工信部AI赋能案例：钢铁大模型“智眸工业中枢”背后的算力与液冷新基建

当一座座高炉的燃烧数据、轧机振动波形和质检图像汇入同一个工业大脑，钢铁行业正经历从“经验炼钢”到“数据炼钢”的深层转变。这背后的关键推手，是工信部“人工智能+”行动推动的行业大模型落地浪潮。以“智眸工业中枢”为代表的钢铁大模型方案，不仅将工艺优化、质量预测、设备运维等场景智能化，更将产业链上游的算力基础设施推至台前。

1. 政策底座：工业数据筑基与行业大模型的正向循环

工信部在2025年启动的“工业数据筑基联合体可信平台”，标志着工业数据从“单点采集”向“行业级可信流通与价值释放”的升级。

该平台旨在为制造业重点行业提供数据要素市场化配置的基础设施支撑，钢铁行业正是首批受益的流程工业之一。

引用自《02_全域数据体系/20260524_kimi_工业数据筑基联合体可信平台2025.md》：这是工信部落实“人工智能+”行动、推动工业领域数据要素市场化配置的重要举措。

在政策驱动下，钢铁企业得以安全汇聚烧结、炼铁、炼钢、连铸、轧制等多工序的海量实时数据。

这些原本封闭在各自SCADA系统中的数据流，通过可信平台形成可调用的行业数据资产，为大模型训练提供了稀缺的负样本和全流程上下文。

2. 场景穿透：智眸工业中枢如何让钢铁大模型“管用”

“智眸工业中枢”并非单一的视觉检测工具，而是一套融合机器视觉、时序预测与多智能体编排的钢铁行业大模型工作流。

它打通了三个高价值场景：

• 表面缺陷检测：利用视觉大模型实时识别热轧板卷的氧化铁皮、划痕等缺陷，检出率提升至99.5%以上。
• 高炉炉温预测：基于长上下文时序大模型，将炉温预测的时间窗口提前2小时，减少燃料比波动。
• 设备预测性维护：对轧机齿轮箱振动谱进行大模型迁移学习，实现早期故障预警，非计划停机降低约30%。

这些场景的共性需求是毫秒级推理延迟和7×24小时可用性，倒逼算力架构从通用CPU集群向“高性能GPU推理+轻量边缘计算”混合部署转型。

3. 算力重构：AIDC、GPU租赁与液冷成为钢铁智能化的隐形基石

钢铁大模型的落地直接拉动了对AIDC（人工智能数据中心）和高端GPU的刚性需求。

传统的钢铁IT机房以风冷为主，单机架功率密度通常低于8kW，无法承载H100等GPU服务器的持续高负载运算。

为此，新一代钢铁智算中心纷纷采用液冷技术。据行业技术报告，浪潮信息已牵头制定10余项液冷标准，涵盖冷板式液冷、CDU（冷量分配单元）及快换接头等核心部件。

来自《IDC/AIDC物理基建/20260523_行业技术_数据中心液冷技术路线与发展趋势.md》：AI智能温控通过物联网+AI实时温度监控、动态流量分配，使PUE值可降至1.1以下。

同时，由于钢铁企业往往不具备大规模采购NVIDIA H100集群的资金弹性，算力租赁和GPU租赁模式开始流行。

企业通过租用AIDC中的H100算力资源，按训练任务峰值付费，将一次性Capex转化为弹性的Opex，尤其适合中试期的大模型微调与月度迭代。

4. 对比与选型：不同算力供给模式下的TCO分析

以下是钢铁行业部署大模型推理与训练工作负载时，三种主流算力供给模式的典型对比：

算力模式	单机架GPU密度	典型PUE	建设周期	适用场景
传统风冷机房改造	1-2张A100	1.5-1.8	3-6个月	轻量级推理
新建液冷AIDC	4-8张H100	1.08-1.15	12-18个月	全流程大模型训练
GPU租赁（云端）	弹性按需	-	即时开通	模型微调、峰值推理

从趋势看，液冷AIDC + GPU租赁的混合模式正在成为钢铁行业算力底座的最优解。

这一组合既能满足钢铁工艺数据对本地化、低延时的硬性要求，又能借助租赁模式规避GPU技术迭代的风险，让企业持续获得H100/H200等最新算力支撑。

伴随工信部“工业数据筑基”路线的深入，钢铁大模型将不再停留于单点场景，而是向全流程自优化演进。智眸工业中枢类方案的大规模复制，需要更密集的算力网络与更成熟的液冷标准。对于钢铁行业而言，拥抱AIDC、善用算力租赁，正从一道技术选择题变为一条降本增效的必由之路。

本文数据来源：工信部工业数据筑基联合体可信平台、液冷技术路线与发展趋势分析报告、钢铁行业智能化实践调研。