在成为新一轮数智化变革的见证者与推动者。通过把握数智化 技术带来的商机，融入蓬勃的数智生态，园区将能够持续挖掘 数据价值，推动业务转型，从而释放创新价值，驱动社会经济 快速发展。 但同时，在数智技术快速发展的背景下，园区数据快速增长， 大模型等创新应用不断落地，这意味着园区需要对云、边缘、 网络等基础设施进行重构或优化，并利用创新的软硬件技术组 合，满足数智园区在计算、存储、网络等关键资源方面的需求， 端的 协同处理模式： 初级阶段的数智园区通常更强调云平台的构建，将负载集中 在云中进行处理，这种方式构建了数智园区的基础平台， 在交付效率、扩展性等方面有着突出优势。但随着园区内 物联网终端的快速增加，需要采集、处理的数据的爆发式 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 经过数 据处理，将数字转换成有价值的信息的过程。面向数智园区 的数字孪生体能够在园区实体的基础上，将园区的人、物、 水、电、气等所有要素数字化，在数字空间中对于这些要素 进行映射，将物理属性快速转换成数据和结果，从而建立物 理世界与数字世界的联系与互动实现，推动园区全状态实时 化和可视化、园区管理决策协同化和智能化。要实现数智园 区的数字孪生，需要将园区物理维度真实、详实地在虚拟维

工业大模型建立新型安全保障体系： ➢ 不确定性量化：输出置信区间及风险预警 ➢ 防御性蒸馏：抵抗对抗样本攻击 ➢ 退化监测：实时跟踪模型性能衰减 1.3 工业大模型的分类体系 工业大模型的快速发展催生了多样化技术形态和应用模式。为系统认知其 技术边界与适用场景，本节从技术架构、应用场景、数据模态、功能定位四个 维度构建工业大模型的分类体系，并深入探讨各类别间的技术差异与协同关系。 、工艺文档等多源数 据。 小样本适应：通过预训练实现零样本迁移，某半导体缺陷检测模型仅需 50 张样本即可达到 90%准确率。 动态校准：在线学习机制使模型每月数据需求降低，以适应产线的快速换 型。 ⚫ 对比差异：工业大模型的数据利用效率提升 5-8 倍，数据标注成本降低 60%， 突破传统模型的数据依赖瓶颈。 1.4.2 模型能力维度对比 ➢ 传统模型： 18 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

中国信息通信研究院《工业智能白皮书（2022）》 7 工业大模型应用报告 于对特定任务进行快速优化和部署的场景。以工业质检领域为例，小模型能够从海量 的工业产品图片数据中，学习到产品的外观特征、质量标准和缺陷模式等关键信息。 当面对新的样本时，小模型能够迅速判断样本是否合格，从而实现对产品质量的快速 检测。同样在设备预测性维护方面，小模型通过对设备运行数据的分析，能够学习到 设备正常运行 域的规律和 模式，进而生成符合要求的全新设计内容，提升产品设计的效率和质量。 9 工业大模型应用报告 大模型在工业领域的应用潜力仍有待释放。首先，大模型技术本身正处于快速发 展的阶段，尽管已取得了显著进步，但在成本、效率和可靠性等方面仍有待进一步提 升，以适应工业领域日益复杂的需求。其次，工业场景众多且各具特色，大模型作为 新技术，需要逐步与各个工业场景紧密结合，在逐步提升技术渗透率的过程中，挖掘 排序的结果作为上下文信息一起输入给大模型，大模型再进行分析 和回答。检索增强生成在私域知识问答方面可以很好的弥补通用大语言模型的一些短 板，解决通用大语言模型在专业领域回答缺乏依据、存在幻觉等问题。 这种模式的优点是可以快速利用现有的基础大模型，无需进行额外的训练，只需 要构建和接入行业或企业私有的知识库，就可以实现对工业领域的知识理解和应用， 5 Introduction (cohere.com)

