2023年12月22日，首屆“通智杯”人工智能創新應用大賽期間，通用人工智能與工業融合創新中心編制的《AI大模型工業應用現狀、模式與展望》正式發布。

以下為主要內容。

一、背景與意義

黨中央、國務院高度重視人工智能發展，習近平總書記指出，人工智能是引領這一輪科技革命和產業變革的戰略性技術，具有溢出帶動性很強的“頭雁”效應。今年4月，中央政治局會議強調，要重視通用人工智能發展，營造創新生態，重視防范風險。剛剛結束的中央經濟工作會議再次強調，要大力推進新型工業化，發展數字經濟，加快推動人工智能發展。

通用人工智能大模型（以下簡稱“大模型”）作為人工智能從專用化邁向通用化的發展新階段，是集智能感知、智能分析、智能決策、智能執行等功能于一體的泛在智能技術，通過數據、算力、算法三要素深度融合，實現生產要素優化配置。

從生產結構來看，人工智能技術已成為現代工業生產的核心組成部分，能夠大幅提高生產效率、優化資源配置、降低生產成本，為新型工業化發展提供強大的技術支持和動力。通用人工智能與制造業深度融合，可以進一步加速工業體系向高端化、智能化、綠色化邁進。為貫徹落實黨中央國務院決策部署，推動新一代信息技術加速賦能新型工業化，中國工業互聯網研究院籌備組建了通用人工智能與工業融合創新中心，深度聚焦大模型底座、架構、標準和應用等方面，開展了系列專題調研，總結并展望大模型在工業場景中七類可復制可推廣的應用新模式，為大模型向制造業縱深拓展提供參考依據。

二、大模型及其工業應用發展總體情況

一方面，全球范圍掀起大模型發展浪潮。大模型的出現將人工智能推向新的發展階段，國內外龍頭企業成為大模型角力的技術高地。AI大模型是具有大規模參數和復雜結構的人工智能模型，隨著模型增大、訓練數據量增多以及計算能力提升，AI大模型在自然語言處理、圖像識別、語音識別和多模態識別領域取得了重要突破，自2020年以來，大模型在全球范圍內市場規模迅速增長，迎來爆發期。根據Precedence Research測算，預計到2023年底，全球大模型市場規模將達到137億美元，2032年大模型市場規模將達到1181億美元。國外方面，OpenAI作為業界領先機構已發布語言類大模型ChatGPT（2022）和GPT-4（2023）、語音大模型Whisper（2022）、視覺大模型DALL-E（2021），微軟將GPT-4相關能力整合入Windows 11系統、office365、Bing等重點產品形成Copilot系列應用；同時，谷歌推出多模態大模型Gemini（2023），Meta發布語言大模型LLaMA（2023），國外科技巨頭紛紛加入大模型競賽。國內方面，各科技企業亦積極跟進全球大模型發展趨勢，百度發布語言大模型“文心一言”、阿里發布語言大模型“通義千問”、科大訊飛發布語言大模型“星火認知”、百川智能發布“百川大模型”、智譜AI發布ChatGLM系列語言大模型、中科院發布跨模態大模型“紫東太初”。

另一方面，大模型向B端尤其是工業領域應用已成為行業共識。大模型已呈現出以基礎大模型為技術底座，工業應用為切入點的發展趨勢，工業大模型概念應運而生。基礎大模型（Foundation Model）通過提升模型的參數量和結構通用性，融合和表達更多領域知識和模態知識，形成全知全能的通用模型。而工業大模型依托基礎大模型的結構和知識，融合工業細分行業的數據和專家經驗，形成垂直化、場景化、專業化的應用模型。工業大模型相對基礎大模型具有參數量少、專業度高、落地性強等優勢，可以為工業垂直領域的技術突破、產品創新、生產變革等提供低成本解決方案。

?

