2026年11月3日，英国人工智能公司 Applied Computing 在阿布扎比国际石油展览暨会议（ADIPEC 2026）上发布新一代 Orbital 平台，将其定位为全球首个面向能源行业的世界模型（World Model for Energy）。
这次发布值得关注的，不仅是一个工业AI软件的升级，而是提出了一条新的技术发展路线：让AI从识别工业数据中的规律，走向理解工业系统的物理行为，并进一步预测不同操作决策可能产生的结果。
如果说传统工业AI主要回答“接下来可能发生什么”，那么工业世界模型希望进一步回答“为什么会发生，以及如果改变操作条件，将会发生什么”。
这意味着，工业AI可能从数据分析和状态预测工具，逐步发展为能够理解生产过程、模拟工况变化并辅助工程决策的智能系统。
一、Applied Computing 与 Orbital
Applied Computing 是一家总部位于英国伦敦的人工智能公司，专注于能源和流程工业领域的AI技术，其核心产品是 Orbital。
Orbital 主要服务于炼油、石油化工、天然气及其他能源生产设施，通过分析生产过程中的大量工业数据，帮助企业提高生产效率、降低能源消耗并改善设备运行表现。
2026年7月，Applied Computing 完成2000万美元A轮融资，由国际工程技术公司 KBR 领投，Databricks Ventures 参与投资。
这家公司受到关注的一个重要原因，是其选择了与通用大模型不同的技术路线：不是简单地把大语言模型接入工业数据库，而是将工业时序数据、化工工程知识、物理机理与人工智能模型进行融合。
此前版本的 Orbital 主要从工业历史数据中学习规律，完成预测、异常分析等任务。
新一代 Orbital 则强调建立工厂的世界模型，使AI不仅能够识别数据模式，还能理解设备之间的物理联系、生产过程中的物质与能量流动，以及操作条件变化引起的系统响应。
按照 Applied Computing 的介绍，新一代 Orbital 不再局限于预先定义的单一任务，而是希望以统一的工业系统模型支持不同的分析与优化需求。
二、什么是能源行业的世界模型？
世界模型（World Model）是近年来人工智能，特别是物理AI（Physical AI）领域的重要研究方向。
世界模型的核心思想，是让AI学习某个现实系统的内部运行规律，并建立能够预测系统状态变化的模型。
例如，在机器人领域，世界模型可以预测机器人执行某个动作后，周围环境和物体状态将发生什么变化。
而在能源行业，世界模型所面对的对象不再是机器人和物理空间，而是炼油厂、化工装置、能源生产系统等复杂工业设施。
以一个典型的化工生产装置为例，其中可能包含反应器、换热器、分离塔、压缩机、泵和管道。这些设备并非独立工作，而是通过物料、热量以及控制信号相互关联。
传统时序AI可以通过历史数据预测未来的温度、压力或流量。
工业世界模型则尝试进一步理解：
换热器结垢为什么会降低传热效率？传热效率下降如何影响反应器温度？反应温度变化又将怎样影响产品质量、能源消耗和整个生产装置的运行状态？
更进一步，如果工程师准备提高进料量、调整温度或改变设备负荷，世界模型应能够预先模拟不同方案的影响。
因此，工业世界模型需要具备的不仅是预测能力，还包括对工业系统结构、物理关系、动态行为和运行约束的综合理解。
需要指出，世界模型并不意味着AI已经能够完全理解工业系统中的真实因果机制。模型所学习到的因果关系和工况响应，仍需要通过工程知识、实验数据及现场验证来确认。
三、Orbital 的技术架构：融合数据、物理与工程知识
根据 Applied Computing 发布的技术资料，Orbital 世界模型的核心，是将三类不同来源的信息结合起来。
第一类是工业运行数据。
包括DCS控制系统、工业历史数据库、实验室分析系统以及现场传感器提供的数据。
这些数据反映设备和生产过程的实际运行状态，使模型能够学习温度、压力、流量、组分以及其他工艺变量之间的动态关系。
第二类是物理机理。
包括质量守恒、能量平衡、设备特性、工艺约束以及其他工业物理规律。
这部分知识能够帮助AI判断某个预测或优化建议在物理上是否合理。
例如，即使历史数据表明提高进料量可以增加产量，模型仍需要考虑换热器的最大能力、反应器的安全温度以及压缩机的运行限制。
第三类是工程知识。
包括工艺流程图、管道和仪表流程图（P&ID）、设备技术资料、操作规程、维护记录以及工程师积累的运行经验。
这部分知识帮助模型理解设备之间的连接关系，以及工业数据所代表的实际工程含义。
Applied Computing 还特别提到，Orbital 使用知识图谱（Knowledge Graph）描述工厂内部的物理关系。
在这种结构中，设备、传感器、工艺变量和物料可以表示为不同节点，而设备连接、物料流动、能量交换及控制关系则构成节点之间的关联。
这样，AI就不再只是处理彼此孤立的时间序列，而是能够在整个工业系统的结构中理解数据。
需要注意的是，知识图谱本身并不等于世界模型。它主要提供结构化的工程关系，真正实现动态预测和工况模拟，还需要与时序学习、物理建模及其他AI算法结合。
四、从统计相关性走向物理推理
Orbital 采用的另一个重要技术概念是 Physics-Grounded AI，即基于物理规律的人工智能。
