实现了一种更先进、预测型的过程自动化风格,在这种风格中,多个过程相互作用并从先前的 这些现有的人工智能应用已经展示了减少能源需求的渐进机会,从而提高了工业竞争 中传感器收集的数据的机器学习也可以实现系统范围内的优化(IEA,2025a)。这 些渐进的改进可以在能源密集型行业中将能源成本降低3到10个百分点,因为能源成 本是一个重要因素,利润率往往较低。由于实施时间短和投资回收周期快,这些工具 提供了快速提升竞争力的机会,特别是在暴露于贸易的行业中,如钢铁和铝。这些减 少能源成本的机会在非能源密集型行业中更大,虽然由于能源成本对总生产成本的贡 献较小,因此对竞争力的影响不那么显著。我们估计,通过人工智能工具在工业部门 的广泛应用,到2035年可实现80亿兆焦耳的能源节约,但仍存在障碍(见第9节) 然而,物理人工智能的增长正在越来越多地推动更灵活和高效能的过程自动化,这得益于特定 领域模型的增长。12 这些 12 特定领域模型是在特定任务和特定环境中训练的。它们与旨在广泛任务中进行泛化的模型形成对 比。特定领域模型可能是一个旨在基于设施的历史数据优化特定生产环境中的加热和冷却的模型。例