- 01 -

金屬工業是人類文明中最古老的工業之一，一直是現代工業增長的一大支柱。鋼是當今使用最廣泛的金屬，在可以預見的未來，這一情況不會發生根本性的改變。

企業級AI可以嵌入到基本的商業模型中，以增強企業的決策能力。它關注的是結果而不是技術本身，從而使企業能夠將資料轉化為有價值的洞察力，以創造持續的客戶價值。

隨著人工智慧（AI）推動的技術進步和資料湖的建立，鋼鐵企業開始認識到其對鋼鐵工業生產的價值。

根據世界鋼鐵協會的資料，全球粗鋼產量從1950年的1.89億噸增加到2018年的18億噸。過去20年的快速增長，主要源於中國鋼鐵產能的過度擴張。

- 02 -

在理解AI在鋼鐵行業的應用前景之前，我們需要理解鋼鐵供應鏈的主要特點。

鋼鐵供應鏈包含了一些獨特的行業核心要素：

· 多源頭的入廠供應鏈。礦山會產生連續的原料流。但是，礦石有多種形式和質量，在進入最終產品加工之前，通常需要進行附加的處理。這可能會導致各種鋼種等級，而這不一定能與特定客戶的需求掛鉤。

· 故障敏感型生產。鋼鐵生產工藝本身要求在高爐、轉爐、連鑄機和軋機等生產階段之間的物料流動是連續的。在鍊鋼過程中，中斷並重啟某一特定操作的成本，可能會非常昂貴。因此，需要實時平衡生產流和庫存流，以避免再加熱成本，儘量減少產品改制，並消除多餘的在製品庫存。

· 複雜的成品儲存和分銷網路。由於最終產品的鋼種等級，重量和尺寸各不相同，因此在最終產品的儲存，跟蹤和分發等環節，很容易造成效率低下。此外，在鋼鐵行業中使用的跟蹤技術也存在一些限制，例如射頻識別（RFID）標籤會受鋼鐵自身物理特性的干擾。

· 多銷售渠道。傳統上，鋼鐵公司依賴各種間接銷售渠道，如經銷商、代理機構和剪下加工服務中心，所有這些渠道都針對同一個市場。鋼廠對市場的控制度相對有限，對終端消費者需求的可見度也是最低的。

此外，間接銷售渠道由於多次轉手和管理費用(如代理佣金)的積累，也減緩了銷售過程。隨著網路銷售和直銷渠道的出現，電商和網上競拍已成為提高市場透明度，縮短銷售週期和減少間接費用的主流手段。

同時，客戶可以隨時透過電商平臺掌握市場資料，並針對特定鋼材質量等級進行競爭性報價，這導致了鋼種數量的激增，其中75％的新增牌號是在過去20年中開發的。以最短的訂單完成周期和最具競爭力的價格滿足客戶的需求，已成為現階段銷售成功的關鍵。

· 大宗商品化和動盪的市場。在鋼鐵供應鏈中，原材料和成品都被大宗商品化。因此，鋼鐵供應鏈在需求端和供應端都面臨價格的波動，導致盈利能力下降。

- 03 -

鋼廠每天都會產生大量資料，並且隨著生產規模的擴大，這種資料會呈現指數級增長的趨勢。鋼廠的資料有結構化（含半結構化）和非結構化兩種形式。隨著計算機記憶體算力，計算機儲存技術和數字技術變得可靠且負擔得起，許多鋼廠正在使用這些先進的裝置來開發高階分析技術，以獲得對整個流程的洞察力。然而，到目前為止，這些努力大多數並沒有從“供應鏈整合”的戰略高度來呈現全域性視野，因此，鋼鐵業還有很大的空間來從提高其數字能力中獲益。

以下是Hiranmay Sarkar提出的目前鋼廠需要重點建設的數字能力。

1）數字孿生

數字孿生（Digital twin），或譯作數字對映、數字分身，指在資訊化平臺內模擬物理實體、流程或者系統，類似實體系統在資訊化平臺中的孿生體。藉助於數字孿生，可以在資訊化平臺上了解物理實體的狀態，甚至可以對物理實體裡面預定義的介面元件進行控制。

具體來講，數字孿生是物聯網裡面的概念，它指透過整合物理實體反饋資料，並輔以人工智慧、機器學習和軟體分析，在資訊化平臺內建立一個數字化模擬體。這個模擬體會根據反饋，隨著物理實體的變化而自動做出相應的變化。理想狀態下，數字孿生可以根據多重的反饋源資料進行自我學習，從而幾乎實時地在數字世界裡呈現物理實體的真實狀況。

數字孿生的反饋源主要依賴於各種感測器，如壓力、角度、速度感測器等。數字孿生的自我學習（或稱機器學習）除了可以依賴於感測器的反饋資訊，也可以是通過歷史資料，或者是整合網路的資料學習。後者常指多個同批次的物理實體同時進行不同的操作，並將資料反饋到同一個資訊化平臺，數字孿生根據海量的資訊反饋，進行迅速的深度學習和精確模擬。

數字孿生是實體供應鏈流程的虛擬副本，是網路-物理實體（Cyber-Physical）整合的基礎。它確保了資料在數字世界和物理實體之間的無縫傳輸。為了實現企業級AI，數字孿生必需具備以下屬性：

· 一個生態系統商務平臺，可透過市售的現成軟體，與所有內部和外部業務夥伴進行資訊交換。

· 偵聽平臺和資訊訂閱，可以捕獲超出直接控制邊界（範圍）的資訊。

· 透過物聯網（IoT）裝置，進行物理實體連線和事件捕獲。數字孿生應確保在各個供應鏈節點上連續、實時地收集資料，例如礦石儲存（礦山，供應商和船運商），生產（由焦爐，燒結廠，高爐，鑄機和軋機），產品倉儲和分銷（貨場和貨運公司）和銷售渠道（包括電商，剪下加工中心和經銷商）。

