曾经，对于钢铁生产，大规模、集约化是显著特征。有制造企业抱怨：“因为需要的钢材性能特殊，而且用量不多，很少有钢厂愿意接单。”

　　如今，一群年轻人将人工智能技术引入传统钢铁生产，让“钢铁巨人”灵巧起舞。

　　在中国宝武，当海量订单涌来，负责统筹调度的枢纽已变为钢铁人工智能决策优化模型。

　　“以宝钢股份为例，我们拥有多个生产基地，总产能超8000万吨，订单如何分配，影响生产的成本与效率。”宝钢股份钢铁人工智能决策优化技术研发团队负责人、首席研究员贾树晋说。

　　不同于传统的运筹优化模型，人工智能模型在分配订单时，除了会综合考虑各生产基地的产能、可制造性、与客户的距离等因素，还会依托历史数据，主动预测未来的订单情况，进行合理分配。

　　“我们自主研发的人工智能模型能做到实时优化派单。”贾树晋说，这帮助解决了多个基地之间的资源优化配置难题。

　　然而，要实现个性化、定制化、小批量生产，还需要人工智能模型懂得钢铁生产工艺。

　　炼一炉钢至少能出300吨，但遇到200吨甚至80吨的小炉钢订单，怎么办？

　　“我们让人工智能学会‘合并同类项’，将工程师掌握的炼钢工艺知识，转化为数字化规则。”贾树晋介绍，学会炼钢工艺知识后，人工智能模型能将小订单合并为大订单，以更低的制造成本满足小批量需求。

　　渐渐地，人工智能模型得以解决更多生产中的实际问题，其中包括余材利用——生产环节全流程有10多道工序，每道工序都会产生余材，若处置不及时，要么挤占库存，要么被当成低附加值产品直接卖掉。

　　以前，人工处置余材效率低。现在，人工智能模型发现可利用余材生产的新订单时，会迅速进行匹配，既能降低成本，也能提升交付效率。

　　“余材智慧匹配模型系统实现全自动值守式运行，只要几分钟就能为全产线余材找到最合适的去处。”贾树晋说。

　　产品下线后，如何发往客户手中，同样面临寻找最优解的难题。

　　“过去公司多个生产基地各有物流中心负责配送，几大物流中心之间的数据不互通、资源不共享。”团队成员杨子凝介绍，团队梳理了过去10多年积累的、涉及几千个物流站点的物流价格和运输周期数据，供人工智能学习、理解。

　　如今针对每一次运输需求，钢铁物流线路导航系统能计算、比较所有物流组合方案，给出最优解。“这一推理过程，涉及成百上千万次计算，人工很难比拟。”杨子凝说。

　　在宝钢股份，团队自主研发的人工智能决策模型系统已有30余套，覆盖采购、制造、销售等产业链关键环节，仅物流系统一年就能降低成本超千万元。

　　模型背后，是一支仅有14人的团队，近六成为90后，专业背景既涵盖数学、计算机、大数据、人工智能，也有冶金、材料学。

　　“工业模型要求团队成员既懂人工智能又懂钢铁工业。”贾树晋说，团队正努力打造钢铁产业的“虚拟工厂”，通过虚拟世界的成百上千次试错来降本增效，助力现实生产的进步。