小明 发自 凹非寺

只用一周，一个相当于人类20年经验的“数字技术工人”——基于时序大模型和Agent的智能体，就能直接上岗。

时至今日，在化工、环保、新能源等工业生产场景中，这类数字技术工人已经不再是“概念演示”，而是已经真正承担起生产操作、安全控制、能源管理等关键任务。

能胜任的场景也并不轻巧：动态合成氨、电解水制氢、垃圾焚烧发电……都是工业体系里最复杂、最依赖经验积累的环节。这些过去需要老师傅级别的专家才能把控，而如今正逐步被AI驱动的数字工人接手。

原因也很现实：经验丰富的专家越来越稀缺，而精细生产要求却越来越高。现在，这个空白则可以用数字工人填补。Ta不仅能马上学会工艺，还能把老师傅的经验和思考装进算法里，迅速成长为更稳定、更可靠的生产“骨干”。

至于为什么Ta能上岗如此之快？

秘诀就在于：数字技术工人们并不是到岗后才开始学习，而是在上岗前就已经完成了大量预训练积累，掌握了多种工艺流程，就像是进入了一个系统化的工程师训练营一般。

所以，Ta一到岗就能迅速融入生产现场，直接执行任务。这种“可复制、可扩展、不会疲劳”的数字技术工人正在成为工业智能化转型中的关键角色。

这到底怎么一回事儿？

让Agent成为工厂老师傅

如上所说的“训练营”，其实是由国内AI团队打造的一个工业智能体平台：河谷。

它所构建的智能体就像一名“数字技术工人”一般，在工业生产环境中“会听会看、会思考、可行动”，即具备感知、认知决策和执行的能力。

△旨在将Agent技术工人融入生产管控的关键节点中

其中，感知（Perceive）是指能实时获取车间或生产系统状态，比如各种传感器的数据、业务指标等。具备这项能力，Agent就能像人类一样不仅能获取原料编号、生产指令、库存需求这种生产级数据，更能时刻感受到温度、压力、流速等这类影响生产决策的核心数据指标。

认知决策（ThinkDecide）则是关键部分，其核心是利用大模型的能力，通过导入生产与工艺知识后，输出生产管理决策；在这方面，Agent有一个基础能力库，底层由多种模型构成，包括人们熟知的大语言模型和工业时序大模型等专业模型。

执行（Act）则是能够“上手”操作工业软件系统以及硬件设备，就像真人一样控制、调度或操作任务。

具备如此能力的智能体，可以承担实际生产环节中的诸多岗位。

结合工业生产的特点——行业不同但是基本环节相似，河谷平台率先推出了一批最通用岗位的“数字技术工人”。比如：

Agent设备操作员：设备启停、参数调整、波动响应等；

Agent工艺班长：决策工艺策略，如生产调度、工艺方案优化等；

Agent能源管理员：监控能耗、调整用能策略、达成节能指标等；

Agent安全员：监控设备运行状态、处理设备报警、预测性维护与故障辅助诊断；

Agent计划员：制定生产计划、原料计划、检修计划等；

支持工厂客户自定义的Agent角色。

在工厂里，“数字技术工人”已经不再是概念，而是可以按需选择、随时上岗的新型角色。

比如，一些传统化工厂正在普及绿色合成氨工艺，以实现碳中和的重要目标。而虽然生产过程绿色低碳，生产绿色合成氨带来的挑战也很现实：上游能源供给波动大、电化学催化剂的状态难以实时监测，使得整个过程复杂、对动态工况的响应要求极高。更何况，在业内普遍认知里，化工生产本身就是工业体系中最复杂、最难做到精准控制的场景之一。

过去，连续生产主要依靠控制系统加上人工配合DCS（分布式控制系统）控制干预来维持稳定，但波动的可再生能源不断带来生产扰动，生产稳定性安全性要求不断提升，传统方式逐渐显得力不从心。此时，数字技术工人Agent便能发挥作用——它可以持续学习，适应生产中不断变化的情况，自动优化控制参数，下发控制指令完成生产，大幅减少人工干预。

现在，走入已经上线的客户厂区，在合成氨工段中控室中，已经可以看见数字技术工人替代了原本三班倒的控制班组，开始自主管理与控制生产，智能体之间相互协作（合成塔操作Agent、进气压力管控Agent……），并长时间保障生产的稳定性安全性。这一幕，让人不禁感叹新工业智能时代已经到来。

△合成氨生产操作室内Agent工人已上岗

再比如垃圾焚烧发电，同样作为一种重要的环保能源方案，通过燃烧城市固体垃圾获取热能再转化为电能，不仅能减少垃圾填埋量，还能实现热电能源回收。这个过程虽早已实现部分自动化（如自动给料、温控、烟气处理），但受限于当前垃圾热值波动、供给不稳定、环保排放标准趋严等因素，仍需要人工日常介入完成精细柔性控制。

