公司推出针对大模型优化过的新训练芯片 H100 NVL，和过去的 A100 相比， 训练速度提高 10 倍，成本降低一个数量级。目前，AI 推理上，一般采用 2018 年发布的 T4 芯片，这次公司发布出面向视频生成和图像生成的新推理芯片 L4 和 L40，其中 L40 推理性能是 T4 的 10 倍。受美国出口管制限制，中国 目前只能采购实测性能比 A100 低 1/3 的 A800，因此训练同一个体量的模 型，Picasso 是一项视觉语言模型制作服务，BioNeMo 提供用于药物研发的生成式 AI 模型。 我们认为，ChatGPT 等应用引发对 AI 算力的需求，加速计算和生成式 AI 推理将带动训练 /推理芯片需求的爆发。 图表5： 英伟达 NVIDIA DGX Cloud 图表6： 英伟达 NVIDIA AI Foundations 资料来源：英伟达 GTC2023，华泰研究 DGX H100 服务器，配有 8 个 H100 GPU 模组， 配有 Transfofmer 引擎以支持处理类似 ChatGPT 的生成式训练模型，FP8 精度在大型语言模型相较上一代 A00 的训练和推理能力分别提升 9/30 倍。8 个 H100 模组通过 NVLINK Switch 相连，确保 GPU 之间的合作和通信。目前 DGX 100 已全面投产，后期有望面向全球企业。 图表9： DGX

轻量化模块 ◼ 实时推理架构 为满足产线实时性要求，架构设计突破包括： ➢ 动态计算图：根据输入数据复杂度自适应调整计算路径 13 ➢ 级联推理引擎：将模型拆分为多个子模块进行流水线处理 ➢ 边缘-云协同：在 5ms 延迟约束下实现模型分片部署 ◼ 可解释性架构 工业场景对模型决策透明度的特殊要求催生： ➢ 双通道架构：分离特征提取与决策推理路径 ➢ 注意力可视化：定位关键传感器或工艺参数 技术特征：采用统一架构处理工业全流程任务，具备跨领域知识融合能力。 典型架构包含： ➢ 跨模态编码器：统一处理传感器数据、文本、图像等异构输入 ➢ 分层记忆网络：存储设备历史状态、工艺知识库等长期记忆 ➢ 动态推理引擎：根据任务需求自动组合功能模块 技术挑战：参数量超过千亿级导致训练成本激增，需采用混合精度训练与 梯度稀疏化技术。 (2) 模块化组合大模型 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 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 1.3.4 基于功能定位的分类体系 (1) 感知层大模型 ➢ 多源异构数据融合：实现较大的信号对齐精度 ➢ 环境自适应校准：在极端工况下保持稳定性能

驱动越来越多的客户考虑放弃原有的传统神经网络模型， 从而转向使用更有效的视频大模型来支撑其视频分析的软 件负载。 • 边缘计算 借助融合了网络、计算、存储和应用，且在数据源附近部 署的边缘终端，边缘人工智能可将 AI 工作流的推理部分从 云或数据中心转移到就近部署的边缘计算终端，从而降低 时延，节约网络带宽，同时满足隐私性和安全性等方面的 要求。得益于此，边缘计算近年来在园区得到了广泛应用。 1.3 数智园区的关键技术与应用 SQL/Greenplum Redis HBase ) 大数据框架 ( Spark ) 推理框架 ( OpenVINO) 核心微服务 负载均衡 (Ingress/Istio) 公共安全应用 智慧园区应用 智慧交通应用 智慧社区应用 参考应用程序 … 聚类及归档 服务 数据结构化 服务 AI 推理服务 存储服务 特征匹配服务 大数据服务 … SaaS PaaS 端到边缘端的统一数据处理。 边缘 AI 计算盒通常用于在设备边缘端进行实时的视频分析， 利用其卓越的 AI 算力，对前端采集的视频进行快速的分析处 理。边缘 AI 计算盒可以运行多条神经网络推理的流水线，甚 至可以将多条流水线分析的结果进行融合。 管理服务器 行业业务管理 存储服务器 数据存储和访问 大数据服务器 数据治理，数据挖掘 视屏分析服务器 视频分析

式、应用模式、发展模式、创新模式、交互模式五个层面有显著的区别： 图�. “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 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 战，让员工在虚拟环境中做好充分的准备，拓展传统AI虚拟现实的逻辑场景，加快模拟速度及呈 现效果。 来源: 石化盈科&IDC ����年 图�. 石油石化生成式AI/大模型业务需求空间与发展方向‒资源开发 知识问答 语言理解 推理分析 数学求解 代码生成 创作设计 多模交互 勘探工艺优化 油井工况诊断 勘探开发风险管理 勘探培训模拟 油田井下智能管理 勘探经营智能管理 石油石化生成式AI/大模型业务需求空间与发展方向-资源开发

