2 万亿蓝海，新从旧来——中国设备更新战略与实践 企业实践：新引擎、新模式、新价值呼唤新质服务体系与生态构建 01 引言 / 01 1 政策引导： 政策助力与经济回升 2024年中国大规模设备更新行动启幕 / 02 1.1 设备升级的核心路径：高端化、数智化、绿色化 / 03 1.2 重点推进领域 / 05 1.3 政策加码与优化空间 / 08 2 宏观市场: 面向2027 / 18 3.2 石油化工：走向绿色化、高端化、电气化 / 19 3.3 电子产业温和复苏期：新技术催生新机遇 / 21 3.4 交通：迈入存量发展阶段 / 23 3.5 商业建筑：大规模设备换新叠加绿色低碳发展 / 25 3.6 数据中心走到新旧转换节点：能耗与绿色平衡术 / 27 3.7 大健康：行业高速发展 / 29 3.8 教育：绿色教育进行时 / 31 4 企业实践： 的发展机遇与挑 战。2023年中国经济展现出回暖复苏势头，2024年则被视为进一步巩固经济回升态势的关键一年。在 这一背景下，大规模的设备更新行动不仅成为扩大内需、促进产业升级的重要途径，更是推动经济高质 量发展的关键举措。 本报告将深入探讨中国2024年大规模设备更新行动的战略意义、政策措施、实施路径以及预期的 市场影响。通过对政策、市场、行业和生态等方面进行多维度分析，揭示这一行动如何助力中国经济实

内涵和外延。 数字经济塑造新质生产力三大动力。一是推动技术创新方式变革。 数字经济通过重构和优化技术创新方式，加速颠覆性技术涌现，强化 创新协同效应，提升创新体系整体效能，推进技术创新向更大规模、 更高效率、更强协同的新范式演进。二是推动生产要素配置优化。数 据提高生产要素组合替代能力和有效产能，在传统要素的基础上，为 企业扩展生产可能性边界。同时，数字经济减少生产要素配置摩擦， 现出的高链接性、强渗透性、泛时空性，都是以往任何技术革命无可 比拟的，直接作用于数据这一新型劳动对象，实现了与生产各环节的 深度融合，推动生产要素快速流动和高效匹配。如果说工业革命拓展 了人类体力，通过大规模工厂化生产创造出海量物质财富，新一轮技 术革命正在空前地增强人类脑力，带来生产力又一次质的飞跃。例如， 新质生产力研究报告——从数字经济视角解读（2024 年） 9 CPS 技术将控制不 深度不断加强。软件、算法等数字劳动资料与机器、设备等传统劳动 资料融合，不断深化劳动资料的作用深度。以人工智能技术为例，通 用大模型是指具备处理多种不同类型任务的人工智能模型，这些模型 通常是通过大规模的数据训练而成，能够在多个领域和应用中表现出 良好的效能。人工智能技术与各类制造业传感器、机器设备、行业知 识融合形成的垂类大模型，能够针对异质性产品和制造流程深度优化， 更适用于企业级应用场景的专业性要求。如，ChatDD

数据采集与处理.............................................................................. 33 2.2.2 大规模预训练技术.......................................................................... 34 2.2.3 模型微调与优化 同时对数据进行建模、分析并提供优化建议，这对算力提出了极高的要求。为 满足这些需求，高性能计算集群（HPC）成为不可或缺的基础设施。HPC 通过 21 集成大量计算节点，能够以并行化的方式快速处理大规模数据。此外，GPU （图形处理单元）和 TPU（张量处理单元）在工业大模型中也扮演着重要角色。 GPU 因其强大的并行计算能力，广泛应用于模型的训练阶段，而 TPU 则以其在 深度学习任务中的 工厂中， 生产设备之间需要通过网络进行高频数据交互，而工业大模型则需要实时获取 这些数据进行分析和处理。高速光纤网络和 5G 技术的应用，显著提升了数据的 传输速度和稳定性。光纤网络能够支持大规模数据的高速传输，而 5G 技术则以 其低延迟和高带宽的特点，为工业大模型的实时性提供了保障。例如，在远程 设备监控场景中，5G 网络可以将设备的运行状态实时传输到云端，由大模型进 行分析并生成优化方案，从而实现快速响应。

