工业AI落地，很多企业会发出这样的疑问：

一套工业设备刚投产时建立的模型，两年之后还准不准？

去年冬天训练出来的模型，到了今年夏天还能不能直接用？

用A批次原料建立的模型，换成B批次原料后，预测结果还准不准？

这些问题看似是模型精度问题，其实指向工业人工智能中的一个关键矛盾：真实工业世界一直在变化，而传统模型往往是静态的。

这也是南京天洑软件有限公司提出“工业世界模型”时特别强调的一点——模型不能只描述设备建立时的世界，还要能根据新的数据和反馈不断校准和更新。

工业现场永远在变

在实验室里训练一个模型，通常有比较明确的数据范围。但到了真实工厂，很多东西都在变。

首先设备会老化。泵运行几年后叶轮会磨损，换热器长期工作会结垢，轴承间隙和密封性能也会随时间变化。设备名称和设备编号都没变，但它的实际物理特性已经和投产初期明显不同。

其次是原料会变化。化工、冶金、能源等行业，煤质、矿石品位、原料含水率、组分甚至供应商发生变化，都可能改变生产过程。同样一组操作参数，在不同原料条件下未必产生相同结果。

另外，环境温度、湿度、冷却水温度、风速等外部条件会随季节改变。一套在冬季运行良好的冷却系统，进入高温夏季后，其工作状态可能明显不同。新能源系统面对的光照、风速等条件变化更加明显。

总之，工业系统不是一个固定对象，而是一个长期演化的动态系统。

模型为啥会越用越不准？

工业AI中有一个重要现象叫做模型漂移。简单理解就是，模型建立时认识的工业系统，与今天真实运行的工业系统逐渐出现了偏差。

假设企业利用过去两年的运行数据，建立了一个设备故障预警模型。刚上线时预测效果很好，但半年之后，设备发生磨损，生产负荷提高，同时企业更换了部分原料。

如果模型仍然按照过去的数据规律判断现在的设备，就可能逐渐出现误报、漏报或者预测偏差。

因此，工业AI不能简单套用“训练一次、部署使用”的思路。它需要知道：“现在的设备”还是不是“过去的设备”，这也是工业世界模型与普通离线预测模型的重要区别。

天洑将自身定位为工业世界模型框架体系及基础设施提供商。其思路不仅仅是训练一个AI模型，还要把物理规律、工业数据、专家知识、专业模型以及现实运行状态结合起来，形成对工业对象的持续描述。

图1 天洑工业世界模型

其中，AICFD、AIFEM、AIPOD等构成物理AI能力，用于描述和推演流动、传热、结构、振动及优化等工程问题；工业AI底座TFIIF与DTEmpower则承担工业数据治理、规律学习、模型构建和运行等能力。

大模型负责理解和调度，专业工业小模型负责精准计算，物理机理模型负责规律约束，工业智能体负责组织执行。

这套体系要真正成为现实设备的“世界模型”，还必须增加关键一环：现实反馈。

设备产生新的温度、压力、流量、振动、能耗和质量数据后，需要重新进入模型体系，用来判断当前状态是否变化、原有规律是否仍然成立，以及模型是否需要重新校准。

天洑开发的工业世界模型生成器IWM Generator，就把这一过程概括为：

工程资产化→构建世界→校准世界→生成平行世界→运行世界→现实反馈→再校准。

图2 天洑工业世界模型生成器

这意味着工业世界模型接近一个持续跟随真实设备变化的动态模型体系。

AI不断进化，需要物理约束

工业系统对安全性和可靠性的要求决定了，模型更新必须受到约束。

例如一次传感器异常，不能马上被AI当成设备规律变化。一次偶然的极端工况，也不应该直接改变模型长期形成的判断。在整个更新过程，物理机理尤其重要。

数据告诉AI“现实发生了什么”，机理模型则帮助判断“这种变化在物理上是否合理”。两者结合，避免了工业AI变成一个只追随数据波动的黑箱。

这也是物理AI与工业AI结合的价值，工业AI从不断产生的现场数据中学习现实系统的变化，物理AI则提供物理规律和工程边界。

图3 天洑物理AI提供物理规律和工程边界

很多企业建设工业AI项目，经常关注模型上线时精度有多高。但其实更值得关注的问题可能是：一年之后，它还准不准？设备换了工况以后，它是否知道自己不准了？发现偏差以后，能不能重新学习？

这决定了工业AI究竟是一个阶段性的项目，还是能够长期进入生产流程的基础设施。

设备会老，原料会换，季节会变，工况会迁移，工业世界从来不是静止的。

一个真正能够服务工业现场的世界模型，必须随着真实设备一起变化，并在反馈中不断重新认识这个世界。