人工智能是引領這一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術，具有“頭雁”效應，溢出帶動性很強。通用人工智能大模型（以下簡稱“大模型”）作為人工智能從專用化邁向通用化的發(fā)展新階段，是集智能感知、智能分析、智能決策、智能執(zhí)行等功能于一體的泛在智能技術，通過數(shù)據(jù)、算力、算法三要素深度融合，實現(xiàn)生產(chǎn)要素優(yōu)化配置。

從生產(chǎn)結構來看，人工智能技術已成為現(xiàn)代工業(yè)生產(chǎn)的核心組成部分，能夠大幅提高生產(chǎn)效率、優(yōu)化資源配置、降低生產(chǎn)成本，為新型工業(yè)化發(fā)展提供強大的技術支持和動力。通用人工智能與制造業(yè)深度融合，可以進一步加速工業(yè)體系向高端化、智能化、綠色化邁進。

01

大模型及其工業(yè)應用發(fā)展總體情況

一方面，全球范圍掀起大模型發(fā)展浪潮。大模型的出現(xiàn)將人工智能推向新的發(fā)展階段，國內(nèi)外龍頭企業(yè)成為大模型角力的技術高地。AI大模型是具有大規(guī)模參數(shù)和復雜結構的人工智能模型，隨著模型增大、訓練數(shù)據(jù)量增多，以及計算能力提升，AI大模型在自然語言處理、圖像識別、語音識別和多模態(tài)識別領域取得了重要突破，自2020年以來，大模型在全球市場迅速增長，迎來爆發(fā)期。

國外方面，OpenAI作為業(yè)界領先機構已發(fā)布語言類大模型ChatGPT（2022）和GPT-4（2023）、語音大模型Whisper（2022）、視覺大模型DALL-E（2021），微軟將GPT-4相關能力整合入Windows 11系統(tǒng)、Office365、Bing等重點產(chǎn)品形成Copilot系列應用；同時，谷歌推出多模態(tài)大模型Gemini（2023），Meta發(fā)布語言大模型LLaMA（2023），國外科技巨頭紛紛加入大模型競賽。

國內(nèi)方面，各科技企業(yè)亦積極跟進全球大模型發(fā)展趨勢，百度發(fā)布語言大模型“文心一言”、阿里巴巴發(fā)布語言大模型“通義千問”、科大訊飛發(fā)布語言大模型“星火認知”、百川智能發(fā)布“百川大模型”、智譜AI發(fā)布ChatGLM系列語言大模型、中國科學院發(fā)布跨模態(tài)大模型“紫東太初”。

另一方面，大模型向B端尤其是工業(yè)領域應用已成為行業(yè)共識。大模型已呈現(xiàn)出以基礎大模型為技術底座，工業(yè)應用為切入點的發(fā)展趨勢，工業(yè)大模型概念應運而生?；A大模型（Foundation Model）通過提升模型的參數(shù)量和結構通用性，融合和表達更多領域知識和模態(tài)知識，形成全知全能的通用模型。

而工業(yè)大模型依托基礎大模型的結構和知識，融合工業(yè)細分行業(yè)的數(shù)據(jù)和專家經(jīng)驗，形成垂直化、場景化、專業(yè)化的應用模型。工業(yè)大模型相對基礎大模型具有參數(shù)量少、專業(yè)度高、落地性強等優(yōu)勢，可以為工業(yè)垂直領域的技術突破、產(chǎn)品創(chuàng)新、生產(chǎn)變革等提供低成本解決方案。

02

大模型工業(yè)應用七大模式

工業(yè)產(chǎn)品從全生命周期來看可以劃分為研發(fā)、設計、仿真、生產(chǎn)、測試、運維、售后等環(huán)節(jié)，本報告針對各環(huán)節(jié)的特點和要素進行分析，并結合大模型自身的能力特征，初步提出以下大模型在工業(yè)領域的潛在應用模式。

（1）原理化研發(fā)大模型

可以對產(chǎn)品的結構數(shù)據(jù)進行分析，從微觀層面探究產(chǎn)品的構型和機理，并通過模型的涌現(xiàn)能力生成具有新結構、新特性的產(chǎn)品。以藥物研發(fā)為例，人工智能大模型可以通過分析大量的已知藥物分子數(shù)據(jù)，從中找出最優(yōu)的藥物候選，并生成一個新的藥物分子設計方案，從而大大縮短藥物研發(fā)的時間和成本，提高藥物研發(fā)的成功率。

