近两年，大模型快速进入办公、营销和知识服务。但到了制造业，一台锅炉、一套核主泵或一条生产线，并不会因为AI能写报告、能回答问题就自动变得智能。工业场景的核心痛点在于，让AI理解设备、工艺和物理规律，并把分析结果接入生产流程。

工业AI为什么落地难？首先，数据来源复杂。传感器、时序数据库、检修记录、图纸、试验和仿真会产生不同格式、不同质量的数据；其次，设备运行受温度、压力、流体、结构、材料、工艺规则和安全边界共同约束，单纯依赖语言模型或数据拟合，很难覆盖真实工况。

更关键的是“最后一公里”：模型即使能够预测某个指标，如果不能继续诊断原因、推演不同方案，也不能与DCS、SCADA、PLC等工业系统连接，输出结果仍停留在屏幕上，却无法形成从感知、预测到决策、执行的闭环。

因此，工业AI落地的核心问题，并不是企业缺少某一个算法或某一个大模型，而是数据、物理规律、专家知识、专业模型、工业软件与控制系统没有被组织成一套可以持续运行的体系。

南京天洑软件有限公司将这套体系概括为“工业世界模型”，并将自身定位为“工业世界模型框架体系及基础设施提供商”。工业世界模型不是训练一个包打天下的超大模型，而是把物理规律、工业数据、专家知识、专业算法、大小模型和工业系统连接起来，使AI能够理解设备怎样运行、未来可能发生什么，以及不同调整会带来什么结果。

图1 天洑工业世界模型架构

一、物理AI：先让AI理解和推演物理世界

工业世界模型首先要回答一个基础问题：设备为何如此运行？南京天洑软件有限公司长期积累的流体、传热、结构、振动和优化算法，构成了理解与推演物理世界的底层能力。

其中，智能热流体仿真软件AICFD、智能结构仿真软件AIFEM和智能优化设计软件AIPOD，共同构成天洑的物理AI能力。它们既可以用于具体工程计算，也可作为工业世界模型的物理建模工具、工业数据生成工具，以及工业智能体可调用的专业计算能力。

图2 天洑物理AI

二、工业AI：让数据、知识和现场系统真正连接起来

仅有物理模型还不够。工业现场源源不断产生运行数据、质量数据、设备数据和工艺数据，同时专家也积累了大量经验。工业AI的任务，是把这些数据和经验转化为可运行、可复用、可持续优化的模型。

天洑工业AI底座TFIIF支持实时、历史工业数据接入和治理，并提供数据建模、专家机理建模、基于仿真的数字孪生建模、模型运行、预警诊断和优化控制等能力。根据天洑产品资料，TFIIF可与DCS、SCADA、PLC等工控系统连接，使模型结果进入监视、预警、诊断、运行指导和优化控制流程。

智能数据建模软件DTEmpower面向工业领域的多源异构数据分析与规律挖掘，可处理结构化数据以及图像、文本等非结构化数据，并覆盖数据清理、特征工程、模型训练、评估和部署等建模流程。

针对工业现场常见的小样本问题，DTEmpower通过工业小数据集建模、智能数据清理、机理-数据融合和自动机器学习等能力，帮助工程人员从有限数据中提取有效规律。其价值并不是“替代所有专家”，而是将过去分散在工程师经验、表格和脚本中的分析方法沉淀为可重复运行的模型。

图3 天洑DTEmpower架构

三、大模型、小模型、机理模型和工业智能体如何分工？

在天洑工业世界模型架构中，各类模型承担不同角色：大模型负责自然语言理解、知识交互、任务规划和工具调度；专业工业小模型负责具体工业问题的预测、诊断和优化；物理机理模型负责描述设备规律并提供工程约束；工业智能体负责把用户需求拆解成任务，调用知识库、数据库、算法、仿真优化工具和工业系统执行。

简言之：大模型负责理解和调度，专业工业小模型负责精准计算，物理机理模型负责规律约束，工业智能体负责组织执行。这套架构可充分利用大模型的通用理解能力，同时避免把需要精确工程计算的任务交给语言模型“猜答案”。

这也是“工业世界模型”和单一大模型、单一数据模型之间的重要区别：它关注的不只是生成一个答案，而是让答案能够被物理规律、工业数据和现场系统共同校验，并最终进入生产流程。

四、一个锅炉案例：工业世界模型怎样进入真实生产场景？

以山东某火电厂智慧锅炉平台为例，工业世界模型并非简单在传统监控界面上增加一个聊天窗口，而是将锅炉设计信息、运行工况、历史数据、实时监测数据、燃烧机理、CFD数值模拟和机器学习组织到同一套计算与分析体系中。

图4 天洑工业世界模型落地案例

项目基于锅炉燃烧模型和水冷壁换热计算，形成面向不同负荷、不同工况的预测能力，可对炉内温度、烟气成分、氮氧化物等状态进行三维展示，并用于受热面壁温、水冷壁水动力、结焦和高温腐蚀等运行状态分析。

对于锅炉这样的复杂设备，仅靠实时测点，很难直接看到炉膛内部正在发生什么。通过将现场数据与燃烧机理、数值模拟和机器学习结合，原本不可直接观测的内部状态可以转化为可计算、可预测、可推演的信息。

这类场景体现了工业世界模型与普通数据分析的差别：数据分析通常回答“刚才发生了什么”，工业世界模型还要进一步回答“为什么发生”“接下来会怎样”“怎样调整更好”，并为预警、诊断、工艺优化和运行控制提供模型基础。

从这个角度看，工业世界模型要解决的是一条完整链路：感知工业状态，理解数据与规律，预测未来变化，诊断问题原因，推演不同方案，形成优化决策，再调用工具或控制系统执行，并根据执行结果持续学习。

工业AI真正落地，从不是让大模型代替工程师，而是让物理规律、工业数据和专家知识转化为可计算、可复用、可持续优化的生产力。