在这种场景下，Agent技术工人则承担起炉排以及进风等控制任务，承担起多个工种的岗位，而人类则主要负责安全监管，让整体运行更加智能和高效。

△区别于传统DCS控制系统的河谷智能体产品呈现方式

这类方案，不仅能提升产能和绿色能源利用效率，还能降低成本、增加工厂收益。

更重要的是，“数字技术工人”顺利落地的背后不仅是技术层面的进步，更有产品形态和商业模式的创新。

那么，河谷智能体平台究竟是如何做到的呢？

自研时序大模型，训练懂工艺的Agent

梳理来看，河谷的创新主要有两方面：自研底层技术+重构产品逻辑。

带来的好处包括但不限于：

Agent泛化能力更强

微调数据更少、上线更快

Agent更灵活、更符合实际生产需求

……

自研底层技术

河谷智能体平台的核心突破之一，是其自研的工业时序大模型Geegobyte-g1。

和常见的大语言模型不同，时序大模型专门处理随时间演变的数据，例如金融市场价格、气象观测、工业传感器信号、医学监护数据等。这类数据的特点是：依赖历史、存在周期性、变量之间强关联、且噪声较多。

在transformer网络模型的基础上，河谷的方案选择了改良的only-decoder架构，在传统encoder-decoder基础上进一步改造。

这种架构的特点是：单向注意力允许模型“回看”历史时间步，从而以自回归的方式生成未来值。比如输入过去24小时的压力数据，模型会先宏观观测，再逐点（token-by-token）推理，输出预测未来的趋势变化。

更进一步，当时序大模型与大语言模型结合，就不再只是单纯的“预测器”，而更像是一个能学习经验、具备决策逻辑的“数字工人”。

大语言模型更像是负责“理论学习”的部分：快速消化工艺文档、专家经验和历史工况，并从中提炼出参数变量、逻辑规则和控制目标等关键信息。

时序大模型则承担“实战操作”的角色：在实时数据和目标约束的驱动下，它能输出适用于现场的控制决策、优化建议和趋势预测。

两者结合，最终炼成的Agent在数据监测和情况预测上往往比人类的预感更精准，带来的生产结果也更优。

△河谷智能体正在模仿人类思考过程从输入到输出决策的画面

在Agent的训练理念上，河谷也提出了新的思路：不再以行业为界，而是以“工艺类型”来划分训练目标。

长期以来，AI在工业落地时普遍面临一个难题——泛化性不足。主要原因在于：不同行业、部门、系统和技术模块相对封闭，容易形成“烟囱效应”。为了缓解这一问题，一些厂商选择打造行业大模型，通过行业数据训练来培养“领域专家”，比如矿务大模型、水利大模型等。

这种方式使得模型依然难以广泛的跨场景跨行业迁移，而工业生产虽然千差万别，却往往在工艺的第一性原理上存在底层的共通点。

举个例子：垃圾焚烧发电和危险废物处置看似属于不同赛道，但都涉及燃烧无害化处理的工艺；电解水制氢涉及的电化学工艺不仅应用于新能源场景，在煤化工、精细化工等领域同样适用。

如果单纯以行业维度划分训练Agent，反而会把Agent限制在特定领域，无法充分发挥跨场景的价值。

所以河谷智能体平台从工艺维度训练Agent，让Ta们掌握核心技能，再像“通用工种”一样加入不同产线、不同行业的技术工种，“哪里需要哪里搬”。

对于需要Agent的企业客户而言，他们也可以先以最小模块形式使用Agent方案，而不是直接调整整体产线，部署灵活性也更高。

河谷的数字工人不仅专业，上岗速度也相当“硬核”。

它只需要少量数据微调，最短仅需半个月数据就能生成第一版本去做影子陪跑，验证实际效果，快速投入生产。

哪怕是0样本的企业客户，2个月内也能完成Agent从方案设计、预训练、微调、投运的流程。而已有样本的客户，则能在1周内让Agent真正上产线。

△河谷工业生产智能体平台配置化交付能力

速度为什么这么重要？不仅是技术实力的体现，更是工业场景落地AI的刚需。

现实中，产线是365天×24小时不停歇运转的。哪怕只是为了增加传感器或校准仪表临时停产，带来的损失也可能以秒计算。因此，能否快速部署、让Agent迅速进入实操，是衡量工业AI成败的关键指标之一。

