2025年春節(jié)期間，國產(chǎn)大模型DeepSeek異軍突起，一夜之間，舉世關(guān)注，各種文章、教程、App及大模型接入方案紛紛涌現(xiàn)。面對“DeepSeek熱”，鋼企應(yīng)如何立足行業(yè)特性和企業(yè)實際，避免盲目追隨潮流，成為了一個值得深思的問題。筆者認為，其中的關(guān)鍵在于精準把握企業(yè)需求，深諳各大模型特性，并將其與實際應(yīng)用場景融合，以最大化模型效能，加速企業(yè)數(shù)字化轉(zhuǎn)型與智能化升級。

　　DeepSeek：

　　開源、免費、低成本

　　DeepSeek-R1作為DeepSeek開源的推理模型，擅長處理復(fù)雜任務(wù)且免費。尤其值得一提的是，在模型的后訓(xùn)練階段，DeepSeek-R1大規(guī)模運用了強化學(xué)習(xí)技術(shù)，使其推理能力得到極大提升，在數(shù)學(xué)、代碼以及自然語言推理等任務(wù)上，其性能足以與業(yè)界標桿OpenAI-o1相抗衡。其標簽——國產(chǎn)、免費、開源、強大、高效且成本優(yōu)化，不僅打破了技術(shù)壁壘，還大幅降低了進入AI（人工智能）領(lǐng)域的門檻，為全球AI創(chuàng)新者提供了前所未有的參與機會。

　　在實際應(yīng)用中，DeepSeek展現(xiàn)出諸多優(yōu)勢。首先，DeepSeek通過創(chuàng)新的算法優(yōu)化和低精度訓(xùn)練技術(shù)（如int8），訓(xùn)練成本僅為同類產(chǎn)品的1/8，推理成本更是比OpenAI低出不少，這將極大推動AI（人工智能）在鋼企研發(fā)、生產(chǎn)等各個環(huán)節(jié)的廣泛應(yīng)用。同時，DeepSeek-R1的推理速度實現(xiàn)了飛躍式提升，比傳統(tǒng)GPU（中央處理器）快57倍，結(jié)合為鋼鐵行業(yè)量身定制的專用模型，能夠?qū)崟r響應(yīng)生產(chǎn)調(diào)度、庫存管理等核心需求。

　　此外，DeepSeek開放模型權(quán)重，采用MIT開源協(xié)議（麻省理工學(xué)院許可證），允許用戶利用模型進行二次開發(fā)、蒸餾。用戶基于DeepSeek開發(fā)或使用專用模型，能夠精準分析行業(yè)數(shù)據(jù)，為庫存管理、供應(yīng)鏈預(yù)測、生產(chǎn)流程優(yōu)化等決策提供科學(xué)依據(jù)。值得一提的是，DeepSeek還具備出色的跨平臺兼容性，已順利接入華為云、百度智能云等平臺，用戶無需徹底更換原有系統(tǒng)，即可輕松實現(xiàn)混合部署，極大地降低了遷移成本。

　　然而，DeepSeek也存在一些劣勢。首先，地緣政治限制可能影響其國際業(yè)務(wù)。美國已禁止政府設(shè)備使用DeepSeek-V3，若鋼鐵企業(yè)涉及國際業(yè)務(wù)，需評估數(shù)據(jù)跨境傳輸風(fēng)險。其次，開源模型可能增加代碼漏洞風(fēng)險，需加強本地化部署的安全防護。再次，DeepSeek無法像百度等企業(yè)一樣實現(xiàn)數(shù)據(jù)分級分層受控，企業(yè)在引入AI技術(shù)時，務(wù)必重視數(shù)據(jù)安全與合規(guī)性，嚴格權(quán)限管理，確保數(shù)據(jù)不被非法獲取或泄露，避免因技術(shù)漏洞引發(fā)經(jīng)濟損失。最后，過度依賴DeepSeek可能導(dǎo)致技術(shù)路徑單一，若其后續(xù)閉源或調(diào)整策略，企業(yè)需重新評估替代方案。同時，華為、百度等廠商已快速接入DeepSeek，可能通過捆綁服務(wù)削弱鋼鐵企業(yè)的議價能力。

