为数字信号。AI 技术可以结合大数据分析，对传感器采集到的数据进行实时监控 和分析，从而帮助企业更好地了解生产过程中存在的问题，并及时采取相应措施进 行调整和改进。 1.2 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

来颠覆式创新，物理世界与虚拟世界正在加速融合……变革的 浪潮席卷而过。园区作为产业经济集聚的重要形态与主体，正 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 在实现数据共享、打破 “信息孤岛”、整合重用资源等方面 具有天然优势。 • 大数据 数智园区大数据技术的应用主要体现在为园区提供大数据 平台和工具，在云平台上集成园区管理和服务相关的各个 系统，挖掘并聚集海量的数据。大数据中心作为数智园区 的基础设施，是园区智慧的基础，为园区实现有效、高效 的决策和服务提供支持。 要推动园区向数智园区演进，园区的建设商或运营商不仅在管理上面临范围拓展、深度加大、需求量增多、环境复杂化等因素 据、能耗数据、物业数据、公共设施数据并没有充分地实现 互联互通，只停留于园区基础数据、企业概况等一般数据 的展示层面，对于数据的分析与利用停留于表层，难以通过 多个系统的数据分享和关联，实现更深层次的数据挖掘。 此外，园区智能化设备还普遍存在着重功能轻体验的问题， 用户使用门槛高、体验效果差，这导致园区耗费资金引入 的智能化设备处于事实上的闲置或低效应用状态，无法充 分发挥智能化设备的价值。 •

61+ 家分支机构 8000+ 员工（研发 5700 人） 东华软件主营业务领域 微信小程序 + 公众号 可深度定制的移动端解决方案 个体行为特征数据 政府非涉密数据 多样化数据深度挖掘分析能力 无感支付 人脸核身 多行业应用解决方案 东华能力优势 云计算 、大数据 、互联网能力推动传统行业数字化解决方案与产品升 级 东华智慧城市集团： 智慧城市“全栈 ”服务供应商 —— 宏观经济库 空间地理库 智 慧 社 区 智 慧 教 育 智慧 环保 应 急 指 挥 智 慧 旅 游 应急 指挥 中间件能力平台 经济运行统计 数据挖掘分析平台 西咸空港园区城市大脑 ： 建设大数据挖掘分析平台 ，提供大数据挖掘分析的支撑能力 ，促进信息价值的深入分析与使用。 公共基础数据库 建 筑物 库 市民信息服务 企业信息服务 公共信息服务门户 园区案例介绍 城 市

抓痛点：六维度客户成熟度分析 绩效分析 预期 效益 调度排产 控制网络 问题 3 ：控制性能最优 感知网络 数据挖掘 模式识别 指标体系 抓痛点：定位 8 大核心工程问 题 问题 2 ：计划与控制的协同 问题 1 ：基于仿真的优化的平台 问题 8 ：面向企业决策的挖掘 问题 6 ：物理、社会信息的感 知 问题 7 ：异构信息的规范和提 取 问题 4 ：生产绩效指标体系 问题

项目将聚焦于以下几个核心功能模块的开发与实 施： 1. 实时数据采集：通过传感器和物联网技术，实时收集生产线上 的各类数据，包括设备状态、生产进度、能耗等，为后续的数 据分析提供基础。 2. 数据分析与挖掘：利用大模型算法对采集的数据进行深入分 析，识别生产中的瓶颈、质量问题和能耗异常，提供可视化的 分析报告，帮助管理层进行决策。 3. 生产调度优化：基于实时数据与历史数据，采用智能算法优化 等技术手段实 现自动化采集，减少人工干预，提高数据收集的及时性和准确性。 数据将定期上传至云端数据仓库，便于进行集中存储和管理。 数据分析将采用多种工具和算法，通过机器学习和统计分析， 深入挖掘数据背后的规律和趋势。具体分析内容包括：  数据清洗与预处理：确保采集到的数据完整、准确，剔除噪音 和异常值，以便后续分析。  描述性分析：通过可视化工具展示生产过程中的关键指标，如 设 势和市场需求进行预测。这些预测将作为资源调配和生产计划 的重要依据。  关联分析：通过关联规则学习，找出生产参数与产品质量之间 的关系，识别潜在的影响因素，为质量控制提供数据支撑。  效能提升分析：利用数据挖掘技术，分析设备空闲和故障时 间，提出优化建议，提高设备的整体效率。 在实施数据采集与分析过程中，建议建立数据治理框架，确保 数据的安全、合规和有效使用。同时，定期对数据分析结果进行回 顾和调整，实现持续改进。