普通数据驱动模型主要从历史数据中学习统计规律。
例如，在过去的运行记录中，当反应器进料量增加时，产品产量通常随之增加。模型可能因此学习到两者之间的相关关系。
但如果进料量继续增加，超过换热器或下游分离装置的处理能力，原有的数据规律可能不再成立。
这就是工业AI经常面对的问题：历史数据中看起来合理的结果，并不一定在物理上可行。
Physics-Grounded AI 试图把已知的物理规律引入模型学习过程，使模型在分析数据的同时，也考虑系统的物理约束。
Applied Computing 强调，Orbital 将质量平衡、能量平衡和设备约束纳入学习过程，而不仅是在预测完成后检查结果是否违反规则。
这种路线与物理信息神经网络（PINNs）、物理约束机器学习以及机理与数据融合建模等研究方向有密切联系。
不过，目前公开资料没有完整披露 Orbital 的神经网络结构、损失函数、模型参数规模及训练方法，因此不能直接断定它采用了某种特定的PINN或神经算子架构。
从技术发展角度看，Orbital 试图实现的，是从单纯依据历史数据进行预测，发展到结合物理机理推断系统行为。
这对工业AI十分重要，因为工业系统往往存在许多训练数据没有充分覆盖的运行条件。
五、世界模型能够带来哪些新的工业AI能力？
根据 Applied Computing 的介绍，Orbital 世界模型支持四类核心能力。
1. 异常检测（Detect）
传统告警系统通常在某个参数超过阈值后触发报警。
世界模型则可以分析多个变量之间的物理关系，即使所有测点尚未越限，也可能发现设备或生产过程正在偏离合理的运行状态。
2. 状态预测（Predict）
不仅预测未来的温度、压力、流量和质量指标，还尝试说明变化背后的物理原因，以及哪些设备约束可能影响未来的运行状态。
3. 运行优化（Optimise）
同时考虑产量、能耗、设备能力及安全约束，对不同操作方案进行比较，辅助工程师寻找更合理的运行条件。
4. 工况模拟（Simulate）
在实际调整设备之前，先通过模型分析不同操作条件的可能影响。
例如，工程师提出：
“如果将反应器的进料量提高5%，对下游分离装置、能源消耗和产品质量会有什么影响？”
世界模型可以尝试评估这一变化对整个生产系统的连锁影响。
这类能力通常被称为 What-if Simulation，即假设性工况模拟。
值得注意的是，它并不意味着世界模型能够准确预测所有未知工况。尤其在设备故障、工况突变或历史数据覆盖不足时，预测结果仍可能存在较大误差。
因此，工业世界模型输出的模拟结果，需要明确适用边界、约束条件和不确定性。
六、从工业世界模型到工业智能体
除了模型本身的升级，新一代 Orbital 还增加了三项重要功能。
首先是通过自然语言生成工业仪表盘。
工程师可以直接描述需要关注的生产指标、设备状态和分析内容，系统据此组织数据并生成监控界面，而不必完全依赖预先开发的软件页面。
其次是自动创建和运行工业应用。
例如，工程师可以要求系统每天早上8点生成交接班报告，或者定期进行物料与热量平衡检查。Orbital 可以将这些重复工作转化为自动执行的应用。
第三是持续学习能力。
工程师的操作、反馈以及对模型结果的修正，可以用于进一步更新工厂模型，使系统逐步积累企业内部的运行知识。
此外，Applied Computing 表示，每个客户的世界模型都在其自身环境中运行和演化，客户数据与模型不需要离开该环境。
这一设计对于涉及工艺机密和关键生产数据的能源企业具有重要意义。
从技术架构上看，这相当于将两个不同的AI能力组合起来：
世界模型负责理解工业系统、预测运行状态和模拟工况变化；工业智能体负责理解工程师的任务、组织分析流程、调用工具并交付结果。
两者结合后，工业AI才有可能从单纯的问答工具，发展为能够持续参与工业生产管理的智能系统。
不过，在工业生产尤其是涉及安全的关键环节，AI自动生成建议与AI直接控制设备是两回事。
比较稳妥的技术路线，是由AI负责分析与建议，由工程师审核决策，并通过已有的控制系统和安全机制执行操作。
七、Orbital 的工业应用与验证
Orbital 并不只是概念展示。Applied Computing 已经公布了一些真实工业应用案例。
其中一个代表性案例是 Indorama Ventures 位于美国得克萨斯州 Port Neches 的 F5 PO/MTBE 石化生产装置。
该装置包含6个相互耦合的工艺区段，涉及超过15000个工业测点及仪表。
Applied Computing 使用超过4年的DCS与实验室历史数据建立模型，并针对16项产品质量指标进行预测和验证。
根据2026年8月公布的案例，全部6个工艺区段完成工程验证，16项质量指标均达到约定的预测误差要求，从项目启动到完成确认的时间不到5个月。
更值得注意的是，该项目中的 Orbital 只承担运行分析和决策建议职能，不直接修改控制系统设定值，也不执行设备停机等操作。
另一个重要案例来自 Applied Computing 与 KBR 的合作。
2026年，双方共同推出 INSITE 3.0，将 Orbital 的AI能力与KBR长期积累的化工工艺、工程设计和运行知识结合起来。
其应用主要涉及合成氨、烯烃等工业生产过程，目标是提高装置运行效率、可靠性和能源利用水平。
这些案例说明，Orbital 的工业建模和AI分析能力已经具备一定的现场应用基础。
