2025年11月13日，和利时集团总工程师朱毅明在深圳核博会核能仪控数智化论坛发表《从被动应对到主动适应，工业控制系统发展之道》主旨报告。
报告围绕工业控制系统从规则驱动走向自主认知展开，指出人工智能与工业控制结合仍处早期阶段，关键在于提出并解决科学与技术问题。演讲者认为，未来系统需要具备自主学习、适应、优化和安全防护能力，并通过架构重构、多模型融合、数据治理和工程工具链升级来支撑智能化发展。
关键点
1. 报告定位为提出问题（00:13）
演讲者说明，本次报告更多是围绕智能控制和智能控制系统提出问题，因为人工智能加工业控制仍处于较早期阶段，需要先明确科学问题和技术问题。
2. 从规则驱动走向自主认知（00:49）
传统工业控制系统主要是预编程系统，按规则编制代码。规则粗则普适性较好但控制效果可能较差，规则细则控制效果可能更好但泛化和灵活性受限，因此未来需要考虑向包含感知、判断、决策、执行全过程的自主认知能力发展。
3. 工业控制系统范围向现场延伸（02:02）
演讲者认为工业控制系统的范围未来应继续向下扩展到现场仪表，包括智能仪表、执行器、控制系统以及主控室或人机操作界面等，因为现场设备的控制能力正在逐步增强。
4. 自主认知愿景与生产变化需求（02:46）
自主认知愿景包括自主学习、适应和优化，以提升生产效率。离散制造中产品和工艺变化加快，需要工程组态自动生成、虚拟调试和快速现场部署；流程工业中则需要根据市场和经济效益实时调整生产参数，形成实时优化、先进控制到PID执行的大闭环。
5. 开放互联、虚实互动与人机协作（05:14）
由于国内工控企业多为中小型企业，难以覆盖所有相关工业软件和产品，因此需要开放架构与不同产品互联，实现资源统一调配。同时，虚拟设计、虚拟仿真、虚拟调试以及VR、AR、移动终端和可穿戴设备等新型人机交互技术也被视为重要方向。
6. 安全可靠的两种思路（06:13）
演讲者指出安全可靠对核电等场景尤其重要。安全可以通过简化实现，也可以通过增加冗余或增量实现，但两条路线在软硬件安全性上存在差异，需要进一步研究。
7. 现有模型难以直接满足工业控制（06:37）
当前控制系统缺少自学习能力，大模型部署后训练和微调资源成本很高，难以快速调整。工业现场数据是多变量、多维度并与工艺过程相关的，不同于一维文本输入，因此基于Transformer等架构直接用于实时控制仍需更多学术和算法研究。
8. 工业控制系统架构需要重构（09:15）
演讲者提出在引入AI技术的同时，工业控制系统可能需要重构。传统S95金字塔结构功能分配清楚，但在离散制造和化工等快速变化场景中，生产管理、调度、能源管理和生产控制联系更紧密，可能需要边缘化平台、数据底座和分布式应用相结合。
9. 构建感知、决策、执行、反馈的大闭环（10:27）
重构后的生产过程应从生产优化到现场控制形成大闭环，包含感知、决策、执行和反馈。背后需要工业智能模型，既包含基于因果关系和先验知识的模型，也包含数据驱动模型，演讲者强调单一模型目前并不可行。
10. 范式演进需要增强多类能力（11:23）
从规则驱动向自主认知演进，需要增强系统感知和认知能力，包括多源数据融合、视觉参与控制、振动冲击等高频信号参与控制，以及对时序数据学习的深入研究。演讲者还强调全局优化涉及运筹学、博弈论等数学问题，需要认知科学、物理化学、计算机科学和控制科学融合。
11. 自主认知工业控制系统的六大能力（12:57）
演讲者提出工业控制系统应具备行为理解能力、控制决策能力、工艺建模能力、自主学习能力、规则分析能力和安全防护能力。他认为不一定追求强泛化和超大模型，更现实的是面向特定系统形成适应性，并通过多个专业Agent协同完成任务。
12. 工业时序数据训练的关键难点（15:23）
工业时序数据具有多维、多变量、与工艺和物理化学过程关联的特点，样本和语料选择是重要问题。工业现场数据还必须清洗，否则噪声和错误会导致训练结果很差；持续学习也很困难，泛化性在特定工程场景下未必是最关键目标。
13. 工业控制自身技术仍需强化（16:48）
