工業大模型的演進及落地方向

發展趨勢

1.國外工業大模型進展

大語言模型的基礎研究起源于NLP領域，經歷了從規則引擎和統計學到機器學習，再到深度學習的演變，最終在Transformer架構的推動下，實現了大模型技術的重大突破。特別是2017年Transformer架構的引入，這成為了多種任務的基礎模型，包括NLP、計算機視覺（CV）和多模態應用。隨后，2018年BERT模型的推出，以其3億參數量顯著提升了對NLP任務的處理能力。隨著大模型參數規模和能力的躍升，大模型技術開始受到工業界的廣泛關注，并激發了越來越多的AI研究者探索大模型在工業領域的應用。

國外工業大模型“玩家”大多為傳統自動化企業和傳統工業軟件公司，如Revamp in Action，它是艾默生公司運用人工智能技術研發出控制路徑優化的大模型，基于云的先進軟件解決方案和改進工具，利用人工智能的力量提供完全集成的數字工作流程，提高資本效率并簡化工業企業達到最優控制的路徑。再如，西門子工業助手是西門子公司與微軟合作推出了名為“西門子工業助手”的生成式AI助手。該模型結合了西門子數字業務平臺Siemens Xcelerator的自動化和過程模擬信息，以及微軟Azure OpenAI服務中的大型語言模型，以增強工廠自動化軟件中代碼的創建和優化。

2.國內工業大模型進展

近年來，隨著AI技術的飛速發展，自2023年國內第一個工業大模型發布以來，國內工業大模型的研究和應用也取得了顯著進展。工業大模型作為新一代AI技術的重要組成部分，正在逐步改變傳統工業的生產方式和業務流程，為工業轉型升級注入了新的動力。

在技術層面，國內工業大模型的研究主要集中在模型的優化、預訓練與微調、以及模型壓縮等方面。針對工業場景的特殊性，研究者們對通用基礎大模型進行了行業化和場景化的改造，通過引入行業知識和特征，提高了模型在工業場景下的準確性和可靠性。此外，隨著Transformer架構的廣泛應用，國內工業大模型也普遍采用了這一架構，以提升模型的性能和效率。

在應用層面，國內工業大模型的應用場景不斷拓展，涵蓋了從智能制造、質量控制、設備維護到供應鏈管理等多個領域。在智能制造方面，工業大模型被用于生產線的智能化改造，提高了生產效率和產品質量。

在質量控制方面，工業大模型能夠實現對產品質量的實時監測和預測，降低了不良品率。

在設備維護方面，工業大模型能夠預測設備的故障情況，提前進行維護，避免了因設備故障導致的生產中斷。

國內知名的工業大模型來自傳統工業軟件公司、人工智能公司和工業互聯網公司。智工·工業大模型是中工互聯推出的一款工業領域專業大模型產品，也是國內第一個發布的工業大模型。智工·工業大模型通過深度學習和大數據分析，能夠理解和處理復雜的工業數據和任務，為企業提供智能決策支持、提高生產效率和產品質量。其核心產品是AI·SCADA、智工知語和智工工控具身智能體。

奇智孔明工業大模型是創新奇智面向工業領域推出的一款多模態工業大模型。該模型基于Transformer架構，參數量超過750億，并具備多模態能力。通過深度學習和大數據分析，奇智孔明工業大模型能夠理解和處理復雜的工業數據和任務，為企業提供智能決策支持。此外，該模型還支持私有化部署，確保了數據的安全性和隱私性。

Cosmo-GPT是卡奧斯專為工業領域定制的一款大型預訓練模型。該模型擁有700億參數，經過百萬級工業數據的微調，具備了工業知識問答、工業代碼生成和工業理解計算等專業能力。Cosmo-GPT能夠實現對工業數據的全面采集、分析和應用，為企業的數字化轉型提供了有力支持。此外，該模型還支持多種應用場景，如設備預測性維護、產品質量控制等，為企業的智能化改造提供了有力支持。