但必须区分：现有案例主要验证此前 Orbital 产品的部分能力，并不能直接证明2026年11月发布的新一代世界模型已经完成同等规模的全面验证。
特别是世界模型的反事实模拟、自主学习和跨任务泛化能力，目前仍需要更充分的公开测试结果。
八、工业世界模型与数字孪生的关系
工业世界模型与数字孪生（Digital Twin）存在大量技术重叠，但侧重点有所不同。
传统数字孪生通常通过机理模型、设备参数、实时数据和仿真工具，建立物理设备或生产系统的数字映射。
其优势在于可以利用明确的工程模型进行分析和仿真，但部分复杂模型需要大量人工建立、校准和维护。
工业世界模型则更强调从真实运行数据中学习系统行为，同时融合物理规律与工程知识，并根据工况变化持续调整模型。
两者并非互相替代的关系。
高质量数字孪生系统本身也可以包含机器学习、动态仿真和运行优化能力，而工业世界模型同样需要依靠可靠的物理建模和工程验证。
Orbital 所代表的一种发展方向，是尝试降低复杂工业模型的构建与维护成本，使统一的模型能够支持更多不同的工业任务。
九、对工业AI平台发展的启示
Orbital 的技术路线，对正在建设工业AIoT平台、工业智能体和工业边缘AI系统的企业具有一定参考价值。
第一，从设备数据模型走向物理关系模型。
传统工业物联网平台通常围绕设备、属性、事件和告警组织数据。
要进一步实现系统级故障分析与工况模拟，需要建立设备之间的物理连接、物料关系、能量关系和控制依赖。
知识图谱可以成为重要的基础设施。
第二，从单任务AI模型走向可复用的系统模型。
传统工业AI应用往往针对温度预测、振动诊断、能耗分析等任务分别开发算法。
未来可以探索建立统一的设备或工艺系统表征，再在其基础上实现多任务预测、诊断和优化。
第三，从工业数据可视化走向工业决策支持。
工业平台不仅需要回答“设备当前处于什么状态”，还应逐步能够解释异常原因、预测未来状态，并比较不同操作方案的影响。
第四，工业智能体需要可靠的物理认知基础。
把大语言模型接入工业数据库和操作系统，可以提高交互效率，但并不能自动获得对工业物理过程的理解能力。
工业智能体如果要真正参与生产优化与工程决策，就需要可靠的工业模型作为依据。
从实际工程实施角度看，可以采用渐进式路径：
工业数据融合 → 设备物理关系建模 → 物理约束的动态预测 → 工况模拟与优化 → 智能体辅助决策。
这通常比一开始就尝试训练覆盖所有工业场景的通用大型世界模型更加现实。
十、结语
Applied Computing 发布新一代 Orbital，反映了工业AI正在形成的一项重要技术趋势：从以统计规律为主的工业数据分析，向融合物理规律、工程知识和动态系统建模的智能分析与决策支持发展。
世界模型的价值，不在于给传统工业AI换上一个新的名称，而在于是否真正能够学习工业系统的运行机制，并在复杂工况下提供可靠、可解释、可验证的预测和建议。
Orbital 已经展示了这一方向的应用潜力，但其因果推理能力、未知工况下的泛化性能以及持续学习机制的安全可靠性，仍有待进一步验证。
此外，Applied Computing 所宣称的“全球首个能源行业世界模型”，属于企业自身的产品定位，尚不能将其视为已经独立证实的技术首创。
下一阶段工业AI竞争的关键，可能不只是模型规模、算法精度或智能体数量，而是谁能让AI真正建立对复杂工业物理系统的可靠认知。
这也是工业世界模型最值得持续关注的技术价值。
参考资料
【1】Applied Computing unveils the next generation of Orbital at ADIPEC, built on a world model for energy
【2】What is a world model for energy? Inside the Orbital world model
https://appliedcomputing.com/research-and-insights/world-model-part-2-inside-the-world-model
【3】Physics-informed AI: Why Physics Belongs Inside the Model
https://appliedcomputing.com/research-and-insights/world-model-part-3-plausible-is-not-feasible
【4】Indorama Ventures: Physics-grounded AI, Verified by the Engineers Who Run the Plant
https://appliedcomputing.com/case-studies/orbital-ivl
【5】KBR INSITE, Powered by Orbital
https://appliedcomputing.com/partnerships/kbr
【6】Applied Computing and KBR to Launch AI-based Solution for Optimised Ammonia Production
https://appliedcomputing.com/newsroom/kbr-ammonia