Big-data Driven ，模型基于大规模语料训练而成； Multi-tasks Adaptive ，支持多种任务 ，包括自然 语言生成 NLG 和自然语言理解 NLU 类的任务； AI 大模型就是预训练语言模型 通过在大规模宽泛的数据上进行训练后能适应一系列下游任务的模 型 产业研究 战略规划 技术咨询 ，在少甚至无标注样本的 条件下支持推理（自监督学习）。 将模型在下游各种自然语言处理任 务上的小规模有标注数据进行微调 得到适配模型 预训练语言模型 从海量数据中自动学习知识 将模型在大规模无标注数据上进 行自监督训练得到预训练模型 不同特定任务 有标注训练数 据 模型预训练 模型微调 最终模型 ⼤规模⽆标注 ⽂本数据 预训练语⾔模型“预训练 + 微调”技术范 式 13 来源：面壁智能公众号 文心一言沿袭了 ERNIE 3.0 的海量无监督文本与大规模知识图谱的平 行 预训练算法 ，模型结构上使用兼顾语言理解与语言生成的统一预训 练框 架。为提升模型语言理解与生成能力 ，研究团队进一步设计了可 控和可 信学习算法。 结合百度飞桨自适应大规模分布式训练技术和“鹏城云脑Ⅱ ”领先算力 集群 ，解决了超大模型训练中的多个公认技术难题。在应用上

[4]。 欧洲从 AI 治理引领转向大规模 AI 产业投资。2025 年 2 月 11 日，在巴黎“人工智能行动峰会”上，欧盟委员会主席冯德莱 恩宣布启动“投资人工智能（InvestAI）”计划，目标筹集 2000 智算产业发展研究报告（2025） 6 亿欧元用于人工智能投资，并专门设立 200 亿欧元基金用于建设 欧洲人工智能超级工厂，以训练高复杂度、超大规模的 AI 模型。 4 月 9 Grok4 强化学习阶段的算力需求增长 10 倍 [7]。后训练阶 段，大规模强化学习催生强大推理能力。DeepSeek 论文 [8]指出， 推理可以通过纯强化学习涌现，DeepSeek-R1-Zero 即是从基础模 型 DeepSeek-V3 经纯强化学习训练而来。OpenAI 在开发 o3 的过 程中观察到大规模强化学习呈现出与 GPT 系列预训练相同的“更 多计算=更好性能”的趋势。阿里云通义团队推出 力将以十分陡峭的速度大幅增长。 （二）AI 应用场景不断扩展，为智算产业发展注入持续动能。 我国 AI 应用全面步入“规模落地”新阶段，牵引智算产业持续 蓬勃发展。一是大模型蓬勃发展推动大规模算力建设如火如荼。2025 年 7 月 OpenAI 首次实现单月收入突破 10 亿美元，由于 GPT-5 的发布 以及新的订阅服务推出，算力仍然不足，OpenAI 联合甲骨文、软银 等投资 5000

说：“第一 眼看见就很喜欢，没想到他 们做的这么 用心。” 成本低 效率高 交货快 标准化 产品单一 成本高 效率低 交货慢 个性化 品种多 大规模定制 互联网时代的冲击 --- 个性化与大规模制 造 个性化制造 大规模制造 编号 互联对象 互联点 互联价值 1 内外 互联 用户 订单 物流 产品 模块商 用户定制 - 服务体验互联 用户参与设计、在线个性化定制自己的产品。 沈阳冰箱工厂是海尔第一个智能互联工厂，可支持 9 个平台 500 个型号的柔 性 大规模定制，人员配置减少 57% ，单线产能提升了 80% ，单位面积产出 提升 了 100% ，定单交付周期降低了 47% ，成为全球生产节拍最快的冰箱 工厂。 郑州空调互联工厂拥有由 11 个通用模块和 4 个个性模块组成的 200 多种用户 柔 性定制方案，而传统的工厂只能大规模、少品类地生产，难以满足用户个 性化 的需求。 佛山工厂采用 为用户提供产品定制全流程的良好体验。 海尔互联工厂：用户与利益攸关方全流程可视 互联工厂实现的基础条件： 模块化 自动化 智能化 互联工厂实现的基础条件之一：模块化 海尔颠覆传统制造模式，构建以用户为中心的大规模个性化 定制模式，其中模块化是实现用户定制的基础。 产品 模块化案例：海尔匀冷冰箱由原来 354 个零件整合为 24 个模 块 匀冷冰箱开发新品，上市时间减少 30% ，成本下降 18% ，加工工时减少了

