这是利唐科技在人力资源管理领域多年努力的结晶。我们的目标是为大中型企业提供更全面、更深入的数字化 管理解决方案，帮助他们应对复杂的市场挑战。特别是在制造业，要激发一线员工的生产经营潜力，就需要实 施灵活高效的绩效管理。这意味着我们需要根据不同区域和城市的特点，制定适应当地人文和消费水平的绩效 标准和考核方法。昇鹏人效云还能结合企业的实际现场情况，制定端到端的咨询 + 产品 + 实施一体化解决方案。 在智 时期，制造业的发展重点在追求规模化和占领市场上。 然而，随着地缘政治、经济增速以及产业结构调整等多重外部因素的影响，传统的增长模式开始不管用了。在后疫情时代， 制造行业的挑战更加复杂不可控。企业既需要确保生存，还需要追求质量增长。这样的变化让企业需要从过去跑马圈地式增 长的盈利模式，转向追求长期的可持续发展。 用 HR 系统就选懂业务的 i 人事 �� �� 制造业效率革命： 高价值人效指标与技术协同进步 洞察 数字化提升人效：制造行业新动能 这要求 HR 不仅要精通自己的专业领域，还要深入理解企 业所处行业的科技和社会发展趋势。在这个过程中，企业 需要不断审视和调整其人效标准，以确保它们与公司的战 略发展保持一致。 海尔的斜坡理论提到，企业发展就像是在斜坡上的球，需 要创新力来推动上升，同时也需要基础管理能力来防止下 滑。这一理论强调了人的管理在企业发展中的核心地位： 无论是创新还是基础管理，有效的人才管理都是关键。

特性以及高效的智能决策 效能，日益成为推动工业智改数转的核心驱动力。然而，尚处于初级发展阶段 的工业大模型，仍面临工业数据多模态复杂性、模型可解释性不足以及应用成 本较高等挑战。为此，行业迫切需要系统性的解决方案，以促进工业大模型技 术的有效落地与广泛应用。 本书在实践积累与行业洞察基础上，试图对一系列关键问题做出解答：工 业大模型与通用大模型有何不同？工业大模型的技术体系与关键技术何在？工 工业任务/行业模型适配是将工业基座模型针对具体的工业任务或特定行业 需求进行调整和优化的过程。由于不同工业行业和任务具有独特的特点和要求， 如机械制造行业对产品精度和工艺要求严格，电力行业对设备运行稳定性高度 关注等，需要通过添加特定行业数据、引入领域知识以及采用合适的微调算法， 使模型更好地适应这些独特需求，提升在特定工业任务和行业中的性能表现。 1.1.3 工业数据制备 这是工业大模型构建的第一阶段。工业数据具有异质数据模态的特点，包 1.4 工业基座模型训练 工业基座模型训练是工业大模型构建的重要阶段。在这个阶段，利用经过 制备的工业数据对模型进行训练。由于工业数据的特殊性以及工业应用对模型 11 的高要求，这个过程需要解决诸如如何让模型更好地理解工业数据的语义、如 何提高模型在工业任务中的准确性等问题。这一阶段的训练结果将影响到工业 大模型后续在工业任务/行业模型适配以及工业场景交互应用中的表现。 图 1

提高中央财政贴息比例，降低企业融资成本。中央财政贴息从1 个百分点提高到1.5 个百分点，贴息期 限2 年，贴息总规模200 亿元。 需要认识到，中国大规模设备更新行动是一项系统性、长期性的任务，虽然已经取得了显著的进展 和成效，但在实施过程中也存在一些不足之处，以下方面需要进一步改进和完善。 资金投入与分配：尽管政府已经提供了财政补贴和特别国债等资金支持，但资金的总量、分配方式 和使用效率仍有待 和使用效率仍有待优化，以确保资金能够更加精准地投入到关键领域和薄弱环节。 技术创新能力：在高端装备和核心技术方面，中国与发达国家相比仍存在一定差距。需要进一步加 强原始创新和关键技术攻关，提升自主创新能力。 区域发展不平衡：不同地区在设备更新的进度和质量上存在差异，一些地区由于经济条件、技术能 力等因素制约，设备更新的步伐相对缓慢。 中小企业参与度：中小企业在设备更新中的参与度不足，部分中小企业由于资金、技术、信息等障 、监管不严等问题，影响 政策效果。 市场需求适应性：设备更新需要与市场需求紧密结合，但目前一些更新后的设备和产品可能与市场 需求不完全匹配，导致资源配置效率不高。 环境与能耗问题：在设备更新过程中，需要更加注重环保和能效标准，避免更新过程中产生新的环 境问题和能耗问题。 国际合作局限：在全球化背景下，中国设备更新行动需要进一步加强国际合作，引进国际先进技术 和管理经验，提升国际竞争力。

