江苏省减煤控碳重点园区识别 3. 江苏省工业园区绿色低碳发展现状 10 3.1 总体发展情况 3.2 样本园区分析 3.3 绿色低碳发展成效 3.4 绿色低碳发展挑战 4. 江苏省工业园区绿色低碳发展路径研究 20 4.1 江苏省工业行业减煤降碳潜力分析 4.2 样本园区研究 4.3 园区绿色低碳发展路径分析 iii 江苏省工业园区绿色低碳发展路径研究报告 5. 5 江苏省工业园区绿色低碳发展政策建议 2-4：江苏省减煤控碳重点行业 6 图 3-1：样本园区主导产业分布频次 12 图 3-2：样本园区单位GDP碳排放水平 13 图 3-3：碳排放总量前10园区碳排放强度水平 14 图 4-1：江苏省各地级市2025年二氧化碳减排预测结果 22 图 4-2：江苏省各地级市碳排放减排潜力及路径 22 图 4-3：样本园区达峰年统计 24 图 4-4：样本园区达峰年二氧化碳排放量增加情况 25 究分析了江苏省工业行业煤炭消耗和碳排放情况；创新应用了“行业切入，聚焦重点， 案例放大”的研究方法，识别了江苏省减煤控碳重点目标园区群，基于江苏省工业园区 绿色低碳发展取得的成效和面临的挑战，围绕样本园区与案例园区开展了路径探索，最 终提出了以构建“地水能碳”统筹、减污降碳协同的工业园区绿色发展总方略为引领； 以建立清洁高效低碳的现代能源体系和智能融合绿色的现代化产业体系为核心；以强化 节

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 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% 以上），包括法学、经济学、历史、数学、阅读和写作等。 企业的问题使得大模型难以真正融入企业的运营流程，无法平滑地嵌入到现有的各类 系统中。 存在幻觉：在某些情况下，大模型会产生与实际情况不符的错误输出，即“幻觉” 现象。这主要是由于模型在训练过程中受到了噪声数据、偏差样本等因素的影响，或 者由于模型的复杂性和数据维度过高导致过拟合。这种幻觉现象对工业领域的影响是 全方位的，无论是生产过程中的质量控制、设备维护，还是供应链管理、市场预测等 环节，错误的输出都可能

研发设计、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 空间数据：三维点云、CAD 模型等几何信息，需要处理拓扑关系 ➢ 文本数据：设备日志、工艺文档等非结构化信息 ➢ 图像数据：工业视觉检测中的高分辨率图像流 ◼ 小样本与冷启动挑战 工业领域存在显著的长尾分布现象： ➢ 故障样本稀缺：正常工况数据占比超过 99.9%，异常样本获取成本高 ➢ 新设备数据积累不足：产线升级导致的数据分布偏移问题 ➢ 标注质量要求高：需领域专家参与标注，人工成本是通用领域的 5-8 倍 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 ➢ 反事实解释：生成满足安全约束的对比样本 1.2.3 应用范式 ◼ 知识迁移模式 工业大模型实现三类知识迁移： ➢ 跨设备迁移：在数控机床群体间共享磨损模式知识 ➢ 跨工序迁移：将冲压工艺知识迁移至焊接工序 ➢ 跨

www.iresearch.com.cn 调研说明 调研样本与样本结构说明 经过几年的发展，企业已经对数字化转型已不再陌生，对数字化转型的认知、期望、顾虑等有了新的认知。在这样的背景下，此次 调研具有以下3个特点：1）调研对象已经进行了数字化转型，且已经超过1 设情况，其中数 字化的投入包含了IT和ICT方面的投入；3）调研方向除了聚焦于企业当前对数字化转型的认知、核心需求情况外，还会关注企业对 大模型的看法和期望。此次调研通过电话调研，最终获得45份合格样本，覆盖20余个行业。 数字化 转型 大模型 关于已经进行数字化转型的制造业企业的转型情况调研及对大模型的态度 转型现状 调研 调研 要求 已经进行数字化转型的企业 主要调研 方向 了解公司数字化建设的相关人员 -供应商管理 -原料采购&产成 品库存调度优化 -排产调度规划及 优化 -产销协同优化 -工艺方案、 配方管理 -工艺参数 监控及优 化 -用料/配 料/备料等 管理 -良率管理 -视觉检测 增强 -缺陷样本 生成 -质量关联 分析 -远程监控、 故障侦测 与诊断 -运行参数 设置优化 -设备建模 -市场营销 辅助 -智能客服 -销售分析 /预测 -合同合规 性检查 -物料跟踪、 消耗 -产品溯源

化的边界， 大模型基于助手模式提升工业企业的经营管理水平，大模型基于交互能力推动企业产品和服务智能 化。以华为开发的盘古大模型为例，在与国家电网的合作中，应用大模型后，电网巡查的样本筛选效 率提升约30倍，样本筛选质量提升约5倍，平均精度提升18.4%，模型开发成本降低90%；在与上海 建工的合作中，利用大模型部署了空压云智控，为上海建工节能了35.3%。 大模型在工业领域的应用极具发展潜力和广阔的空间 、法规、国务院决定规定应当许可（审… 查看更多 竞争优势 华为云的盘古大模型自2021年发布以来，已经发展到3.0版本，并且在多个领域表现优异。盘古大 模型拥有千亿参数，具备强大的泛化能力和小样本学习能力，这使得它能够适应复杂的工业应用场 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