羚羊工業大模型以訊飛星火認知大模型的通用能力為核心技術底座，結合工業場景的實際需求進行打造，具有強大的自然語言處理和知識推理能力，為羚羊工業大模型提供了堅實的技術支撐。羚羊工業大模型具備五大核心能力，包括工業內容生成、工業知識問答、工業理解計算、工業任務規劃以及工業多模態。這些能力可以從海量數據和大規模知識中持續進化，實現從問題提出、規劃到解決問題的全流程閉環。

3.工業大模型特征的演變趨勢

在小型化趨勢層面，工業大模型大量運用模型壓縮技術（如剪枝、量化和蒸餾等），能夠有效減少模型的參數量，形成在特定行業內具備深度任務能力的垂直大模型，能夠更快推進工業大模型在工業領域的落地。加之算力資源成本的原因，工業大模型呈現小型化的趨勢愈發明顯。

在場景化趨勢層面，與通用大模型不同，工業大模型更加關注成本、效率、質量、安全、綠色等核心價值，因此在功能方面需要實現場景化適配，如生產監測、能源節約、工藝優化、設備運維等場景，更好地適應和滿足工業領域多樣化和專業化的需求，實現技術與具體應用場景的深度融合，推動工業智能化和效率提升。

在產品化趨勢層面，中國信通院發布的《2025中國信通院深度觀察報告》顯示，目前落地的大模型項目中，工程化類型的項目占比達到77%，說明當前工業大模型的落地形態仍以技術服務形式呈現。未來，工業大模型將逐步形成標準化的產品，降低大模型技術落地門檻，促進工業大模型技術在工業領域中的廣泛應用，推動工業大模型生態商業化發展。

在私有化趨勢層面，工業大模型的發展無法脫離行業Knowhow的加持，豐富工業數據是高質量模型訓練的前提。同時，工業企業的數據大多具有保密性、私有化特征，因此工業大模型大多以私有化部署的方式落地。

主要瓶頸

1.高質量工業數據集

高質量工業數據集是工業大模型訓練的必要元素，主要作用體現在兩方面：

一是為模型訓練提供基礎，工業大模型的建立和進化，需要足夠量且多元化的數據驅動。數據是工業大模型的“養料”，有了高質量的工業數據，才能讓模型學習到更精確、更深層次的邏輯關系和模式。

二是提供衡量模型性能的標準，只有擁有了與應用場景匹配、覆蓋多種情況的高質量數據，才能更好地評估工業大模型的性能，及時調整和優化模型，保證其在實際應用中的良好性能。

然而，由于大多數企業數據處理工具和數據治理能力的缺失導致了工業大模型在構建時難以獲得全面、高質量的數據進行深度學習訓練。數據處理工具方面，企業缺乏對工業數據資源管理工具的整體規劃，導致工業數據在收集、清洗、分類、存儲等方面存在短板，造成累積的工業數據質量參差不齊。在當前的企業大數據生態環境中，顯著的問題是眾多企業在構建和應用大數據平臺時，對數據質量的重視程度不足。具體表現在數據治理能力的不足，其中，大部分工業企業的數據管理體系缺乏專門的組織架構支持，面臨著專業人才短缺的困境。

此外，數據管理工作往往僅限于基礎操作層面，未能拓展至更高層次的規劃和組織管理。這種結構性滯后不僅阻礙了數據治理工作的有效實施，更是對數據質量和其可用性造成了深層次的影響。

2.模型可用性

工業大模型在實際應用中面臨著可用性方面的挑戰，主要體現在兩個方面：

一是數據不確定性問題導致訓練偏差，由于工業數據的不完整性或不準確性，這可能會對因果關系的準確推斷造成影響。在實際應用過程中，如何有效地識別和處理混雜因素、選擇偏差等問題成為一大難題。這些問題的存在使得模型訓練的結果可能偏離真實情況，從而影響模型的準確性和可靠性。

二是因果關系判斷問題可能導致結論偏差，在深入探討大型模型的關聯捕捉能力時，我們必須認識到，此類模型所揭示的關聯性并不總能確保其轉化為確切的因果關系。實際上，即便模型在某些場景下能夠辨識出因果鏈條，此類辨識的泛化能力仍然存在疑問。