靶點發(fā)現(xiàn)和藥物結構設計。靶點發(fā)現(xiàn)是藥物研發(fā)過程中的核心環(huán)節(jié)，靶點是藥物在體內(nèi)的作用結合位點，藥物與靶點之間的關系可以類比于鑰匙和配套的鎖。傳統(tǒng)的靶點發(fā)現(xiàn)需要做大量的科研工作，對靶點做大量的生物學假設，并設計一系列的實驗進行驗證，需要漫長的周期。而大模型通過分析已知的藥物分子結構數(shù)據(jù)、藥物分子與疾病相關性的知識圖譜，從中找出與疾病靶點相互作用的分子特征，然后利用這些分子特征，自動地生成新的藥物分子設計方案。藥物方案評估和優(yōu)化。在生成若干藥物分子設計方案后，模型可以在人工提示下，對生成的設計方案進行評估，篩選出最有前景的藥物候選。同時，可以通過藥物分子的結構和性質(zhì)，優(yōu)化其藥效和毒性，通過預測藥物的代謝途徑和藥物濃度，優(yōu)化藥物的劑量和用藥方案。

輔助臨床實驗設計。實驗驗證是藥物研發(fā)中必不可少的環(huán)節(jié)，但是實驗通常需要消耗大量的時間和資源。人工智能大模型可以幫助研究人員設計更有效的臨床試驗方案，例如預測藥物的安全性和有效性，優(yōu)化臨床試驗的樣本規(guī)模和時間等。通過預測和篩選，減少實驗的數(shù)量和復雜度，從而提高藥物研發(fā)的效率和質(zhì)量。

（2）前瞻化設計大模型

可以生成創(chuàng)新性的產(chǎn)品設計方案，從而更好地輔助技術人員快速將設計構思和意圖轉(zhuǎn)化為具體實施方案。以傳統(tǒng)工業(yè)設計為例，大模型可以實現(xiàn)工程制圖、設計方案的快速生成，并輔助進行布局優(yōu)化、參數(shù)校核，大幅縮減工業(yè)設計耗時，提升產(chǎn)品研發(fā)效率。

數(shù)學建模和代碼編寫。在工業(yè)設計過程中，很多問題需要建立特定的數(shù)學模型進行分析求解，例如機械產(chǎn)品設計中常遇到諸如力學強度校核、尺寸優(yōu)化、標準零件選型等問題，邀請專家專門分析和建模成本高。而大模型可以根據(jù)具體設計需求，在短時間內(nèi)為這些問題提供參考方案，并自動生成相應的程序代碼，指導進行具體的工業(yè)設計實踐。多樣化設計方案生成。以CAD為例，現(xiàn)有的海量標準化素材庫提供了大量工程制圖、布局規(guī)劃等數(shù)據(jù)，大模型可以利用這些數(shù)據(jù)，結合設計者的創(chuàng)意思路和特殊需求，生成多樣化的設計方案，供設計者進行參考。還可對設計方案進行快速優(yōu)化調(diào)整，幫助工程師以更快的速度和更少的錯誤率創(chuàng)建布局。

（3）高效化仿真大模型

可以利用自身的生成能力提供符合設計需求的虛擬化仿真測試場景或環(huán)境，解決工業(yè)產(chǎn)品設計中測試數(shù)據(jù)量少、測試環(huán)境單一等問題，提升產(chǎn)品的可靠性。以汽車制造為例，通過人工智能大模型來生成仿真測試環(huán)境，進行汽車碰撞模擬和安全性評估，可以大幅提升仿真的精度和效率，推動車輛設計和安全性能的提升。

