当人工智能加速进入制造、能源、装备等行业，一个基础问题成为绕不开的门槛：企业数据不够多，AI还能不能落地？
与互联网不同，工业数据天然具有“小样本”特征。一台设备可能运行时间不长，关键故障几年才发生一次；高端装备试验成本高、周期长，积累的有效样本往往只有几十或几百组。
这意味着，如果沿用互联网“先有海量数据，再训练大模型”的路径，很多工业AI项目从起点就会受限。
南京天洑软件有限公司提出的工业世界模型，给出的思路并不是一味追求更多数据，而是把企业已有的少量数据、物理规律、工程经验、仿真能力和专业算法组织起来。其核心，是让工业AI不只“从数据里找相关性”，还能够借助机理和物理计算理解工业对象，降低对数据样本的依赖。
一、数据少，不等于没规律
工业领域的数据并非越多越好，对于材料研发、设备故障、装备设计等问题，真正重要的是有限样本中是否包含足够的有效信息。
以天洑智能数据建模软件DTEmpower为例，其面向工业多源异构数据分析和规律挖掘，将“工业小数据集建模”作为重点能力之一。通过回归、分类、降维、时序分析、模型对比和自动调参等方式，企业可在有限样本条件下寻找输入变量与结果之间的关系。
图1 天洑数据建模软件DTEmpower
这种思路与互联网AI有所不同，它首先回答的是“现有100条、1000条数据中，到底还有多少信息没有被利用”。
同时，原始数据通常不直接等于有效数据。例如一台旋转设备可能有几十个传感器，但真正反映健康状态的，未必是某一个温度或振动的瞬时值，而是温升速率、两个压力测点之间的压差，或多个参数组合形成的指标。
这就是特征工程的作用，将原始测点进一步转化为更能描述设备状态和工艺过程的特征。
二、数据不够，就用物理AI“生产数据”
工业AI还有一个特殊优势：很多工业对象虽然数据有限，但其背后遵循明确的物理规律，质量守恒、能量守恒、材料特性、设备结构和操作规则都会约束系统行为。
流体、传热、结构、振动等问题，可以通过物理模型和数值计算进行低成本推演。天洑长期积累的AICFD、AIFEM、AIPOD等物理AI能力，除了用于工程设计，也可以作为工业世界模型中的物理建模与数据生成工具。
图2 天洑物理AI
通过改变温度、压力、流量、材料、结构参数和运行工况，在计算环境中生成现实中尚未发生、难以试验的状态数据。正常工况很多、异常工况很少时，还可以针对关键异常主动补充样本，再用这些高质量数据训练快速预测模型。
从这个意义上说，仿真不再只是一次工程计算，也可以成为工业AI的数据来源之一。
因此，天洑工业世界模型强调机理—数据融合。一方面让真实数据反映设备实际运行状态，另一方面用物理机理约束模型的合理边界；同时利用仿真扩充难以获取的工况，再通过机器学习建立快速预测模型。
这种组合的价值很明显，模型不必完全依赖历史数据“猜答案”，而可以同时利用数据、机理和物理计算。对于工况变化大、异常样本少、试验代价高的场景，这种方式更贴近工程实际。
三、工业世界模型落地案例
山东某智慧锅炉岛辅助平台，是天洑将仿真、机理和数据模型结合的一个典型案例。
火电锅炉拥有大量实时测点，但炉膛内部的温度场、烟气成分、水冷壁局部热负荷等状态，无法通过传感器直接测量。项目先建立煤粉燃烧数值模型和含硫组分反应机理模型，用数值模拟获得不同工况下的壁温、烟气浓度等特性数据，用于训练神经网络，最终结合现场实时数据形成在线监测应用。原本难以直接测量的炉内状态，变成了可预测且持续更新的信息。
完整逻辑可概括为：少量真实数据锚定现实，机理模型保证规律正确，仿真扩充工业样本，机器学习把复杂计算转化为快速预测。
工业AI落地，未必需要等企业积累“足够多”的数据。
对于很多工业企业而言，更现实的路径是从现有数据、设备机理、工程知识和物理模型出发，先把有限数据用好，用仿真补充稀缺工况，用机理约束模型边界。
图3 天洑工业世界模型框架
这也是天洑将自身定位为“工业世界模型框架体系及基础设施提供商”背后的技术逻辑：工业智能的基础，不只是更大的模型和更多的数据，而是让数据、物理规律和工业知识能够在同一个体系中协同工作。