6%，大专及 以下学历占比23.1%，而硕士及以上学历占比极 少，仅为1.2%。制造业的大部分海外业务岗位 对前沿科研成果的依赖相对较小，更侧重于应用 和执行层面。本科毕业生通常能够较好地平衡工 作中需要的理论知识和实践技能，能够满足制造 业海外业务中大部分岗位的基本要求。 （1）平均学历分布 工作年限分布情况如图9所示，具有1-5年 工作经验的制造业海外人才占比达到71.8%。制 造业海外业务的发展相对较为迅速，对有一定工 1年以内 11 中国制造业出海人才白皮书 (2025) 对于海外人才的能力要求，和企业出海的目的、企业出海的阶段密切相关。比如筹建阶段 需要的是市场开拓、搭建当地基础能力的人才，对人才的要求一般期望身兼多职，实现资源的 最大化使用；到了正式运营阶段，则需要各种专门业务领域的岗位。因此，与国内人才相比， 出海人才招聘对人才的专业能力、个人品质和价值观都具有更高的要求。 而不同的岗位类型，对于 销售岗素养多要求“多面手” 基本要求来看，具备当地市场开拓及管理经验、熟悉海外当地市场、销售渠道和客户资源 是最基本的要求，同时，需要熟悉当地的文化、风俗等。在能力素养上，沟通协调能力、谈判 能力、市场洞察能力、执行能力、抗压能力和复杂问题的解决能力是销售岗位的关键。在知识 水平上，制造业的销售岗位还需要具备相关的行业经验背景。语言能力也是海外销售的关键能 力，除了英语为基本沟通语言，不同国家和地区对于第二外语的要求也不同。以目前热门的出

每个监管层面当前都进一步完善相关立法和政策体系。 在此背景下，无论是政府管理部门还是企业，都需要采 取有效措施，避免资产搁浅，并力争成为气候中和发展 趋势下的领跑者。 因此，提高竞争力以及创造商机应 成为实施层面落实气候中和、碳中和转型措施的主要动 力。 为了实现气候中和、碳中和目标，私人企业、公共机构 以及社会民众需要相互协作，共同创建零排放的城市生 态系统。在这一过程中，综合性的园区/城区可以发挥 源转型作出重要贡献。 它不仅可以最大限度地利用当地所具备的实现气候中和的潜 力（特别是可再生能源和余热废热资源），并且还可以更加高效地利用土地资源。 园区作为不同产品与服务的共生平台，能够开启全新的商业模式。需要指出是，园 区运作的成功在很大程度上取决于城市规划、能源、建筑、以及其他各方面监管框 架的合理设置。 园区气候中和转型意味着什么？ 在本指南及此前所开展的相关工作坊中，气候中和园区被定义为实现温室气体 于园区的基础设施运营商就 需要了解并参考更高层级基础设施转型的总体规划。可以从中长期的角度对这些规 划进行跟踪，同时，保持与国家层面的气候目标及措施规划的一致。 目前，在园区层面探索实现气候中和的实践仍处于起步阶段。无论是转型方案设 计，还是长期规划落实，都还没有标准化的方法或准确适用的参数。在实践中，对 转型进行探索的园区不仅需要确定项目边界范围和短期目标，而且还需要制定长期 的转型战略。本指南旨在:

30%1。 数据中心园区作为工业园区新兴业态逐渐受到了社会的关注。 在实现零碳发展过程中，数据中心行业面临着许多挑战。首先，数 据中心超高的用电量是实现零碳目标的难点之一。数据中心需要保 持 24 小时不间断地运作，因此需要大量能源供给。目前，大部分数 据中心仍然使用化石燃料等高碳能源提供的电能来运行和维护设备， 1 ABB 数据中心碳中和白皮书 8 零碳数据中心园区能碳管理系统白皮书 ODCC-2023-02006 ， 需要分别从三个范畴来分析数据中心的碳足迹——数据中心所有或 可控制的排放源带来的直接温室气体（GHG）排放、以能源使用为主 体的能源间接 GHG 排放、以组织活动引起的其他间接 GHG 排放 （包括使用的资产、设备的生产过程所产生的 GHG 排放）。如何降 低数据中心能耗，提高能源利用效率，是实现零碳目标的关键。其 次，数据中心内部设备的高功率计算导致设备散热量高，经常需要 进行 术发展非常迅速，数据中心的硬件设备、软件系统等需要不断地升 2 ABB 数据中心碳中和白皮书 9 零碳数据中心园区能碳管理系统白皮书 ODCC-2023-02006 级迭代，这导致旧设备很快被淘汰，而新设备的生产过程也会带来 大量的碳排放。除此之外，近年大量数据中心的建立，在建设过程 中也造成了很多空气和水污染等环境影响。因此，为了实现零碳发 展，数据中心需要考虑如何更好地管理建筑、设备的更新和替换。