物体的结构，通过人工智能方法跳过传统数值方法计算可直接得到仿 真目标参数，蝶形天线仿真场景中 MindSpore Elec 模型预测结果与商 26 钱志浩,丁陈森,许灵辰,等.一种高效高精度小样本的流固耦合代理模型[J].力学学报, 2025 (4). 27 Zhang, Ningbo, et al. "A GNN Supported ISPH Method for Numerical Simulation 、形状控制等 目标，主要应用在智能阻尼控制、可变形翼型优化等场景。 电磁仿真领域，物理驱动的方法将电磁学规律嵌入神经网络架构， 直接求解电磁场控制方程。基于物理驱动的电磁仿真方法可以减少对 样本量的依赖，提升模型泛化能力，在边界条件复杂或材料非线性强 的场景中效果显著。如在电磁场求解场景，将偏微分方程和边界条件 编码作为神经网络的残差求解磁场强度和磁矢量，相关方法可以扩展 到非线性问 复杂几何泛化能力，通过单次模型训练即可适用多种车型，形成“一 次训练、多车型适用”的创新模式。随着训练样本的持续扩充，大模 型还将向“多场景适用”方向发展，形成“全车型、全场景”气动性 能评估能力。结合智能优化算法，实现整车气动外形的智能优选和快 速优化，为高端装备制造领域提供“AI+工业制造”融合的示范样本。 全流程融入产品研发运维与跨行业革新。斫轮·风驰大模型深度 融入产品研发与运维全流程。在研发端，大模型相当于研发人员的“超

部分消费者的认可和好评。 我们认为主要原因是：智能驾驶硬件的成本在不断下降，算力 也在大幅提升，使得“无图”智能驾驶功能有条件搭载在售价 更低的车型上，进而获得更大的销量，这为智能驾驶算法和软 件开发提供大量样本数据；同时，“无图”智能驾驶功能大规 模装车有助于完善功能定义，使得消费者获得更好的使用体 验。 4. 投资机会 资料来源：海通证券研究所 18 请务必阅读正文之后的信息披露和法律声明

在销售 人员的帮助下，直接在互动终端下单  展列 XX 汽车内饰材料，使用 户可以真切的感受到材质的质量和触感；可设 2 个材质 中心，每一个中心设 1 张大型展台，摆放材质纤维，皮 具样本和漆面样本  设置两个私人体验室，体验室内配 备互动终端、影幕和 VR 设备，用户可以在更私密的环 境中深入了解产品，有助于了解客户需求 现有 4S 店改进方案 —VR 技术销售 与 Oculus 超级汽车—智能化实现路径 基于行业两种主流的智能化实现路径， XX 可集中优势资源部署渐进式智能化路径，一方面可以在短期 内塑造产品卖点，提升产品和品牌影响力。另一方面获得足够用户后可将用户作为低成本的后续智能化 提升样本；与百度的深化合作应侧重于对 XX 能力的培养以及无人驾驶商业化落地探讨。 – 115 方案一：渐进式智能化提升 方案二：直接无人驾驶实现 方案描述： ADAS+ 深度学习 +V2X+ 系统立项，后续通过硬件（雷 达、摄像头、识别芯片等）的升级及更高精度程序算法实现核心项 目系统间与其他系统间升级（ L1L4 ） 2. 基于云技术数据采集，构建车队学习网络，利用现有车辆作 为道路测试样本 3. 前期积极参与 V2X 标准制定，与国内 LTE-V 的主推公司建立 合作关系。在标准落地后推动 V2X 研发，并搭建与政府智慧交通 平台连接的 V2X 技术架构 4. 与图商合作开发高精度地图并使用众包的形式进行地图测绘

家居制造 | 明珠家居：公司业务创新面临组织难题？ 这家成立 34 年的老牌家具企业是这样解决的！ 芯片制造 | 思特威：国内安防 CIS 龙头思特威： 打造高新制造企业人力资源数字化样本 电子设备制造 | 聚和新材：人力资源数字化的核心 是以人为本 21 25 29 33 37 产品 PRODUCT 04 全面智慧绩效的 6 个知识点 80%HR 还不知道！ AIGC+HR 总部设立于上海，在多个城市及国家设有研发中心，他们的人力资 源数字化应用，在高新技术制造企业中，有一定的代表性。 i 人事组织架构 国内安防CIS龙头思特威： 打造高新制造企业 人力资源数字化样本 但 i 人事有大量的 API，开放了所有的接口与代码，能让 企业内部任何系统调用。基于这种开放性，i 人事打造了 业人一体的系统，不仅能一键免登所有系统，而且还可以 i 人事的组织架构为中心，只要在

100% • n 1 ∑ xtrue,i - xpred,i xtrue,i 其中，MRE为平均相对误差， x_(true,i)为第 i 个样本的 人工标注值，x_(pred,i)为第 i 个样本基于MBF屋顶选取工具 的标注值，n为样本数量，∑表示求和，||表示取绝对值。 MBF工具的具体操作步骤如下： 1. 进入屋顶选取工具页面，在左下角输入园区序列 号，并点击“Go to