由此可知，對于同質化樣本集，模型的解釋能力可能會展現出顯著的差異性，進而限制了用戶從少量樣本的解釋中提煉出普適性因果規律的可能性。這種結論偏差會限制大模型在工業領域的應用效果，因為用戶需要模型能夠提供穩定且可靠的解釋，以支持決策過程。

3.工業專業知識

在探討如何提升大型通用模型在處理行業特定復雜任務時的效能，以下核心挑戰尤為突出：

一是行業專業知識的深入理解問題，當前工業界所使用的大模型往往未能針對特定行業進行精細化的優化，這無疑削弱了它們在處理如工業制造等領域的復雜問題時的性能。在工業制造場景中，模型的效能直接受限于其對行業特有數據與流程的理解深度。

二是訓練語料的豐富性不足，特別是行業場景語料均衡性問題顯著，訓練語料庫的不充分性嚴重限制了工業大模型的專業任務能力。因此，為了提高大模型在行業應用中的實用性，一些機構正在努力構建高質量的語料庫，如上海人工智能實驗室發布的“萬卷CC”語料庫，覆蓋了過去十年互聯網上的公開內容，包含1千億字。

此外，行業垂直模型的構建對數據資源的規模與品質提出了極為苛刻的要求。此類模型不僅要求數據集內含有豐富的行業專業知識，而且依賴于海量的數據樣本以進行深度學習。一般來說，需要對參與模型訓練的數據進行包括數據的完整性、一致性、完備性等在內的六個維度50個檢查項。因此，確保數據處理的精確性與安全性，同時兼顧數據量的擴充與質的提升，成為推動行業大模型發展的關鍵環節。

4.模型訓練與算力部署成本

在當前人工智能領域，大規模模型的訓練初期，算力成本呈現出顯著的增長趨勢。這一現象在模型參數增多、規模擴大的背景下尤為突出。盡管模型泛化能力的提升令人欣喜，但其帶來的成本負擔亦不容忽視，尤其是對眾多企業而言，這無疑構成了一項嚴峻的經濟挑戰：

一是算力資源的高需求問題，具體來說，大型模型的訓練階段往往需要龐大的算力作為支撐，單就訓練階段而言，動輒數億級別的算力投入已成為常態。而在模型推理應用階段，對算力的需求更是遠超訓練階段，成本有可能飆升至百億規模。然而，隨著新技術的不斷發展和應用，算力成本的下降趨勢已逐步顯現，為大規模模型訓練的普及帶來一線曙光。在此基礎上，深入研究算力成本優化策略，以降低企業經濟負擔，成為推動人工智能技術發展的關鍵所在。

二是高硬件成本投入帶來的財務負擔，以Megatron Turing-NLG（MT-NLG）模型為例，該模型憑借其5300億參數的規模，在訓練階段耗費了4480塊A100 GPU，單次訓練成本高達數百萬美元。此外，還需考慮除硬件購置外的其他運營成本，例如，OpenAI的Chat GPT模型在初始階段的算力投入成本約為7.59億美元，日常電費消耗高達591，864千瓦時。

三是我國在數據和算力資源的集中度方面存在明顯不足，當前的數據開放共享機制尚未完善，缺乏用于訓練大規模模型的高質量工業數據語料庫。同時，各地區及高等教育機構紛紛構建自己的智能計算中心，導致算力資源分散。

落地應用三個階段

1.工業大模型實現工業交互智能

在漫長的工業數字化進程中，大部分企業按照信息化藍圖陸續部署實施了各類應用，如企業ERP系統、MES系統、QMS系統、EMS系統、WMS系統等，在工業互聯網出現之前，各類信息化應用大多數為獨立分散部署，即各應用部署在不同的網絡環境和計算環境中，部署的方式包括云部署、本地部署和混合部署，使得這些APP能夠相互獨立地運行和工作，這種部署方式從一定程度上具備較好的靈活性，但是在集成、管理、維護等方面存在一定弊端。

工業互聯網框架的出現，實現了工業信息化應用的整合，基于工業互聯網平臺底座，借助微服務組件和工業應用開發工具，提供了設計、生產、管理、服務等一系列創新性業務應用，同時構建了良好的工業APP創新環境，使開發者基于平臺數據及微服務功能實現應用創新。