多元化仿真場景生成。汽車企業(yè)在車輛實際測試、模擬實驗中積累了大量的真實數(shù)據(jù)，包括車輛結構、碰撞數(shù)據(jù)，以及材料特性等信息。大模型可以利用這些數(shù)據(jù)學習車輛結構、材料屬性與碰撞響應之間的非線性關系，理解不同參數(shù)（如碰撞速度、角度、車輛構造等）對于碰撞響應的影響，并通過自身的涌現(xiàn)能力生成新的、多樣化的碰撞場景。這就可以讓車輛模型在不同情況下進行仿真預測，包括之前未經(jīng)歷過的情形，并彌補特殊場景中的數(shù)據(jù)缺失，提升汽車仿真測試的全面性和準確性。

參數(shù)優(yōu)化與快速預測。傳統(tǒng)的車輛碰撞仿真中，需要采用不同的參數(shù)組合進行多輪次測試，以獲得最佳結果，而每次測試需要花費大量的時間進行人工調(diào)參。而大模型可以憑借零樣本的知識分析能力，通過問答形式，對不同的參數(shù)組合，快速預測出碰撞響應情況。這有助于在短時間內(nèi)找到最佳參數(shù)組合，以減少車輛設計和測試的周期。同時，它可以在考慮歷史碰撞案例的基礎上，提供新穎的設計建議，可能涉及材料選擇、構造調(diào)整等方面的創(chuàng)新。

（4）精細化檢測

通過大模型的零樣本學習能力，并結合AR/VR等虛擬現(xiàn)實技術，實現(xiàn)對產(chǎn)品質(zhì)量缺陷、人員違規(guī)操作、零部件裝配誤差等多種工業(yè)場景的快速高效視覺檢測。以工業(yè)生產(chǎn)中的質(zhì)量檢測和安全監(jiān)測等場景為例，通過外接視覺傳感裝置和簡單的指令輔助，大模型可以根據(jù)需求對指定的區(qū)域、人員進行檢測，快速發(fā)現(xiàn)異常信息，大幅降低人工查驗、樣本收集和模型訓練等成本。

高效率工業(yè)質(zhì)量檢測。以PCB的瑕疵檢測為例，通用視覺大模型可以憑借強泛化能力，在不依賴工廠樣本數(shù)據(jù)和本地化微調(diào)訓練的情況下，直接對PCB原始圖像進行語義分割，再配合簡單設置的規(guī)則及方法實現(xiàn)缺焊、連焊、針孔等各類瑕疵的識別，從而解決PCB樣本數(shù)據(jù)獲取困難、標注困難的實際問題，規(guī)避訓練調(diào)參帶來的高額成本，提升工業(yè)產(chǎn)品缺陷檢測的效率。

智能化安全生產(chǎn)監(jiān)管。在煤礦生產(chǎn)行業(yè)中，借助大模型的機器視覺識別技術，結合設備運行狀態(tài)數(shù)據(jù)，識別危險區(qū)域人員進入、人員摔倒、截割部落地、敲幫問頂、鉆孔深度、錨固劑使用數(shù)量、攪拌時間、二次緊固、錨索張拉等場景，實現(xiàn)掘進作業(yè)人工監(jiān)管向自動監(jiān)控的轉(zhuǎn)變，提升掘進作業(yè)流程規(guī)范，提高煤礦生產(chǎn)的安全系數(shù)。

個性化檢測場景擴展。結合語言大模型和視覺大模型，進行多模態(tài)感知和交互，擴展大模型在工業(yè)視覺檢測中的應用范圍，提升應用的靈活性。例如，在工業(yè)質(zhì)檢中，可以通過語音指令控制大模型實現(xiàn)對不同類型、不同區(qū)域、不同等級的缺陷檢測，滿足各類產(chǎn)品的檢測需求。

（5）智能化調(diào)控

在大型現(xiàn)代化產(chǎn)線中，需要對多個關鍵節(jié)點進行智能化調(diào)度和控制，以提升產(chǎn)線運行效率。人工智能大模型可以通過分析多樣化的歷史數(shù)據(jù)，更好地理解諸如生產(chǎn)需求、資源可用性、任務優(yōu)先級等工業(yè)調(diào)度任務中的復雜關系，從而優(yōu)化各節(jié)點的任務分配和調(diào)度，提高生產(chǎn)效率和靈活性。以工業(yè)機器人為例，大模型可以對各類生產(chǎn)數(shù)據(jù)進行自動整合分析，從而對機器人進行快速的任務分配和動態(tài)任務調(diào)整，成為大型工業(yè)產(chǎn)線中的“神經(jīng)中樞”。

