及（3）海康、 大华、商汤等相关公司在垂直行业布局。 芯片：新版 H100 提高训练速度 10 倍，国内在技术上仍有较大提升空间 目前，主流的 AI 训练一般采用英伟达的 A100 或 H100 芯片，这次大会上， 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 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，中国在成本及速度上存在 10 倍以上的差距。目前国内 AI 芯片厂商在推 理芯片已有一定市占率，但受 CUDA 等软件影响，训练芯片上差距仍较大。 从 GPU 到 AI 工厂，AI 计算会为整个服务器产业链带来增长 这次会上，英伟达重点展示了如何从单颗 语言模型）和生成式 AI，客户使用其专有数据进行训练，用于处理特定领域的任务，包括语 言、视觉和生物学模型制作服务。NVIDIA NeMo 用于构建定制的语言/文本转文本生成式模 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。

.................................................................................. 11 3.1. 模式一：预训练工业大模型 ............................................................................................. Model）。我们认为，大模型主 要具备以下三大特征： 参数规模大：大模型的参数规模远大于传统深度学习模型。大模型发展呈现“规模 定律”（Scaling Law）特征，即：模型的性能与模型的规模、数据集大小和训练用的计 算量之间存在幂律关系，通俗而言就是“大力出奇迹”。不过“大”并没有一个绝对的标 准，而是一个相对概念。传统模型参数量通常在数万至数亿之间，大模型的参数量则 至少在亿级以上，并已发展到过万亿级的规模。如 1750 亿，GPT-4 非官方估计约达 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

................................................................................ 10 1.1.4 工业基座模型训练.......................................................................... 10 1.1.5 工业场景交互应用.... 数据采集与处理.............................................................................. 33 2.2.2 大规模预训练技术.......................................................................... 34 2.2.3 模型微调与优化... 数据采集与处理.............................................................................. 92 5.2.3 模型开发与训练.............................................................................. 93 5.2.4 工具选型与应用.

下游分析 行业规模 工业大模型行业规模 暂无评级报告 SIZE数据 政策梳理 工业大模型行业 相关政策 6篇 竞争格局 数据图表 摘要 工业大模型依托智能制造和工业4.0，通过大模型训练与小模型优化，形成多形态智能产品，解决工业问题。其发 展面临数据质量、模型复杂度等挑战，且高度依赖资本与产业合作。多种商业模式并存，满足个性化需求。市场 集中度高，由少数头部企业主导。市场规模快 业增长、政策推动及技术进步影响。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 4、市场集中度高。 1 准入门槛高，需要大量资本储备 工业大模型的核心技术包括深度学习、自然语言处理、大数据分析等，这些技术不仅需要强大的算法设计 能力，还需要大量的数据和计算资源来支持模型的训练和优化，这通常意味着高昂的硬件成本，包括高性 能计算设备、大规模存储系统和能效优化的数据中心。此外，企业还需要不断投入资金进行技术升级和数 据获取，以维持竞争力。从数据上看，高技术制造业的研究与试验发展（R&D）经费投入强度为2

大模型的崛起。大模型的特点在于其对大规 模数据集的处理和理解能力，因而在多个行业中展现出革命性的应 用潜力。这些大模型不仅能够提高决策效率，还能推动企业的智能 化转型，从而实现传统制造业的数字化升级。 首先，AI 大模型的训练过程通常利用海量的结构化和非结构化 数据，使得模型具有了强大的表征学习能力。通过自然语言处理、 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 点、资源配置及责任人。项目实施步骤可以具体列示如下： 1. 完成需求调研及分析，确认重点改进项目 2. 完成系统架构设计，并获得各部门认可 3. 确定技术选型，进行初步的技术验证 4. 开展数据采集和模型训练 5. 进行系统集成与测试，确保各模块有效协作 6. 上线试运行，收集反馈调整方案 7. 实施培训，让相关人员熟悉新系统操作 8. 定期评估系统运行效果，进行持续优化 以上实施步骤确保了方案设计的可行性和实际应用。通过系统 设备、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

场景，力求给企业发展带来更强的驱动力。 石油石化领域的大企业持续向更高阶的L�、L�级智能化迈进时，需要高效整合内、外部力 量，推动人工智能技术与更深层面的业务流程进行全方位融合，包括针对石油石化产业的需求， 通过预训练、精调等方式，推动石油石化垂类大模型的发展，并将其应用在勘探、储运、生产和 服务业务的核心场景中。 �.�.� 石油石化企业智能化发展路径 石油石化企业在推动自身智能化成熟度跃迁时，可依托自身实践基础，全面参照智能化发展 确性 和可靠性，提升风险管理水平及风险控制决策效果。 勘探培训模拟：利用数字孪生技术结合人工智能视觉构建的智能培训平台，通过VR和AI视频 技术模拟真实的油气勘探现场，为员工提供了一个无风险的训练环境。员工可以在平台上练 习专业技能和操作流程，体验流程化操作带来的反馈效果，为上岗后的真实生产过程储备足 够的前期经验。 来源: 石化盈科&IDC ����年 图�.智能勘探业务场景与人工智能技术组合 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 很低 较低 中等 较高 很高 生成式AI/大模型需求空间 �� 生成式AI及大模型可聚合业务上下文逻辑数据训练奖励模型（RM），并用强化学习（RL） 方式微调模型，结合多模态交互，推动智能勘探大模型具备更艰巨井下环境中的智能复杂任务处 理能力，进而打磨已有的通过传统监督机器学习得到的模型，推动勘探业务突破操作效率和模型