.......... 23 智能驾驶智算数据平台发展研究报告 1 1 智能驾驶智算数据平台定义及预期功能 1.1 智能驾驶智算数据平台定义 端到端自动驾驶要求海量高价值数据、超大规模算力和专业适配算法作为支 持。自动驾驶领域数据类型多样、格式复杂、算力分散，且以 Transformer 为基 底的人工智能网络模型结构在智能驾驶领域的适应性尚未被充分验证。建立行业 级智能驾 国产卡使用情况。在拥有自建算力中心的企业或机构中，国产 AI 算力卡的 占比低于 10%，并且超过 70%的企业或机构完全未使用国产 AI 算力卡；在使用 过程中，主要面临 AI 计算框架适配问题以及大规模算力集群下的算力调度问题。 算力利用情况。大部分整车企业和智驾供应商拥有的算力能够满足其智驾算 法训练需求；而对高校和研究机构而言，算力仍是制约其技术研究的关键问题。 2.3.3 算法模型方面 驶数据支持。 常规场景仿真能力较强，但 Corner Case 场景生成仍依赖手动设计。大多数 企业和高校均具有自动化场景生成能力，并且兼具规则型方法和学习型方法。但 除个别企业外，仅能够大规模生成常规场景，Corner Case 场景生成仍严重依赖 手动设计。此外，基本所有企业和高校没有明确的 Corner Case 场景定义，企业 也希望智算数据平台能够提供高价值数据筛选功能。

建立了企业级 BOM 管理系统，实现与设计上端 PLM 与生产下端 ERP 的集成，打通了 PLM-BOM-ERP 三 个系 统 BOM 数据流，保证了 BOM 数据的一致性和准确率。奠定了整车产品大规模个性化定制数据基础。 实施前 实施后 信息化发展概述 8 信息化发展概述 9 信息化发展概述 实现变速箱设计、电子电气设计和新能源技术等软件等的应用 10 智能网联汽车创新成果 2020 年，应用虚拟工厂模型及仿真技术，提升制造装备的字化、智能化水平，应用智能制造技术，建成智能制造样板车间。 2025 年，完成虚拟技术、智能装备与信息系统的集成，建成智能制造样板工厂，实现大规模个性化定制，初步建成智慧企业。 智能制造 虚拟仿真技术 数字化管理及制造集成 智能装备 全生命周期产业链融合 通过 CAD\PLM\BOM\ERP\MES 等系统的集成，建立产品设计 \ 之间、工厂与企业间实现有效互联，集成工业应用软件及虚 拟工厂一体化数据协同平台，使工厂实现自劢排产、自劢能 源管理、自劢质量监控、自劢物料管理、自劢生产发布，基 本形成智能工厂框架。 实现大规模个性定制化生产模式升级 : 纵向打通客户需求及售后服务系统，横向打通价值链体系。实现 客户需求、研发设计、计划排产、柔性制造、物流配送和售后服 务实现高度协同和实时同步。 20 1 、建立设计制造一体化知识平台，实现设计

智能工厂 建设侧重点 侧重从生产数字化建设起步，基于品控需 求从产品末端控制向全流程控制转变 从单台设备自动化和产品智能化入手，基 于生产效率和产品效能的提升实现价值增 长 通过互联网平台开展大规模个性定制模式 创新 智能工厂 建设模式 1. 推进生产过程数字化 2. 推进生产管理一体化 3. 推进供应链协同化 4. 整体打造大数据化智能工厂 1. 推进设备（生产线）智能化 2. 智能装 备 / 产品远 程运维服务 平台 远程运维服 务平台与 PLM/CRM 协同集成 大数据挖掘 与分析 专家库与专 家咨询系统 … 远程运维服务 模式 网络协同制造 模式 大规模个性化 定制模式 离散型智能 制造模式 物流 计划 产品 设计 生产 制造 采购 服务 智能制造涵盖范围广，包含多种类型的智能制造模式及相应的关键能力要素。 全流程数字 管理 数字化设计 GUANLIJISHUHUA GUANLIJISHUHUA 重点工作 智能制造试点示范专项行动 装备斯 六大试点内容 1 、离散型智能制造 2 、流程型智能制造 3 、网络协同制造 4 、大规模个性化定制 5 、远程运维服务 1 、智能制造综合标准化 试验验证 两大实施方 向 2 、重点领域智能制造 新模式应用 信管据 IPv6 标识 解析 在运营商各自已的 IPv6 地址编码规

而是将视野拓展到整个生产网络，通过全面 布局推动转型升级。 围绕该话题，我们拟发布系列文章（共三篇），将立足于全球制造业的发展实际，深入探讨领军 制造商对AI的战略部署，以及企业在实现AI快速、大规模部署过程中需要构建的核心能力。作为 系列文章的开篇，本文将重点诠释为何AI的成熟标志着4IR拐点的到来，解码领先制造商如何利用 AI重塑竞争优势，并列举制造商在行业竞争日益激烈的当下，需要考虑的三种战略对策——创 截至目前，全球灯塔网络有153家成员。这些制造业的领军者在4IR技术的采用上，要平均领先于 其他制造商3~5年。如今，用例试点已不再是他们的关注焦点。对拥有多个灯塔工厂的企业而 言，其生产网络都可作为大规模网络部署的试点。现在，领先企业可同时在10或50家工厂中捕捉 4IR技术的价值，而其他企业仍在努力寻找单个工厂的价值。 随着灯塔企业不断加速发展，在成熟度上，领先与落后企业间的差距也在不断拉大。而近几年愈 文提到 的生成式AI技术顾问为例，若想让其在20多家工厂发挥作用，这些工厂必须做好充分的前期准 备。 走出规模化低谷，重新定义成功。成功摆脱规模化低谷的企业能为行业树立新标准。例如，丰田 公司对大规模生产的进一步改良，使得精益生产和六西格玛成为全球企业的标配，进而催生了新 标准、协议、认证和监管措施的出现。至此，创新成为了社会制度的一部分；丰田为“新常态”设 立了行业基准，是“优化曲线”的有力案