三、大模型工業應用七大模式

工業產品從全生命周期來看可以劃分為研發、設計、仿真、生產、測試、運維、售后等環節，本報告針對各環節的特點和要素進行分析，并結合大模型自身的能力特征，初步提出以下大模型在工業領域的潛在應用模式。

模式一：原理化研發

大模型可以對產品的結構數據進行分析，從微觀層面探究產品的構型和機理，并通過模型的涌現能力生成具有新結構、新特性的產品。

以藥物研發為例，人工智能大模型可以通過分析大量的已知藥物分子數據，從中找出最優的藥物候選，并生成一個新的藥物分子設計方案，從而大大縮短藥物研發的時間和成本，提高藥物研發的成功率。

靶點發現和藥物結構設計。靶點發現是藥物研發過程中的核心環節，其中靶點是藥物在體內的作用結合位點，藥物與靶點之間的關系可以類比于鑰匙和配套的鎖。傳統的靶點發現需要做大量的科研工作，對靶點做大量的生物學假設，并設計一系列的實驗進行驗證，需要漫長的周期。而大模型通過分析已知的藥物分子結構數據、藥物分子與疾病相關性的知識圖譜，從中找出與疾病靶點相互作用的分子特征，然后利用這些分子特征，自動地生成新的藥物分子設計方案。

藥物方案評估和優化。在生成若干藥物分子設計方案后，模型可以在人工提示下，對生成的設計方案進行評估，篩選出最有前景的藥物候選。同時可以通過藥物分子的結構和性質，優化其藥效和毒性，通過預測藥物的代謝途徑和藥物濃度，優化藥物的劑量和用藥方案。

輔助臨床實驗設計。實驗驗證是藥物研發中必不可少的環節，但是實驗通常需要消耗大量的時間和資源。人工智能大模型可以幫助研究人員設計更有效的臨床試驗方案，例如預測藥物的安全性和有效性，優化臨床試驗的樣本規模和時間等。通過預測和篩選，減少實驗的數量和復雜度，從而提高藥物研發的效率和質量。

模式二：前瞻化設計

大模型可以生成創新性的產品設計方案，從而更好地輔助技術人員快速將設計構思和意圖轉化為具體實施方案。

以傳統工業設計為例，大模型可以實現工程制圖、設計方案的快速生成，并輔助進行布局優化、參數校核，大幅縮減工業設計耗時，提升產品研發效率。

數學建模和代碼編寫。在工業設計過程中，很多問題需要建立特定的數學模型進行分析求解，例如機械產品設計中常遇到諸如力學強度校核、尺寸優化、標準零件選型等問題，邀請專家專門分析和建模成本高。而大模型可以根據具體設計需求，在短時間內為這些問題提供參考方案，并自動生成相應的程序代碼，指導進行具體的工業設計實踐。

多樣化設計方案生成。以CAD為例，現有的海量標準化素材庫提供了大量工程制圖、布局規劃等數據，大模型可以利用這些數據，結合設計者的創意思路和特殊需求，生成多樣化的設計方案，供設計者進行參考。另一方面，亦可對設計方案進行快速優化調整，幫助工程師以更快的速度和更少的錯誤率創建布局。

模式三：高效化仿真

大模型可以利用自身的生成能力提供符合設計需求的虛擬化仿真測試場景/環境，解決工業產品設計中測試數據量少、測試環境單一等問題，提升產品的可靠性。

以汽車制造為例，通過人工智能大模型來生成仿真測試環境，進行汽車碰撞模擬和安全性評估，可以大幅提升仿真的精度和效率，推動車輛設計和安全性能的提升。

多元化仿真場景生成。汽車企業在車輛實際測試、模擬實驗中積累了大量的真實數據，包括車輛結構、碰撞數據以及材料特性等信息。大模型可以利用這些數據學習車輛結構、材料屬性與碰撞響應之間的非線性關系，理解不同參數（如碰撞速度、角度、車輛構造等）對于碰撞響應的影響，并通過自身的涌現能力生成新的、多樣化的碰撞場景。這有可以讓車輛模型在不同情況下進行仿真預測，包括之前未經歷過的情形，并彌補特殊場景中的數據缺失，提升汽車仿真測試的全面性和準確性。

參數優化與快速預測。傳統的車輛碰撞仿真中，需要采用不同的參數組合進行多輪次測試，以獲得最佳結果，而每次測試需要花費大量的時間進行人工調參。而大模型可以憑借零樣本的知識分析能力，通過問答形式，對不同的參數組合，快速預測出碰撞響應情況。這有助于在短時間內找到最佳參數組合，以減少車輛設計和測試的周期。同時，它可以在考慮歷史碰撞案例的基礎上，提供新穎的設計建議，可能涉及材料選擇、構造調整等方面的創新。

