TL;DR：
中控创始人褚健提出，AI正以前所未有的深度重塑万亿级流程工业，通过时间序列大模型TPT解决传统经验依赖的“大厨困境”，实现工业自主智能。这项技术不仅能带来万亿级别的经济效益和显著的碳减排，更预示着工业生产模式的根本性变革，开启了“工业自主驾驶”的新纪元。
在中国制造业面临产能过剩与节能减排双重压力的当下，高能耗、高风险的流程工业亟需一场深刻的质变。曾几何时，工业生产的效率与质量，如同烹饪大师的厨艺，高度依赖少数专家的经验与直觉。然而，这种根深蒂固的“大厨困境”正在被人工智能的力量逐步瓦解。在36氪WISE2025商业之王大会上，中控创始人、宁波工业互联网研究院创始人兼院长褚健的演讲，为我们描绘了一幅AI赋能流程工业的宏伟蓝图，不仅揭示了万亿级的商业空间，更指明了通往“工业自主驾驶”的未来路径。
技术原理与创新点解析：告别“大厨困境”，迈向自主智能
流程工业，涵盖石油化工、钢铁冶金、有色金属、医药建材等关键领域，其生产过程如同复杂精密的化学交响乐，涉及到高温、高压、易燃易爆等特性，以及成千上万种原料、工艺与添加剂的组合。长期以来，即便拥有相同的设备和原料，不同企业的生产质量与能耗却千差万别，症结在于对_人工经验的高度依赖_。褚健将此形象地比喻为“大厨困境”——即便能做熟菜，也难以保证每次都达到最优的口味和能耗，更遑论实现标准化、可复制的系统优化。
中控技术提出的破解之道是融合工业数据、科学机理与AI大模型，从“感知”走向“优化”。其核心创新在于自主研发的时间序列大模型TPT（Time-series Pre-trained Transformer）。不同于传统的大语言模型，TPT专门面向流程工业的海量、多组相互关联的时间序列数据，并深度融入了化学反应过程与机理等科学第一性原理。这意味着TPT不仅仅是统计上的模式识别，更能“看懂”生产状态、“理解”反应过程的深层逻辑，并基于此主动推荐最优的控制和优化策略。1
“TPT自去年发布以来，已解决诸多实际问题。今年我们发布迭代版本，希望未来用户工程师能像使用ChatGPT一样，直接提问如‘能耗大怎么办’‘质量不稳定如何解决’等流程工业的专业问题，通过上传数据，模型就可进行预测并给出解决方案。”2
TPT的诞生，标志着工业控制从传统的自动化、数字化阶段，迈向了自主智能的新范式。它通过闭环应用特性和强大的泛化能力，使得生产系统能够自主学习、自主决策、自主优化，从而摆脱对单一“大厨”经验的依赖，实现_稳定、可复制的系统化最优控制_。这一突破有望加速“人工智能+”在流程工业的深度融合，为未来的“工业自主驾驶”奠定基石。3
产业生态影响与商业价值重构：解锁万亿级利润与可持续未来
中国流程工业规模高达约60万亿元人民币，占全国规模以上制造业的九分之一，但其碳排放却占全国总量的80%2。在这个高风险、高排放、高能耗的领域，AI的赋能展现出惊人的商业潜力和社会效益。
褚健的测算为我们提供了直观的洞察：
- 经济效益：在流程工业中，若仅提升3%的效益，便意味着可催生高达两万亿元人民币的利润空间。这并非空泛的数字，中控已在百万吨级乙烷制乙烯企业中实现年效益超两千万元的成功案例，通过优化裂解炉操作和乙烯收率等核心指标。
- 可持续发展：流程工业减排1%，即可减少一亿吨碳排放。这对于中国实现“双碳”目标，乃至全球应对气候变化都具有里程碑式的意义。
这种显著的商业回报，以及对国家战略（降本增效、节能减排）的积极响应，无疑将成为投资流向工业AI领域的强大驱动力。中控技术凭借其32年的行业深耕、超过40%的DCS控制系统国内市场占有率（化工行业接近62%），以及覆盖3.7万家流程工业客户积累的海量数据，拥有独特的竞争优势。其TPT大模型正是在这样的数据“富矿”和深厚行业知识基础上生长起来的，形成了技术与市场深度结合的商业闭环。这不仅仅是技术本身的价值，更是技术在特定产业生态中，结合数据优势和市场深度，所释放出的巨大商业动能。
未来发展路径与跨领域协同：迈向通用工业智能体
展望未来3-5年，流程工业的AI化将呈现出更为广阔的图景。
- 从优化到自主驾驶：TPT的迭代方向明确指向“工业自主驾驶”，即系统能像自动驾驶汽车一样，自主规划、自主执行、自主纠错。这意味着未来的工厂将能够实现更高级别的智能决策和运行，减少人为干预，提升整体韧性。
- 人机协作模式升级：随着AI系统的智能化程度提高，人类工程师的角色将从繁琐的参数调整和故障排查中解放出来，更多地专注于系统架构设计、复杂策略制定和创新性研发。AI将成为强大的智能助手，赋能人类工程师，而非简单替代。
- 工业AI生态的构建：Google搜索中提及的“工业AI数据联盟”预示着一个开放、协作的生态系统正在形成。通过行业数据的联合训练、标准的统一和技术的共享，将加速工业AI的普惠化进程。这将打破单一企业的能力边界，形成跨领域、跨企业的协同效应，共同应对流程工业的复杂挑战。
- 泛化能力与多场景复制：TPT的“泛化能力”使其能够从某一特定流程（如乙烷制乙烯）的成功经验，快速扩展到其他化工、石化、电力等关键领域，实现知识和智能的快速迁移与复用，从而驱动整个流程工业的智能化转型。
这种变革不仅限于效率提升，更深层地改变了工业生产的哲学。它将生产过程从一个由经验驱动的“黑箱”，转化为一个由数据、算法和科学原理共同构建的透明、可控、可预测的智能系统，从而对人类文明的物质生产方式产生深远影响。
伦理、安全与社会变革的深层思考
然而，如同任何颠覆性技术，工业AI的发展也伴随着挑战。流程工业的高风险特性，使得对AI系统的安全性和可靠性要求达到极致。如何确保AI决策的“可信赖性”和“无故障性”？如何建立完善的验证、测试和审计机制？这些都是技术发展必须面对的伦理与安全考量。
此外，生产模式的智能化将必然引发就业结构的调整。虽然AI将创造新的高价值岗位，但对传统操作和维护岗位的冲击也不可避免。教育体系和劳动力市场如何适应这种变革，进行有效的技能再培训，是社会层面需要深思的问题。
最终，流程工业的AI化，是人类探索自身与工业世界关系的一次深刻演进。它不仅是对效率和利润的追求，更是对工业文明的可持续性、安全性和智慧性的终极叩问。当AI的智能之手触及万亿级的流程工业，我们不仅仅是回望798旧工业馆的逝去历史，更是在眺望一幅由数据、算法和自主智能共同绘制的崭新未来。