6. 智能制造新模式标准 主要包括大规模个性化定制、智能运维服务、网络协同 制造、产销一体化运营及其他等 5 个部分，如图 10 所示。 主要用于实现产品与服务的融合、分散化制造资源的有机整 合和各自核心竞争力的高度协同，解决了综合利用企业内部 和外部的各类资源，提供各类规范、可靠的新兴模式问题。 24 图 10 智能制造新模式标准子体系 大规模个性化定制标准主要包括通用要求、需求交互要 智能家居、智能感知与交互、大规模个性化定制和服务、智 能产品运维服务等产品和技术标准。 12. 纺织 针对纺织行业总体离散型、局部流程型制造的特点，围 绕纺纱、化纤、织造、非织造、印染、服装及家纺等领域， 制定专用装备的互联互通、信息模型、远程运维技术要求等 规范或指南标准；制定数字化车间或智能工厂建设过程中的 数据、物流仓储、系统集成等规范或规程标准；制定大规模 个性化定制等新模式应用规范或指南标准。 准。 33 14. 其他 食品行业重点面向乳品饮料、酿酒、冷冻食品、罐藏食 品等领域，制定智能工厂设计、酿造灌装、工艺决策、远程 运维、标识解析等标准。农业机械、工程机械行业重点制定 大规模个性化设计、智能运维服务监测等标准。印刷行业重 点制定印刷柔性化工艺流程设计、系统间信息交互等标准。 民爆行业重点制定关键工艺装备状态监控、运维要求等标准。 光伏行业重点制定数据通信、信息安全、信息标识及智能工

预测设备可能出现的问题，从而降低停机时间和维护成本。  质量检测：运用图像识别技术，对产品质量进行实时监控，及 时发现并解决质量问题，提升产品合格率。  个性化生产：结合用户需求，通过大模型优化产品设计和生产 流程，实现大规模定制的目标。  供应链管理：利用模型进行需求预测和库存优化，提升供应链 的响应速度和灵活性。 这些应用不仅能够直接提升企业的生产效率，还能够为决策层 提供更为精准的数据支持，使生产过程更加智能和灵活。随着 的背景下，制造业正面临着转型升级的重 大挑战与机遇。随着人工智能、大数据和物联网技术的迅速发展， 传统的生产模式已难以满足市场对灵活性、效率和个性化的要求。 因此，构建智能化的制造体系，尤其是实现大规模个性化定制的能 力，已成为提升企业竞争力的关键。而 MDC（Manufacturing Data Cloud）项目正是响应这一时代需求的重要举措。 MDC 项目的必要性体现在以下几个方面： 集的具体步骤与方 法。 首先，我们将采用多种方式联合收集用户需求，包括但不限于 问卷调查、访谈、实地观察和用户座谈会等。这些方法的结合能够 确保需求的全面性与准确性。 问卷调查将用于收集大规模用户反馈，涵盖主要功能需求与使 用场景设计。我们会制定尽可能简洁明了的问题，采用量表型问题 和选择题为主，确保调查的高效性。同时，我们将为开放式问题留 出空间，以便收集更多用户的个性化需求和建议。

工业大模型的核心技术包括深度学习、自然语言处理、大数据分析等，这些技术不仅需要强大的算法设计 能力，还需要大量的数据和计算资源来支持模型的训练和优化，这通常意味着高昂的硬件成本，包括高性 能计算设备、大规模存储系统和能效优化的数据中心。此外，企业还需要不断投入资金进行技术升级和数 据获取，以维持竞争力。从数据上看，高技术制造业的研究与试验发展（R&D）经费投入强度为2.91%， 在规模以上工业企业 位，但是公司灵活性高，研发能力强，具有很大的发展潜力。[26] 工业大模型行业竞争格局的形成主要包括以下原因：[26] 技术壁垒和资源优势推动头部企业扩大市场份额。 工业大模型涉及复杂的算法、高精度的数据分析、以及大规模的计算能力，同时依赖于高质量的工业数据进行训 练和优化，这些技术要求使得行业具有高门槛，头部企业拥有丰富的资源，能够迅速调动技术、资本、市场营销 等各方面资源，以最快的速度推广和部署新技术，确保 景。华为在人工智能技术方面具有显著优势，其自研的昇腾AI处理器和全栈AI解决方案为大模型的 开发和部署提供了强大的计算能力，AI技术在处理复杂数据和训练大规模模型方面表现出色。另外 华为云计算拥有全球领先的云基础设施，包括高性能计算（HPC）、大规模存储和低延迟网络。这 些基础设施支持了高效的大模型训练和推理，满足工业大模型对计算和存储资源的高要求。数据显 示，华为云在IaaS+PaaS整体市

增长，以及应用对于时延要求的提升，将负载转移到设备 边缘与网络边缘就具备了尤为重要的意义。而 5G 的商用 则意味着可带来更高的带宽、不到 1 毫秒的时延、千倍于传 统无线技术的容量，以及大规模机器对机器的通信能力， 能够充分释放网络连接在数智园区中的潜能。云 – 网 – 边 – 端的协同处理架构能够兼顾云与边缘的优势，可成为数智 园区重要的基础设施，在制造业等对于网络带宽、时延非 (IoT) 指物物相连的互联网，通过现代通信技术、射 频识别技术 (RFID)、全球定位系统、红外线传感器等多种 信息传感设备，实时采集任何需要连接、互动的物体或过 程等信息，与互联网结合建设一个超大规模的智能化网络 系统。物联网可支持在数智园区中实现物与物、物与人与 网络的连接，便于园区识别信息、管理与控制。物联网可 凭借其开放性的特点，助力数智园区从根本上解决 “信息孤 岛” 问题。 在 等技术已经在智慧园区的场景中得到广泛 应用，但是，这些传统无线技术并非为工业运营技术 (OT) 级别的可靠性、时延、吞吐量和安全等特点而设计，因此 无法满足相关要求。5G 将会带来强大的优势，以及大规模 机器对机器的通信能力，从而充分释放网络连接在智慧未 来园区中的潜能。例如，5G 能够支持园区海量的物联网设 备快速地接入网络，推动增强现实 (AR) /虚拟现实 (VR) 等 新型应用在园区的落地。

