适用项。基数：1567 过程自动化和优化 人工智能/机器学习 网络安全 适应能力/敏捷性，以跟上竞争和不断变化的市场 可扩展性，以满足业务需求并推动盈利增长 取 得 成 果 的 能 力 结果表明，人工智能是技 术战略和路线图的核心。 采用者正在看到切实的 成果，只有云/SaaS 才能 带来比 GenAI 和因果关 系人工智能更高的投资 回报。 人工智能/机器学习能带来比所有其他智能制 造能力更大的业务成果。 在过去的 12 个月里，贵公司投资的技术中，哪一项的投资回报率最 高？ 选择前 3。基数：1562 云/SaaS GenAI 或因果关系人工智能 5G 人工智能/机器学习 供应链规划 (SCP) 高级分析（使用人工智能/机器学习） 机器人流程自动化 (RPA) 机器人 制造执行系统 (MES) 企业资源规划 (ERP) :: 10 :: 智能制造的现状 :: 第九版年度智能制造现状报告 受访者认为，处于制造业前沿的受访者正在使 用数据来推动人工智能/机器学习发展和优化 过程。 但是，受访者认为，他们自己的组织有效使用 所收集数据的比例还不到一半。 行业领导者正在获取情景化数据， 以推动明智的实时决策。 需要更好的数据管理来推动人工智能发展并增强团队能力 :: 12 只有 44% 的数据得到有效利用 人工智能/机器 学习和应用人 工智能/GenAI 问题： 您如何看

设计、设备运维等具体环 节（实现质量管控、故障预测）。其构建遵循三阶段体系：首先完成工业数据制 备，处理 CAX 模型、传感信号等特有模态数据；随后训练工业基座模型，攻克 工业语义理解、小样本学习等技术难点；最终通过任务适配实现场景交互，与 PLC、工业机器人等设备协同运作。 ➢ 通用工业大模型 通用工业大模型是工业大模型的一种类型。它是在工业领域构建的，相对 于行业大模型和场景大 技术特征：基于微服务架构构建模型组件库，支持动态拼装。核心组件包 括： ➢ 基础模型池：包含设备诊断、工艺优化、异常检测等原子能力模块 ➢ 知识路由网络：根据输入特征自动匹配最优模型组合 ➢ 联邦学习接口：支持跨工厂模型组件协同进化 技术优势：单个模块参数量控制在百亿级，降低硬件部署门槛。 (3) 联邦协同大模型 技术特征：在保护数据隐私前提下实现跨组织知识共享，关键技术包括： ➢ 差分 异常传播建模：构建故障因果链网络 (2) 视觉数据主导型 技术演进： 16 ➢ 高分辨率处理：支持高分辨率工业图像实时分析 ➢ 多光谱融合：整合可见光、红外、X 光等多模态视觉数据 ➢ 小样本学习：在少量缺陷样本下达到较高检测准确率 (3) 知识图谱主导型 构建方法： ➢ 自动化知识抽取：从百万级专利文档中提取工艺知识 ➢ 动态关系推理：发现隐性工艺参数关联 ➢ 多语言对齐：支持中英德日四语种知识融合

通用性和复用性是大模型的关键价值。2017 年，Google Brain（谷歌大脑）团队在 其论文《Attention Is All You Need》中创造性地提出 Transformer 架构，凭借注意力机 制，极大地改善了机器学习模型处理序列数据的能力，尤其是在自然语言处理（NLP） 领域。Transformer 架构的出现，为后续的大模型如 ChatGPT 等奠定了技术基础。 ChatGPT、Bert 等大模型通过海量 等大模型通过海量数据和庞大的计算资源支持，使得模型具备了强大的 通用性和复用性。大模型可以被广泛应用于自然语言处理、计算机视觉、语音识别等 领域的各种任务，能够为各种应用和开发人员提供共享的基础架构，并进一步通过微 调、零样本学习等方式，直接在一系列下游任务上使用，取得一定的性能表现，支持 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 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 定律”（Scaling Law）特征，即：模型的性能与模型的规模、数据集大小和训练用的计 算量之间存在幂律关系，通俗而言就是“大力出奇迹”。不过“大”并没有一个绝对的标