　　需求聚焦：

　　關(guān)注核心，規(guī)避“大而全”誤區(qū)

　　在大模型落地過程中，我們需時刻保持警惕，避免落入“偽需求”陷阱，不盲目追求“大而全”，而是優(yōu)先聚焦于生產(chǎn)、質(zhì)量、成本等核心痛點，確保所選場景與DeepSeek的特點高度契合。

　　具體而言，鋼鐵企業(yè)可以著重關(guān)注供應(yīng)鏈協(xié)同優(yōu)化，通過整合采購、庫存及物流數(shù)據(jù)，預(yù)測原材料價格波動及運輸風(fēng)險，從而優(yōu)化采購計劃及庫存管理水平。同時，致力于運營優(yōu)化，借助數(shù)據(jù)驅(qū)動的決策機制，大幅提升生產(chǎn)效率與資源配置效率。在設(shè)備預(yù)測方面，鋼企應(yīng)結(jié)合企業(yè)原有的模型，利用生產(chǎn)設(shè)備傳感器數(shù)據(jù)，通過先進的大模型分析技術(shù)，精準把握設(shè)備運行狀態(tài)，預(yù)測故障周期，特別是對于高爐、軋機等關(guān)鍵設(shè)備尤為重要。

　　此外，在企業(yè)管理運營中，鋼企可借助AI技術(shù)輔助生成精準文案，構(gòu)建崗位知識庫，整合行業(yè)資訊與操作手冊，進一步提升工作效率，有效降低人力成本。

　　數(shù)據(jù)治理：

　　構(gòu)建基石，提高質(zhì)量

　　企業(yè)數(shù)據(jù)清洗、數(shù)據(jù)標準化建設(shè)以及專業(yè)知識庫的搭建，共同為DeepSeek等AI應(yīng)用的實施構(gòu)建了穩(wěn)固的數(shù)據(jù)基石。

　　針對企業(yè)ERP（企業(yè)資源計劃）、MES（制造執(zhí)行系統(tǒng)）等核心系統(tǒng)中累積的歷史數(shù)據(jù)，首要任務(wù)是建立一套統(tǒng)一的數(shù)據(jù)標簽體系，從而清除冗余信息、填補數(shù)據(jù)空白、糾正錯誤數(shù)據(jù)，并確保數(shù)據(jù)的兼容性，特別是時序數(shù)據(jù)與結(jié)構(gòu)化數(shù)據(jù)的無縫整合，從而為AI模型的精準訓(xùn)練提供可靠且高質(zhì)量的數(shù)據(jù)源。

　　與此同時，為了深化AI模型對鋼鐵行業(yè)特定應(yīng)用場景的理解，鋼企需將行業(yè)專有術(shù)語（諸如連鑄坯熱送熱裝率、噸鋼綜合能耗等）及工藝標準內(nèi)嵌于大模型之中?；诖耍珼eepSeek依托百度的千帆大模型的行業(yè)知識增強能力，能夠定制化訓(xùn)練垂直領(lǐng)域的專業(yè)子模型，從而在專業(yè)領(lǐng)域展現(xiàn)出更加卓越的應(yīng)用效能與精確度。

　　實施策略：

　　小步快跑，驗證迭代

　　鋼鐵企業(yè)在穩(wěn)健推進DeepSeek應(yīng)用的過程中，可采取“試點先行”策略，根據(jù)企業(yè)特點，選擇一個具體產(chǎn)線或車間（例如煉鋼車間）作為試驗田。

　　在這一階段，鋼企利用大模型的分析能力，優(yōu)先聚焦于優(yōu)化轉(zhuǎn)爐配料比例、預(yù)測鑄坯質(zhì)量以及進行根因分析等生產(chǎn)關(guān)鍵任務(wù)。在評定周期內(nèi)，鋼企應(yīng)重點考察一系列關(guān)鍵指標，如能耗降低的具體百分比、產(chǎn)品質(zhì)量的明顯提升幅度等，來評估DeepSeek的應(yīng)用成效。在試點項目取得顯著成效并經(jīng)過充分驗證后，企業(yè)可采取分階段的方式，逐步將DeepSeek的應(yīng)用范圍拓展至全企業(yè)。

