他们要具有战略统筹能力，能根据企业情况和市场环境制 定路线图，能整合各环节资源，并且根据进度持续优化关 键节点； 比如，既懂技术又懂业务的复合型人才，他们要非常了解 数据与业务之间的融合逻辑，了解信息化与自动化、精益 化之间的关系逻辑，并且能够深刻洞察业务部门的需求和 痛点，具有有把业务需求转化为技术需求、用技术解决业 务问题的能力； 为什么智能制造人才找不到、招不来、 留不住 那么，为什么制造企业“找不到、招不来、留不住”上面 将蓝牙硬件连接至五羊本田内部使用的企业微信，让员工 在企业微信手机端通过蓝牙打卡，在沿用以往采购硬件的 基础上，实现打卡了多元化。 根据五羊本田的反馈，上线 i 人事考勤功能后，已基本解 决考勤痛点。 根据五羊本田业务逻辑，i 人事将持续迭代新功能 “毫无疑问，i 人事的功能可以满足用户需求，但使用过程是否顺利、舒心，也很重要。”在 i 人事 CEO 朱德权的带领下，i 人事尤其重视用户对产品的使用体验。 “将 小时内结束加班，加班之后，会有加班费或调休补偿，何种情况调休，何种情况 发放加班费，加班费如何界定，如何发放，都需要系统支持企业的业务逻辑与管理流程。 “我们会根据客户需求，不断解决问题，上线新功能。”朱德权表示，i 人事虽然是 SaaS 系统，但它建立在自有 PaaS 平台 智搭云上，因此能根据客户业务逻辑、使用场景快速迭代新功能。 而据朱德权介绍，i 人事每天都在成长，每周都会上线新功能。接下来，也会根据五羊本田的需求，关于挂起工时统计功能，

（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% 条件下，能够稳定运行。 小模型的定制化需求制约了其进一步渗透。尽管小模型在生产制造领域表现出色， 但其应用过程中也面临着一些挑战。以判别式 AI 为代表的小模型通常需要依靠个性化 的业务逻辑进行数据采集、模型训练与调优，往往只能处理单一维度的数据。这一过 程不仅消耗大量的算力和人力，而且训练后的模型往往无法在多行业通用。例如，工 业缺陷检测领域的视觉模型往往需要针对一个产品或者一个设备训练一个模型，产品 大模型在工业代码生成的应用领域广泛，涉及到自动化、机械加工等领域。将大 模型应用于工业代码生成的优势在于可以提高工业代码的质量和效率，减少人工编程 的时间和成本，提高了研发者的开发效率，特别是重复性高、逻辑简单的任务。同时， 自动生成的代码还可以减少人为错误的发生，提高代码的可靠性和可维护性。现有的 代码生成方法或工具在处理简单需求的场景时表现较好，如行级代码补全和初级的函 15 Ansys

O O O O O O O O O O O O O O O O O O O O O O EGD O DNP3 O O O O O O O O O O O O O O O O 进口 国产 可编程逻辑控制器(PLC) 支持的 主流工 业协议 现场总线 工业协议 进口 国产 进口 分布式控制系统(DCS) 数据采集与监控系统(SCADA) 工业 以太网 国产 Management & Control System)是公司结合客户需求和新一 代信息技术发展全新提出的流程工业装置高度自主运行的新一代系统架构，相较于传统集 散控制系统，i-OMC 系统在运行逻辑、技术架构、功能实现等方面实现了重大突破，具有 “E 网到底、工厂操作系统平台+工业 APP、自主运行”三大显著特点，实现生产运行管 理与控制的一体化，同时以开放性的架构，更加便捷有效地集成了制造商、用户等的海量 中间体、产成 品、公用工程等每一环节的质量数据都能够被精准获取并标准化，为质量分析提供了坚实 的数据基础；2）精准解析：基于工业大数据模型分析技术，Q-Lab 平台能够深入剖析质量 数据的内在逻辑，挖掘数据背后的深层价值。通过精准解析，企业能够洞察质量问题的根 源，找到影响质量的关键因素，为质量决策和改进提供有力支撑；3）数智融合：Q-Lab 平台将 AI 技术与质量数据深度融合，实现生

