性要求较高。低功耗传感器和执行器主要用于环境、状态监测，一般 采用电池供电，大部分时间可能处于休眠状态，对续航能力要求较高。 2 维/3 维传感器主要包括摄像头、激光雷达等，采集工业现场 2 维/3 维图像、视频等数据，通过 5G 网络快速传输。HMI 和 XR 终端设备 可集成屏幕、扬声器、摄像头和麦克风等模块，通过 5G 网络实现人 员与工业现场装置、产线的实时交互。PLC 和控制器通常通过 5G 9 工业生产设备和生产过程产生的图像和视频等数据的实时采集，通过 5G 网络快速传输，这类工业 5G 终端设备还可集成具备 AI 能力的模 块进行数据分析，用于产品质量检测、厂区高精度定位等场景。目前 代表性产品包括：5G 工业相机实现高帧率图像采集，利用 5G 网络 高速传输高清图像，适用于工业视觉检测、品质控制等场景。5G 摄 像头实现高清图像和视频采集，并通过 5G 网络实时传输，已广泛用 网络实时传输，已广泛用 于高清视频监控、远程控制等场景。5G 巡检机器人可集成多种传感 器，对工厂高清视频、红外图像，以及温度、气体等环境数据进行采 集和传输，实现对工业设备外观、运行状态及工作环境的统一监控。 5G AGV/AMR 可集成激光雷达、摄像头等传感器，结合 5G 进行融合 定位，实现非预定路径导航，同时 5G 网络支持 AGV/AMR 的视频数 据、调度位置、控制信息等快速传输。5G

现。 1.1.3 工业数据制备 这是工业大模型构建的第一阶段。工业数据具有异质数据模态的特点，包 括 CAX 模型、传感信号、工艺文件、机器指令等特有数据模态，与通用大模型 常用的文本、图像等数据模态有很大区别。工业数据制备涉及到对这些复杂多 样的数据进行收集、整理、清洗、标注等操作，以便为后续的模型训练提供合 适的数据基础。 图 1.4 工业数据类型（三维图纸、时序信号、二维图纸、机器指令等） 时序数据：传感器采集的振动、温度、压力等物理量，具有毫秒级采样频 率 ➢ 空间数据：三维点云、CAD 模型等几何信息，需要处理拓扑关系 ➢ 文本数据：设备日志、工艺文档等非结构化信息 ➢ 图像数据：工业视觉检测中的高分辨率图像流 ◼ 小样本与冷启动挑战 工业领域存在显著的长尾分布现象： ➢ 故障样本稀缺：正常工况数据占比超过 99.9%，异常样本获取成本高 ➢ 新设备数据积累不足：产线升级导致的数据分布偏移问题 3.1 基于技术架构的分类体系 (1) 端到端全栈大模型 技术特征：采用统一架构处理工业全流程任务，具备跨领域知识融合能力。 典型架构包含： ➢ 跨模态编码器：统一处理传感器数据、文本、图像等异构输入 ➢ 分层记忆网络：存储设备历史状态、工艺知识库等长期记忆 ➢ 动态推理引擎：根据任务需求自动组合功能模块 技术挑战：参数量超过千亿级导致训练成本激增，需采用混合精度训练与 梯度稀疏化技术。

油气储运业务，可以通过实时监测油气产品的储存和运输状态，合理预测可能出现的故障和问 题，提前制定应对措施。同时，人工智能可以优化储运路线和调度方案，减少运输成本和能源消 耗。在安全性保障方面，人工智能还能通过图像识别和传感器技术，实时监测油气产品的安全状 态，确保储运过程的安全可靠。 目前，人工智能技术赋能企业油气储运业务的应用场景如下（图��）： �� 管道安全监测：利用视频分析和模式识别技术，可以实时监控管道和储运设施，及时对潜在 化、网络化、智能化建设，其智慧产品与解决方案，已在我国油气勘探开发、管道运输、炼 化等多个能源细分领域应用。该公司开发的大模型WisGPT具备丰富的油气储运专业知识， 并能够不断更新和扩充，可以通过文字、语音、图像和视频等多种形式实现人机交互，为企 业管理以及油气储运工程勘察、设计、审查、施工、监理等提供专业知识支持。同时， WisGPT还具有客户化实施模式，可充分满足油气储运企业的数据保密性要求。 未 大模型探索：壳牌公司宣布其与大数据分析公司SparkCognition合作，在深海油气勘探和生 产中使用人工智能技术，以提高运营效率和速度，并提高油气产量。利用生成式人工智能技 术，在保证地下图像质量的同时，使用比传统方法更少的地震镜头来生成地下图像，从而提 高作业效率和速度，节省高性能计算成本，增加产量和勘探成功率，同时也有助于深海保 护。 �.� 沙特阿美 沙特阿拉伯国家石油公司（简称：沙特阿美）是一个有着多年历史的综合国际石油公司，主