人力数据与业务数据融合。i 人事帮助企业更准确地预测需求、提高人效、降低成本，其协同办公和审批流程 平台使企业能整合效率与资源，提高经营效率。它解决了日常人力资源管理的挑战，提供了一个强大且灵活的 工具，应对市场的快速变化。i 人事还强化了招聘和人才配置流程，提供人才管理、分类、培养和储备功能， 同时通过先进的考勤与薪酬系统，自动记录考勤数据并计算工时，显著提高管理效率。 随着企业规模化，大中型企业面临核心业 分别达到 95.4% 和 82.1%。前者是指应用数字化工具实现办公管理， 包括收发文件、会议、个人事务等。后者是指应用数字化工具实现人力管理，包括人事、绩效、考核等。 看似粗放的制造企业，正在快速被数字化渗透，包括人力资源管理，也正在通过优化内部运营促进制造企业更有效率，更有 市场竞争力。 人力资源数字化 促进制造企业市场竞争力 提升制造企业工厂生产率，保障市场竞争 中国虽然是制造 要找到合适的人员非常难。” 再比如，既懂机器又懂软件的专业型人才，他们要能基于 软件和大数据对整个智能生产线进行总控、操作和运营， 能根据市场需求灵活调整产线配置，并在出现系统故障等 紧急状况时快速应变、提供专业性指导，他们与设备的关 系不再是传统的机械化操作，而是有机的协同。 除此之外，随着产业的进一步升级，以及数据与业务的融 合日益加深，包括计算机科学、数据科学等领域在内的高 端人

公安 人社 » SOA 缺点 » 产品特点 小 最小颗粒化业务模块 独 各业务模块独立进程、互不影响 轻 轻量级通信方式（ Restful Json ） 松 服务之间完全松耦合 快 快速开发，快速迭代 微服务架构 A1 服务 B1 服务 C1 服务 A1 服务 B1 服务 C1 服务 管理服务 1 管理服务 2 控制服务 1 控制服务 2 工商 公安 人社 认证中心 注册中心 的松耦合性。 消息中心 msg 监控中心 monitor 负责监控应用环境和跟踪服务 运行情况，支持服务运行状态可订 阅、可定位、可追溯、可展示等特 性，确保过程管理中可发现问题和 可快速解决问题。 监控中心 monitor 配置中心 config 统一配置和管理各微服务的 运行资源，包含启动参数、过程 资源调用等信息，是微服务应用 按业务细分化部署的统一管理平 置与管理，将数据的调用与处 理以一种可视化的方式转换为 对外服务能力，包括服务的定 义、业务逻辑的数据流配置、 数据输出的格式化处理等方面 ，为目前以数据价值为核心的 信息化过程建设提供一种快速 发布与订阅的解决方案。 数据服务平台 daas 数据检测平台 dbgov 提供数据治理能力，以数 据为核心，围绕数据的可识别 、可分析和可展示等方面实现 对数据的综合管理。解决业务

................................164 1. 项目背景 随着工业 4.0 的推广和智能制造的逐步深入，传统生产模式面 临着转型升级的迫切需求。AI 大模型技术的快速发展为制造业提供 了新的解决方案，能够通过数据驱动的方式优化生产流程、提高生 产效率，实现个性化定制和柔性生产。智慧工厂的建设正是结合了 这些先进技术，旨在提高企业核心竞争力，推动可持续发展。 市场快速变化和客户需求多样化的挑战。 本项目将主要围绕以下几个关键点展开：  智能化生产：通过引入 AI 大模型对生产线数据进行实时分 析，实现自动化调度和优化生产过程，减少人为干预和错误 率。  数据驱动决策：建设一个集成的数据处理平台，利用大数据分 析技术提取有价值的信息，为管理层提供精准的决策支持。  个性化定制：根据市场需求和客户反馈，通过 AI 模型快速调 整生 作战。此外，人 才的培养与引进也是项目成功的关键，企业需加大在 AI、大数据、 机器人等领域的专业人才的投入。 为了验证和优化项目设计，在实施过程中会采用迭代式的方 法，通过建立原型和试点，快速测试和反馈，以确保最终方案的有 效性和可行性。通过这些措施，将确保 MDC 项目顺利推进，最终 实现智慧工厂的目标。 1.1 智慧工厂的定义与发展 智慧工厂是指利用先进的信息技术和智能化设备，通过优化生

