力时， 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 步深入，主要通过智能体、大模型+大模型的强强联合、大模型+产品的结合等方式纷纷 探索大模型的应用落地。 需求端的核心需求没有变，生产制造管理相关、供应链相关等是重点，也是离散制造业 的核心诉求。只不过，行业经过几年发展，需求端的对转型认知和期望变的更加理性与 聚焦。就需求端的需求而言，具有两大特点：1）地域特色明显，广东、江苏、浙江、山 东既是制造业大省，也是积极尝试转型的省份，产业/区域协同发展、提升数字化转型的 基础支撑能力基本 战略上高度认可，并确定未来一年在转型支出上增加投入，且供应商的选择更关注产品 及服务的实用性；另一方面则是指面对大模型的热度，需求端虽然积极拥抱，但是是以 客户洞察与营销管理这一大模型更适用的场景为主。聚焦主要是指需求端对自身的需求 认知更明晰，即更加聚焦数据准备、供应链管理、生产管理等紧迫需求场景。 3 目 录 CONTENTS 01 需求市场宏观分析 核心需求场景未变，生产制造、供应链等仍是重点 02 需求市场转型现状调研分析

是向全职员工转型。第二部分，分析了如何 加速供应链智能化，以便企业能以前所未有 的速度和效率，利用实时数据。第三部分， 探讨了生成式 AI 驱动的数字双胞胎（虚拟模 型）如何帮助企业在竞争中脱颖而出，提升 客户认知度。报告每一部分的最后都提供了 一个切实可行的行动指南。详细说明如何制 定计划、设定优先级并落实执行，确保每一 个行动都能达到预期效果。 供应链高管需要投资新一代技术，提升运营的 灵活性和韧性，以应对未来多变的环境。 提出了一个雄心勃勃的转型计划，即建立 一个认知型的智能化供应链。该计划的目 标是打造一个灵活的供应链，充分利用数 据和 AI 来降低成本，超越客户预期，严格 剔除或自动化无增值工作，并大幅提升供 应链团队的工作体验。 5 从宏观角度上，IBM 供应链数字化转型的 核心是优化感知与响应能力。该目标需要 提升数据民主化，即结合认知控制塔、认 知顾问、需求供应规划及风险韧性解决方 知顾问、需求供应规划及风险韧性解决方 案，实现自动化和决策增强。目前，认知 控制塔已升级为增强型生成式 AI 智能层， 配备供应链数字助手。 该系统利用 IBM 的 AI 技术，能够实现自然语 言查询和响应，加速决策流程，并提供切实 可行、多种多样的解决方案。用户可以使用 自然语言进行提问，了解关于零件短缺、订 单影响及需要权衡的问题。截至目前，IBM 已经节省了 3.88 亿美元的成本，包括降低库 存成本、优化运输成本、加速决策流程以及

能技术进一步融合，为石油石化产业的转型升级 提供了强有力的支撑，而产业的数字化转型又为人工智能技术的应用提供了更加广阔的空间和平 台。 人工智能技术的演进正从解决特定任务的狭义AI向具备更广泛认知能力的广义AI迈进（图 �）。智能化是对企业数字化发展的一次重大升级，将推进石油石化数字化的智能新应用。例 如：数字技术推动的调度管理规则数据化，以传统人工智能的运筹能力支撑调度管理的自动化进 企业中的技术和业务赋能水平，总体上分为L�-L�共五个成熟度阶段（图�）。对不同阶段可依据 业务赋能和技术深度两个维度进行评估，其中，业务赋能从低到高的参考标准分别为专项创新、 局部智能、泛在智能、协同智能、认知智能，技术深度的参考标准为数据提效、静态优化、动态 应用、智能交互、智能互联。 �� L�单点试验级：智能技术开始应用于石油石化产业的特定领域，工厂引入基础数据分析和自 动化技术，实现数据采 实现产业智能化与石油石化新型工业化，落实无人干预决策；生产资源得以动态智能配置，实现智能驱动业务实时创新 单点试验 局部推广 扩展复制 运营管理 优化创新 业务赋能 专项创新 局部智能 泛在智能 协同智能 认知智能 技术深度 数据提效 静态优化 动态应用 智能交互 智能互联 来源: 石化盈科&IDC ����年 图�. 中国石油石化产业智能化成熟度 �� L�优化创新级：石油石化产业实现全环节智

