小明 發自 凹非寺
量子位 | 公眾號 QbitAI

只用一周，一個相當于人類20年經驗的“數字技術工人”——基于時序大模型和Agent的智能體，就能直接上崗

時至今日，在化工、環保、新能源等工業生產場景中，這類數字技術工人已經不再是“概念演示”，而是已經真正承擔起生產操作、安全控制、能源管理等關鍵任務。

能勝任的場景也并不輕巧：動態合成氨、電解水制氫、垃圾焚燒發電……都是工業體系里最復雜、最依賴經驗積累的環節。這些過去需要老師傅級別的專家才能把控，而如今正逐步被AI驅動的數字工人接手。

原因也很現實：經驗豐富的專家越來越稀缺，而精細生產要求卻越來越高。現在，這個空白則可以用數字工人填補。Ta不僅能馬上學會工藝，還能把老師傅的經驗和思考裝進算法里，迅速成長為更穩定、更可靠的生產“骨干”。

至于為什么Ta能上崗如此之快？

秘訣就在于：數字技術工人們并不是到崗后才開始學習，而是在上崗前就已經完成了大量預訓練積累，掌握了多種工藝流程，就像是進入了一個系統化的工程師訓練營一般。

所以，Ta一到崗就能迅速融入生產現場，直接執行任務。這種“可復制、可擴展、不會疲勞”的數字技術工人正在成為工業智能化轉型中的關鍵角色。

這到底怎么一回事兒？

讓Agent成為工廠老師傅

如上所說的“訓練營”，其實是由國內AI團隊打造的一個工業智能體平臺：河谷

它所構建的智能體就像一名“數字技術工人”一般，在工業生產環境中“會聽會看、會思考、可行動”，即具備感知、認知&決策和執行的能力。

△旨在將Agent技術工人融入生產管控的關鍵節點中

其中，感知（Perceive）是指能實時獲取車間或生產系統狀態，比如各種傳感器的數據、業務指標等。具備這項能力，Agent就能像人類一樣不僅能獲取原料編號、生產指令、庫存需求這種生產級數據，更能時刻感受到溫度、壓力、流速等這類影響生產決策的核心數據指標。

認知&決策（Think&Decide）則是關鍵部分，其核心是利用大模型的能力，通過導入生產與工藝知識后，輸出生產管理決策；在這方面，Agent有一個基礎能力庫，底層由多種模型構成，包括人們熟知的大語言模型和工業時序大模型等專業模型。

執行（Act）則是能夠“上手”操作工業軟件系統以及硬件設備，就像真人一樣控制、調度或操作任務。

具備如此能力的智能體，可以承擔實際生產環節中的諸多崗位。

結合工業生產的特點——行業不同但是基本環節相似，河谷平臺率先推出了一批最通用崗位的“數字技術工人”。比如：

Agent設備操作員：設備啟停、參數調整、波動響應等；Agent工藝班長：決策工藝策略，如生產調度、工藝方案優化等；Agent能源管理員：監控能耗、調整用能策略、達成節能指標等；Agent安全員：監控設備運行狀態、處理設備報警、預測性維護與故障輔助診斷；Agent計劃員：制定生產計劃、原料計劃、檢修計劃等；支持工廠客戶自定義的Agent角色。

在工廠里，“數字技術工人”已經不再是概念，而是可以按需選擇、隨時上崗的新型角色。

比如，一些傳統化工廠正在普及綠色合成氨工藝，以實現碳中和的重要目標。而雖然生產過程綠色低碳，生產綠色合成氨帶來的挑戰也很現實：上游能源供給波動大、電化學催化劑的狀態難以實時監測，使得整個過程復雜、對動態工況的響應要求極高。更何況，在業內普遍認知里，化工生產本身就是工業體系中最復雜、最難做到精準控制的場景之一。

過去，連續生產主要依靠控制系統加上人工配合DCS（分布式控制系統）控制干預來維持穩定，但波動的可再生能源不斷帶來生產擾動，生產穩定性安全性要求不斷提升，傳統方式逐漸顯得力不從心。此時，數字技術工人Agent便能發揮作用——它可以持續學習，適應生產中不斷變化的情況，自動優化控制參數，下發控制指令完成生產，大幅減少人工干預。

現在，走入已經上線的客戶廠區，在合成氨工段中控室中，已經可以看見數字技術工人替代了原本三班倒的控制班組，開始自主管理與控制生產，智能體之間相互協作（合成塔操作Agent、進氣壓力管控Agent……），并長時間保障生產的穩定性安全性。這一幕，讓人不禁感嘆新工業智能時代已經到來。