在工業互聯網框架下，實現了基于PaaS技術底座+SaaS應用微服務的架構模式，企業用戶通過統一門戶認證身份后，可以在多個工業應用之間切換操作，實現了權限、身份、數據流、業務流的貫穿打通。但是，隨著工業數字化進程的加深，垂直領域的專業系統逐漸增多，特別是對于跨專業的交叉崗位，經常需要在多個應用之間頻繁切換，工業互聯網的應用整合效果受到削弱；另一方面，工廠內部的存在復雜繁多的數據簇，如配置數據簇、審批流程數據簇、生產監控流程簇等，不同的數據簇存在于不同的工業應用中，使得操作人員與信息系統的交互復雜度和時間成本加劇。

工業大模型的出現，標志著工業應用交互方式的重大轉變。它不僅整合了工業系統、應用和插件的交互能力，而且徹底重構了工業應用的交互架構。這種整合的直接效果是，用戶可以通過一個簡潔的交互框，以PromptAnswer式的方式與工業應用進行交流。無論是文字、語音還是圖像識別，用戶的需求都能被工業大模型準確捕捉并迅速響應。這種交互式AI的實現，使得用戶無需深入了解每個應用的具體操作，只需清晰描述所需功能或內容，工業大模型便能自動生成相應的輸出。例如，用戶需要監控某個設備的實時數據，只需簡單描述需求，工業大模型就能自動創建圖表；如果需要設備的3D可視化展示，工業大模型也能自動識別并調用相應的3D模型。這種以用戶需求為中心的交互方式，極大地簡化了用戶的操作流程，減少了在多個應用間切換的繁瑣步驟。用戶不再需要記住復雜的菜單路徑或按鈕功能，而是通過自然語言與系統進行交流，使得操作更加直觀和便捷。這種演變預示著工業應用的未來發展方向，即從傳統的點擊式、菜單式交互，向更加智能和自然的交互方式轉變。

此外，工業大模型還實現了工業人工智能的整合，這包括底層數據的融合、治理以及支撐AI引擎的整合。在企業建立了堅實的數據治理和分析能力后，工業大模型能夠調用各類AI引擎，進行復雜的數據處理和分析，最終形成交互式的答案。這意味著，工業大模型不僅能夠處理簡單的查詢和控制任務，還能夠進行深入的數據分析和決策支持，為企業提供更深層次的洞察和價值。

2.工業大模型實現工業決策智能

產品的設計、制造、銷售和售后服務等環節之間存在著大量的知識交互。這些環節之間的知識交互需要統一的語義表示方式，以便于不同環節之間的知識共享和融合。而工業知識圖譜非常適合解決這一問題，隨著融入工業生產全環節，它可以將不同環節之間的知識進行抽象和建模，并形成一個具有語義表達能力的圖結構，從而實現對不同環節之間的知識的存儲、管理、交叉推理、協同應用，為企業級的智能決策實現打下基礎。

工業大模型形成的工業知識引擎提供了面向跨行業、跨領域和跨崗位工業專用知識表示方法，它將實體、屬性和關系等元素進行抽象和建模，形成一個具有語義表達能力的圖結構。在工業領域，將工業領域的知識進行建模，形成一個具有語義表達能力的圖結構，從而實現對工業領域知識的存儲、管理、推理和應用。

基于工業大模型的工業知識引擎正在加速工業的知識圖譜構建，包括獲取各種文獻、專利信息、技術標準等方面的專業知識，同時自動化處理各種設備信息、工藝參數、質量數據等方面專業知識。基于工業大模型的工業知識引擎向工業生產鏈條的多環節快速滲透幫助企業整合和利用各種生產數據、設備數據、質量數據等方面的專業知識，為企業提供生產優化和質量控制的決策支持。