深度不断加强。软件、算法等数字劳动资料与机器、设备等传统劳动 资料融合，不断深化劳动资料的作用深度。以人工智能技术为例，通 用大模型是指具备处理多种不同类型任务的人工智能模型，这些模型 通常是通过大规模的数据训练而成，能够在多个领域和应用中表现出 良好的效能。人工智能技术与各类制造业传感器、机器设备、行业知 识融合形成的垂类大模型，能够针对异质性产品和制造流程深度优化， 更适用于企业级应用场景的专业性要求。如，ChatDD 大模型加快医药研发效率（见专栏 1）。 新质生产力研究报告——从数字经济视角解读（2024 年） 16 专栏 1 大模型显著提升药物研发效率 华为盘古大模型通过对 17 亿个药物分子化学结构的预训练， 将预测新药药性的准确率较传统方法提高了 20%。在华为盘古大模 型辅助下，西安交通大学第一附属医院超级抗菌药（Drug X）的研 发进入临床阶段，其研发周期从数年缩短至数月，研发成本降低 美元成本），帮助解决超级耐药菌进化速度快，新类别、新靶点抗生 素难以及时匹配的问题。 英矽智能基于数据+AI 驱动的药物分子结构快速设计与筛选， 大幅提升研发效率。通过构建基因组学、蛋白质组学、临床数据等 数据集训练算法模型，并基于 AI 模型自主生成新的药物分子结构， 通过算法推演对海量方案进行筛选，新药研发效率提升 10 倍。 2.数字经济强化创新协同效应 数字经济时代，创新合作的边际成本不断下降，线性创新范式转

华为、阿里、百度、 腾讯、智谱AI等 模型 相关 服务 知识图谱 以通用大模型能力为基础，直接提 供具体的大模型产品及服务，或者 通过微调、RAG等，形成新的大模 型服务，并融入现有产品中 模型开发、训练、评估、调优、压缩、管理、调 用、部署等 场景 相关 服务 • 研发设计：辅助设计、仿真模拟/数字孪生 为企业运转的各核心环节、核心场 景提供相应的产品及服务，并细化 服务能力。当前生产制造、仓促物 数据挑战：1）数据质量和数量不足。工业领 域数据存在噪声大、缺失值多、格式不统一、 标注困难等问题，而高质量的数据是训练有效 智能体的基础。2）大模型需要能够处理流式 数据。  模型挑战：大模型的可解释性需进一步提升。 Q2：如何理解工业智能体？  定义：当使用正确的数据进行AI模型训练后， 工业智能体可能能以类人的方式执行特定任务。 因此工业智能体能够智能地代表和管理工业企 业的功能和能力。 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 65.0% 算法工程师-CV 0.4% 算法工程师-NLP

要，将其纳入决策考虑是他们投资自动化的 关键原因。 利用云技术进行创新，打造未来可持续型供应链 通过结合云计算与生成式 AI，企业能够加速供应链创新，提升业务成果，实现前所未 有的突破。 在云端部署生成式 AI，企业可以高效训练并大规模部署模型，同时节省高昂的硬件和 基础架构成本。多个团队能够协作开发生成式 AI 模型，将模型在不同的云环境中流畅 迁移，无缝对接其他云服务和应用。 当然，成本也是一个不可忽视的考虑因素。云基础架构采用按需付费模式，减轻了资 增强预测准确性 基于机器学习的预测功能可以帮助企业增强 预测准确性，优化库存，减少过剩。机器学 习算法能够综合季节性、产品特性、供应商 特性、出发地与目的地等变量，以及历史订 单数据，来训练模型。 提升供应链可见性 AWS 业务应用能够详细查看仓库、配送中心 和零售店的库存情况，显示现有库存、在途 库存，以及 监控可能面临风险的库存水平。 接着，利用机器学习算法，系统自动生成、

epSeek，而AI技术储备 较深的部分新势力车企尚未有接入DeepSeek的计划。传统车企接入DeepSeek有望实现AI功能的跃升，然而 DeepSeek并非万能。车企需要有自身的数据分析和训练能力，过度依赖DeepSeek等外部模型还容易产生技 术依赖风险，此外同质化竞争可能加剧，导致功能体验可能趋同，不同品牌之间差异可能只在UI设计层面。 扫码关注微信公众号 THANK YOU