1.8 万亿。 泛化能力强：大模型能够有效处理多种未见过的数据或新任务。基于注意力机制 （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 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。 大模型为工业智能化拓展新空间。人工智能在工业领域的应用，尽管已经取得了 一些显著的成果，但整体来看，其应用的普及率仍然处于相对较低的水平。据凯捷 适配不同的工业场景，其核 心就是要解决以下三个问题。 不懂行业：大模型在处理特定行业任务时，往往表现出对行业知识、术语、规则 等的不理解，导致生成的解决方案与实际需求存在偏差，这主要是由于大模型在训练 过程中缺乏特定行业的数据和知识，难以覆盖各个行业的专业细节。这种行业知识的 匮乏使得大模型在应对工艺流程优化、设备故障预测等专业问题时有所缺陷，难以提 供精确、可靠的解决方案，无法满足工业现场的个性化要求。

...................................................................................... 39 2.3.3 知识图谱.......................................................................................... 40 2 造的全新辉煌篇章。 1.1 工业大模型的核心术语界定 图 1.1 工业大模型术语 9 1.1.1 工业大模型 工业大模型是面向工业领域深度优化的专业人工智能系统，通过整合多模 态数据与行业知识实现智能化决策。根据应用层级可划分为三类：通用型聚焦 跨行业共性需求（如工艺流程优化）;行业型深耕汽车制造、电力等垂直领域 （支持零部件设计、故障检测等）;场景型则专攻研发设计、设备运维等具体环 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模型而言，更具通用性的模型。它以通用的工业数据和 知识为基础，旨在为工业领域提供较为广泛的支持，例如对不同行业共通的工 业流程、原理等进行处理和分析，但相比通用大模型又针对工业领域进行了优 化。 ➢ 行业大模型 行业大模型聚焦于特定的工业行业。例如在汽车制造、电子设备制造等不

助行业企业在推动新型工业化的进程中，获得持续发展的新动能。 以人工智能为引领的数字技术，在显著提升石油石化产业质量和效率的同时，也增强了产业 的国际竞争力；同时，人工智能的广泛应用，也凸显了数据、管理、技术和知识的重要作用。随 着减碳脱碳理念的深入人心，人工智能技术会引发石油石化产业结构和经营模式的根本性变革。 因此，基于石油石化产业链的勘探、储运、生产、服务等核心业务，新一代以智能化为代表 的数字技 智能无废生产 巡检智能 智能仓储管理 智能调度 调度管理 地震解释 工程虚拟测量 数字绩效管理 可视化监控 地震解释 无废生产管理 管网调度优化 开发辅助设计 智能辅助生产 知识图谱 智能井下管理 智能客户管理 智能能碳管理 机器人主动作业 智能质量管理 数字孪生交互 智能工况诊断 AI无处不在 平台和生态 多重创新 广义AI 生成式AI API 新的业务解决方 案；“人工智能+”则能够在一定程度上跳出规则束缚，通过生成式智能编排新的流程，构 建新的业务模式，大幅提升创新能力； 交互模式：“传统智能”的交互水平局限于系统设定，为用户提供知识库和规则范围内的交 互内容；“人工智能+”可以通过双向交互回答开放性的问题，让用户能够在固有规则之外 获得很强的洞察和连续思维能力。 利用新技术赋能业务发展是一项复杂的系统性工程。IDC近期的调研数据显示，云技术、�G

会加速市场变化，故企业需把握大模型机会。3）数据层面：目前市场上数据交易、数据 开放的声音出现比较多，但企业无需纠结是否跟随，重要的是要基于数据（无论是自身 数据还是外部数据）构建自己的行业认知壁垒，即内化数据，完成数据-显性知识-隐性 知识构建的完整链条。 2024年中国制造业数字化转型市场规模达到1.55万亿，市场服务呈现出划分体系更加清 晰、产品更加丰富、解决方案更加系统化、大模型的落地应用探索逐渐深入等特点。就 市场规模而言，市场规模在2025年预计达到1 由大模型输出结果的不确定性带来的决策风险是企业最担忧的事情 企业虽然对大模型的落地探索较为热情，但也对大模型的落地应用伴有担忧。数据结果的不确定性导致决策风险是企业最担忧的事 情，占比达80%。除此以外，领域知识结构化困难且不足、多模态理解能力不足也是企业较为担忧的，占比分别为60%和55.6%。 由此也说明，当新技术应用于实践时，需求端市场更多是从实际落地的可行性考虑的，故对新技术的反应更加理性克制 。 80.0% 60.0% 55.6% 44.4% 35.6% 33.3% 26.7% 22.2% 22.2% 15.6% 11.1% 2.2% 输出结果不 确定性导致 决策风险 领域知识结 构化困难且 不足 多模态理 解能力不 足 生产等核心 环节的实时 性问题不能 解决 多源异构 数据融合 困难 数据安全和 隐私风险 缺乏可信评估 体系 部分场景 数据数量

