2026年11月14日，《每日经济新闻》刊发了对中控技术创始人褚健的采访。前一天，他在上海证券交易所国际投资者大会上谈到流程工业的自主运行，也给出了几项数字：中控技术2026年前三季度工业AI收入6.19亿元；TPT时序大模型已应用于数十个行业、数百个场景；公司计划培养一万名用户侧工程师，即熟悉现场工艺、能借助工具开发AI应用的FDE。把收入、应用范围和人才计划放在一起看，问题就具体了：工业AI项目越来越多，谁来把模型接进装置、交到班组手里，并在投用后持续调整？
6.19亿元工业AI收入背后，市场需要的是什么
中控技术长期服务石油化工、精细化工、煤化工、炼油等流程工业，熟悉控制系统、过程数据和现场实施。工厂决定引入AI，通常先问装置能否在质量约束内增产，指标能否守住目标窗口，负荷变化时能耗怎样调整，工艺波动能否提前发现。异常停车能减少多少，也是必须回答的问题。采访提到，时序模型覆盖安全、质量、效益和低碳场景；这些方向对应的都是企业日常测量、核算和追责的生产结果。
合同签下以后，还有大量工作要做。历史数据库与现场仪表的数据要接通，季节和负荷变化要纳入检查，工程人员要确定建议动作的边界，班组也得知道怎样使用输出。一个场景在甲厂跑通，不代表乙厂的测点命名、数据质量和操作习惯都相同。还要确定哪些结果只供参考，哪些建议能够进入操作流程，效果验收由谁负责。消费应用可以让用户在试用中慢慢发现用途，工厂里的运行责任需要在投用前讲明白。数百个场景考验模型，也考验实施队伍能否反复完成这些细碎却绕不过去的工作。收入增长到一定规模，交付方法就得跟上。
时序大模型为何天然适合流程工业
流程工业留给模型的是一串串随时间变化的记录。温度、压力、液位、流量、物料组分、阀门开度、压缩机振动、电机功率和产品质量彼此关联；操作员看趋势、变化速率，也看变量之间的联动。PID、逻辑联锁与先进过程控制负责稳定运行，统计过程控制帮助发现分布变化。时序模型可以从较长时间的运行记录中寻找多变量关系，为预测和优化提供输入。
采访提到，中控的TPT时序模型在2025年8月升级至TPT 2.0，可结合温度、压力等过程变量预测后续变化。预测曲线要有用，还得进入具体决策：化工装置调整负荷之前估计能耗，换热系统观察污垢引起的性能偏移，炼化过程辨认可能影响质量的缓慢漂移。接下来是否调整操作，由专业控制层或人员判断。采样频率、设备状态和工况分段一旦处理失当，漂亮的预测图也未必能指导现场。
物料守恒与能量平衡，构成模型泛化的工业基础
不同工厂的设备名称、仪表标定、控制策略、采样习惯各不相同；即使装置类型相近，原料和工艺路线也可能变。褚健在采访中指出，流程工业仍有物料平衡、能量平衡等共同规律。热交换系统里，流量、温差、物性和换热器状态相互关联；储罐的物料累积受进出流量约束；反应器则要同时考虑热量释放、传热与反应过程。模型若能利用这些关系，跨装置复用才有可讨论的基础。
工程上可以把平衡量作为特征，也可以用物理约束检查输出，或用简化机理模型、高精度仿真和中试试验为代理模型提供训练数据。复杂流场、传热与结构振动任务还可能采用降阶模型或物理信息神经网络。平台厂商需要分清哪些知识能封装为通用组件，哪些参数必须留到客户现场校准。复用的边界画得越清楚，工程师越容易判断一个模型换到新装置后还缺哪些试验。
从DCS到自主运行工厂，软件架构需要增加哪些层
褚健借用汽车自动驾驶的分级方法谈工业自主运行，称部分项目达到相当于L3的水平：常规工况下承担较多操作，特殊状态交由人员处理。这是企业对项目成熟度的描述。落实到系统里，现场仪表、PLC和DCS仍直接连接生产过程，工业数据库保存变量记录，模型提供预测或优化建议，智能体组织任务、上下文和专业工具。各层职责说清楚，才便于追究一项建议从哪里来、由谁执行。
装置运行不会因为模型给出一次建议就暂停。建议改变工况，新的工况又进入下一轮预测。系统应保存生成建议所用的数据区间、当时的设备状态和计划目标，记录执行动作以及后续质量、能耗表现，还要知道调用的是哪个模型版本。这样，工艺、生产和研发人员才能沿着同一条记录复盘：是数据有问题、模型判断偏了，还是现场条件已经变化。
为什么一万名FDE可能比一万份Prompt更有价值
