从北京出发,驱车200多公里,下了高速便进入唐山丰南区。海风的腥咸味越来越浓,楼房的高度越来越低;街边的商业区无处可见,汽修小店林立两旁;路上的私家车辆越来越少,后斗冒着热气的大卡车越来越多。于是,我们来到了东华钢铁。
在这之前,我印象里的钢铁厂是这样的——灰霾阴沉的厂区,热浪滚滚的熔炉,火花四溅的铁水,和挥汗如雨的工人……
而这次,我见到的钢铁厂与这些描述可以说是毫不相干——烟尘难染的厂区环境,与厂区相间呼应的绿化带,24小时运转的无人车间,还有“一眼千里”的数字化控制室,就是——没有太多作业工人。
当我惊叹这和自己想象中的钢厂差距之大时,东华钢铁集团行政副总刘亚萍告诉我,这就是东华钢铁智能化转型和建设的成果:“我们不仅在顶层设计和设备选型时预留出了供后续智能化改造的接口,在业务流程梳理过程中也统筹了信息流的联动、管理效率的提升和人员配置的减少。”
所以,在现在的东华钢铁,只要能用机器干的就不再用人工。更多的一线人员可以走出车间,走进空气更好、噪声更小、温度更适宜的工作环境;现场设备的管控和监测,则交给了数字化控制室的计算机,所有车间设备的产能预测、运转状态、维修预警、环保排放数据……在这里一目了然。
东华钢铁位于我国的钢铁重镇——唐山。这里汇集了数十家钢铁企业,唐山钢铁、河北钢铁、首钢京唐……都坐落于此。东华钢铁虽然没有最悠久的历史,也不是产能最大的那一个,却从成立以来就始终踩着技术的脉搏,不断向外学习和加速内部成长。
“从外部因素来说,有国家政策的鼓励和支持;从内部发展而言,我们也在随时关注最先进的理念、方法和技术。”在我问及东华钢铁保持“向上而生”的经验时,刘亚萍表示,“当然,这既离不开业务部门的变革自驱力,也离不开信息部门的创新执行力。”
东华钢铁的信息部门由50多人组成,对于一个拥有6000多名员工的企业而言,这个体量的信息化团队并不算大。但是,他们所做的事情并不算少——除了常规的软件开发、硬件维护、数据管理分析,与数字化转型、智能制造相关的技术工作一样也不能少。
而对于东华钢铁集团信息部部长阎孟虹来说,这是一个带领团队不断转型和创新的过程。
“以前我们更多关注的是系统,但现在我们还要关注业务,甚至是成为业务专家。当我们看到业务时,就要更多地去想,如何把其中的数据抽取上来,转化成数字化逻辑。”阎孟虹强调说,“所以,大家的工作不再只是单个系统的建设,而是对整体数字化的规划。因为如果我们的目标定错了、方向定错了,可能做了半天很多东西还要推倒重来。”
目标设定不易,迈出第一步同样很难,但如今的东华钢铁早已走上数字化转型的“正轨”。其转型理念是通过对象数字化、过程数字化、规则数字化,构建一个跨越系统、承载业务“数字孪生”的管理体系,把隐性知识显性化,让数据产生价值,推动钢铁转型升级。
阎孟虹说,数字化转型的道路仍然任重而道远。但在这里,我已经看到东华钢铁正在凭借数字技术能力,褪去传统企业的“外衣”;同样,我也看到它仍然面朝未来,继续坚定地向着智能化、绿色化钢铁——昂首阔步。
关于「数字中国.践行者」
「数字中国.践行者」是由至顶网特别推出的视频纪录栏目,面向产业数字化的新成果,探访企业数字化先锋践行者,通过镜头记录和讲述企业的数字化实践故事。借此,予数字经济发展以助力,予产业数字化发展以启发,予企业创新升级以参考。
好文章,需要你的鼓励
Google为其BigQuery数据仓库新增对话式分析功能,允许企业数据团队和业务用户通过自然语言询问数据问题,从而加速AI用例的数据分析。该智能体目前处于预览阶段,可在BigQuery新增的智能体中心找到。此外,Google还推出了构建、部署和管理自定义智能体的工具,通过API端点支持跨应用和运营工作流。这些功能扩展了现有的文本转SQL能力,支持上下文对话分析。
UCL与华为联合研发的MT-GRPO多任务训练方法,解决了AI语言模型在同时学习多种推理技能时的关键难题。该方法通过动态调整任务权重和比例保持采样器,确保AI在各类任务上均衡发展,避免传统方法中强项越强、弱项被忽视的问题,实现最差任务性能提升16-28%,训练效率提高50%。
Anthropic宣布其AI聊天机器人Claude将保持无广告状态,与竞争对手OpenAI形成鲜明对比。后者上月开始在ChatGPT低价版本中测试广告。Anthropic认为在AI对话中插入广告与其打造"真正有用助手"的目标不符,并担心广告会影响助手提供客观建议。OpenAI目前计划在对话旁显示横幅广告,但面临巨大财务压力。Anthropic选择专注于企业合同和付费订阅的商业模式。
BMW Group与奥格斯堡大学联合开发了CAR-bench,这是首个专门评测汽车语音助手在真实环境中表现的基准系统。研究发现,即使是最先进的GPT-5模型,在面对模糊指令和缺失信息时也存在严重的一致性问题,经常编造答案而非承认局限性。该系统包含58种工具和19条安全策略,揭示了当前AI助手从实验室到真实应用之间的巨大鸿沟。