基于工業大模型的工業知識引擎在具體的工業場景中提供決策支持能力的主要機理如下：

一是工業大模型具備數據驅動與深度學習能力，工業大模型依賴于大量的工業數據，包括生產數據、設備狀態數據、供應鏈數據等。這些數據通過深度學習等先進技術進行訓練和優化，使模型能夠識別出潛在的模式和趨勢，為生產決策提供依據。例如，通過分析設備運行數據，工業大模型能夠預測設備的故障和維護需求，從而減少意外停機時間，提高設備的使用壽命。同時，它還能在生產過程中實時監控產品質量，通過圖像識別等技術檢測產品缺陷，確保產品質量的一致性和可靠性。

二是工業大模型具備自我學習與優化能力，與傳統的編程算法不同，工業大模型具備自我學習和自我優化的能力。它們能夠根據新的數據不斷調整和優化自身的算法，以適應不斷變化的生產環境。這種能力使得工業大模型能夠持續適應新的工業場景和需求，提供更加精準和有效的決策支持。

三是工業大模型具備跨領域融合與知識推理能力，工業大模型能夠整合不同領域的知識和技術，如機械工程、電子工程、材料科學等，實現跨學科的創新和優化。通過知識推理和數據分析技術，從知識圖譜中提取有用信息，支持復雜問題的解決。這種跨領域融合的能力使得工業大模型能夠綜合考慮多個因素，提供更加全面和深入的決策支持。

3.工業大模型實現工業具身智能

從工業具身智能的概念層面分析，具身智能的概念最早可以追溯到1950年，當時圖靈在其著名論文Computing Machinery and Intelligence（《計算機器與智能》）中首次提出了具身智能的設想，具身智能是一個強調智能體身體與環境互動的理論概念。結合工業領域特征，基于工業大模型的工業具身智能包括如下幾個特征：

在語言理解層面：語言理解能力使得智能體能夠理解和解析人類的語言指令，從而實現與人類的自然交互。這種能力使得智能體能夠接收并執行復雜的任務指令，而無需人類進行繁瑣的編程或操作。

在狀態感知層面：智能體通過內置的傳感器和感知設備，能夠實時監測和感知周圍環境的各種信息，如溫度、濕度、壓力、振動等，這些信息為智能體提供了豐富的數據源，使其能夠準確判斷當前的生產狀態和設備的運行情況。

在實時分析層面：實時分析是工業大模型具身智能的重要功能之一。基于工業大模型所集成任務算法和時序模型，能夠實時處理和分析感知到的數據，從而快速做出決策或調整生產參數。例如，在生產線優化方面，智能體可以通過實時分析生產數據，發現生產過程中的瓶頸和問題，并自動調整生產參數或調度方案，以提高生產效率和產品質量。

在科學決策層面：通過深度學習和數據挖掘等技術，能夠從海量的數據中挖掘出有價值的信息和規律，從而為企業的決策提供依據。智能體可以通過分析歷史數據和反饋結果，不斷調整和優化自身的控制策略和決策規則。這種能力不僅提高了智能體的適應性和靈活性，還為企業帶來了持續的創新和發展動力。

在學習提升層面：智能體通過不斷學習和積累經驗，能夠不斷優化自身的算法和模型，從而提高自身的性能和智能化水平。

綜上，基于工業大模型技術所形成的工業具身智能，通過整合感知、認知和決策能力，將設備從單一功能的執行單元提升為具有自主學習和優化能力的智能系統，這種轉變使得設備能夠更好地適應復雜多變的工業環境，顯著提高生產效率和柔性化水平。

從工業具身智能的特征層面分析，普適化知識引擎是工業具身智能的重要組成部分，它具備問答對話、知識庫建設和智能搜索等多種功能。該引擎通過整合和存儲大量的工業知識，為企業提供了便捷的信息獲取途徑。同時，其零幻覺可溯源、動態學習等特性，使得企業能夠基于準確的信息做出更為明智的決策。在工業大模型的背景下，普適化工業知識引擎能夠為企業提供更為全面和深入的工業知識支持，助力企業實現智能化轉型和升級。

