钢水升到约1600摄氏度，配料就不是照表抓药。原料状态、炉况和设备运行一直在变，上一炉管用的经验，下一炉未必能原样照搬。传统自动化可以稳定执行预设代码；只靠历史数据训练的模型，碰上没见过的工况，也可能给出“数据上合理、炉前无法执行”的答案。
这正是物理人工智能进入钢铁场景的切口。新工业网将 Physical AI 概括为能够感知环境、理解复杂状况并作出物理调整的系统。落到特钢配料，模型输出要过设备力学、材料热力学和工艺知识这几道关。会算只是第一步，炉子还得真能照着做。
“玄铁”已经走进生产流程
据《经济参考报》2026年4月3日的探访，柳钢防城港基地的“玄铁”钢铁大模型已深度融入生产全流程。在港务中心炼铁站，滚烫的铁水由自动驾驶火车运往指定位置，厂区内也能看到AI参与生产控制、数据支持生产调度的场景。
公开报道可以确认，“玄铁”已经进入真实生产流程。不过，现有材料没有披露它采用了哪种热力学约束，也没有说明它是否已独立完成特钢配料的全闭环控制。把这个案例直接写成“模型已经接管配料”，结论走得太快。更准确的说法是，AI已经从屏幕上的分析工具走向连续生产，具体控制到哪一步，仍要看项目参数和权限设置。
另一个锚点在宝钢。中国钢铁新闻网报道，2024年，上海宝山罗泾镇的宝钢中厚板厂在改造为“宝之云”数据中心后，又投产了国内首个钢铁行业AI算力中心。
算力只是底座。配料系统、过程数据和检测结果如果彼此断开，再大的模型也只能看到滞后的现场。
特钢缺的，往往是同类样本
特钢品种多、小批量、牌号切换频繁，工艺窗口又窄。对纯数据模型来说，这意味着同类历史样本不一定充足。一个模型在旧牌号上表现稳定，换到新牌号或少见工况后，原先学到的相关性可能不再可靠。
北京新闻相关报道提到，传统工业AI如果只依靠历史数据推演，脱离设备力学特性、材料热力学标准和工艺机理，面对突发变量时容易“胡言乱语”。这句话放在炉前很具体：模型给出的每个比例和调整建议，最后都会对应一次真实操作。
物理AI仍然要使用历史数据，只是多了一层检查边界。设备能不能执行，材料状态是否允许，建议是否符合工艺要求，都要在进入控制链之前核对。约束究竟写进模型训练，还是放在独立校验层，现有公开资料没有说明。能确定的原则是，工业模型不能只报一个概率最高的答案，还要让现场知道这个答案为何可用。
华为云曾以取向硅钢为例，提到其生产第一步发生在炉膛温度超过2300摄氏度的高炉中，并且依赖一线操作工长期积累的经验判断。这样的场景里，经验需要被整理成稳定、可复核的操作条件，模型才可能在不同炉次中持续发挥作用。
端到端，终点是结果回流
在配料环节，一条完整链路从原料和炉况信号开始，经过配方计算、过程调整和执行，再把检测结果送回下一次判断。生成一张配方单还不够，执行后发生了什么，系统必须看得见。
如果模型只在旁边给建议，却收不到执行结果，它仍是一个辅助工具。真正的端到端控制要求数据与反馈不断链。单个大模型也要与现有自动化系统、安全联锁和人工接管机制配合。
更稳妥的落地顺序，是先让物理AI判断状态、给出配料或调整建议，由既有系统执行确定性动作，异常工况保留人工确认。经过限定工况的反复验证后，再逐步增加自动控制权限。先当好副驾驶，比一开始就追求无人接管更实际。
先看能不能退回
钢企筛选方案时，模型参数量和硬件型号可以往后放。更值得问的是：切换牌号后还能不能用，现场数据缺失时会不会降级，建议越过设备或工艺边界时能否被拦截，操作人员能不能随时接管。
宝钢的AI算力中心说明基础设施正在补齐，柳钢“玄铁”则说明模型已经能够进入生产全流程。现有公开信息还不足以证明，特钢配料已经实现完全无人化的端到端控制。
在1600度的炉前，算法输出随时可能变成真实动作。物理AI能不能成为特钢厂的生产能力，最终要看三件事：建议能执行，过程能检查，出了问题能退回。