△合成氨生產操作室內Agent工人已上崗

再比如垃圾焚燒發電，同樣作為一種重要的環保能源方案，通過燃燒城市固體垃圾獲取熱能再轉化為電能，不僅能減少垃圾填埋量，還能實現熱電能源回收。這個過程雖早已實現部分自動化（如自動給料、溫控、煙氣處理），但受限于當前垃圾熱值波動、供給不穩定、環保排放標準趨嚴等因素，仍需要人工日常介入完成精細柔性控制

在這種場景下，Agent技術工人則承擔起爐排以及進風等控制任務，承擔起多個工種的崗位，而人類則主要負責安全監管，讓整體運行更加智能和高效。

△區別于傳統DCS控制系統的河谷智能體產品呈現方式

這類方案，不僅能提升產能和綠色能源利用效率，還能降低成本、增加工廠收益。

更重要的是，“數字技術工人”順利落地的背后不僅是技術層面的進步，更有產品形態和商業模式的創新。

那么，河谷智能體平臺究竟是如何做到的呢？

自研時序大模型，訓練懂工藝的Agent

梳理來看，河谷的創新主要有兩方面：自研底層技術+重構產品邏輯

帶來的好處包括但不限于：

Agent泛化能力更強微調數據更少、上線更快Agent更靈活、更符合實際生產需求

自研底層技術

河谷智能體平臺的核心突破之一，是其自研的工業時序大模型Geegobyte-g1。

和常見的大語言模型不同，時序大模型專門處理隨時間演變的數據，例如金融市場價格、氣象觀測、工業傳感器信號、醫學監護數據等。這類數據的特點是：依賴歷史、存在周期性、變量之間強關聯、且噪聲較多

在transformer網絡模型的基礎上，河谷的方案選擇了改良的only-decoder架構，在傳統encoder-decoder基礎上進一步改造。

這種架構的特點是：單向注意力允許模型“回看”歷史時間步，從而以自回歸的方式生成未來值。比如輸入過去24小時的壓力數據，模型會先宏觀觀測，再逐點（token-by-token）推理，輸出預測未來的趨勢變化。

更進一步，當時序大模型與大語言模型結合，就不再只是單純的“預測器”，而更像是一個能學習經驗、具備決策邏輯的“數字工人”。

大語言模型更像是負責“理論學習”的部分：快速消化工藝文檔、專家經驗和歷史工況，并從中提煉出參數變量、邏輯規則和控制目標等關鍵信息。

時序大模型則承擔“實戰操作”的角色：在實時數據和目標約束的驅動下，它能輸出適用于現場的控制決策、優化建議和趨勢預測。

兩者結合，最終煉成的Agent在數據監測和情況預測上往往比人類的預感更精準，帶來的生產結果也更優。

△河谷智能體正在模仿人類思考過程從輸入到輸出決策的畫面

在Agent的訓練理念上，河谷也提出了新的思路：不再以行業為界，而是以“工藝類型”來劃分訓練目標

長期以來，AI在工業落地時普遍面臨一個難題——泛化性不足。主要原因在于：不同行業、部門、系統和技術模塊相對封閉，容易形成“煙囪效應”。為了緩解這一問題，一些廠商選擇打造行業大模型，通過行業數據訓練來培養“領域專家”，比如礦務大模型、水利大模型等。

這種方式使得模型依然難以廣泛的跨場景跨行業遷移，而工業生產雖然千差萬別，卻往往在工藝的第一性原理上存在底層的共通點

舉個例子：垃圾焚燒發電和危險廢物處置看似屬于不同賽道，但都涉及燃燒無害化處理的工藝；電解水制氫涉及的電化學工藝不僅應用于新能源場景，在煤化工、精細化工等領域同樣適用。

如果單純以行業維度劃分訓練Agent，反而會把Agent限制在特定領域，無法充分發揮跨場景的價值。

所以河谷智能體平臺從工藝維度訓練Agent，讓Ta們掌握核心技能，再像“通用工種”一樣加入不同產線、不同行業的技術工種，“哪里需要哪里搬”。

對于需要Agent的企業客戶而言，他們也可以先以最小模塊形式使用Agent方案，而不是直接調整整體產線，部署靈活性也更高。

河谷的數字工人不僅專業，上崗速度也相當“硬核”。

它只需要少量數據微調，最短僅需半個月數據就能生成第一版本去做影子陪跑，驗證實際效果，快速投入生產。

哪怕是0樣本的企業客戶，2個月內也能完成Agent從方案設計、預訓練、微調、投運的流程。而已有樣本的客戶，則能在1周內讓Agent真正上產線。

△河谷工業生產智能體平臺配置化交付能力

速度為什么這么重要？不僅是技術實力的體現，更是工業場景落地AI的剛需。

現實中，產線是365天×24小時不停歇運轉的。哪怕只是為了增加傳感器或校準儀表臨時停產，帶來的損失也可能以秒計算。因此，能否快速部署、讓Agent迅速進入實操，是衡量工業AI成敗的關鍵指標之一。