................................................................................. 3 1.3. 大模型应用落地需要深度适配工业场景 .......................................................................................... （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% 以上 程、供应链管理等各个环节的监控和智能优化，从而提升企业的运营效率和市场竞争 力。 1.3. 大模型应用落地需要深度适配工业场景 大模型的优势在于其强大的泛化能力，可以在不同的领域和任务上进行迁移学习， 而无需重新训练。但无法充分捕捉到某个行业或领域的特征和规律，也无法满足某些 特定的应用场景和需求，在真正融入行业的过程中，需要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

样做代价不菲，比如库存高企、成本剧增。很多企业尚未意识到 向智能制造转型的益处，仅进行零敲碎打的方法，收效甚微。 大变局当采取大变革。要想实现生产效率、产品质量、 成本控制以及创新能力的显著提升，企业不仅需要实现技术升 级，还需要在战略、人才组织、数据管理、供应链整合、创新文 化等方面进行全面重塑，同时还要在领导人视野、思维、格局等 发展心智上实现全面提升。 《展望：智能制造》特刊特邀行业专家与您分享有关智能 灵活的员工队伍 敏捷组织 后25%平均值 前25%平均值 图三 企业韧性成熟度 10 | 智能制造 打造韧性企业，开创增长新局 四大举措构建韧性 建立稳定和韧性供应链需要产业链多方利益相关者的共同努力，需要开放包容、互信互利的合作共识，我 们建议中国企业通过四项举措重点发力。 举措1：建立韧性的供应和生产布局 外部环境的不确定性迫使企业重新审视其高度 全球化的供应和生产网络存在的弱点，并开始减少 化而来的运营孤岛风险――企业必须跨越不同的地 区和国界，适应截然有别的监管法规。在围绕去风险 对业务网络进行重大转型时，中国企业需要评估自身 以韧性为中心的能力，以及数字化成熟度水平，才能 更好地释放价值并避免引发更多问题。 举措2：投资开发关键技术，以增强可见 性、可预测性和业务连续性 企业需要切实管控运营并实现其可见性。凭借此 类能力，他们可以实时洞察供应商、工厂、车间、配送 中心、物流承运商和客户，并共享数据。但这还远没

等阶段。首先，进行全面的需求调研，了解企业现状及面临的问 题，并确定改进目标和关键绩效指标。接着，在充分调研的基础 上，设计针对性的解决方案，包括硬件基础设施与软件系统的选型 和配置。 为了确保项目的顺利实施，还需要构建跨部门的协作机制，确 保研发、生产、销售等多个部门的信息流通与协同作战。此外，人 才的培养与引进也是项目成功的关键，企业需加大在 AI、大数据、 机器人等领域的专业人才的投入。 为了验证 调整生产计划和产品组合，以适应不断变化的市场环境。 同时，降低人力成本与资源浪费也是一项关键目标。通过自动 化设备的引入，可以减少对人力的依赖，提高生产线的自动化水 平，这不仅适用于重复性高的工序，也适用于需要精准操作的复杂 任务。此外，通过数据分析，实现资源的高效利用，减少原材料的 浪费，降低生产成本。 为了确保达成上述目标，本项目计划实现以下关键成果：  部署 AI 大模型进行智能化数据分析与处理 在实施 AI 大模型智慧工厂 MDC 项目的过程中，优化资源配置 是确保项目成功的关键因素之一。通过有效的资源配置，我们可以 提高生产效率，降低运营成本，同时提升产品质量和企业竞争力。 首先，需要对现有的资源进行全面评估，包括人力、设备、原 材料和技术等。在现有情况下，通过数据分析和 AI 模型预测，可 以准确识别出资源利用的瓶颈和不足之处。例如，利用 AI 分析生 产线的运作数据，找

端到端开发和部署。 DGX Cloud 将 NVIDIA 的生态系统引入到了云服务提供商，NVIDIA 触及的范围得以扩展。 2）NVIDIA AI Foundations。这是一项云服务，面向需要构建、优化和运营定制 LLM（大型 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 系列芯片关键参数 资料来源：Nvidia，华泰研究 下图是一个典型的 AI 训练芯片的架构，主要包括： 1) CUDA： CUDA 是一种将 GPU 作为数据并行计算设备的软硬件体系，不需要借助图 形学 API，而是采用了比较容易掌握的类 C 语言进行开发，开发人员能够利用熟悉的 C 语言比较平稳地从 CPU 过渡到 GPU 编程。与以往的 GPU 相比，支持 CUDA 的 GPU 在 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 7 电子 训练大模型到底需要多少硬件： 据 OpenAI 团队发表于 2020 年的论文《Language Models are Few-Shot Learners》，训练 一次 1746 亿参数的 GPT-3 模型需要的算力约为 3640 PFlop/s-day（即假设每秒计算一千 万亿次，需要计算 3640 天）。考虑到 ChatGPT 训练在 GPT-3