大模型技术.....................................................................................63 5.1.1 机器学习算法.............................................................................65 5.1.2 数据处理技术.... 在过去的几年里，人工智能领域经历了显著的技术突破，尤其 是基于深度学习的 AI 大模型的崛起。大模型的特点在于其对大规 模数据集的处理和理解能力，因而在多个行业中展现出革命性的应 用潜力。这些大模型不仅能够提高决策效率，还能推动企业的智能 化转型，从而实现传统制造业的数字化升级。 首先，AI 大模型的训练过程通常利用海量的结构化和非结构化 数据，使得模型具有了强大的表征学习能力。通过自然语言处理、 图像识别和时 大模型应用于智慧工厂的 建设中。以下是当前 AI 大模型在工业领域的几个关键应用场景：  智能生产调度：利用大模型分析生产数据，优化生产排程和资 源配置，提高生产效率。  预测性维护：通过对历史设备故障数据的学习，模型能够提前 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

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 方案创新 ‒ 跳出规则束缚，通过智能 跳出规则束缚，通过智能 构建新业务模式和解决方案，增加方 案创新性 基于规则 ‒ 基于预设的逻辑和算法来执行任务， 而非通过学习获得智能 单向指令 ‒ 交互水平局限于系统设计，为使用者提 供规则范围内的回答 固定环境 ‒ 应用于特定领域或任务， 自动问题处理，灵活性和适应性较差 瓶颈可见 ‒ 智能需要更多人为干预， 易遇到发展瓶颈且智能难以自我迭代 流程优化 ‒ 智能是针对现有流程和系 智能是针对现有流程和系 统的优化，而非创造全新的解决方案 传统智能 人工智能+ �� 技术模式：“传统智能”基于预设的逻辑和算法来执行任务，而非更多地通过学习来持续提 升智能；“人工智能+”则模拟人类的学习、推理和决策过程，能够持续进化并处理复杂的 数据和任务； 应用模式：“传统智能”一般应用于特定领域任务，聚焦自动处理问题，灵活性和适应性较 差；“人工智能+”可应用于复杂且广域的非结构化多模任务处理，具备很强的灵活性和普

数据挖掘与预测 AI 技术可以通过数据挖掘和机器学习算法，提取出隐藏在海量数据背后的有 价值信息，并基于历史数据对未来可能出现的问题进行预测。这为企业的生产计 划、库存管理以及供应链协调等方面提供了有力支持，使企业能够更加精准地做出 决策，减少生产风险。 二、智能化生产与机器人技术 2.1 自动化生产线 AI 技术可以实现智能化的自动化生产线，通过自主学习和智能决策能力提高 设备的自我调节功能 测，并在发现异常情况时自动暂停生产，并通知相关人员进行处理。这种智慧工厂 中的自动化流程可以极大地提高生产效率和产品质量。 2.2 协作机器人 协作机器人是一类与人类共同工作的机器人系统，它们通过与操作者进行交互 学习以及与其他设备和系统的实时数据交换，实现真正意义上的协作工作。AI 技 术可用于协助协作机器人的任务分配、路径规划、目标追踪等关键环节，进一步提 高机器人的工作效率和灵活性。 三、智慧物流与仓储管理

• 广泛使用全企业范围的共享服务/资源池来实现服务和支 持功能 • 针对非核心活动广泛采用外包服务 • 利用先进的网络安全实践，全面部署云端IT基础设施 灵活的员工队伍 培育持续学习的企业文化，以此为基础创建能力全面、适应性 强且多元化的员工队伍。 • 打造跨越供应链、生产和运营的多面手/多技能员工队伍， 以促进资源的重新分配 • 采用灵活的员工合同，根据业务强度快速调配资源 利用增强现实（AR）和虚拟现实（VR）技术，以助力 拥有必要技能的员工，由他们帮助完全处于另一地点 的同事成功完成任务。 确保持久的韧性取决于人机协作的技能提升和 技能再培训战略。企业应当创建定制型干预措施， 即个性化的学习路径（参见图五），以一种可行、可扩 展且具有成本效益的方式弥合技能差距。借助这一战 略，企业可以更有效地应对关键技能的短缺，打造敏 捷文化，并快速、灵活地实现技能提升。 特刊 针对人工智能技术在制造领域的水土 未来角色 可转移的技能 所需技能 确定需要培训的技能� 机器操作员 自主生产维护团队的领导者 工厂自动化潜力：高 人工智能增强潜力：低 工厂自动化潜力：低 人工智能增强潜力：高 个性化学习路径 ...从生产角色转变为确保 工厂正常运行的管理角色。 资料来源：埃森哲商业研究院基于世界经济论坛消费行业“未来的工作”试点工作组、美国职业信息网络（O*NET），以及美国劳工部劳工统 计局的分析。