广义AI 生成式AI API LLM 狭义AI XaaS 互联网 云 社交 移动 ���� ���� �� 随着大模型和XaaS（一切即服务）等技术的快速发展，业务价值的挖掘已经进入了平台化和 社群化的新阶段，其中模型与应用场景的深度融合进一步深化了业务价值的实现。生成式AI在体 验运营方面的突破，以及其对石油石化业务未知领域的探索和赋能，推动着人工智能向“AI无处 销售等核心 业务，通过知识获取和知识应用两大类能力与全产业链的深度融合，将产业知识全面引入到产业 智能化建设过程中。其中，知识获取过程涉及机器学习、强化学习、迁移学习、搜索、群体智能 以及数据挖掘等技术体系；知识应用过程则包含模式识别、专家系统、计算机视觉、自然语言处 理、语音处理、多智能体系统、规划应用、推荐系统、环境监测等技术实践。 IDC FutureScape报告预测：在未来两年 根据需求变化动态调整运输计划，提高储运效率和灵活性等。 智能化探索：智能储运生成式AI/大模型业务需求空间与发展方向 智能储运大模型通过与运筹学的结合，能够显著发挥其在推理分析和数学求解方面的固有优 势，进而深度挖掘管道储运在管线预测性维护、管网调度优化、供应链运筹优化等关键领域的需 求潜力。 典型案例 中国石油天然气管道工程有限公司油气储运领域人工智能大模型WisGPT ����年�月底，管道局设计院

合”的服务： • 梳理企业转型改造的不足 • 提出“一企一策”系统解 决方案、顶层规划方案或 项目改造方案 • 提供切实可行的实施路径 人员要求：小工作 团队为诊断组，不 少于5人 整体要求： 1）挖掘其真实需 求，掌握参诊企业 发展现状 2）指导企业完成 智能制造能力成熟 度自诊断 3）识别参诊企业 的共性痛点，研发、 集成或推荐对应软 硬件解决方案，推 动有意愿的参诊企 业开展改造，并跟 进参诊企业的改造 www.iresearch.com.cn 转型地位-战略认可、业务尝试 战略上高度认可、技术上多种工具使用、业务上缓慢推进、数据上价值 挖掘、成果上合理评估是当前已经转型的企业的所处的状态 注释：1）针对已经进行了数字化转型的企业客户进行调研，N=45；2）条状图的颜色代表该维度下数字化的推进深度，颜色越深，代表推进深度越高。 来源：艾瑞咨询研究院自主研究及绘制。 并推动业务发展；2）业务上，55.6%的企业试图将转 型推进至核心业务；3）数据上，91.1%的企业在不断的挖掘自身数据资产的价值；4）效果上，当前以侧重提升用户体验为主。 86.7%的企业认为转型十分必要 联动铺设工具/技术，探索工具对业务的优化和推动价值 91.1%的企业不断挖掘数据资产的价值 尝试将转型深入推进核心业务 以提升和改善体验为主 转型地位-重要 转型驱动因素&期望 转型建设情况

导向、开放互联为目标的生态体系，确保用 户价值的有效挖掘和无损传递。 XX 集团“ AI+ 1354” 战略举措生态体系 个性化定制 超级 汽车 生态 服务 众创研发平台 销售服务平台 统一采购平台 智能制造平台 用户 CRM DMS ERP MES 云 平 台 大 数 据 1 2 3 1 2 3 挖掘价值，提供价值 传导价值，实现价值 基于用户价值的决策 基于用户价值的决策 用 户 价 值 直接面对用户，接受用户个性化定 制需求，提供产品与服务。（提供 价值的同时充分挖掘用户价值） 传导用户价值，实现用户价值传递 闭环，保证用户价值传递过程不会 发生损失 整合数据与资源，具备数据决策能 力，基于用户价值的决策制定 内部资源 （创新小 组、一线 工人… …） 外部资源 （供应商、 合作伙伴… …） 社会资源 （创客、 社群… …） 政府资源 1354” 战略举措各模块关系 平台体系构成的生态圈内部外部各相互关联，确保数据、标准、流程的联通。 – 6 – 大数据 云平台 ERP CRM DMS MES …… 价值挖掘 与生成 价值传递 与实现 数据 决策 个性 化 / 普 通 订单 销售 平台 服务 预定 服务 平台 生产 订单 智能制 造平台 采购 订单 统一采 购平台 产品 需求 零部件

人行数据：实时记录人出入通行 数据，对接公安平台，通过数据 分析挖掘更多价值。 充电数据：电动车充电及汽车充 电数据，充值、用量及扣费等 货柜数据：等各种智能货柜的会 员卡充值、消费记录、余额提醒 等 监控数据：实时公共区域的监控 画面，存储报警影像。 3.2 IOT 硬件物联系统 车行数据：实时记录车出入通行 数据，对接公安平台，通过数据 分析挖掘更多价值。 S1 S1 （ 4G ） S1-PLUS

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，大模型的泛化能力能够在更广泛的工业场景发挥作用。 大模型 28%。相较于这些发达 国家，中国制造企业 AI 普及率尚不足 11%，显示出这一领域巨大的发展潜力和广阔的 空间。相较于以往的小模型，大模型有望挖掘工业领域人工智能应用的新场景，提升 人工智能应用的普及率。例如在研发设计领域，大模型能够深度挖掘和分析海量数据， 为产品设计提供更为精准和创新的思路。在经营管理领域，大模型能够实现对生产流 程、供应链管理等各个环节的监控和智能优化，从而提升企业的运营效率和市场竞争 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 可利用的场景，并根据行业特定需求提供定制化的解决方案。最后，工业领域自身的 数据分散且缺少高质量的工业数据集，同时在实际生产中如何确保工业数据的隐私和 安全也是企业关注的重点，这些现实问题也限制了大模型的推广应用。