当地的工作及生活经 验。作为在海外当地切实开展人员沟通及跨文化协同管理的核心岗位，相关人选必须对当地 的文化及生活、法律法规、人才市场、当地与母国文化及生活的差异等关键问题上具备充分 且深入的认知与把握，而这些“本地化”的文化及工作经验，势必要求候选人曾在当地有切 实的工作与生活经历。 语言能力也是海外人力资源岗人选的关键门槛。熟练掌握英语的听说读写能力，是这一 日常工作中涉及到大量人 展带 来了重重困难，不仅影响了企业的发展速度，也对企业的国际化战略提出了更高的要求。 国际形势复杂 跨境人才 吸引和获取 人才管理 挑战 地区冲突 贸易保护主义 打压与封喉 人才市场认知不明晰 招聘渠道的效率不及预期 高端人才的获取不达所需 招用人才的质量不合标准 宗 教 民 族 语 言 文化水土不服 出海成本高 法务合规问题 公司设立成本 移居成本 全职员工成本 处于领先地位，但在欧美市场中，它的知名度与本土的知名品牌相比显得不足，求 职者对企业的认知有限，对其行业地位和品牌价值的认可度也较低。 在欧美国家，求职者更加注重薪酬福利、工作条件、职业发展路径等因素，品 牌形象虽然仍然重要，但不像在泰国等地区那样具有决定性作用。欧美劳动力市场 更加成熟，且竞争激烈，本地企业在品牌认知和文化认同方面占据了明显优势，尤 其是在本土员工的招聘和管理上。对于那些不熟悉该公司品牌的应聘者来说，该企

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。 14 图 1.7 工业大模型分类体系 应用层作为工业大模型的最终落地环节，是技术与实际应用深度融合的关 键层面，直接面向用户需求，全面体现了工业大模型的实际价值和功能效能。 在这一层，工业大模型的智能能力被具体化为多个功能模块，涵盖智能问答、 场景认知、过程决策、终端控制以及内容生成等核心能力，广泛应用于生产、 管理、决策等多种工业场景，为工业智能化的深入推进提供了重要支撑。 智能问答功能是应用层的重要组成部分，依托先进的自然语言处理技术， 提供了智能化支持。 场景认知功能则通过对工业现场复杂环境的动态感知、分析与建模，为智 能决策提供了坚实的数据基础。在工业生产中，环境因素通常具有高度的动态 性和复杂性，例如生产线的实时状态、设备运行参数、环境条件的变化等。场 景认知功能依托多模态感知技术（如图像处理、传感器数据分析、语音识别等）， 能够全面捕获工业场景中的关键信息，并构建精准的环境认知模型。这种能力 使得模型能够实

：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 想办法：智能工厂顶层设计 3D 设计 一体化 设计 建造 运维 字

叉注意力（Cross-Attention）、迁移学习（Transfer learning）等方式，实现跨模态数据 的关联理解、检索和生成。多模态大模型（LMMs，Large Multimodal Models）能够提 供更加全面的认知能力和丰富的交互体验，拓宽 AI 处理复杂任务的应用范围，成为业 3 工业大模型应用报告 界探索迈向通用人工智能的重要路径之一。典型如 OpenAI 的 Sora 模型推出，掀起了全 基础能力和场景需求，为工业场景与人工智能技术的融合提供了基础条件。而人工智 能逐渐展现出类似人的理解和分析能力，这些能力与工业场景的融合，将智能化带入 到工业生产、运营、管理等领域，不断提升感知、认知和决策等多个环节，有望推动 工业发展走向“自适应、自决策、自执行”的智能化阶段。 大模型为工业智能化提供新动力。尽管人工智能在智能制造、工业 4.0、工业互联 网等方面有所应用，但这些应用往

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 数据的信息控制与监管，在数 据的认知标准、大数据的应用 范围、数据分析与挖掘等方面 为政企数据提供管理办法。 数据检测平台 dbgov 运维管理平台 docker 为提供微服务应用综合治理 平台，以构建微服务应用的开发

代云计算、计算机系统 先进制造：用于人工智能的特殊处理器、自 适应且节能的神经形态AI芯片、3D打印、自动驾 驶、医疗器械 人工智能：新一代人工智能技术、AI芯片、人工智 能基础领域研究、脑机能、认知科学、机械学习 量子科技：量子计算机、量子城域网、量子传感器 先进半导体：半导体与显示器、新型存储器和下 一代设备的开发、电力及汽车领域的芯片设计原创技术、 超微芯片和先进封装的原创技术、非存储类芯片、显示

主决策。 《界面》：中国企业在智能制造领域面临哪些挑战？ 余 鸿彪：中国企业在智能 制造 领域面临多种 挑 战，有技术方面的、人才方面的，我个人认为其中 一个比较重要的挑战就是人们对“智能制造”认知 的误区，影响了人们对智能制造有效的投资和发挥 效益。 特刊 26 | 智能制造 人们常说的智能制造是数据驱动的制造，如果 没有准确的解读，有可能产生误导。生产车间的环境 和互联网当中应用的环境是大相径庭的，生产车间的 0时代乘风破浪，实现持续增长。 《产品再造：数字时代的制造业转型与价值创造》一书中，埃森哲指出在工业4.0时代，面向智能互联产品 的转型，需要找到产品的智能度与其体验度的正确组合，前者用以衡量产品的智能度、互联性和认知独立性，后 者指的是产品技术及其功能提供的体验质量和业务模式（参见图一）。将这两个维度正确组合，将为公司业务创 造全新价值。 图一 产品转型矩阵及例证 工业4.0时代的制造企业研发转型 体验度（EQ）