园区需基于物理安全、数据安全、网络安全等维度，全面提升立体主动安全 的能力。园区网络的主动安全防护需主动感知、实时监测和智能分析网络威胁， 并对威胁自动响应及秒级处理。如未来园区可通过 AI 摄像机的多模态图像识别， 自动锁定可疑人物或行为，并通过分析算法判断安全风险等级，自动调度相关资 源解决问题。 国家近年陆续发布多部数据安全相关的法律法规，将进一步细化数据分类 分级、数据安全评估等制度，将进一步完善配套的数据安全规范和标准体系。 特征，支持光纤传感功能 及无源光纤网络的可视化功能，实现了通感融合。 无源光纤网络的可视化： 无源光纤网络运用基于先进无源光子学器件和光电探测集成器件的多种光 学信号检测技术，结合光谱信号事件识别算法和计算视觉图像识别算法，有效解 决了光纤光缆哑资源无法管理的难题，实现了无源光纤网络的主干光缆（从 OLT 到光分路器）、配线光缆（从光分路器到 ONU）以及无源光分路器的端口等的可 视化，支持无源光纤资源的资源可视及米级故障定界功能。 果，提供满足客 户需求的周界应用功能。 2.4.3 链路可视 F5G-A 绿色万兆全光园区可支持无源光纤链路的数据化和可视化。 F5G-A 园区可通过图像识别，实现无源光纤资源的百分之百精准录入。可通 过手机扫码和 AI 图像识别算法，自动生成光纤、光分路器端口等各个部件/接口 的连接关系，并可将相应的连接关系/对应关系送至管理系统中存储，且可通过图 形化界面对外呈现。 F5G-A

持 不同行业、不同场景的应用构建。 2 工业大模型应用报告 大模型展现出三大基础特征。目前大模型并没有明确的定义，狭义上指大语言模 型，广义上则指包含了语言、声音、图像等多模态大模型。如李飞飞等人工智能学者 所指出，这些模型也可以被称为基础模型（Foundation Model）。我们认为，大模型主 要具备以下三大特征： 参数规模大：大模型的参数规模远大于传统深度学习模型。大模型发展呈现“规模 绩都超过了大部分人类（80% 以上），包括法学、经济学、历史、数学、阅读和写作等。 支持多模态：大模型可以实现多种模态数据的高效处理。传统深度学习模型大多 只能处理单一数据类型（文本、语音或图像），大模型则可以通过扩展编/解码器、交 叉注意力（Cross-Attention）、迁移学习（Transfer learning）等方式，实现跨模态数据 的关联理解、检索和生成。多模态大模型（LMMs，Large 大模型与小模型有望融合推动工业智能化发展。对于小模型而言，利用大模型的 生成能力可以助力小模型的训练。小模型训练需要大量的标注数据，但现实工业生产 过程可能缺少相关场景的数据，大模型凭借强大的生成能力，可以生成丰富多样的数 据、图像等。例如，在质检环节，大模型可以生成各种可能的产品缺陷图片，为小模 型提供丰富的训练样本，从而使其能够更准确地识别缺陷和异常。此外，大模型可以 通过 Agent等方式调用小模型，以实现灵活性与效率的结合。例如，在某些场景下，大

AI+CAD：文本到模型.....................................................................................6 图 2 AI+CAD：图像到模型.....................................................................................6 图 3 AI+CAD：多模态输入到模型 输入模态方面，生成式设计可以分为文本到模型、图像到模型和 混合模态生成三个类别。文本到模型，通过大语言模型解析文本生成 参数化指令。如 Text-to-CAD1，根据自然语言描述生成 B-Rap（边界 表示）曲面，Text-to-CAD 生成的 STEP 文件可以导入任何现有的 CAD 软件并进行编辑，如图 1。图像到模型，通过人工智能方法解析图像 特征生成 CAD 文件，实现基于产品照片重建可编辑的工程模型，如 文件，实现基于产品照片重建可编辑的工程模型，如 Wonder3D，利用扩散模型实现了从单视图图像中高效生成高保真纹 理网格的生成2，如图 2。混合模态生成，结合文本、图像、传感器数 据等多源输入，生成复杂的设计方案。如 CAD-MLLM3，实现从点云、 图像、草图和文本等多种模态条件生成 B-Rap，为后续的 3D 重建和 利用 CAD 模型的命令序列，基于大型语言模型将多模态输入数据与 CAD模型的矢量化