除人工智能外，工业控制系统自身还需要发展高确定性网络等技术。随着网络延伸到仪表等底层设备，系统会形成十兆、百兆、千兆、万兆等分层架构，不同层级的实时性和确定性要求需要被考虑。
14. 优化控制更适合当前AI落地（17:24）
在控制优化中，需要考虑能效和经济性评估、控制性能评估、混合优化框架和启发式优化框架等。演讲者表示目前更敢于把大模型、时序模型与传统PID混合用于控制优化，而不是直接用于实时控制。
15. 从点位标签走向工业本体（18:36）
演讲者提出工业控制系统不应只停留在点位和Tag层面，而应向带语义的设备对象和设备本体发展。类似KKS编码这类结构化体系能够表达设备用途和语义，有助于支撑面向模型的工程。
16. 离散控制更依赖工具链和敏捷实施（19:40）
在离散控制方向，控制优化本身未必是重点，工具链要求更高，需要快速生成控制方案并进行虚拟调试。对于安全性要求不那么高的场景，可以考虑更接近IT的快速开发、快速测试和快速投入方式，目标是在一两周内实施新的工程项目。
17. 未来展望强调小型化、分布式与安全（20:44）
演讲者期望大模型能够小型化并部署在工业现场，以分布式方式降低全局性风险。训练与推理不应完全分离，不可解释模型需要可解释模型约束，同时必须用领域知识进行安全检查，并重视从训练到推理全过程的AI安全。
时间线
00:00 - 主持人介绍报告题目和演讲者，报告主题聚焦工业控制系统从规则驱动到自主认知的发展方向。
00:13 - 演讲者说明报告背景，强调人工智能与工业控制结合仍处早期阶段，需要以问题意识推动后续研究。
00:49 - 报告从传统预编程、规则驱动控制系统的局限讲起，引出自主认知在感知、判断、决策和执行全过程中的价值。
02:02 - 演讲者扩展工业控制系统的边界，讨论现场仪表、执行器、人机界面以及主控室等构成，并提出面向未来的系统愿景。
02:46 - 报告结合离散制造和流程工业实例，说明产品迭代、市场变化和经济目标对控制系统快速适应、实时优化和稳定性的要求。
05:14 - 演讲者集中讨论开放互联、虚实互动、人机协作、安全可靠和全局优化等愿景，并引出现阶段存在的能力缺口。
06:37 - 报告转向现有AI模型与工业现场数据之间的不匹配，分析大模型训练成本、时序数据、多维变量和实时控制适配等问题。
09:15 - 演讲者提出需要引入AI并重构工业控制系统架构，从传统金字塔结构走向边缘平台、数据底座和分布式应用结合。
10:27 - 报告描述生产优化到现场控制的大闭环体系，并提出融合先验知识模型和数据驱动模型的工业智能模型思路。
11:23 - 演讲者概括从规则驱动到自主认知的能力演进，包括多源感知、认知学习、全局优化和多学科融合。
12:57 - 报告进一步提出自主认知工业控制系统所需的六大能力，并强调多专业Agent协同比单一超级大脑更现实。
15:23 - 演讲者回到工业时序数据问题，强调样本选择、数据清洗、持续学习、泛化边界和低成本实现可接受控制效果的重要性。
16:48 - 报告补充工业控制系统自身技术议题，包括高确定性网络、分层网络架构、控制优化、多模型编排和PID整定等。
18:36 - 演讲者讨论工业本体和面向模型的工程，提出从Tag和点位逐步走向设备对象与设备本体。
19:40 - 报告以离散控制和工程实施为例，强调工具链、虚拟调试、敏捷开发和快速工程交付的重要性。
20:44 - 最后，演讲者展望大模型小型化、现场分布式部署、训练推理融合、可解释约束、领域知识安全检查和AI安全保障。
AI 延伸阅读(下文由AI生成，其内容可能存在偏差，请注意甄别)：
和利时朱毅明：工业控制系统正从规则驱动迈向自主认知
人工智能正在深刻影响工业控制系统的发展方向，但在和利时集团总工程师朱毅明看来，人工智能与工业控制的融合仍处于早期阶段。当前更重要的不是急于给出一个确定答案，而是提出真正有价值的科学问题和技术问题，为后续研究、工程实践和产业落地明确方向。工业控制系统正在经历从规则驱动向自主认知的转变，传统控制系统主要依赖人工预先设定的规则、代码和控制逻辑，而未来的自主认知系统应具备从感知、判断、决策到执行的全过程学习、适应和优化能力。