模式四：精細化檢測

通過大模型的零樣本學習能力，并結合AR/VR等虛擬現實技術，實現對產品質量缺陷、人員違規操作、零部件裝配誤差等多種工業場景的快速高效視覺檢測。

以工業生產中的質量檢測和安全監測等場景為例，通過外接視覺傳感裝置和簡單的指令輔助，大模型可以根據需求對指定的區域、人員進行檢測，快速發現異常信息，大幅降低人工查驗、樣本收集和模型訓練等成本。

高效率工業質量檢測。以PCB的瑕疵檢測為例，通用視覺大模型可以憑借強泛化能力，在不依賴工廠樣本數據和本地化微調訓練的情況下，直接對PCB原始圖像進行語義分割，再配合簡單設置的規則及方法實現缺焊、連焊、針孔等各類瑕疵的識別，從而解決PCB樣本數據獲取困難、標注困難的實際問題，規避訓練調參帶來的高額成本，提升工業產品缺陷檢測的效率。

智能化安全生產監管。在煤礦生產行業中，借助大模型的機器視覺識別技術，結合設備運行狀態數據，識別危險區域人員進入、人員摔倒、截割部落地、敲幫問頂、鉆孔深度、錨固劑使用數量、攪拌時間、二次緊固、錨索張拉等場景，實現掘進作業人工監管向自動監控的轉變，提升掘進作業流程規范，提高煤礦生產的安全系數。

個性化檢測場景擴展。結合語言大模型和視覺大模型，進行多模態感知和交互，擴展大模型在工業視覺檢測中的應用范圍，提升應用的靈活性。例如，在工業質檢中，可以通過語音指令控制大模型實現對不同類型、不同區域、不同等級的缺陷檢測，滿足各類產品的檢測需求。

模式五：智能化調控

在大型現代化產線中，需要對多個關鍵節點進行智能化調度和控制，以提升產線運行效率。人工智能大模型可以通過分析多樣化的歷史數據，更好地理解諸如生產需求、資源可用性、任務優先級等工業調度任務中的復雜關系，從而優化各節點的任務分配和調度，提高生產效率和靈活性。

以工業機器人為例，大模型可以對各類生產數據進行自動整合分析，從而對機器人進行快速的任務分配和動態任務調整，成為大型工業產線中的“神經中樞”。

復雜模式學習和任務快速分配。汽車制造等大規模的生產線上通常配置多臺工業機器人，負責組裝、焊接、涂裝等子任務。人工智能大模型可以收集機器人的性能數據、工作站狀態、生產計劃等信息，并基于這些數據，學習機器人的技能、任務復雜性、工作站之間的轉移時間等復雜信息，并預測不同機器人執行不同任務的效率。當新的任務到達時，模型可以快速決定分配給哪個機器人，以最大程度地減少任務等待時間和生產周期。

動態任務分配調整。大模型可以從歷史數據中分析機器人的性能和效率，并根據不同任務的要求，動態調整任務分配策略。這有助于優化機器人的使用，確保它們在不同任務中都能發揮最佳作用。如果出現機器人故障、工作站故障或生產計劃變更等情況，大模型可以快速響應并重新調整任務分配，以應對不可預見的情況。

運動控制代碼生成。從工業機器人單體運動的層面來看，生產人員可以通過文本、語音等交互方式，根據不同的任務需求，通過大模型快速生成定制化的運動控制代碼，以控制機器人執行不同的任務。例如，對大模型輸入指令“請寫一段PLC程序，控制機器人將零件從A點轉移到B點”。這種基于大模型的運動控制指令生成模式可以大幅提升工業機器人的靈活度，實現柔性化的產線控制。

模式六：科學化運維

大模型可以通過自身強大的推理能力實現對生產過程中各類數據的分析、預測，從而提升智能化運維水平，完善生產管理機制。

以倉儲管理為例，可以利用大模型的對供應鏈中各類別、各模態的數據進行管理和整合，提升貨品信息流的運行效率，打造更便捷、更快速的工業產品供應鏈體系。

智能倉儲管理。使用嵌入多模態大模型的機器人進行貨架管理、庫存管理和訂單揀貨等操作，可以通過大模型的強視覺泛化能力進行自主貨架定位、庫存管理和物品運輸等操作，提升倉庫的運營效率。同時，使用大模型對庫存進行預測，并根據銷售速度和庫存周轉率等因素制定補貨策略，有助于及時補充庫存，避免庫存短缺影響銷售，同時避免過度補貨，以免造成庫存積壓和資金占用的問題。