既有技术领先性、又能灵活部署、还可快速上岗，河谷智能体平台在这一点上做到了。也因此，河谷训练出的Agent不只是“能用”，而是真正被行业所需要的Agent。

为啥能精准get重点呢？当然也是因为平台背后有熟悉工业现场的“行业老师傅”们出马。

更懂AI工业，所以造出“老师傅”

极峰科技Geegobyte AI，河谷工业智能体平台的幕后工匠。

它成立于2024年，创始人兼CEO王筱圃是中国科学技术大学计算机工学博士。他带领公司研发团队长期从事人工智能底层算法研发与AI+工业互联网产品研发，曾主导项目面向冶金、新能源、汽车等行业，应用场景覆盖生产执行管理、设备管控、工厂仓储物流、能源管理等生产运营管理核心环节。在基础算法研发以及AI落地工业方面，都具备丰富的经验。

极峰团队长期关注Transformer-based AI实现长时间序列预测任务的研究领域，并在此基础上自研了工业时序大模型。模型能够充分利用工业生产中强时序特征数据输出决策，并具备极强的领域适应与场景迁移能力。这种全新的研发范式，使得基于此的工业Agent产品的商业化价值也逐步提升。

随着ChatGPT持续引爆大模型的全球浪潮，他们意识到：真正属于工业AI的时代机遇已经到来。结合工业数字化转型的趋势，极峰科技成立后，陆续推出了Geegobyte-g1工业时序大模型与河谷工业智能体平台。

从那一刻起，他们的目标就很明确：造出真正懂工厂、懂生产、懂行业的“数字技术工人”——新时代的AI老师傅。

需求侧：人力困境凸显，AI补位成必然

王筱圃博士坦言，他在和很多工厂接触时，都能明显感受到关键技术岗位人手不够，尤其是优质人才短缺的问题。

一家化工企业负责人就和我说过，他发现现在愿意从事化工领域工作的年轻人越来越少，化工专业的录取分数都比当年低了不少。

个中原因也并不难理解：

第一，化工等传统行业本身的吸引力有限；第二，工作环境存在一定危险性；第三，工厂通常位于郊区等远离城市的地区……多重因素叠加，使得愿意投身这一行业的年轻人越来越少了。

而人才稀缺还进一步加剧了行业内的人才争夺战。工业领域的人才培养模式更多还是“师傅带徒弟”，而这个过程相对漫长、培养效率不高。当新师傅终于被培养成独当一面的老师傅时，他往往也已是行业的稀缺资源，一旦流失，对于工厂就是沉重打击。

此外，不仅是人才紧缺影响，高危工段也有“无人化”需求也在日益增加。上个智能化阶段，部分AI模型和工业软件确实实现了自动化/替代人类，但水平更接近L1级辅助驾驶，只能处理特定任务，在有限条件下才能发挥作用，大量环节仍需人工干预，导致实际使用体验与预期差距甚远。

因此，行业仍旧迫切需要更加智能化、自主化的方案，来缓解当下人才短缺与生产安全的双重压力。

如今随着AI概念被大众熟知，工业行业本身也在积极拥抱AI。

王筱圃博士提到了一家从煤化工转型做环保化工的企业，出于对于安全生产的高要求，企业主原本在无人化操作上相当谨慎和保守，但是这家企业最终还是主动联系他们，希望能够合作落地Agent方案。

这反映出产业界的需求已经十分迫切，也体现出AI落地工业势不可挡。

因此，极峰科技顺大势而为：凭借底层技术储备、丰富的落地经验与行业认知，快速打造出数字工人“训练营”，向行业批量输出可快速上岗的新一代高技术能力“老师傅”。

One More Thing

除了技术和产品创新外，极峰科技也在商业模式上给出了新的参考——让 Agent像人类一样“领工资”。

具体来说，河谷智能体平台提供两种商业合作模式：

1）一次性采购：类似于买断，企业按照Agent购买数量付费，一次部署即可；2）按需付费：企业用户支付“时薪/月薪”，费用根据“实际工时”计算，年底绩效达标还会付年终奖。期间Agent能力还会持续优化升级，长期保持价值。

（没想到，Agent像人类一样上岗工作的能力中，竟然还包括了领工资这部分）

随着越来越多的Agent工人参与到实际生产中，我们希望看到未来的年轻人们从繁琐、危险、重复的劳动工种中解放出来，有更多机会投身于更加具有创造性和高附加值的工作岗位中去。

刚刚，全线大跌，超11万人爆仓！美联储降息预期攀升　　来源：期货日报　　早上好，一则利空消息突袭加密货币市场。　　9月4日晚，据外媒报道，有知情人士透露，纳斯达克正在加强对旗下上市公司通过融资购买加密货币来推高股价行为的审查力度。该交易所现在要求部分公司在发行新股购买加密货币前必须获得股东批准