硬 件 / 设 备 智 能 制 造 采 用 百 分 比 软 件 问题： 贵公司已采用或计划采用以下哪些智能制造硬件/智能设备？ 基数：1567 网络硬件 传感器和仪表 可编程逻辑控制器 (PLC) 联网设备 工业计算机 84% 79% 82% 79% 73% 问题： 贵公司已采用或计划采用以下哪些智能制造软件解决方案？ 基数：1567 生产监控 供应链规划 第九版年度智能制造现状报告 附录 第九版年度智能制造现状报告 :: 36 第九版年度智能制造现状报告 人工智能正在从根本上改变制造业生态系统 人工智能 (AI) 应用高级分析和基于逻辑的技术，包括 机器学习，来解释事件、支持和自动化决 策并采取行动。 因果关系人工智能 (Causal AI) 能 够 识别并利用因果关系，超越基于相关 性的预测模型，转向能够更有效地制定 措施并更自主采取行动的

网络将“下挂”的有线传 感器、执行器等快速接入 5G PLC，可用于工装台、转台、抓手等气 动执行场景。5G PLC 控制器利用 5G 低时延、高速率能力，对工业 相机、远程 IO 等工业现场设备进行闭环控制，实现逻辑控制、机器 视觉等功能。5G 无人天车依托 5G 网络连接天车 PLC 和地面 PLC， 5G 为指令下发和指令执行提供确定性通信，实现远程指令控制，全 程支撑 5G 无人天车将成品从卸卷吊运到指定库位，并自动进行指定 的 工业协议具有不同的报文发送机制和可靠性保障机制，与 5G 网络当 前的传输机制无法完全匹配，各种工业协议相对封闭，尚未针对 5G 技术进行开放适配，同时 5G 标准体系对工业协议和核心控制逻辑的 支持仍待加强。目前工业 5G 终端设备主要集中在生产外围等辅助环 节，5G 与工业控制核心设备的融合有待加深。 （二）发展建议 为进一步促进工业 5G 终端设备发展，提出如下建议： 25 Orchestration，跨层调度协同）、5G 与工业组态软件协作适配、5G 与 DCS（Distributed Control System，分布式控制系统）融合等关键 技术研究与探索，加强 5G 与工业协议、工业业务逻辑的适配，深化 5G 与工业控制、生产设备等终端设备的融合。 （三）未来展望 工业 5G 终端设备的品类和形态将更加多样。随着 5G-A 的发展， 未来 5G NR、5G Redcap、NB-IoT、PIoT

起，以实现大容量、高位宽的 DDR 组合阵列。通过增加带宽，扩展内存容量，让更大 的模型，更多的参数留在离核心计算更近的地方，从而减少内存和存储解决方案带来 的延迟。 4) 控制单元：CPU 包括运算逻辑部件、寄存器部件和控制部件等，是计算机的运算和控 制核心，注重通用性来处理各种不同的数据类型，由于 CPU 结构中大部分晶体管用于 构建控制电路和存储单元，只有少部分用来完成实际运算工作，所以 CPU 其专业技能，比如汇总财务文档，创建特 定品牌的内容以及以个性化的写作风格撰写电子邮件。同时，企业可以将模型连接到专 有知识库，可确保响应是准确的、最新的，并为其业务所引用。 2） 企业可以添加逻辑以及监控输入、输出、毒性和偏差阈值来确保模型安全性。 3） 模型投入使用后可以根据用户交互通过强化学习不断改进。

