命的推进，工业大 模型凭借其卓越的数据处理能力、出众的跨模态融合特性以及高效的智能决策 效能，日益成为推动工业智改数转的核心驱动力。然而，尚处于初级发展阶段 的工业大模型，仍面临工业数据多模态复杂性、模型可解释性不足以及应用成 本较高等挑战。为此，行业迫切需要系统性的解决方案，以促进工业大模型技 术的有效落地与广泛应用。 本书在实践积累与行业洞察基础上，试图对一系列关键问题做出解答：工 交融之态，大模型的发展为工业制造带来了新的可能性，工业大模型也成为智 能制造领域的重要发展方向。当下，制造业数字化转型步伐持续加快，企业置 身于数据呈爆炸式增长、生产流程趋于繁杂、市场竞争愈发激烈的复杂环境之 中，面临重重挑战。而未来的工业大模型将以其卓越的数据处理能力、高度智 能的决策支撑以及跨领域的协同优化效能，为化解这些难题开辟了有效路径。 它能够深入探寻工业数据蕴含的潜在价值，达成生产过程的精细化管控与优化 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） 1.1.4 工业基座模型训练

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 Multimodal Models）能够提 供更加全面的认知能力和丰富的交互体验，拓宽 AI 处理复杂任务的应用范围，成为业 3 工业大模型应用报告 界探索迈向通用人工智能的重要路径之一。典型如 OpenAI 的 Sora 模型推出，掀起了全 球多模态大模型的发展新热潮。 能，这形成了人工智能应用上“一场景一训练一模型”的局限，尚未形成大规模的应用。 然而，大模型的崛起有望带来“基础模型+各类应用”的新范式。大模型凭借其卓越的理 解能力、生成能力和泛化能力，能够深度洞察工业领域的复杂问题，不仅可以理解并 处理海量的数据，还能从中挖掘出隐藏在数据背后的规律和趋势。此外，区别于传统 的人工智能模型只能根据已有数据进行预测和推断，大模型则能够生成新的知识和见 解。最后，大模型的 入到现有的各类 系统中。 存在幻觉：在某些情况下，大模型会产生与实际情况不符的错误输出，即“幻觉” 现象。这主要是由于模型在训练过程中受到了噪声数据、偏差样本等因素的影响，或 者由于模型的复杂性和数据维度过高导致过拟合。这种幻觉现象对工业领域的影响是 全方位的，无论是生产过程中的质量控制、设备维护，还是供应链管理、市场预测等 环节，错误的输出都可能导致严重的决策失误和经济损失。特别是在对安全性、可靠

方面的重要作用，鼓励企业利用数字化手 段提升能效、减少排放。 在产业发展方面，����年中央经济工作会议确立了“稳中求进、以进促稳、先立后破”的部 署，石油石化产业也依从国家大局，在国际、国内复杂经济因素的背景下，寻求转型突破，实现 高质量增长。根据国家统计局数据，����年石化产业实现营业收入��.��万亿元，同比下降 �.�%；利润总额����.�亿元，同比下降��.�%；进出口总额���� 一系列社会指标的波动影响，包括石油石化在内的各个行业都需要主动应对趋势变化带来的严峻 挑战，及时调整生产结构，加强一体化经营管理，提高企业效益水平。 �� 以炼油化工、煤化工为代表的流程型行业，生产过程极其复杂，包含了大量的物理反应、化 学反应，物料还存在气、液、固等多种形态，上下游耦合度高。石油石化行业的新型工业化发 展，进一步对生产过程精确控制提出更高要求。同时，包括人工智能（AI）、大数据、工业互联 “传统智能”与“人工智能+”的区别 来源: 石化盈科&IDC ����年 基于学习 ‒ 通过AI相关技术，模拟人类的学 习、推理和决策过程，处理复杂的数据和任务 双向交互 ‒ 双向交互回答开放性问题，为使用 者提供更多规则外洞察及多维度回答 灵活环境 ‒ 应用于复杂且宽阔领域下的 非结构多模处理，灵活性和适应性更强 自我突破 ‒ 能够不断自我优化和扩 展能力，具备自我突破和学习能 力，发展空间大

