拆解天洑工业世界模型：大模型、小模型和机理模型如何分工？ 原创

在问答、知识检索、文档分析中，大模型表现出很强的能力。但是在工业中，大模型常显得无能为力。

锅炉如何燃烧、电池包怎样散热、泵在什么工况下效率最高、一个结构能不能承受载荷，都受到物理规律、设备机理、工艺参数和安全边界的约束。这些场景，大模型并不擅长。

面对这些工业问题，天洑工业世界模型的核心思路是多模型配合：大模型负责理解和调度，工业小模型负责精准计算，机理模型负责规律约束，工业智能体负责组织执行。

图1 天洑工业世界模型架构

一、大模型：工业系统指挥员

大模型最擅长什么？擅长理解自然语言、调用知识、拆解任务、制定步骤，以及调度工具。

工程师提出：“分析这台锅炉近期效率下降的原因，并给出调整建议。”大模型首先就要理解“效率下降”对应哪些设备、哪些参数和哪些时间范围，然后判断应该调用哪些数据、模型和算法，最后给出分析结果。

但大模型不擅长专业计算。因为工业需要确定的数值结果：温度多少、应力多大、设备是否异常、哪组参数能将降低能耗。对这些问题，仅靠语言生成能力远远不够。

图2 大模型典型翻车场景

因此，大模型更像一个“指挥员”，而不是所有工业问题的最终计算器。

二、小模型：解决具体问题的工程师

工业世界模型中的第二层，是工业小模型组成的工业AI。

所谓“小模型”，并不是简单指参数规模更小，而是指围绕特定设备、特定工艺和特定任务训练出来的专业模型。

例如根据电厂历史运行数据，训练磨煤机状态预测模型、锅炉参数预测模型、设备故障预警模型；根据产品试验和制造数据，训练质量预测模型；根据仿真结果，训练结构应力、温度场或流场的代理模型。

图3 工业AI三维可视化系统

这些小模型的特点是任务范围窄，但在具体问题上更快、更精准。

在天洑的实际工业项目中，这种“小模型”已落地应用。

例如珠海某电厂项目通过数据建模和机理建模，把不同异常模式转化为模型，包括350多个工况模型、130多个指标模型、1050多个阈值模型和210多个参数模型，构建覆盖设备的智能预警诊断体系。

真正实用的工业智能，不是训练一个超级模型，而是建设一个由大量专业模型组成的“模型库”。大模型判断该找谁，小模型把具体问题算清楚。

三、机理模型：让AI遵守物理规律

仅有大模型和工业AI还不够，因为工业数据存在天然局限性。

很多极端工况从未真实发生过，导致部分故障数据稀缺，同时不同设备之间也存在结构和工况差异。单纯靠历史数据训练出来的模型，一旦进入训练数据之外的区域，就可能出现失真。

这时就需要物理AI，用机理模型来做约束。

所谓物理AI，就是把人类已经掌握的流体力学、传热学、固体力学、振动、材料、化学反应等规律转化为可计算的模型。

这恰恰是天洑工业世界模型区别于单纯工业AI平台的重要基础。

天洑长期积累的AICFD、AIFEM和AIPOD，构成了工业世界模型中的物理AI能力。AICFD用于流动和传热计算，AIFEM用于结构、强度、振动等物理问题建模，AIPOD则进一步连接不同专业软件，通过优化算法对设计空间进行自动探索。

图4 天洑物理AI

物理AI的存在，让工业世界模型除了描述当前状态，还能进一步回答：如果改变一个条件，未来会发生什么？

四、“从知道到做到”

大模型、小模型和机理模型不是彼此独立的模块。比如在发电厂锅炉的智能预警中，CFD数值模拟与数据建模结合，通过锅炉设计信息、运行工况参数、历史数据和实时监测数据形成全工况数据库，进一步实现炉内温度、烟气成分等状态的实时计算和展示。

今天很多AI系统已能回答工业知识问题，但工业智能真正困难，也恰恰是最实用的地方，是能不能预测设备异常、能不能推演不同工艺方案、能不能进入控制系统、以及能不能根据新的数据继续学习。

最终，工业世界模型要形成的是：

感知状态—理解规律—预测变化—推演方案—优化决策—持续学习。

这也是天洑长期积累仿真、优化与工业AI技术的意义所在。

过去，流体仿真、结构仿真和优化设计主要服务于产品研发。当这些能力与数据模型、大模型连接起来，它们就成为了AI理解物理世界、推演工业系统和优化真实生产过程的基础设施。