定性。通过强化学习与自适应控制技术的结合，具身 智能机器人能够在复杂多变的环境中进行自主学习 和适应，实现更加灵活、智能的行为。 2.3 具身大模型 具身大模型是具身智能的核心技术之一，它通过 对大规模数据的学习和训练，使具身智能 agent具备强 大的语言理解、视觉感知和决策能力。具身大模型能 够将语言、视觉、行动等多种模态的信息进行融合和 处理，实现对复杂任务的理解和执行。同时，具身大 中进行快速适应和学习，为具身智能的发展提供了有 力支持。例如，PaLM-E 多模态大模型将语言理解与 机器人控制相结合，使机器人能够根据语言指令执行 各种任务，推动具身智能进入了语义交互的新纪元。 2.4 虚拟仿真环境中的大规模强化训练 通过不断扩大训练数据的规模并增加其多样性， 具身智能 agent 能够在虚拟环境里持续地进行学习与 试错（见图 3）。在这个过程中，具身智能 agent 可以掌 握更丰富的行为模式，识别更多的环境特征，进而提 升自身的智能和行为能力，最终达到提高模型性能和 智能水平的目的。如此一来，模型在面对复杂现实场 景时，应对能力也会显著增强，智能体也能更充分地 探索环境，发现新的行为策略。可以说，虚拟仿真环 境中的大规模强化训练，是具身智能迈向广泛应用的 坚实基石，为其未来的蓬勃发展奠定了牢固基础。 2.5 分布式协同技术 分布式协同技术用于构建多具身智能 agent 协作 网络，使多个具身智能 agent能够在分布式环境下协同

驾驶研发构筑高性能、高弹性、高可用的算力基础设施。 针对车企对大规模、高性能并行训练的迫切需求，阿里云打造了灵骏智算集群。它提供弹性异构算力服务， 深度适配多种 GPU 硬件，提供充沛、稳定、可持续的算力资源，满足车企指数级增长的 AI 训练需求。其次， 通过创新的 HPN 7.0 高性能网络架构升级和计算存储分离的设计，显著优化了大规模集群（如千卡、万卡级别） 的并行训练效率。 车企往往受到 比如在恶劣天气条件下或面对非典型交通状况时的表现。 决策制定与路径规划 ：基于环境感知的结果，AI 系统还需具备高效地作出驾驶决策的能力，包括但不限 于变道、超车、避障等行为的选择。这里涉及到的大规模训练模型可以通过模拟大量真实或合成的驾驶情境来 进行优化，确保在面对突发状况时能迅速生成安全合理的行动方案，并且能够根据当前路况动态调整路线选择， 以达到最优行驶效果。 车辆控制与执行：虽然主 总体篇 场景篇 趋势篇 来源 ：小鹏汽车公开材料和数据收集整理 小鹏汽车在智能辅助驾驶领域进行了深入探索，其技术方案涵盖了多方面的创新。 小鹏汽车正在推进 720 亿超大规模参数世界基座模型的研发，参数量是主流 VLA 模型 的 35 倍左右。“小鹏世界 基座模型”是一个以大语言模型为骨干网络，使用海量优质驾驶数据训练的多模态大模型，具备视觉理解能力、链式推 理能力

支持。同时，引 入数据安全和隐私保护机制，确保数据在采集、存储和传输过程中 的安全性。 计算层是大模型底座的核心，主要负责模型的训练、推理和优 化。采用高性能计算集群和分布式计算框架，支持大规模并行计 算，提升模型训练效率。为了提高模型推理的速度和准确性，引入 边缘计算和云端协同机制，实现实时数据处理和分析。此外，计算 层还支持动态资源调度，根据业务需求自动分配计算资源，确保系 统的高效运行。 自传感器、设备、系统和其他数据源的结构化和非结构化数据。为 了保证数据的实时性和完整性，数据采集模块需支持多种协议和接 口，如 MQTT、HTTP、WebSocket 等。同时，数据采集模块还需 具备高并发处理能力，以应对大规模数据传输的需求。 接下来，数据清洗模块负责对采集到的原始数据进行预处理， 包括去重、格式转换、错误修正和缺失值填补等。数据清洗的质量 直接影响到后续分析和模型训练的效果，因此需要采用先进的算法 计算、 批处理和流处理。采用 Spark、Flink 等大数据计算框架，实现高 效的数据处理和分析。实时计算模块能够处理来自传感器和设备的 实时数据流，快速响应业务需求；批处理模块则适合处理大规模的 历史数据，进行复杂的分析和挖掘。 数据分析模块是数据处理层的最后一步，采用机器学习、深度 学习和统计分析等方法，对处理后的数据进行深入分析，提取有价 值的信息和知识。数据分析结果可用于优化园区运营、提升管理效