团队从 2019 年开始探索深度学习驱动下的工业控制体系创新，尤其是 AI-MPC 的应用探索，收获很多，落地效果也很显著，但是大规模复制的问题非常突出，尤其是在不同行业工艺快速学习融合下的数据整理/特征工程建立等早期工作上，以及复杂工艺场景下多节点协同控制的问题。我们前后尝试了大预言模型对工艺解读和特征工程方面的增益，以及时序基础模型对部分单工艺段和公辅系统的控制增强。整体感觉有实际帮助，但是道路依然很长远。

演讲提纲

1. 背景

• 传统工业控制的发展与瓶颈
• AI 与工业控制系统的结合演进

2. 早期实践经验与问题反思

• 工业 AI（ML/DL）对工业控制的增强与提升，以及过程中的问题

3. 引入大语言模型和时序基础模型的新探索与发现

• 为什么是大语言模型？
• 实践中的增益点
• 痛点与局限

4. 典型案例剖析

5. 未来演进与思考

• 大模型与工业控制的可能路径
• 关键科学与工程问题

您认为，这样的技术在实践过程中有哪些痛点？

• 大语言模型针对工业专业知识的准确度不够
• 时序基础模型自身的训练元素中缺乏足够的工业源数据，鲁棒性和普适性存在短板

演讲亮点

• 相对而言，更底层一些，更接近车间和生产
• 聚焦于小模型和大模型和工业控制的衔接和碰撞
• 聚焦于生产过程中的工艺提升

听众收益

• 换个视角看到不同的应用可能性
• 提升一下大家带着 AI 进工厂的热情