DeepSeek現象級出圈后，光大證券在研報中拋出了這樣一個的觀點：大模型有望全面賦能流程工業和智能製造。
早在兩年前，電力、採礦、油氣、半導體、汽車等行業陸續開始了大模型落地的探索，不只是大語言模型，視覺模型、多模態模型、垂直領域的專業模型等都有應用，湧現出了不少有價值的案例。
比如在昇騰AI創新大賽2024上獲得金獎的雲鼎科技團隊，2022年7月就開始了大模型在煤礦行業的能力驗證，目前已經在115類場景中落地，拓展到了化工、電力、油氣等多個行業。
同時也為我們打開了一個新的視角：當大模型的“春風”吹進工廠車間，將產生什麼樣的化學反應？
也許在不少人的印象里，煤礦還屬於所謂的“傳統產業”。
其實在2020年2月，國務院八部委就聯合下發了《關於加快煤礦智慧化發展的指導意見》，明確要求將人工智慧、工業互聯網、雲計算、大數據等新技術與現代煤炭開發利用深度融合。
彼時ChatGPT還在醞釀階段，大模型的討論仍局限在技術圈內，雲鼎科技著手組建一支涵蓋方案設計、產品研發、測試交付、運營運維等全棧能力的AI團隊，在2022年初開始了大模型落地試點。
回顧這場長達3年的創新探索，大抵可以分成三個階段：
第一個階段是驗證。
煤礦行業和AI的融合由來已久，但傳統的演演算法模型是基於某個特定場景開發的，部署到下一個場景的時候，常常因為安裝的位置、補光和環境差異，導致演算法精度變差。再加上工業場景較為複雜，採集的數據比較少，且嚴重依賴人工標註，人工智慧的落地長期處於試驗階段，無法規模化應用。
傳統演算法模型的瓶頸，大模型可以打破嗎？2022年1月，山東能源集團攜手華為成立了聯合創新中心，尋求盤古大模型的行業應用；2022年7月，雲鼎科技將大模型能力應用到了興隆庄煤礦，初步驗證了大模型在數據篩選效率、模型優化效率、泛化性等方面的優勢，成為行業里“第一個吃螃蟹的人”。
第二個階段是研發。
短短4個月的時間，雲鼎科技就走完了模型驗證、訓練中心建設等工作，創建了百萬張訓練圖片的全場景高品質樣本集，並在L0大模型基礎上訓練出了全球首個擁有視覺感知、數據預測、自然語言處理、多模態等核心能力的L1礦山行業大模型。對比傳統演算法，經小樣本訓練后的識別精度對比提升了10%以上，新場景識別精度提升超過23.5%，模型訓練工作量節省了85%。
時間來到2023年7月，山東能源集團、華為公司聯合發佈礦山大模型的全球商用，首批發佈了21個人工智慧應用場景。同年9月，雲鼎科技完成了礦山大模型在山東能源集團內5家單位的複製驗證，同時持續對模型進行調優訓練。
第三個階段是推廣。
雲鼎科技的探索並未止步於此，目前已經構建了了“1+4+N”架構的礦山智慧化方案，通過1個AI開發平臺和4種能力，開發出了N個高價值應用場景，給出了大模型走向更多工業場景的通用範式。
可以找到的一組數據是：2024年12月，礦山大模型的落地場景從最初的21個增長到了115個，實現了大模型的常態化應用；在礦山行業外，逐步擴展到了化工、電力、油氣等，陸續在國家管網、皖北煤電、西部礦業、華能煤業等70余家單位落地，形成了一批可推廣複製的標準化解決方案。
為了讓礦山大模型服務更多客戶，雲鼎科技設計了兩種賦能模式：一種是説明客戶構建AI訓練中心，模型的訓練和部署都可以在本地實現，保障數據不出園區；另一種是輕量化部署的“調優艙”，基於客戶的樣本數據進行增量訓練，並將訓練好的模型推送到邊緣端，客戶可以自主進行模型的持續優化。
必須要回答的一個問題是：大模型解決了哪些產業難題？
可以找到的答案有很多。
比如基於大模型的掘進安全品質智慧監管系統，實現了掘進工作面可視、可管、可溯規範化作業；大模型賦能的煤礦安全生產知識助手，深度融入辦公系統，顯著優化了決策流程與作業指導；井筒裝備智慧巡檢使用多模態技術，能夠運用視覺、聽覺感知技術檢測井筒裝備的異常情況……
雲鼎科技的一個又一個創新點，構建了大模型賦能能源行業的“全景”，確切地說是帶來了“四個改變”。
一是由“被動監管”向“本質安全”轉變。
有了大模型的視覺感知能力，實現了對人的不安全因素、物的不安全狀態進行智慧管控、提醒、消缺。比如在掘進作業中，結合視覺感知和設備運行狀態，自動識別危險區域人員進入、自動監測截割部落地、敲幫問頂作業執行等行為，並進行現場告警、聯動停機等自動業務處置，在提升作業流程規範的同時，增強員工的安全管理意識。
二是由“勞動密集”向“精簡高效”轉變。
很長一段時間里，礦山作業的每一個環節都離不開人。在大模型的賦能下，讓現場作業無人化、少人化成為了現實。以煤礦主煤流運輸環節的堆煤監測、異物監測、煤倉運行異常狀態監控為例，礦山大模型落地后極大地減少了現場崗位人員和巡檢人員，實現了關鍵區域從“人盯”到“技防”跨越，既降低了人員的勞動強度，又提高了生產效率。
三是由“粗放管理”向“品質效益”轉變。