既有技術領先性、又能靈活部署、還可快速上崗，河谷智能體平臺在這一點上做到了。也因此，河谷訓練出的Agent不只是“能用”，而是真正被行業所需要的Agent

為啥能精準get重點呢？當然也是因為平臺背后有熟悉工業現場的“行業老師傅”們出馬。

更懂AI工業，所以造出“老師傅”

極峰科技Geegobyte AI，河谷工業智能體平臺的幕后工匠。

它成立于2024年，創始人兼CEO王筱圃是中國科學技術大學計算機工學博士。他帶領公司研發團隊長期從事人工智能底層算法研發與AI+工業互聯網產品研發，曾主導項目面向冶金、新能源、汽車等行業，應用場景覆蓋生產執行管理、設備管控、工廠倉儲物流、能源管理等生產運營管理核心環節。在基礎算法研發以及AI落地工業方面，都具備豐富的經驗。

極峰團隊長期關注Transformer-based AI實現長時間序列預測任務的研究領域，并在此基礎上自研了工業時序大模型。模型能夠充分利用工業生產中強時序特征數據輸出決策，并具備極強的領域適應與場景遷移能力。這種全新的研發范式，使得基于此的工業Agent產品的商業化價值也逐步提升

隨著ChatGPT持續引爆大模型的全球浪潮，他們意識到：真正屬于工業AI的時代機遇已經到來。結合工業數字化轉型的趨勢，極峰科技成立后，陸續推出了Geegobyte-g1工業時序大模型河谷工業智能體平臺

從那一刻起，他們的目標就很明確：造出真正懂工廠、懂生產、懂行業的“數字技術工人”——新時代的AI老師傅。

需求側：人力困境凸顯，AI補位成必然

王筱圃博士坦言，他在和很多工廠接觸時，都能明顯感受到關鍵技術崗位人手不夠，尤其是優質人才短缺的問題

一家化工企業負責人就和我說過，他發現現在愿意從事化工領域工作的年輕人越來越少，化工專業的錄取分數都比當年低了不少。

個中原因也并不難理解：

第一，化工等傳統行業本身的吸引力有限；第二，工作環境存在一定危險性；第三，工廠通常位于郊區等遠離城市的地區……多重因素疊加，使得愿意投身這一行業的年輕人越來越少了

而人才稀缺還進一步加劇了行業內的人才爭奪戰。工業領域的人才培養模式更多還是“師傅帶徒弟”，而這個過程相對漫長、培養效率不高。當新師傅終于被培養成獨當一面的老師傅時，他往往也已是行業的稀缺資源，一旦流失，對于工廠就是沉重打擊。

此外，不僅是人才緊缺影響，高危工段也有“無人化”需求也在日益增加。上個智能化階段，部分AI模型和工業軟件確實實現了自動化/替代人類，但水平更接近L1級輔助駕駛，只能處理特定任務，在有限條件下才能發揮作用，大量環節仍需人工干預，導致實際使用體驗與預期差距甚遠。

因此，行業仍舊迫切需要更加智能化、自主化的方案，來緩解當下人才短缺與生產安全的雙重壓力。

如今隨著AI概念被大眾熟知，工業行業本身也在積極擁抱AI。

王筱圃博士提到了一家從煤化工轉型做環保化工的企業，出于對于安全生產的高要求，企業主原本在無人化操作上相當謹慎和保守，但是這家企業最終還是主動聯系他們，希望能夠合作落地Agent方案。

這反映出產業界的需求已經十分迫切，也體現出AI落地工業勢不可擋

因此，極峰科技順大勢而為：憑借底層技術儲備、豐富的落地經驗與行業認知，快速打造出數字工人“訓練營”，向行業批量輸出可快速上崗的新一代高技術能力“老師傅”。

One More Thing

除了技術和產品創新外，極峰科技也在商業模式上給出了新的參考——讓 Agent像人類一樣“領工資”

具體來說，河谷智能體平臺提供兩種商業合作模式：

1）一次性采購：類似于買斷，企業按照Agent購買數量付費，一次部署即可；
2）按需付費：企業用戶支付“時薪/月薪”，費用根據“實際工時”計算，年底績效達標還會付年終獎。期間Agent能力還會持續優化升級，長期保持價值。

（沒想到，Agent像人類一樣上崗工作的能力中，竟然還包括了領工資這部分）

隨著越來越多的Agent工人參與到實際生產中，我們希望看到未來的年輕人們從繁瑣、危險、重復的勞動工種中解放出來，有更多機會投身于更加具有創造性和高附加值的工作崗位中去。

進一步了解極峰科技的產品與服務，請聯系 info@geegobyte.com