復雜模式學習和任務快速分配。汽車制造等大規(guī)模的生產(chǎn)線上通常配置多臺工業(yè)機器人，負責組裝、焊接、涂裝等子任務。人工智能大模型可以收集機器人的性能數(shù)據(jù)、工作站狀態(tài)、生產(chǎn)計劃等信息，并基于這些數(shù)據(jù)，學習機器人的技能、任務復雜性、工作站之間的轉(zhuǎn)移時間等復雜信息，并預測不同機器人執(zhí)行不同任務的效率。當新的任務到達時，模型可以快速決定分配給哪個機器人，以最大程度地減少任務等待時間和生產(chǎn)周期。

動態(tài)任務分配調(diào)整。大模型可以從歷史數(shù)據(jù)中分析機器人的性能和效率，并根據(jù)不同任務的要求，動態(tài)調(diào)整任務分配策略。這有助于優(yōu)化機器人的使用，確保它們在不同任務中都能發(fā)揮最佳作用。如果出現(xiàn)機器人故障、工作站故障或生產(chǎn)計劃變更等情況，大模型可以快速響應并重新調(diào)整任務分配，以應對不可預見的情況。

運動控制代碼生成。從工業(yè)機器人單體運動的層面來看，生產(chǎn)人員可以通過文本、語音等交互方式，根據(jù)不同的任務需求，通過大模型快速生成定制化的運動控制代碼，以控制機器人執(zhí)行不同的任務。例如，對大模型輸入指令“請寫一段PLC程序，控制機器人將零件從A點轉(zhuǎn)移到B點”。這種基于大模型的運動控制指令生成模式可以大幅提升工業(yè)機器人的靈活度，實現(xiàn)柔性化的產(chǎn)線控制。

（6）科學化運維大模型

可以通過自身強大的推理能力實現(xiàn)對生產(chǎn)過程中各類數(shù)據(jù)的分析、預測，從而提升智能化運維水平，完善生產(chǎn)管理機制。以倉儲管理為例，可以利用大模型對供應鏈中各類別、各模態(tài)的數(shù)據(jù)進行管理和整合，提升貨品信息流的運行效率，打造更便捷、更快速的工業(yè)產(chǎn)品供應鏈體系。

智能倉儲管理。使用嵌入多模態(tài)大模型的機器人進行貨架管理、庫存管理和訂單揀貨等操作，可以通過大模型的強視覺泛化能力進行自主貨架定位、庫存管理和物品運輸?shù)炔僮鳎嵘齻}庫的運營效率。同時，使用大模型對庫存進行預測，并根據(jù)銷售速度和庫存周轉(zhuǎn)率等因素制定補貨策略，有助于及時補充庫存，避免庫存短缺影響銷售，同時避免過度補貨，以免造成庫存積壓和資金占用的問題。

高效數(shù)據(jù)管理。工業(yè)生產(chǎn)的供應鏈中會涉及大量的數(shù)據(jù)，如原材料數(shù)據(jù)、加工工藝數(shù)據(jù)、設備狀態(tài)信息、環(huán)境信息、人員信息、物流信息等。大模型可以對不同格式、不同來源的數(shù)據(jù)進行快速整理、分類和分析，降低數(shù)據(jù)整理成本。同時，這些分類整理后的數(shù)據(jù)可以用于大模型的進一步微調(diào)，實現(xiàn)數(shù)據(jù)和模型的良性互動。

（7）定制化售后大模型

可以憑借在自然語言對話方面的巨大優(yōu)勢，使售后服務不再拘泥于固定的問答庫，而與客戶形成更加自然、流暢和有效的對話，從而幫助工業(yè)企業(yè)實現(xiàn)滿足不同用戶需求的定制化售后服務，進一步提升客戶忠誠度和用戶成長，拓展業(yè)務范圍。以機械設備售后為例，大模型可以結合多模態(tài)、數(shù)字人等技術，讓客戶通過自然語言描述設備故障或問題，系統(tǒng)能夠準確理解并提供詳細、個性化的解決方案。