要针对特定的任务和场景设计专门的算法，这种方法虽然在特定领域有效，但人们对 “智能”的期望是能够适应多种任务和场景的智能系统，单一任务的人工智能系统已经 无法满足这些更广泛的需求。大模型能够跨越传统人工智能的局限性，理解和推理的 能力有了极大的飞跃，同时也提高了复用的效率，为人工智能技术在更多领域的应用 提供了坚实的基础，推动人类社会迈向通用人工智能（AGI）的新阶段。 通用性和复用性是大模型的关键价值。2017 （Attention），通过在大规模、多样化的无标注数据集上进行预训练，大模型能够学 习掌握丰富的通用知识和方法，从而在广泛的场景和任务中使用，例如文本生成、自 然语言理解、翻译、数学推导、逻辑推理和多轮对话等。大模型不需要、或者仅需少 量特定任务的数据样本，即可显著提高在新任务上的表现能力。如 Open AI 曾用 GPT- 4 参加了多种人类基准考试，结果显示其在多项考试中成绩都超过了大部分人类（80% 落时，大模型能够基于联合概率分布生成与之相关的新句子或段落。这些生成的内容 不仅符合语法规则，而且能够保持语义上的连贯性和一致性。此外，大模型还能够根 据上下文信息理解并回答复杂的问题，展现出强大的推理和创造能力。 大模型更适合综合型和创造类的工业场景。在综合型工业场景中，由于涉及到多 个系统、多个流程的协同工作，需要处理文档、表格、图片等多类数据，变量之间的 关系往往错综复杂，难以用传统

的加速。相较于部分主流车企对DeepSeek的热情，部分新势 力车企迟迟未官宣合作，这背后则是各车企对生态控制权的考量。 ◆ 车企接入DeepSeek的方式各有不同：借助DeepSeek的理解与推理能力，提升车辆座舱语音交互、感知决策 等多方面能力，为用户带来更加智能化、个性化的用车体验；从技术实现路径看，车企主要采用直接接入、 多模型联合协同部署、模型深度融合与蒸馏三大接入方式。 ◆

图像识别和时间序列分析等技术，模型能够更好地理解和模拟复杂 系统的行为。这种能力使得 AI 大模型在数据分析、预测维护及智 能生产等方面得到了广泛应用。 随着计算能力的提升和算法的不断优化，AI 大模型的推理效率 和准确性也在不断提高。例如，目前主流的大模型如 GPT- 3、BERT 和 T5 等，展示了在语言理解、生成和对话等任务上的卓 越性能。这些技术的进步，使得 AI 大模型逐渐成为企业生产过程 边缘 计算设备和终端设备。为了确保系统的高效性和可扩展性，硬件设 备的选型应遵循以下原则： 1. 性能需求：硬件设备应根据计算和数据处理的性能需求进行选 型。例如，针对大模型的深度学习训练和推理，选择拥有高计 算能力和强大浮点运算能力的 GPU。 2. 兼容性与可扩展性：所选设备应与现有系统和未来可能的系统 组件兼容，确保后续可以平滑集成或扩展。在选型时，需要对 各类标准进行评估，如 服务器 Dell PowerEdge R740xd 配备 2 x Intel Xeon Gold 6248R、256GB RAM、4TB NVMe SSD 用于 AI 模型训 练和推理 存储设 备 NetApp AFF A220 4TB SSD、支持 NAS 和 SAN 协议 数据存储与管 理 网络交 换机 Cisco Catalyst 9300 48 x

生产管理、质量管理、设备管理、仓储物流等场景的产品覆盖更加全面，可选的产品类型也更多，这些场景具有相对核心、易见效、 易买单等特点。值得注意的是，模型相关的能力表现出较强的发展潜力：1）横向上，通过分类或识别、系统最优、经验知识推理及 决策等思路为企业各个环节的运转赋能；2）纵向上，通过系统最优等思路、辅助代码等具体能力赋能软硬服等产品及服务。但大模 型的应用还处于探索阶段，是否能深入生产等核心环节，还需静待市场验证。 主要产品及场景 大 模 型 + 产 品 逐步形成智能体产品、智能体平台、智能体商店 • 企业自身工业大模型+DeepSeek：部分工业大模型企业纷纷接 入DeepSeek并进行全面适配后，实现了对自身大模型深度推理 能力的优化，增强了模型决策的可解释性，有效赋能自身大模型 及自己推出的相关硬件产品 大模型+大模型强强联合，提升大模型能力 雪浪云 朗坤苏畅 浪潮云洲 卡奥斯 • 软件：将大模型集成在开发平台/通用工程平台，如SCADA、 开发工程师 4.1% 应用工程师 1.6% Agent开发工程师 2.9% Prompt工程师 0.8% 模型部署工程师 0.4% 模型搭建工程师 0.4% 模型评测工程师 1.6% 模型推理工程师 0.8% 模型微调工程师 0.4% 模型训练工程师 1.6% 模型压缩工程师 0.4% 模型验证工程师 0.4% 模型优化工程师 2.1% 数据工程师 2.5% 算法工程师 65

机遇，为了满足实时数据 处理和模型训练的需求，硬件提供商将不断优化产品性能，提升数据处理能力。云计算等软件提供商 则应加大在工业大模型领域的投入，推出更专业的软件解决方案以支持工业大模型的训练和推理。中 游产业链中的大模型研发厂商需要不断创新，推出更多定制化、多模态的大模型产品。同时，为了提 升模型性能和应用效果，研发厂商应加强与上下游企业的合作，共同推动工业大模型的广泛应用。 [5] 1：https://www 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整体市场份额增长超过300%，PaaS市场份额增速接近700%，位居中国 公有云服务商第一阵营。 2 新华三技术有限公司

互联网平 台架构、工业数据存证等平台管理标准，面向行业及典型场 23 景的供应链管理、生产溯源、质量可信管理等服务应用标准。 下一步建设重点 人工智能标准。推动工业领域大模型预训练、微调、推理、集成、部署等环节技术 要求，大模型性能测试与评估要求，生成内容评价与管理要求等工业大模型标准研制。 大数据标准。推动智能制造过程中产品全生命周期的数据描述与表达、权限分配、 分类分级等元数据