传统规则驱动控制长期支撑了工业自动化的发展，但其局限也越来越明显。规则设计得较粗时，系统普适性较强，却难以获得足够精细的控制效果；规则设计得较细时，局部控制性能可能提升，但泛化能力和灵活性又会下降。当产品、工艺、市场需求和生产参数快速变化时，传统控制系统往往难以及时响应。尤其是在模型部署之后，当前大模型训练和微调成本较高，工业现场也不可能频繁进行大规模更新，这使得控制系统的快速迭代能力受到限制。
朱毅明认为，未来工业控制系统的边界也将进一步扩展。它不再只是控制器、主控室和上位系统的组合，还应覆盖智能仪表、执行器和现场设备。随着工业以太网、先进物理层等技术发展，现场仪表的能力不断增强，部分控制能力正在下沉到现场层。同时，人机界面和主控室仍然是工业控制系统的重要组成部分，尤其在核电等高安全场景中，主控室承担着监视、操作、协同和安全保障等关键功能。
面向未来，自主认知工业控制系统应具备六方面愿景。首先是自主学习、适应与优化，系统能够根据生产状态和环境变化持续学习，并不断优化控制策略和生产效率。其次是开放互联，由于工业控制企业通常只能提供部分产品，未来需要通过开放架构实现不同系统、软件和设备之间的互联互通。第三是虚实互动，通过虚拟设计、虚拟验证和虚拟调试减少现场部署与调试时间。第四是人机协作，借助虚拟现实、增强现实、移动终端和可穿戴设备等新型交互方式提升操作和维护效率。第五是安全可靠，工业控制尤其是核电等场景必须把安全放在首位。第六是全局优化，将生产优化、调度、能源管理和底层控制纳入统一闭环，实现更高层次的整体效益提升。
不同行业场景对智能控制的需求也各不相同。在离散制造领域，产品切换日益频繁，过去可能一年更换一次产品，未来可能一个月甚至更短时间就要切换生产对象，这要求控制系统能够快速适应设计、工艺和生产流程变化。工程组态自动生成、虚拟调试和快速现场部署将成为重要需求。在流程工业领域，原料可能相同，但产品结构会根据市场条件动态变化，生产参数需要随之调整。未来需要从实时优化、先进控制到PID执行形成大闭环。对于精细化工等批次生产场景，不同批次参数存在差异，控制系统必须具备更强的稳定性和鲁棒性。在核电等高安全领域，引入智能化必须兼顾安全边界、控制稳定性、可验证性和可解释性，并严格遵循工程流程规范。
当前，大模型直接用于工业控制仍面临诸多限制。语言大模型主要面向一维文本序列，而工业现场数据通常是多变量、多维度、强关联的时序数据。一个工业过程可能涉及几十到上百个参数，如何选择输入样本、提取有效特征并建立可靠模型，仍是重要难题。工业时序模型也不能简单等同于通用大模型，它更接近基于时序数据训练的机器学习模型，需要符合采样频率、数据粒度、运行模式识别等工程规律和采样定律。
实时控制对模型提出了更高要求。基于Transformer等架构的方法可以用于优化控制，但如果直接用于实时控制回路，仍存在不确定性和风险。实时控制需要确定性、稳定性、低延迟和高可靠性，而这些要求并非当前大模型天然具备。同时，工业数据质量问题也十分突出。数据必须经过清洗，否则噪声、错误和异常样本会显著影响模型训练效果。工业数据之间存在强弱关联，样本选择不能只依赖统计关系，还必须结合工艺、物理和化学知识进行判断。
在系统架构层面，传统S95金字塔架构也面临重构需求。S95对功能层级划分清晰，但面对快速变化的生产管理、调度和控制融合需求，传统逐级网关上传和单向通信模式可能难以满足未来智能控制的发展。朱毅明提出，需要建设平台化工业智能底座，由底座负责数据采集、安全保障和基础能力支撑，上层支持分布式应用，并区分安全应用与非安全应用。未来的目标是构建生产全过程自主闭环，从生产优化到现场控制形成感知、决策、执行、反馈的大闭环，支撑智能分析、自主控制、优化决策和多源感知。