多維度交互式售后服務。機械設備的操作及維護需要復雜的操作，傳統(tǒng)基于知識庫的客服系統(tǒng)無法給予用戶精確的指導。利用大語言模型作為后端邏輯推理支撐、虛擬數(shù)字人作為前端交互形象，系統(tǒng)可以準確理解客戶的需求，結合自身的知識儲備和具體的問題，迅速給出詳細的、針對性的解決方案。同時，還可以通過虛擬數(shù)字人的手勢和語音交互，從更多維度輔助客戶進行設備的操作，不僅提高了售后服務的效率，還為客戶提供了更加直觀和個性化的服務體驗。

03

工業(yè)大模型展望

現(xiàn)階段，受限于工業(yè)場景碎片化、計算資源不足、工業(yè)領域訓練數(shù)據(jù)采集和整理困難、大模型安全性可靠性等問題，我國大模型與工業(yè)的融合應用還處于初級探索階段，發(fā)展面臨一定挑戰(zhàn)。

首先，基礎大模型仍占據(jù)應用市場的主體地位，還未能下沉到工業(yè)垂直領域形成專業(yè)化的工業(yè)大模型。其次，當前大模型在工業(yè)生產(chǎn)中的應用分布較為零散，尚未形成標準化、體系化的大模型工業(yè)應用范式。最后，從底層構建工業(yè)預訓練大模型具有較高門檻，僅有少數(shù)頭部企業(yè)有能力開展工業(yè)大模型的研發(fā)。

針對上述問題，建議如下。

面向工業(yè)場景推進大模型技術攻關。梳理面向工業(yè)場景應用的大模型共性技術問題，聚焦安全性、可靠性、實時性等方面，鼓勵專業(yè)領域的高校、企業(yè)、研究機構合作開展攻關，通過大模型工業(yè)數(shù)據(jù)集擴充、典型工業(yè)場景規(guī)則集構建、模型訓練算法優(yōu)化等方式，加強國內(nèi)大模型的技術研發(fā)，推進大模型工業(yè)應用能力的提升。

構建規(guī)模化的大模型工業(yè)數(shù)據(jù)資源池。組織大模型供給側(cè)和需求側(cè)企業(yè)及研究機構，研制工業(yè)大模型訓練數(shù)據(jù)規(guī)范和測試標準。依托國家工業(yè)互聯(lián)網(wǎng)大數(shù)據(jù)中心等標準化平臺，建立大模型工業(yè)語料庫，形成工業(yè)數(shù)據(jù)的管理機制。通過資金補貼、稅費減免、政策傾斜等措施，引導國內(nèi)大中型制造業(yè)企業(yè)進行工業(yè)生產(chǎn)運行數(shù)據(jù)的開源共享，形成涵蓋國內(nèi)重點工業(yè)領域的數(shù)據(jù)資源池，為工業(yè)大模型的訓練、測試提供數(shù)據(jù)保障。

完善大模型工業(yè)領域性能評測機制。以國家權威機構為依托，協(xié)同各行業(yè)需求方，建立標準化的大模型工業(yè)知識問答測試集，保障評測效率和結果的可信度。同時，應建立長效的大模型工業(yè)領域性能評測機制，周期性圍繞大模型知識能力、穩(wěn)定性、安全性等關鍵性能進行評估工作，并根據(jù)產(chǎn)業(yè)結構、數(shù)據(jù)要素分布的變化對評測指標進行動態(tài)調(diào)整，以促進大模型對新型工業(yè)化賦能的持續(xù)性。

推動大模型在工業(yè)領域典型應用的試點示范。整合碎片化的工業(yè)場景，提煉出以產(chǎn)品輔助設計、精細化質(zhì)量檢測、智能供應鏈管理等為代表的大模型工業(yè)應用典型業(yè)務場景，明確各場景對大模型的量化需求指標，并推動建立相關的行業(yè)標準。建立大模型供給側(cè)與企業(yè)應用側(cè)之間的雙向交互機制，促進形成若干大模型研發(fā)與制造業(yè)協(xié)同發(fā)展的特色產(chǎn)業(yè)集群，并推動建設一批工業(yè)大模型的標桿性、示范性應用。