向生产运营、技术研发等方向拓展，对于岗位的要求也从注重人才0-1经验到更 强调本地化运营。 核心观点三 制造业企业的全球化之路会经历开荒、发展和深化的阶段转变，在海外设立 公司时，因各地区的经济发展水平、法律环境复杂程度以及市场准入门槛等的不 同，会产生不同的设立资金、时间成本及人力资源成本，企业需选择适合自身发 展需求和节奏的目标市场，准确地明晰人力全球化的阶段和定位，针对性地预防 和采取措施，以确保出海计划的顺利推进和实施。 基本要求来看，具备当地市场开拓及管理经验、熟悉海外当地市场、销售渠道和客户资源 是最基本的要求，同时，需要熟悉当地的文化、风俗等。在能力素养上，沟通协调能力、谈判 能力、市场洞察能力、执行能力、抗压能力和复杂问题的解决能力是销售岗位的关键。在知识 水平上，制造业的销售岗位还需要具备相关的行业经验背景。语言能力也是海外销售的关键能 力，除了英语为基本沟通语言，不同国家和地区对于第二外语的要求也不同。以目前热门的出 语、西班牙语作为工作语言。墨 西哥要求英语或西班牙语。中东和南非地区，除了英语外，还要求精通阿拉伯语。 海外人力资源岗位需求随企业出海阶段而动 以海外人力资源岗为例，企业对于职能岗的需求数量及复杂程度与当地业务开展阶段紧 密相连。在制造业企业出海的初期，企业往往零星释放高阶人资岗位，此类岗位经常要求人 选身兼数职，涵盖海外区域属地招聘、员工管理及日常行政事务处理等工作。此阶段的企业 并

中国继续领跑全球制造业，在2024年亚洲新兴制造 业指数中稳居榜首3。2023年，中国制造业增加值 超过4.5万亿美元，占GDP比重26.2%，占全球比 重约30%。尽管面临劳动力成本上升和监管复杂性 等挑战，但由于良好的基础设施、创新能力和技术 娴熟的劳动力，中国制造业仍然极具竞争力。在数 字化转型和可持续发展方面的不懈努力进一步巩固 了中国作为领先制造业中心的地位。 潜在商机 随着智慧工厂成为主流，未采用人工智能等技术的 企业有可能在竞争中落后。 为了在方兴未艾的工业4.0环境中蓬勃发展，制造 商必须采用新战略、新兴技术和稳健的数字化转型 举措。为了避免管理传统的多供应商物联网解决方 案的复杂性和高昂成本，与像Telenor IoT这样经 验丰富的一站式物联网服务提供商合作通常更高效。 由一位合作伙伴负责全链条网络连接技术，可简化 流程，从而节省时间和资源。 TELENOR IoT 颇具挑战性。物联网系统支持实时质量监控和分析， 从而确保统一的质量水准。在生产过程中及时发现 缺陷，制造商可以减少浪费并提升产品质量一致性。 回流和供应链韧性：疫情冲击下的供应链中断突显 了庞大而复杂的供应链的脆弱性。有鉴于此，企业 正在重新考虑回流的可行性，即让制造业务更贴近 消费市场。物联网通过提供实时追踪和监控来增强 供应链的可见性和韧性，确保更平稳地运营以及更 快地对中断危机做出响应。

政策梳理 工业大模型行业 相关政策 6篇 竞争格局 数据图表 摘要 工业大模型依托智能制造和工业4.0，通过大模型训练与小模型优化，形成多形态智能产品，解决工业问题。其发 展面临数据质量、模型复杂度等挑战，且高度依赖资本与产业合作。多种商业模式并存，满足个性化需求。市场 集中度高，由少数头部企业主导。市场规模快速增长，受AI企业增长、政策推动及技术进步影响。未来，技术进 步将深化大模型应 和体系智能等产品形态，应用于研发、生产、管理、服务和设备五 大场景来解决工业发展过程中的问题与需求的产业新形态。就目前的发展来看，工业大模型还存在面临诸多挑 战，包括工业数据质量和可靠性、模型的复杂性和解释性、应用场景受限以及成本和技术壁垒。 [1] 1：http://kns-cnki-ne… 2：https://www.sohu.… 3：中国知网、搜狐网 行业分类[2] 罗 工业大模型行业基于模型形态的分类 以增强研发模式创新能力以及降低创新成本与时间为目 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，

昇鹏人效云的开发过程中，我们在汲取了 i 人事系统的核心技术之外，也参考了过往客户服务时的丰富经验， 这是利唐科技在人力资源管理领域多年努力的结晶。我们的目标是为大中型企业提供更全面、更深入的数字化 管理解决方案，帮助他们应对复杂的市场挑战。特别是在制造业，要激发一线员工的生产经营潜力，就需要实 施灵活高效的绩效管理。这意味着我们需要根据不同区域和城市的特点，制定适应当地人文和消费水平的绩效 标准和考核方法。昇鹏人效云还 满信心。这一 时期，制造业的发展重点在追求规模化和占领市场上。 然而，随着地缘政治、经济增速以及产业结构调整等多重外部因素的影响，传统的增长模式开始不管用了。在后疫情时代， 制造行业的挑战更加复杂不可控。企业既需要确保生存，还需要追求质量增长。这样的变化让企业需要从过去跑马圈地式增 长的盈利模式，转向追求长期的可持续发展。 用 HR 系统就选懂业务的 i 人事 �� �� 制造业效率革命： 然而，制造企业的工作任务通常都不固定，排班作业需随时调整，临时加班、调班等难以避免。通常，制造企业工人流动率较高， 用工方式和班次也比较复杂，只靠传统方式很难实现批量、周期性、紧急排班，排班过程也很难追溯。 应用人力资源数字化系统，排班过程由线下转移至线上，既能适用复杂多变的排班，也能随时调整临时排班需求，确保生产。 如果排班超时，也可以预警，控制工时合规。排班数据也会完整、详细地记录，为管理工人、工时，保障生产效率提供数据支撑。