解决方案标准主要包括基于评价结果企业智能制造能力提 升方法、场景化解决方案通用要求等标准。 6. 人员能力标准 主要包括智能制造人员能力要求、能力评价等 2 个部分。 能力要求标准主要包括从业人员知识储备、技术能力和实践 经验等要求标准。能力评价标准主要包括不同职业从业人员 评价、评估师评价等标准。 下一步建设重点 通用标准。推动场景建设参考指引等标准研制。 评价标准。推动精益制造、趋 主要包括智能仓储、输送、分拣与拣选、装卸搬运、包 装等装备的标识解析、业务协同等通用技术标准；数据接口、 13 通信协议等接口与通信标准。 （5）增材制造装备标准 主要包括增材制造装备的工艺知识库、模型数据质量、 测试方法、检测指标、检测性能评估等通用技术标准；数据 格式、数据接口等接口与通信标准。 下一步建设重点 智能感知与控制装备标准。推动智能传感器、仪器仪表等装备的多源异构数据采集规范、 能装配装备的数 据格式和接口等标准研制。 智能物流与仓储装备标准。推动智能物流与仓储装备的标识规范、与其他生产设备、制 造系统的集成实施等标准研制。 增材制造装备标准。推动增材制造装备的工艺知识库建设指南、三维工艺模型数据质量 要求等标准研制。 2. 工业软件标准 主要包括研发设计软件、经营管理软件、生产制造软件、 控制执行软件等 4 个部分，如图 6 所示。主要规定工业软件 在

进步影响。未来，技术进 步将深化大模型应用，但高成本也加速行业壁垒形成，市场增速或放缓。 行业定义[1] 工业大模型是以智能制造和工业4.0为背景，通过大模型对工业知识的训练和专业小模型对数据、算力和参 数的优化构成知识智能、业务智能、具身智能和体系智能等产品形态，应用于研发、生产、管理、服务和设备五 大场景来解决工业发展过程中的问题与需求的产业新形态。就目前的发展来看，工业大模型还存在面临诸多挑 工业大模型行业基于模型形态的分类 工业大模型行业基于技术特征的分类 按照工业大模型的模型形态、技术特征的分类方式，工业大模型行业可以分为如下类别： 工业大模型 分类 通用大模型 以理解并管理通用工业知识为目的，提供基础性的工业 知识和能力支持。代表产品包括：ChatGPT （OpenAI）、星火大模型（科大讯飞）等 行业大模型 以特定工业垂直的行业为对象，贴近该行业的特殊需 求，提供个性化及专业化的解决方案。代表产品有： 有100个大模型已经应用于工业领域。 大模型技术正向工业领域的专业性和垂直化方向发展，助力工业制造中的高效精准应用。 大模型技术正在引领新一轮工业革命，但将其应用于工业制造，仍面临诸多挑战，专业知识的缺乏是 产业链下游 垂直行业应用企业 国光电器股份有限公司 宝马（中国）汽车贸易有限公司 梅赛德斯-奔驰（中国）汽车销售有限公司 查看全部 关键难点。为了解决这一问题，不少企业已经开始研

Product Business 产品设计 管理控制集成 设计制造集成 财务业务集成 供应链集成 获利能力 决策能力 风险控制能力 创新能力 执行力 資源有效性 合規管理（流 程） 知识管理 市场风险评估 管控模式（流 程） 目标转化 企业愿景与领 导力 单耗控制（生 产） 响应能力（异 常、订单、市 场波动……） 财务风险评价 商业模式 制度保障 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 5 ：生产过程的知识挖 掘 生产计划 过程仿真 生产需求 效益偏差 人 人 机 料 法 环 认知融合 需求预测 实际效益 优化 APC 测 - 全生命周期数字化资产模型 MES DCS 传感测量网络 采购－加⼯－运输－销售－客户 ⽣产管控⼀体化集成与优化 1 计划优化－调度排程－操纵控制 想办法：打通 3 条主 线 EAM ／ EOM PRODUCTION BUSINESS 2 3 基于专家知识的管理科学决策 服务互联网：搭建协同优化的智能化工厂 ! ! ! 互联网＋人员、设备，能力孤岛、观念孤岛 工业物联网：构建泛在感知的数字化工厂 基于工艺模型的高度自动化控制