第二，提供优质工作体验和职业发展支持。确保工作环境安全、舒适，符合国际标准， 为员工提供有竞争力的薪酬福利，包括健康保险、带薪休假、培训发展机会等。建立完善的 职业发展路径和晋升机制，让员工看到在企业中的成长空间。提供丰富的培训和学习资源， 帮助员工提升技能和知识水平。 第三，履行社会责任。积极参与当地的公益活动，关注环境保护、社区发展等问题，展 示企业在可持续发展方面的努力和成果，如节能减排、资源回收利用等。及时处理可能影响 (2025) 在传统的企业运营中，许多工作依赖于大量的手动操作，特别是在数据处理、客户服 务、市场分析等领域。这些工作通常具有重复性和流程化的特征。随着AI技术的发展，自 动化工具能够通过机器学习和大数据分析等手段，高效完成这些工作。例如，RPA（机器 人流程自动化）技术已经被广泛应用于财务、供应链管理和人力资源等领域，帮助企业自 动化处理大量事务性任务，解放了员工的时间，使其能够专注于更具战略性的工作。 人才培养 入职培训 持续学习 日常办公 远程办公 语言翻译 基础数据统计平台 收 集 分 析 决 策 预 测 46 中国制造业出海人才白皮书 (2025) 其中，基础数据统计平台和数据存储平台对运营过程中的数据和信息进行保存和处理， 利用数据分析工具和人工智能技术深入洞察分析企业内外部人才市场，为人才出海决策提 供数据支持。基于大数据和机器学习的人才预测模型帮助企业预测人才流动趋势，为人才

可持续发展需要，需依托万兆联接的基础设施网络、数字平台，开启园区超高速 互联、全局感知、万物智联的新时代。 园区的数字化、智能化为未来园区的主要趋势之一，未来园区将会逐渐成长 为全面感知、有机协同、实时在线的智能化园区，并具备自学习、自诊断、自决 策和执行能力。园区网络跟随数字化技术升级，采用更高带宽和更低时延的数字 基础设施网络底座，实现园区的万物智联，支撑园区全面数智化。 园区数字基础设施是迈向元宇宙的底座，更强的数字基础设施底座支撑虚 维效率。另随着数字经济的发展， 园区从封闭走向开放，由单一迈向融合，对园区安全将提出更高要求，要求融合 的多张网络之间实现隔离，以支持多张网络的数据安全。园区的安全管理功能将 与人工智能、机器学习等技术深度融合，提升设备分析决策力，实现事前主动风 险预判预防。 图 1-2 未来园区的多种融合方式 园区网络安全保障为智慧园区建设的核心需求，网络融合带来安全隔离的 要求，需要有高性 网络层自动驾驶主要包括故障自动发现，智能故障定位，故障恢复，网络级 中国电子节能技术协会 绿色全光网络专业委员会 22 22 性能优化等自动化能力。自动驾驶通过数字孪生，知识图谱，机器学习等技术， 结合感知/分析/决策/执行闭环流程，实现故障根因自动发现，故障自动快速修复， 并大幅优化准确率和故障闭环时间。自动驾驶可构建网络/用户/终端/应用的四维 立体地图，端到端体验可视，一

敏感的制造业务。 TELENOR IoT | 物联网赋能制造业数字化转型 | 9 人工智能和机器学习：在物联网系统中集成人工智 能和机器学习（ML），可实现预测性维护、优化生 产计划以及加强质量控制。人工智能赋能的分析可 以在设备故障发生之前做出预测，从而缩短停机时 间并降低维护成本。机器学习算法可以优化生产流 程，从而提高效率和产品质量。德勤开展的一项调 查显示，制造业的数据生成量位居前列，海量数据