在市场层面，随着各省市具体行动方案的出台和实施，预计到2027年，中国在工业、农业等重点领域 的设备投资规模将较2023年增长25%以上，形成年规模5-6万亿元的巨大市场。这一增长趋势，预示着中 国设备更新市场将迎来一个快速发展的黄金时期。对于国内外设备制造商、技术提供商及相关服务行业而 言，这无疑是一个巨大的商机。同时，这也将为促进就业、推动技术创新和加速产业转型提供强大动力。 在行业层面，中国设备更新行动涵盖了 确，政策意图也更加清晰，要加强逆周期调节。推动大规模设备更新，有利于扩大国内需求，进一步巩 固经济回升向好态势。 中国处于新一轮设备更新周期的起点。设备更新周期被称为朱格拉周期，今年以来设备更新快速 上行。中国经济目前处在一个多期叠加的特殊阶段，库存周期和朱格拉周期触底回升的动能，受到更强 地产周期下行压力的压制，以数字经济为核心的第六波康波周期仍在孕育。在此背景下，推动大规模设 备更新 万亿蓝海，新从旧来——中国设备更新战略与实践 当前，全球绿色低碳转型及中国“双碳”目标的确定对产业提出了绿色低碳发展的要求。数字化转 型也已成为各行业发展的重要趋势。随着数字技术的进一步发展，传统产业数字化快速推进，为低碳转型 提供了新的解决思路。绿色化牵引数字化，数字化赋能绿色化，二者互为支撑、协同融合，对企业提升运 营效率、降低成本、增强竞争力意义深远。本报告将深入分析电子制造、交通、教育、商业建筑、石油化

通过数据管理系统对交通数据这一劳动对象进行收集、开发利用和有 效分析，能够根据车辆通行密度合理进行道路规划，实现即时信号灯 调度，扩大已有线路运行能力，创造社会经济效益。数据作为新型劳 动对象的作用不断凸显。随着数字经济快速发展，数据成为国家基础 性战略资源和关键生产要素，作为新型劳动对象参与物质生产和价值 创造过程。数据要素非竞争性、可复制性的特征，使其能够突破传统 新质生产力研究报告——从数字经济视角解读（2024 器人、云服务、工业互联网等数字化劳动资料，在算力、算法上所展 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 传输数据，劳动者无须 进入真实的工厂，直接在网络空间解读数据、优化算法，就能完成实 时监测、模块控制及路径优化等工作，进而提高劳动生产率。随着我 国数字经济的高速发展，劳动资料的数字化变革也在快速推进。工信 部数据显示，截至 2023 年底，我国工业企业关键工序数控化率、数 字化研发设计工具普及率分别达到 62.9%和 80.1%。 劳动资料的作用范围全方位深化拓展。数字经济时代，仅有传统

腐蚀等 技术，并支持环网保护和业务无损倒换零中断；支持高效对称加密数据传输算法， 确保生产业务 7×24 小时正常运转；F5G-A 网络通过长距离光电复合缆、光纤现 场快速成端技术，ONU 免现场取电，实现光纤分钟级快速部署和灵活扩展；远端 中国电子节能技术协会 绿色全光网络专业委员会 21 21 ONU 尺寸也可做到更小，更易于安装和取电。 FTTR 场景：F5G-A 成为智慧家庭的全光底座。 成为智慧家庭的全光底座。 随着家庭 XR 和全屋智能等高品质业务发展，对家庭和企业内网络的高通量、 低时延及多终端并发需求进一步提升，F5G-A 的光纤网络基于极简点对多点无源 汇聚架构，透明光纤和光电复合缆的现场快速成端等，将光纤延伸到家庭的每个 房间。F5G-A 的 Wi-Fi 网络基于 Wi-Fi 7 技术，通过增强 FTTR 10G 互联，光和 Wi-Fi 深度融合，多用户智能调度和抗干扰算法，实现毫秒级的业务时延和漫游 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，一键直达问题根因。通过自动驾驶可构筑领先的运 维运营能力，先于业务感知网络故障，先于用户修复故障。

和工业网关；行业应用类终端设备主 要以内嵌 5G 芯片/模组、具备 5G 直接通信能力的工业终端设备为主， 对应连接方式 3，也有少量对体积不敏感的工业终端设备（如 5G 无 人天车）直接集成 5G 工业网关，实现快速 5G 化升级改造。 工业 5G 终端设备的主要接入方式如下图所示： 图 2 工业 5G 终端设备连接方式示意图 连接方式 1：通过 5G 数据终端（主要包括 5G DTU、5G CPE 和 技术载体的维度出发，行业应用类终端设备可分为四 大类：第一类终端设备直接集成 5G 工业网关，例如 5G 无人天车、 部分 5G AGV/AMR 和 5G 矿卡等，该方式集成度较低、开发难度最 小，适合工业领域终端设备快速改造。第二类终端设备基于 5G 开发 板研发，例如部分新开发的 5G AGV/AMR、5G 矿卡、5G 巡检机器 人等，除了 5G 模组，5G 开发板通常包含 FPGA、传感器（如光距、 重力 、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 网 络接入状态监控、多 PLC