的全新制造和服务体系，实现生产和服务资源在更大范围、更高效率、 更加精准地优化配置。 （三）数字经济培育新型劳动者 新型劳动者是新质生产力中最重要、最活跃的因素。在生产活动 中，劳动者的技能、知识、经验和创新能力等是生产力发展的重要驱 动力。 大幅提升劳动者数字技能。劳动者技能是生产力发展的重要组成， 不同生产力水平在很大程度上体现为劳动者的整体素质、技能和其他 相关因素的差异。第一 经济通过重构和优化技术创新方式，强化创新协同效应，提升创新体 系整体效能，推进技术创新向更大规模、更高效率、更强协同的新范 式演进。 1.数字经济加速颠覆性技术涌现 传统创新模式高度依赖于科学家或工程师的个体经验和知识储 备，颠覆性技术涌现缓慢。颠覆性技术涌现具有高度偶然性和不确定 性，无法通过总结以往经验找到固定规律加以创造。熊彼特在早期研 究中特别强调了个人意志和企业家精神在创新过程中的重要作用；20 科学家对技术 的深刻理解和大量的实验验证，既需要漫长的探索，也需要偶然的灵 感。传统创新模式对个体的依赖意味着颠覆性技术的成功经验通常无 法复制，在速度和广度上天然地受限于研发人员的思维方式、知识范 围和物理条件，使得颠覆性技术突破难以通过制度设计有效促进。 数字经济时代，基于数字技术的迅速反馈及可编辑性、可扩展性， 颠覆性技术加速涌现。以人工智能为代表的数字技术是新一轮科技革 命的

针对人工智能技术在制造领域的水土 不服，埃森哲与玛氏箭牌合作，利用第三代 数字孪生，即生产运营数字孪生技术，实现 了生产知识经验的数字化，突破了AI一定需 要“海量数据”的误区和障碍，让“智能”服 务于“制造”，切实提升了工艺质量的控制 与优化。 该创新方案将人长期积累的生产经验 和运营知识数字化，结合物联网技术，建立 了数字世界AI与物理世界现场制造运营的 沟通渠道，让AI不仅能够“看见”，而且“看 改造、数据采集、建设数据中台，希望借此提升质 量、缩减交期和优化成本，因为这个误解，往往导致 企业投入很多，但收效有限。智能制造只需要在工程 知识的框架下，精准实施数据，而不是在所谓工程知 识框架外做大数据，我认为智能制造的核心在于制 造，更具体是制造运营的管理知识。 《界面》：我们如何帮助企业应对这些挑战？提供创 新的产品和服务？ 余鸿彪：我们从中国制造的成熟度模型来看中国企 业如何开展智能制造。第一个要确保企业管理规范 来。再往 上，智能制造要实行数字化和智能化推进的过程，其 中智能化进程实现生产运营状态的感知和执行，这样 就是对生产的管理、库存的管理，检修运维的管理， 质量管理，能源管理等等，这些制造运营知识的数 字化的表达，通过结合实时的数据，企业可以把物理 空间的制造运营过程和数字空间的实时数据进行对 照，就是我们所说的运营数字孪生，他们源自工程知 识，同时也可以被生产人员和人工智能所解读。

实现生产过程的可视化与透明化，通过精准的数据分析为管理 层提供实时的决策支持，促进科学管理。 4. 构建灵活的生产调度系统，根据实时数据与市场需求自动优化 生产计划，缩短产品上市时间，提高客户满意度。 5. 推动知识共享与技术积累，通过 MDC 平台促进企业内部各部 门以及与外部合作伙伴之间的信息共享和协作创新。 通过实现上述目标，MDC 项目将为企业的数字化转型提供强 有力的支持，推动传统制造业向智能制造迈进，并在未来的市场竞 大模型智慧工厂 MDC 项目中，人员培训与技能提升是至 关重要的一环，能够确保项目的成功落地与长期有效运作。针对目 前工厂中不同层级及角色的员工，该培训计划将分为多个模块，涵 盖基础知识、技能应用和持续发展三个方面。 首先，基础知识的培训将侧重于 AI 技术的基本概念、数据管 理、智能生产等内容。通过理论与实践相结合的方式，使员工掌握 AI 在制造行业中的应用场景。如图 1 所示，此模块培训的主要内容 最后，人员的持续发展培训将包括定期更新的行业前沿知识、 技术趋势分析和最佳实践分享。通过建立企业内部的知识分享平台 和外部培训合作，与专业机构及高校进行对接，引入最新的研究成 果和技术动态。此外，还将通过组织定期的交流与分享会，鼓励员 工分享学习成果，增进团队合作及创新能力。 为了确保培训的有效性，所有参训人员将在培训结束后进行评 估，包括理论考试和技能实操考核，以确定其对所学知识的掌握情 况。考核结果将