年，AI 助手 将接管大部分常规和事务性工作。 的高管表示，到 2026 年，其组织将把 智能自动化和 AI 助手整合进供应链工 作流程。 60% 90% 目前，供应链团队受限于纷繁复杂、互不相连的海量数据。虽然供应链 团队现在能获取实时数据，制定更智能高效的决策，但由于数据量庞大， 许多机会常常错失。 生成式 AI 驱动的数字助手正在扭转这一局面。AI 助手能够实时分析海量 加速供应链 智能化进程 如果数据能与人对话，它会说些什么？ 供应链团队即将揭晓答案。 第二部分 智能供应链洞察变革，驱动增长 10 供应链管理充满未知和挑战，其受到地缘政 治冲突、气候灾难以及日益复杂的环境等多 方面影响。因此，供应链高管的应变能力至 关重要。高管们利用生成式 AI 提高供应链的 灵活性和适应性，确保其能够应对未来挑战。 的高管表示，生成式 AI 正 在加速他们在高影响领域 提升供应链可见性。帮助企业及时发现瓶颈问题，并提出改进措施，从而避免中断， 提高运营效率和灵活性。 观点 智能供应链洞察变革，驱动增长 12 利用 AWS 供应链解决方案实现全面可视化 供应链是一个复杂互连的庞大系统。参与者众多、系统分散，且数据共 享不畅，使得难以准确预测需求、跟踪库存并协调供应。由于数据碎片化， 供应链高管难以捕捉市场波动，精确预测未来需求，从而合理安排库存。 借助云技术，AWS

工业园区是城市内相对开放的系统，介于城市与行业之间，非独立统计单元，具有 边界模糊、数据不易获取、产业链共生、价值链延伸等不同于区域和行业的特点。本研 究针对工业园区核算类型多样、边界模糊、主体复杂、数据甄选困难等重点问题，通过 国内外温室气体核算方法学比较分析，从核算主体、边界、范围、数据、方法等方面， 系统构建了工业园区温室气体核算方法学体系。 本研究遵循实用性与可操作性、一致性与可比性、准确性与完整性、普遍性与特殊 区 域，缺乏边界清晰、标准统一、准确可靠的数据基础，由此导致园区温室气体排放核算 困难，核算方法多样，排放现状与特征尚不清晰，排放底数不清，不利于园区碳减排方 案的制定。 1）园区的边界范围复杂尚需方法明确 国家发布的省级及以上园区名录明确了工业园区的面积和四至范围，但在园区实际 发展中，常常会出现众多扩展区域，园区行政边界、地理边界、实际边界不一致，这为 园区碳排放核算和管理带来巨大挑战。 的 统计机构和完整的统计数据。园区管委会一般只掌握园区内“五上”企业的数据资料， 而园区的居民生活以及三产服务业的能耗数据获取较为困难，因此园区并不完全掌握这 两方面数据。 4）园区碳排放源复杂，核算方法未成体系 工业园区涉及多个企业的价值链、循环链，存在共生关系。工业园区内由于循环经 济产业链的搭建，各个行业或者产业之间的互联互通，余热余能等资源能源利用可以有 效降碳，但若按照企业

石油化工：走向绿色化、高端化、电气化 石油化工行业，尤其是大型炼油化工企业，其生产装置通常位于防爆区域内。这些装置具有大型 万亿蓝海，新从旧来——中国设备更新战略与实践 20 化、集约化、工艺先进、自动化程度高、结构复杂等特点，同时面临着高温高压、易燃、易爆、易中 毒、关联性强等风险。 为保证生产装置的安全、稳定、长周期、满负荷运行，对电力系统的安全性、可靠性、稳定性、连 续性、适应性的要求极高。生产过程中一 重大次 生事故，造成重大经济损失和无法估量的社会问题。 因此，确保电力系统及电气设备安全运行是炼油化工企业电气专业管理永恒的主题。随着企业不断 发展，企业电力系统的规模越来越大、系统结构越来越复杂，先进的管理理念、管理策略、检（监）测 技术和科学的风险识别、风险评估方法、检维修技术等亟待提升。 在中国，石油石化行业具有庞大的市场空间和发展潜力，但同时也面临着如利润下降、产能过剩和 资源 ，实现数十万名旅客的快进快出。 不过在运营的过程中，上海虹桥站也面临着不少挑战。例如，站内配电设施使用年限较长，安全风 险加大，但受限于智能化程度较低，无法快速或提前处理故障。同时，由于配电系统复杂，传统依靠人 工巡检方式，运维水平和成本欠佳，需要提高效率。上海虹桥站的电气火灾报警系统也不够完善，需要 进一步优化。此外，尽管上海虹桥站项目改造涉及回路众多，但工期时间极短。并且该项目有节能降耗