從全模態數據建模層面分析，全模態工業數據建模是工業具身智能實現感知和認知能力的關鍵。它利用數學、統計和機器學習等方法，對工業過程中產生的大量數據進行建模和分析。通過對數據的處理和檢測，可以提取出數據背后的隱藏規律和趨勢，為企業的決策提供科學依據。全模態工業數據建模不僅能夠處理結構化數據，還能夠處理半結構化和非結構化數據，如傳感器數據、圖像數據等，從而為企業提供更為全面和準確的數據支持。

從多場景具身智能層面分析，多場景工業具身智能是工業大模型技術的重要應用之一。它使得設備能夠具備自主學習和優化能力，從而在不同的工業場景中發揮出最大的效用，包括全局監控、設備啟停、故障診斷、節能管理和運維服務等方向。

從輕量級產品部署層面分析，輕量級大模型產品部署是工業具身智能實現廣泛應用的關鍵。在工業環境中，由于設備種類繁多、性能各異，因此需要一種能夠靈活部署、易于集成的輕量級大模型產品。輕量級大模型產品不僅具備強大的計算能力和智能化水平，還具備較低的硬件要求和資源消耗，利于工業大模型在行業的快速推廣。

場景化應用方向

1.全局監控，實時聯動

基于工業大模型的工業技術底座組件構建一個高度集成的監控系統，能夠實時收集、分析和響應工廠內各個環節的數據。首先，需要部署大量的傳感器和監控設備，這些設備能夠實時收集生產線上的溫度、壓力、流量、能耗等關鍵參數。其次，工業大模型平臺具備對異構設備的協議解析能力，從而實現對生產過程的全面監控。在此基礎上，使用云平臺和邊緣計算技術，可以實現數據的快速處理和決策制定，通過與自動化控制系統的集成，使得監控系統能夠直接控制生產線上的設備，打造管理與控制的實時聯動。

2.設備啟停，智能優化

設備啟停的智能優化依賴于工業大模型的時序預測組件實現。首先，通過安裝在設備上的傳感器收集設備的運行數據，如振動、溫度、聲音等，這些數據能夠反映設備的健康狀況。然后，利用工業大模型的分析能力，對這些數據進行深入分析，以識別潛在的運行規律、故障特征和性能下降的征兆。通過機器學習算法，系統可以學習設備的最優運行參數，并根據實時數據自動調整設備的運行狀態，實現節能和效率的最大化。例如，系統可以根據生產需求、能源成本的變化，智能地安排設備的啟停時間，以減少能源消耗和運營成本。

3.故障診斷，能效分析

故障診斷和能效分析通過工業大模型的工業知識引擎組件實現。智工工業智能專家系統中預置了工業領域專業知識和設備專有知識，與智工工業智能監控系統相協同，通過模式識別和異常檢測技術，并在高度的數據處理能力和復雜的算法支持下，能夠及時發現設備異常并預測潛在的故障。同時，設備監控數據還用于評估和優化生產過程中的能源使用效率。通過集成能源管理系統，可以對生產過程中的能源消耗進行實時監測和分析。利用大模型的專業任務能力，可以識別能源浪費的環節，并提出改進措施。此外，通過模擬和優化算法，可以預測不同生產策略下的能源消耗，從而為企業提供節能降耗的生成控制策略。

4.控制節能，管理節能

在工業大模型加持下，用先進的控制算法對生產過程中的關鍵參數進行精確控制，使得傳統的控制系統具備高度的智能化和自適應能力，能夠根據實時數據自動調整控制策略。管理節能則側重于從宏觀層面優化能源使用，通過工業大模型制定能源管理策略，并與控制節能相結合，通過數據分析和決策支持系統，為管理層提供能源使用和節能措施的管理建議與模擬測算。

5.遠程運維，服務推送

在工業大模型加持下，傳統的工業知識組織效率和傳遞能力得到明顯加強，允許運維工程師通過交互式運維指導完成設備的現場維護的工作，提高了運維效率。同時，通過集成視頻監控、遠程診斷和控制技術，實現設備運維專家團隊在任何地點對設備進行設備運維和故障排除指導。結合設備運行數據和機器學習技術，工業大模型能夠預測設備維護需求和潛在問題，然后主動向用戶推送維護和服務信息，不僅提高了服務的及時性和個性化，還有助于減少意外停機時間，提高生產效率。