统自动化和黑灯工厂做不到的——它们可以单点无人，但无法多点共智；可以在一个工厂局部优化，但无法在整个工业链条里合作共赢。

到这里，中控技术在这张宏大图景里的位置变得愈发清晰。它不是某款软件或某类硬件的供应商，而是中国工业加速迈进下一代工业的核心一环——这个定位，让它和那些曾改变中国工业命运的大国重器站在了同一支序列里。

中控技术今天做的事，不像盾构机那样靠吨位和强度啃岩碎土——盾构机解决的是“物理强度”的问题，让中国工业能开疆拓土；也不像高铁那样以三百五十公里的时速重经济版图——高铁解决的是“物理距离”的问题，让我们能把千里之外的产能握在同一个市场节拍里。

但中控技术做的是一件同样关键的事：让工业继续向上突围。

中控技术突破的是“工业”自身的边界——让钢铁躯体第一次拥有了自主感知、判断与进化的能力。以中控为代表的中国工业AI企业正在锻造的，是中国工业自主可控“大脑与神经”。

这种能力，也注定不会止步于国境线内。

更多的好消息已从海外传来。

过去，我国“工业品”走出去，卖的是钢筋水泥、成套装置——帮大家建起一座座工厂，但工厂投产后用的还是西方自动化系统和西方的工业软件，数据流向别人的云平台，运维也依赖别人的工程师——海外工厂建起来了，但数据主动权不在自己手里。

今天，中控技术的技术和产品正在随着中国的炼化、化肥、电力、冶金项目进入印度尼西亚、马来西亚、泰国、沙特等“一带一路”国家。

在中亚，中控技术的线下PlantMate 5S店开在哈萨克斯坦石油重镇阿克托别，标志着中控技术在中亚从产品输出升级为"技术+服务+生态"的本地化运营。

在东南亚，中控技术中标印度尼西亚国家石油和天然气公司（Pertamina）子公司PT Perta Arun Gas液化天然气（LNG）罐区储罐改造项目，并获得PHE合格制造商批准函；还与印尼金光粮油PT SMART Tbk达成了合作共识，进军食品及加工领域。

在中东，中控技术通过沙特阿美供应商审核正式进入其核心采购体系，斩获工业信息安全订单及机器人项目——逐步进入这座全球顶级石油巨头的多层级技术栈。

哈萨克斯坦的本地化服务网络、印尼国家石油与食品巨头的跨行业进入、沙特阿美的核心装置与信息安全准入——这三步棋也分别对应着我国下一代工业形态雏形出海的三个维度：

本地化服务能力、跨工艺场景泛化能力、高端市场技术信任度。

这些海外落地都指向了同一件事：中控技术带出去的早已不只是单点硬件或软件，而是一整套可本地生根、可跨域泛化、可与西方体系并行甚至替代的下一代工业架构。

当越来越多国家的核心工业装置跑着同一套全新架构，数据语义互通、智能体互操作、安全规范对齐——这本身就是中国新一代工业标准的无声输出。

而这一全新工业形态，本就是超大规模全产业链的中国工业，在“控制硬件+时序数据+AI大模型”三重条件同时成熟的历史节点上，自然进化出的新物种。

过去百年的全球工业标准，几乎全由欧美制定。“下一代工业”是一次重新洗牌的机会——谁能定义这种未来工业形态的技术架构、数据标准、安全规范与智能体协作协议，谁就掌握了下一代全球工业的底层规则。

从“下一代工厂”开始，到产业集群的新一代协作，再到广域“下一代工业网络”的全球延伸——工业进化之路，正在我们脚下展开。

主要参考资料：

[1] 长三角议事厅·周报267｜总量不占优，上海工业何以领跑长三角

[2] 专家解读 | 发挥工业数据“领头羊”作用加快推动数据要素价值释放-国家数据局

[3] 我国提出到2028年重点工业互联网平台工业设备连接数突破1.2亿台（套）__中国政府网

[4]工信部：我国制造业机器人密度达470台/万人远超全球平均水平

[5]通用控制系统UCS.中控技术

[6]中控技术受邀出席2026智能制造系统解决方案大会.中控技术

[7]颠覆传统DCS架构 | 中控全球首款通用控制系统Nyx震撼发布.美通社

本文基于访谈及公开资料写作，不构成任何投资建议

本文为星船知造原创内容

未经授权，禁止转载