自我突破 ‒ 能够不断自我优化和扩 展能力，具备自我突破和学习能 力，发展空间大 方案创新 ‒ 跳出规则束缚，通过智能 构建新业务模式和解决方案，增加方 案创新性 基于规则 ‒ 基于预设的逻辑和算法来执行任务， 而非通过学习获得智能 单向指令 ‒ 交互水平局限于系统设计，为使用者提 供规则范围内的回答 固定环境 ‒ 应用于特定领域或任务， 自动问题处理，灵活性和适应性较差 瓶颈可见 智能需要更多人为干预， 易遇到发展瓶颈且智能难以自我迭代 流程优化 ‒ 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 过模拟油藏行为和优化油井生产计划，延长油井的使用寿命，提高井下作业质量。同时，大模型 的应用也可以让生产培训内容更加丰富和精准，通过分析历史勘探数据，预测可能的场景和挑 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

质量。 在线开发平台 dev 数据服务平台 daas 提供数据资源的服务化配 置与管理，将数据的调用与处 理以一种可视化的方式转换为 对外服务能力，包括服务的定 义、业务逻辑的数据流配置、 数据输出的格式化处理等方面 ，为目前以数据价值为核心的 信息化过程建设提供一种快速 发布与订阅的解决方案。 数据服务平台 daas 数据检测平台 dbgov

阶段。这一阶段主要关注 工业大模型在实际工业场景中的应用，包括与工业硬件设备、操作人员、其他 工业软件系统等的交互。例如在生产制造场景中，工业大模型可能需要与生产 线上的机器人、PLC（可编程逻辑控制器）等设备进行交互，为生产操作提供 决策支持、故障诊断等服务。 1.2 工业大模型的特点 图 1.6 工业大模型特点 工业大模型作为新一代人工智能技术与工业场景深度融合的产物，正在重 该功能使工业大模型能够实时感 知设备的运行状态，根据生产需求动态调整设备参数（如温度、压力、速度等）， 确保生产过程的稳定性和高效性。例如，在自动化生产线上，模型能够根据实 时数据优化设备操作逻辑，从而提升生产效率并降低能耗。在设备维护场景中， 终端控制功能基于预测性维护结果，能够自动触发设备的检修或更换操作，从 而有效降低设备故障率及停机时间。此外，该功能还支持远程控制与协作操作， 29 泄露原始数据的前提下进 行数据分析和模型训练。 增强模型的可解释性也是提升模型安全性的重要方面。在设备故障诊断任 务中，让模型解释哪些特征导致了故障判断，能够帮助用户更好地理解模型的 决策逻辑，增强对模型的信任度。当模型判断一台电机出现故障时，它可以展 示是哪些运行参数的异常变化导致了这一判断，便于技术人员进行进一步的分 析和处理。 2.2.6 模型评估 模型评估是确保工业大

能 源等领域的专业园区也开始推进智慧化升级。以商业办公为主要业态的智慧园区，其 智慧化解决方案主要是围绕不动产行业的业务场景展开；专业业务场景下智慧化解决 方案，则需要结合不同行业、不同业务的逻辑和特征，根据不同的要求侧重点，针对 性设计并落实智慧化解决方案。 34 图表31：智慧园区业务不断向多元化专业化的业务场景纵向渗透 来源：公开资料，智次方研究院整理 （3）强化平台功能 从多方面反映园区智慧化业务的服务内容及服务效果。 二是科学性原则。科学性主要指设计指标体系时要注意理论和实践相结合，在理 论上站得住脚，同时又能反映出运营管理服务商的实际情况，使评价指标体系在概念 和逻辑结构上严谨、合理。指标体系的设置应符合智慧园区发展的业务目标，能够全 面真实地反映企业智慧园区业务竞争实力。 三是规范性原则。对各项指标进行权重处理，各项指标不仅能够对现实情况做出 评价，还应充分体现出对其发展潜力的评价。 用户统一管理；将面向管理 侧、客户侧、物业侧应用提供小程序、公众号、APP等多渠道访问入口；建设可视化 园区运营中心（IOC），展示园区运营数据。 • 应用层（业财通）：可拉通资业财数字一体化逻辑，赋能集团型一站式数字 化管理；从不同视角提供园区资产管理、招商租赁、物业管理、设施运维、产业服务 等全链条数字化应用；提供统一的客户服务门户，适配多园区、多项目，提升体验， 第三方/属地化服务的接入能力拓展。