　　這一策略旨在避免一次性全面部署可能帶來的資源過度消耗和風(fēng)險，確保每一步都走得穩(wěn)健而高效，最終推動DeepSeek在整個企業(yè)范圍內(nèi)實現(xiàn)全面且深入的應(yīng)用。

　　技術(shù)與組織協(xié)同并進：

　　避免“重技術(shù)、輕管理”

　　為確保大模型能夠與企業(yè)現(xiàn)有系統(tǒng)實現(xiàn)無縫對接，鋼企必須密切關(guān)注數(shù)據(jù)流的連續(xù)性，避免任何可能導(dǎo)致數(shù)據(jù)斷點的環(huán)節(jié)。針對部分老舊或特殊系統(tǒng)，鋼企可靈活采用中間件或API網(wǎng)關(guān)技術(shù)，實現(xiàn)輕量化、低成本集成，確保平穩(wěn)過渡。

　　在技術(shù)推進的同時，鋼企也要深刻認識到員工賦能與變革管理的重要性。為此，鋼企可輔助開展一系列“AI+工藝”融合培訓(xùn)，幫助工程師深入理解模型輸出的內(nèi)在邏輯，比如為何在特定情境下，模型會建議調(diào)整軋制速度，從而增強他們的主動決策能力，而非僅僅作為被動執(zhí)行者；還可建立一套激勵機制，積極鼓勵一線員工主動反饋模型在實際應(yīng)用中遇到的問題，通過正面引導(dǎo)和激勵，有效消除員工可能存在的抵觸情緒，確保先進技術(shù)能夠真正落地生根，避免技術(shù)資源的閑置浪費。

　　風(fēng)險管控與成本優(yōu)化：

　　細致評估，協(xié)商計費

　　在風(fēng)險控制與成本優(yōu)化方面，鋼企需細致評估私有化部署DeepSeek所需的硬件升級成本，尤其是針對高性能需求（如GPU服務(wù)器集群）的投入，以及組建兼具鋼鐵工藝知識與AI技能的運維團隊所需的資源。

　　同時，鋼企可通過協(xié)商采用靈活的計費模式，例如按調(diào)用量階梯定價，防止成本超支；確保生產(chǎn)數(shù)據(jù)的本地化安全存儲，并運用聯(lián)邦學(xué)習(xí)等先進技術(shù)，實現(xiàn)數(shù)據(jù)的“可用不可見”，既保障數(shù)據(jù)利用的效率，又有效防范供應(yīng)鏈斷供等安全風(fēng)險，確保合規(guī)性與業(yè)務(wù)連續(xù)性。

　　總體來看，鋼鐵企業(yè)的AI落地實踐需將技術(shù)理性與行業(yè)深度洞察（Know-How）緊密結(jié)合。短期內(nèi)，鋼企應(yīng)聚焦于設(shè)備維護、工藝優(yōu)化等具體且可量化的核心“硬場景”，通過實實在在的降本增效成果，彰顯AI技術(shù)的價值；長期來看，則需依托數(shù)據(jù)的持續(xù)積累與組織文化的深刻變革，推動AI深度融入企業(yè)的生產(chǎn)管理體系，避免陷入“技術(shù)至上、脫離實際”的誤區(qū)。在此過程中，鋼企通過大模型技術(shù)支持，可構(gòu)建統(tǒng)一的數(shù)據(jù)分析與決策平臺，即構(gòu)建AI中臺能力，不僅滿足當前需求，更為未來擴展至碳排放管理、數(shù)字孿生等新興領(lǐng)域預(yù)留空間。

　　筆者認為，我們的最終目標是讓大模型真正成為那位“深諳鋼鐵行業(yè)的老師傅”，而非僅僅是擺在那里的“昂貴裝飾品”，從而引領(lǐng)企業(yè)邁向更加智能、高效的未來。

來源：李昕昱［作者系中天鋼鐵集團（南通）有限公司信息管理處處長］