工业智能模型体系不能只依靠单一模型。工业控制既需要因果关系、机理知识，也需要历史数据和实时运行数据。未来应融合先验知识模型与数据驱动模型，将工艺机理、物理化学规律和数据模型结合起来。所谓数字人或智能体，也不应只是一个仿真模型，而应具备持续学习能力。未来更可能出现的是多专业智能体协同工作，而不是由一个“超级大脑”统一完成所有任务。对于工业控制而言，也不一定要追求跨所有系统的强泛化能力，只要能够对特定装置、特定工艺或特定型号系统形成良好适应性，就能产生现实工程价值。
自主认知工业控制系统需要形成多项核心能力。它要能够通过时序数据学习和工况识别理解设备、系统和工艺过程的行为模式；能够在约束条件下生成可执行、可靠、可验证的控制策略；能够融合工艺机理、物理化学规律和数据模型，形成可用于控制和优化的工艺模型；能够根据运行数据持续更新局部模型和策略，但这种学习必须受安全边界约束；还要能够对已有控制规则、工艺规则和安全规则进行识别、分析和优化，并保障模型训练、推理、部署和运行全过程安全，防止错误决策影响生产系统。
在关键技术方向上，多源多模态感知将成为提升系统认知能力的重要基础。工业视觉、振动信号、冲击信号、高频信号以及传统过程数据都可以参与控制和优化。控制优化还需要与运筹学、多目标优化和博弈论等数学方法结合，大模型不能简单替代传统数学优化方法。相较于直接接管实时控制，参数整定智能化可能是当前更适合落地的方向，例如利用机器学习和历史经验提升PID整定、MPC整定效率。此外，工业设备诊断、状态监测、故障识别和预测性维护也将成为人工智能在工业控制领域的重要应用。
网络基础设施同样需要升级。随着网络延伸到仪表和现场层，工业网络必须保障分层架构中的实时性、确定性和可靠性。未来现场层、控制层和管理层可能同时存在十兆、百兆、千兆、万兆等不同网络形态，如何在多层级、多速率、多协议环境下实现高确定性通信，将直接影响智能控制系统的稳定运行。
从工程应用角度看，人工智能当前更适合优先用于控制优化，而不是直接替代实时控制回路。可以将大模型、时序模型和传统PID等方法混合使用，形成多智能体、多模型编排的控制优化体系。在工艺优化中，大模型可以用于识别图纸、提取结构化数据，辅助工程设计和工艺建模，但仍需结合大量非大模型人工智能技术和传统工程方法。控制优化还必须考虑能效、经济收益、控制性能和生产约束，可以采用混合优化框架、启发式优化框架等方法实现综合评估。
工业语义和对象化建模也是未来发展的重要方向。传统工业控制大量依赖点位标签，语义表达能力有限。未来应逐步从点位标签走向设备对象和设备本体，通过工业本体表达设备、功能、关系和工程语义。类似KKS编码的体系，可以通过编码体现设备用途和结构关系。面向模型的系统工程方法，如MBSE，有助于工业系统从文档和点表驱动走向模型驱动，提升工程设计、控制配置、验证和运维的一致性。
在工具链与工程实施方面，离散控制尤其依赖工具链能力。离散制造中的底层控制相对简单，但对控制方案快速生成和虚拟调试要求很高。未来工具链应支持控制逻辑、组态、仿真和测试的自动生成或半自动生成，通过虚拟调试缩短现场周期。在信息化环境中完成设计和调试后，现场只需短时间部署和连接，就可能形成一条新的产线。不同场景也应选择不同工程开发模式，高安全系统如核电仍适合瀑布式、严格验证的工程模式，而安全要求较低的场景则可借鉴信息技术领域快速开发、快速测试和快速投用的方法。未来部分工程项目实施周期有望从一年、两年压缩到一周、两周，统一运维管理也将提升现场系统管理效率和可靠性。
面对安全问题，朱毅明强调，工业智能控制不能完全交给黑箱模型。未来大模型需要小型化，并逐步部署在工业现场和边缘侧，但必须建立完善的安全约束机制。分布式模型和多智能体架构有助于降低单点错误导致全局风险的可能性。训练与推理也不应完全割裂，工业智能系统需要在安全边界下实现训练、推理和持续学习的融合。对于不可解释模型，应引入可解释模型、领域知识和安全规则进行约束，并依靠工艺、控制、安全和设备知识进行校验。从数据采集、模型训练、模型部署到推理执行，工业控制系统都需要建立全流程人工智能安全保障机制，因为一旦大模型在工业场景中产生错误，其定位和纠正往往比传统系统更加困难。