大模型之所以成為外界追捧的焦點，一個不可或缺的能力在於預測，通過對生產工藝參數和歷史數據進行分析建模，沉澱老師傅工作經驗為人工智慧模型，可以實時預測最優的工藝參數，自動下發和聯動控制，減少人工干預，有效降低生產成本、穩定生產品質，提高產品產量和生產效率，告別過去靠“拍腦袋”做決策的“粗放管理”模式。
四是由“分散重複”向“集約高效”轉變。
以往人工智慧在礦山領域的部署應用是分散的“作坊式”開發模式，導致資源重複配置與煙囪式建設，且過度依賴研發人員手工編寫代碼，存在開發週期長、成本高昂及應用效果不佳等問題。雲鼎科技採用了更為高效、集約、標準化的“工廠式”開發路徑，以礦山行業預訓練的大模型為基礎，針對性地微調即可快速適應多樣化的應用場景。
按照產業轉型的一般規律：當一家企業、一類場景的創新價值被充分驗證后，大概率會成為整個行業的準則。
2024年4月，國家礦山安監局、應急管理部等國家部委印發的《關於深入推進礦山智慧化建設促進礦山安全發展的指導意見》中要求，加快礦山智慧化領域的人工智慧大模型的演演算法優化和模型反覆運算，提升礦山人工智慧大模型的通用性和實用性。重點開展人工智慧在人員行為規範、工程質量評價、設備運行管控、安全保障、災害預警分析、工藝參數優化等方面的創新應用。
如果說大模型代表的技術創新，是驅動能源產業轉型的“時”；頂層設計上的各項戰略規劃，則是推動創新擴散的“勢”。時與勢的同頻共振，預示著雲鼎科技帶給能源行業的“四個改變”，正在成為一種行業共識。
工業大模型的落地能否從1到N，終歸要算一筆“經濟賬”。
正如騰訊研究院在《工業大模型應用報告》中的觀點：相較於消費類場景，工業大模型應用面臨數據品質和安全、可靠性、成本三大挑戰，其中高額成本限制了工業大模型應用的投入產出比。
這裡的“成本”顯然不只是價格，隨著大模型壓縮等技術的成熟，訓練和部署成本都在同步降低。左右企業做出選擇的誘因，可以歸結為“成效”二字，即工業大模型是否可以和降本增效劃等號。
和市面上同類大模型最大的差別，在於礦山大模型的規模化落地，不難找到有說服力的實際案例。
比如最早進行大模型能力驗證的兗礦能源興隆庄煤礦，僅僅是將所有的攝像儀接入AI應用平臺，部署對應的模型演算法，就能實時監測礦井人的不安全行為、物的不安全狀態，可減少固定崗位工15人、巡檢工24人。
再比如將大模型預測能力用於煤礦洗選的濟寧二號井煤礦，部署應用了雲鼎科技研發的重介密控分選系統，利用演算法的預測和自學習能力，即時分析預測最優重介分選密度，執行複雜參數預測，有效地穩定了精煤品質，而且精煤產率提升了0.2%以上，每年增加的利潤就達到了400多萬元。
雲鼎科技的創新探索並未停下來。
DeepSeek的模型能力出圈后，雲鼎科技第一時間進行了驗證，基於安全生產、設備管理、應急救援等關鍵業務場景的百萬級高質量數據資源，蒸餾出了首個基於DeepSeek-R1的垂域礦山大模型，其中安全生產知識場景中的對話問答準確率達到了96%以上。
只有垂域礦山大模型還不夠，為了讓AI深入核心業務環節，雲鼎科技還打造了NLP應用智慧體，具備知識管理、工作流編排、應用構建、知識運營等核心功能，並為客戶提供了靈活的知識問答編排框架和應用模版，快速接入DeepSeek構建知識問答應用、工作流應用、智慧體應用。
隔行如隔山，但隔行不隔理。
礦山大模型沉澱下來的方法論，同樣適用於其他行業。相對應的，雲鼎科技制定了“縱向深耕，橫向拓展”的戰略：一邊按照“點-線-面”的路徑持續演進，構建礦山領域整體解決方案；一邊將業務範圍輻射到了化工、電力等板塊，加速推進全產業智能化升級。
每個行業都有自己的特點，但數智化轉型的難題是相通的，直接的例子就是大模型在化工行業的落地。
雲鼎科技將礦山行業成熟的視覺類場景快速複製到了化工園區，顯著提升了園區的安全管理能力；基於DeepSeek、盤古等通用大模型，融合能源集團化工領域的知識數據，訓練出了化工行業專用模型。
以甲醇精餾為例，通過採集精餾塔的迴流比、溫度、壓力、蒸汽流量、進料流量、液位、原料組分等工藝參數，利用大模型進行分析和預測，對精餾過程實施了精準優化，有效降低了蒸汽消耗。某化工企業落地大模型后，單套設備節約了2%的蒸汽消耗量，每年能夠節約約400萬元成本。
無可否認的是，工業大模型仍處於探索初期，算法、模型、平臺都需要進一步的研發和優化。只要做到了成效可以看見，輕鬆算清楚一筆經濟賬，勢必會吸引越來越多的企業擁抱大模型浪潮。
在DeepSeek的影響下，業內漸漸達成了一種共識——未來大模型將呈現“技術摸高+工程創新”並行發展趨勢。
“技術摸高”指的是頭部企業堅定投入預訓練基礎模型創新，打造深度開放的算力平臺和生態；“工程創新”是指降低大模型的訓練和部署門檻，兼顧成本和性能，有望呈現“百模千態”的繁榮景象。
對號入座的話，雲鼎科技無疑是“工程創新”的代表企業，他們所蘊藏的能量和產業勢能同樣不可小覷。