接入数量大幅增加。F5G-A 在光联万物上往前迈进了一大步，提供无处不在的光 联接，在 FTTO（光纤到办公室）、FTTM（光纤到机器）和 FTTH/FTTR（光纤到 家/光纤到房间）场景中支持更大规模的部署。 FTTO 场景：F5G-A 推动光纤延伸到园区办公室和办公桌面。 F5G 时代 FTTO 已实现了光纤到房间，有部分场景已实现了光纤到桌面。随 着园区高带宽等业务的发展，F5G-A VR/AR 技术推进职业教育与产业融合发展。 但 VR 技术的大规模应用还存在不少挑战，需要推动技术架构的创新，以促 进 VR 教育教学常态化应用，如推动云控网联技术架构简化时空限制，推动算网 协同保障大宽带/低时延的网络传输，推动云-管-边-端分层协同，将 VR 教学带入 每一间教室，推动虚拟实验教学和虚拟仿真实训从小规模试点走向大规模常态化 应用。 3.2.2 基本组网 教育 F5G-A 测试的焊点与数据库中合格的参数进行比较，经过图像处理，检查出 PCB 的缺陷， 并通过显示器或自动标志把缺陷显示/标示出来，供维修人员维修。但传统 AOI 存 在准确率不高（约 80%）、开发适配难/适应性弱、经验无积累/大规模推广难等问 题，引入 AI 后，可依托 AI 积累专家经验，提升检测能力，检测准确率可提升至 99%以上。 AOI 采图设备（如超高清工业相机）获取到的图像需通过网络传输至 AI 推 理服务器，由于其带宽要求很高（通常要求提供

关键原因。 利用云技术进行创新，打造未来可持续型供应链 通过结合云计算与生成式 AI，企业能够加速供应链创新，提升业务成果，实现前所未 有的突破。 在云端部署生成式 AI，企业可以高效训练并大规模部署模型，同时节省高昂的硬件和 基础架构成本。多个团队能够协作开发生成式 AI 模型，将模型在不同的云环境中流畅 迁移，无缝对接其他云服务和应用。 当然，成本也是一个不可忽视的考虑因素。云基础架构采用按需付费模式，减轻了资 让每一个行动都产生价值 在错综复杂的供应链棋局中，高管们必须始终提前布局。供应链的现代 化转型不仅仅是引入新技术或新流程，更是要接受一种全新的思维方式， 积极进行科学探究、实验，不断追求进步。 企业大规模应用科学方法，能够充分发挥数据和生成式 AI 的潜力，推动商业战略、产品研发和 全球供应链管理的转型升级。事实上，62% 的首席供应链官认为，生成式 AI 将加速发现进程， 推动新产品研发和服务创新。

低碳的价值链。 • 凭借全球业务触角，通过商品和服务的自由 流动，服务于世界各地客户的模式； • 有限的本地采购程度； • 作为当今主流的专业化工厂模式（例如，在 单一地点建立工厂，大规模生产某种特定产 品）。 • 根据开展业务的市场或地理位置，对工厂和供 应商进行分散化和本地化管理模式； • 系统性地采用集中、本地采购并举的方法； • 灵活的生产模式，能够同时在多个区域平衡 间的 特征数据，比如说质量的缺陷数据是极为有限的，采 集数据的过程也是非常昂贵的，并且车间要的数据、 分析决策的数据需要高度精准，对实施性的要求也非 常高。 这使得几年前很多企业开始进行大规模的技术 改造、数据采集、建设数据中台，希望借此提升质 量、缩减交期和优化成本，因为这个误解，往往导致 企业投入很多，但收效有限。智能制造只需要在工程 知识的框架下，精准实施数据，而不是在所谓工程知 往采用敏捷开发实践，导致软硬件开发节奏不同步、 系统集成测试不充分等等。 埃森哲在总结制造企业“软件定义产品”研发转 型实践经验的基础上，把传统制造业面向精益、合规 的硬件开发系统工程流程和软件开发领域大规模敏 捷实践相结合，打造了IndScrum解决方案体系，帮 助制造企业实现精益、敏捷的软硬件协同开发。 智能制造 | 31 特刊 三、产品生命周期协同研发 产品的成功不仅取决于技术因素，还需要考虑