工艺工程师清楚装置瓶颈，未必熟悉API和模型部署；软件工程师能打通数据接口，却可能看不出同一压力信号在启动和稳态时代表不同状态；数据科学家会训练模型，也需要了解班组究竟何时看结果、如何行动。FDE要把这些视角接在一起，在现场拆解需求、理解数据、接入模型、联调系统并检验效果。
中控提出培养一万名用户工程师，针对的正是实施队伍的规模限制。供应商可以把平台、工具和方法交给客户侧工程师，让常见场景在厂内迭代，把自己的人员留给基础能力、复杂问题和产品升级。比如“降低一个反应段的能耗”，到了工程师手里，须明确数据时间范围、工艺约束、训练目标、应用接口和验收指标。能做完这套工作，比会写多少条提示词更能决定项目是否留在现场。客户侧有了懂工艺又懂平台的人员，供应商下次交付模型升级时，也有人能解释新版本对原有流程有什么影响、哪些指标需要重新观察。
从任务清单到工程工具链，FDE培养应当怎样组织
培训最好从一个要交付的生产问题开始，再倒推需要掌握的工具。学员首先要会处理采集数据、时间戳、质量标记和生产事件；随后接触时序预测、异常检测、物理模型与历史案例检索。接上MES、ERP、设备维护、质量追溯和控制平台时，还得弄清各系统的业务对象。智能体开发涉及任务编排、工具调用、权限、记忆、状态机和日志；最后要用历史工况、离线回放、现场试验与正式验收检验成果。
设备健康专题做完，厂里可以留下故障诊断工具、设备编码字典、案例库、验收脚本和模型测试报告。能效专题则应留下变量定义、数据切片方法、优化方案与效果对比。这些成果逐渐形成可复用的Skill、接口规范和行业数据集。课程是否完成，可以看人学了什么；项目是否有价值，还要看这些东西能否被下一位工程师接手使用。
工业数据联盟的商业意义：场景越多，数据结构越重要
中控还谈到建立工业数据联盟，用实际生产数据训练模型。单个工厂的时序记录可能很丰富，但特定故障、极端工况、少见操作事件未必有足够样本。跨企业汇集经验之前，须先对齐设备类型、采样含义、业务事件、工艺单位与质量指标。否则，把几套数据库放在一起，字段名称相似也可能指向不同的物理过程。
一种组织方式是把通用数据规范、专业工艺模型和客户本地数据分开。行业组织定义可共享字段、标签及评测任务；供应商提供模型训练、测试工具；企业在本地处理敏感生产数据，按授权输出统计结果或模型更新。计算也可以放在客户数据中心，由权限和任务日志约束使用范围。数据集好不好，应看它支持了哪些真实任务、覆盖多少工况、能否减少新场景的部署工作，而非单看存储量。
工业智能体正在改变传统工业软件的用户界面
过去，工艺工程师常从报表菜单进去，逐页找趋势和变量。以岗位任务为入口的工作台，可以直接从问题出发：这两天蒸汽单耗为何升高？下一轮检修先处理哪些设备？质量波动与哪些物料切换同时出现？系统再调用数据查询、专业模型、历史报告和工程分析工具，形成供人审批、执行、留痕的工作对象。菜单仍在，任务的组织方式变了。以蒸汽单耗问题为例，查询结果还要标明取的是哪些时段、是否排除了停机和负荷切换；否则，现场人员很难判断差异究竟来自工况还是计算口径。
自然语言适合提出问题，执行仍依赖控制优化、机理计算、工艺规则、设备台账、质量履历与仿真服务。这些工具需要软件厂商、工程服务团队和企业研发人员共同维护。智能体负责找到合适工具并保留上下文，专业结果交给相应岗位使用。一个成熟的界面，最终要让现场人员知道答案用了哪些数据、调用了哪些能力、哪些动作还需要确认。
从商业模式看，工业AI的下一段竞争是规模交付
6.19亿元收入与一万名FDE计划，分别对应市场需求和交付能力。过去，数据清洗、专用脚本、现场看板、接口联调常常在每个项目里重做。若行业任务有模板，字段有稳定含义，模型有可调用接口，工程师能沿用同一套测试工具，新的产线就不必从空白项目开始。客户也能在已有平台上陆续增加能效、质量、维护及生产优化应用。
采购时要比较的内容随之增加：专业工具能完成什么任务，覆盖哪些岗位，模型运行和持续运维要花多少钱，客户自己能否开发下一个场景。中控所谈的自主运行工厂仍是技术目标；从当前项目走向更多工厂，还得把数据、模型、任务和工程人员组织成可交接、可复用的交付体系。培养用户工程师，就是在回答“项目交付以后，谁继续把它用好”。