以预测设备故障并进行预防性维护，从而减少停机时间，提高生产 效率。此外，AI 还可以通过对历史生产数据的分析，优化生产计 划，减少库存积压，降低运营成本。 其次，在质量控制方面，AI 技术能够通过图像识别和深度学习 算法，实现对生产过程中缺陷的自动检测和分类。相比传统的人工 检测，AI 系统具有更高的准确性和一致性，能够有效降低产品不合 格率，提高产品质量。 再者，AI 技术在供应链管理中的应用，可以实现对原材料的智 技术在质量控制方面的应用也日益广泛。通过计算机 视觉技术，AI 可以对生产线上产品进行实时检测，识别缺陷和异 常，确保产品质量的一致性。例如，新能源汽车电池的生产过程 中，AI 可以通过对电池表面的图像分析，快速识别出微小的裂纹或 瑕疵，从而提高产品的合格率。此外，AI 还可以通过传感器网络对 生产设备进行实时监控，预测设备故障，提前进行维护，减少生产 线停机时间。 在智能制造方面，AI 技术的应用主要体现在生产线的自动化和 的核心技术之一，它 通过从历史数据中学习并建立预测模型，能够实现对生产过程的实 时监控和预测性维护。深度学习（DL）作为机器学习的一种高级 形式，通过多层神经网络处理复杂的数据结构，广泛应用于图像识 别、语音识别和自动驾驶等领域。 在新能源汽车制造中，AI 技术的具体应用场景包括： - 生产设 备的状态监测与故障预测：通过部署传感器和采集设备运行数据， 结合机器学习算法，实现对设备状态的实时监控和故障预测，从而

公司推出针对大模型优化过的新训练芯片 H100 NVL，和过去的 A100 相比， 训练速度提高 10 倍，成本降低一个数量级。目前，AI 推理上，一般采用 2018 年发布的 T4 芯片，这次公司发布出面向视频生成和图像生成的新推理芯片 L4 和 L40，其中 L40 推理性能是 T4 的 10 倍。受美国出口管制限制，中国 目前只能采购实测性能比 A100 低 1/3 的 A800，因此训练同一个体量的模 型，中国在成本及速度上存在 训练模 型，训练好的模型随后下放到端侧，端侧利用训练好的模型直接进行推理。 在推理芯片的选用方面，相较于训练更多关注模型大小而言，推理更依赖于任务本质，以 此决定所需芯片种类。当需要大量内容/图像 AI 生成式时，需要 GPU 进行推理计算（如英 伟达主流的 T4 芯片）；而对于较简单的推理过程（语音识别等），CPU 有时也会成为较好 的推理引擎。 图表12： 英伟达 GPGPU 系列芯片关键参数 视频的双插槽 CPU 服务器，行业内 Google Cloud 正 加速在 L4 上部署主要工作负载。 2） 适用于 Omiverse 和图形渲染的 L40：主要针对 Omniverse、图形渲染以及文本转图像 和文本转视频等生成式 Al，性能是 NVIDIA 推理 GPU T4 的 10 倍。 3） 适用于扩展 LLM 推理的 H100 PCIE：H100 PCIE 配备 94GB HBM3 显存，可以处理

BIM & FM 动关系设置，自动弹出报警信息发生所在区域的现场图像，方便中 心值班人员处理报警，并通过对现场图像来进行核实。  实时预览 在管理平台中可以对任意一路图像进行预览，并可对该路图像进 行抓图、及时录像等操作。并可远程方便、快捷的对前端监控点进 行云台控制、镜头参数调节。系统提供多种画面分割模式，在预览 图像时，可自由切换。  录像回放/下载 录像回放可进行速度调节、开始、暂停、停止、抓图、打开/关 伟景行智慧建筑运维管理平台解决方案 GIS & BIM & FM 11. 停车场管理模块 11.1.出入口管理 展示进出车辆的图像、卡号、车辆类型、姓名、车主电话、入出 场时间、车牌号码、卡上余额、所扣金额和补交金额、以及操作人 员的姓名及卡号、停车场内的车位数量等信息。 11.2.视频监控 支持出入口进出车辆记录实时显示。信息包括卡口摄像机抓拍

的，面向药物研发和工业设计。代表产品包括： DeepMind、ESMFold模型（Meta）、盘古药物分 子大模型（华为）等。 多模态大模型 以提升复杂识别的精度和增强复杂任务执行能力为目 的，结合视频图像、语义、执行等数据进行综合分析。 代表产品包括：RT-2基于视觉-动作-语言大模型（谷 歌）等 视觉大模型 以降低研发成本和门槛，增强单个模型的能力为目的， 实现单模型多视觉任务多场景赋能。代表产品包括：电 理了市面上包括光、机、电、算、软五大学科，电子、装备、钢铁、采矿、电力、石化、建筑、纺织 等八大行业的全面知识，以及多年研发、生产服务积累的独特数据，共涵盖200+不同工业场景，超 300万张工业图像，超500亿Tokens。在某分类检测案例中，IndustryGPT选择的方案耗时5分钟27 秒，且精确率和召回率均达100%，而人工训练下方案耗时长达9分钟31秒，精确率仅50%、召回率 66 其中包含的头豹标识、版面设计、排版方式、文本、图片、图形 等，相关知识产权归头豹所有，均受著作权法、商标法及其它法律保护。 尊重原创：头豹上发布的内容（包括但不限于页面中呈现的数据、文字、图表、图像等），著作权均归发布者所有。头豹 有权但无义务对用户发布的内容进行审核，有权根据相关证据结合法律法规对侵权信息进行处理。头豹不对发布者发布内 容的知识产权权属进行保证，并且尊重权利人的知识产权及