2）資料湖（Data Lake）

資料湖，是指使用大型二進位制物件或檔案這樣的自然格式儲存資料的系統。它通常把所有的企業資料統一儲存，既包括源系統中的原始副本，也包括轉換後的資料，比如那些用於報表，視覺化，資料分析和機器學習的資料。資料湖可以包括關係資料庫的結構化資料(行與列)、半結構化的資料(CSV，日誌，XML，JSON)，非結構化資料 (電子郵件、檔案、PDF)和二進位制資料(影象、音訊、影片)。

儲存資料湖的方式包括Apache Hadoop分散式檔案系統，Azure資料湖或亞馬遜雲Lake Formation's雲端儲存服務，以及諸如Alluxio虛擬資料湖之類的解決方案。

據稱此術語由James Dixon為了與資料集市對比而提出，當時他是Pentaho的首席技術官。資料集市相對較小，包含從原始資料提取出來的有價值的屬性。在推廣資料湖的時候，他認為，資料集市有幾個固有的問題，例如資訊孤島。

普華永道稱，資料湖可以"解決資料孤島。"在其資料湖研究中，他們指出，企業“開始使用一個單一的、基於Hadoop的儲存庫來存放和提取資料。”Hortonworks，谷歌，Oracle，Microsoft， Zaloni，天睿動力的技術，Cloudera和亞馬遜都有資料湖的產品。

相對而言，一個資料沼澤，只是一個劣化的資料湖，使用者無法訪問，也沒什麼價值。

資料湖是以其原始格式儲存所有企業資料的唯一儲存位置。它可以用於多種目的，例如，由資料科學驅動的高階分析和機器學習。對於鋼廠而言，資料湖可以原始格式儲存來自各個供應鏈節點（包括礦場，堆場，高爐，連鑄機和軋機）的不相關業務資料。資料湖可用於獲取以下方面的洞察力：

· 市場情報，包括有關宏觀經濟學，貨幣政策，關稅，金屬交易所，商品價格波動，競爭對手的資訊和地緣政治情況的資訊。

· 鋼廠資料，提供鋼鐵，鍊鋼，堆場管理和運輸等各個階段的產能和運營的詳細資訊。

· 業務計劃資料，包括生產計劃和裝運計劃。

· 合作伙伴的生態系統資料，由客戶，代理商，剪下加工中心，礦山，貨運代理和船運商等外部利益相關方生成。合作伙伴生態系統應提供與鋼鐵公司進行業務往來的外部組織對多企業業務網路（例如生態系統商務平臺）中資料的訪問。

- 04 -

鋼廠的AI將包括以下功能：

· 感知鋼鐵供應鏈各個階段的事件。在送達消費者手上之前，鋼鐵產品必須經歷完整的製造生命週期。隨著散裝鐵礦石被轉化為各種各樣的鋼鐵產品，原材料需要經過多個裝置和工藝步驟。供應鏈任何部分的任何中斷或變更，都將對生產的其他階段產生重大影響。擁有物聯網等相關屬性的數字孿生將立即識別變化並收集資料以進行進一步分析。

· 分析事件並確定它們在不同時間範圍內對關鍵績效指標（KPI）的影響。收集事件資料後，將觸發高階分析平臺，以識別對計劃活動的可能影響。此步驟在一秒鐘之內建立了許多“假設”方案，從而可以比較整個供應鏈網路中可能發生的變化結果。透過評估可以確定對計劃範圍內各種KPI的影響。

· 推薦替代解決方案。儘管資料收集和分析必不可少，但企業AI的真正價值在於其能夠分析全部影響並提供相關建議的能力。如果產生的影響超出某些KPI的閾值，則業務規則和先前的認知經驗教訓可以幫助企業AI推薦可實現預期業務成果的解決方案。此類建議必須考慮整個供應鏈網路的影響，並建議最佳計劃。

· 透過持續的認知學習來最佳化結果。資料湖透過資料科學技術提供洞察力。反過來，AI使用資訊來實現結果的持續最佳化。資料湖是大量不相關的資訊，如果是人工方式處理的話，這些資訊將窮盡人類一生的時間。另外，原始資料如果是非結構化的，此類資訊將無法用於商業目的。資料科學技術可以過濾特定業務範圍內的非結構化資料，例如時間範圍，地理位置和產品，以及挖掘隱藏的連線，以實現連續的自學習。

- 05 -

藉助人工智慧，鋼廠可以透過減少人工勞動，以機器之間的連線和規範化的分析工具取代人工勞動，來提高鋼鐵業的可靠性、效率和生產率。藉助人工智慧，鋼廠或還可以感知市場內在驅動力，市場需求波動以及生產和供應中斷等因素。人工智慧技術的工業應用，以及對資料湖和數字孿生的投資，有望使鋼廠的經營方式變得響應速度更快，經營利潤更高。人工智慧可以極大地提高鋼鐵供應鏈的效率，從而降低存貨成本，並在動盪的鋼鐵市場中縮短產品的上市時間。

筆者以為，只有加深對人工智慧應用場景的認識和理解，才能使我們在前進的道路上少走一些別人走過的歧途。這也是當前大多數企業人工智慧研發中心在選擇研究方向時，特別需要注意的關鍵問題之一。

參考資料

https://www.supplychainbrain.com/blogs/1-think-tank/post/30094-enterprise-ai-offers-solutions-to-steel-industry-disruption

https://en.wikipedia.org/wiki/Digital_twin

https://en.wikipedia.org/wiki/Data_lake