高效數據管理。工業生產的供應鏈中會涉及大量的數據，如原材料數據、加工工藝數據、設備狀態信息、環境信息、人員信息、物流信息等。大模型可以對不同格式、不同來源的數據進行快速整理、分類和分析，降低數據整理成本。同時這些分類整理后的數據可以用于大模型的進一步微調，實現數據和模型的良性互動。

模式七：定制化售后

大模型可以憑借在自然語言對話方面的巨大優勢，使售后服務不再拘泥于固定的問答庫，而與客戶形成更加自然、流暢和有效的對話，從而幫助工業企業實現滿足不同用戶需求的定制化售后服務，從而進一步提升客戶忠誠度和用戶成長，拓展業務范圍。

以機械設備售后為例，大模型可以結合多模態、數字人等技術，讓客戶通過自然語言描述設備故障或問題，系統能夠準確理解并提供詳細、個性化的解決方案。

多維度交互式售后服務。機械設備的操作及維護需要復雜的操作，傳統基于知識庫的客服系統無法給予用戶精確的指導。利用大語言模型作為后端邏輯推理支撐、虛擬數字人作為前端交互形象，系統可以準確理解客戶的需求，結合自身的知識儲備和具體的問題，迅速給出詳細的、針對性的解決方案。同時，還可以通過虛擬數字人的手勢和語音交互，從更多維度輔助客戶進行設備的操作，不僅提高了售后服務的效率，還為客戶提供了更加直觀和個性化的服務體驗。

四、下一步發展建議

現階段，受限于工業場景碎片化、計算資源不足、工業領域訓練數據采集和整理困難、大模型安全性可靠性等問題，我國大模型與工業的融合應用還處于初級探索階段，發展面臨一定挑戰。一是基礎大模型仍占據應用市場的主體地位，還未能下沉到工業垂直領域形成專業化的工業大模型。二是當前大模型在工業生產中的應用分布較為零散，尚未形成標準化、體系化的大模型工業應用范式。三是從底層構建工業預訓練大模型具有較高門檻，僅有少數頭部企業有能力開展工業大模型的研發。針對上述問題，提出如下建議：

一是面向工業場景推進大模型技術攻關。梳理面向工業場景應用的大模型共性技術問題，聚焦安全性、可靠性、實時性等方面，鼓勵專業領域的高校、企業、研究機構合作開展攻關，通過大模型工業數據集擴充、典型工業場景規則集構建、模型訓練算法優化等方式，加強國內大模型的技術研發，推進大模型工業應用能力的提升。

二是構建規?；拇竽Ｐ凸I數據資源池。組織大模型供給側和需求側企業及研究機構，研制工業大模型訓練數據規范和測試標準。依托國家工業互聯網大數據中心等標準化平臺，建立大模型工業語料庫，形成工業數據的管理機制。通過資金補貼、稅費減免、政策傾斜等措施，引導國內大中型制造業企業進行工業生產運行數據的開源共享，形成涵蓋國內重點工業領域的數據資源池，為工業大模型的訓練、測試提供數據保障。

三是完善大模型工業領域性能的評測機制。以國家權威機構為依托，協同各行業需求方，建立標準化的大模型工業知識問答測試集，保障評測效率和結果的可信度。同時應建立長效的大模型工業領域性能評測機制，周期性圍繞大模型知識能力、穩定性、安全性等關鍵性能進行評估工作，并根據產業結構、數據要素分布的變化對評測指標進行動態調整，以促進大模型對新型工業化賦能的持續性。

四是推動大模型在工業領域典型應用的試點示范。整合碎片化的工業場景，提煉出以產品輔助設計、精細化質量檢測、智能供應鏈管理等為代表的大模型工業應用典型業務場景，明確各場景對大模型的量化需求指標，并推動建立相關的行業標準。建立大模型供給側與企業應用側之間的雙向交互機制，促進形成若干大模型研發與制造業協同發展的特色產業集群，并推動建設一批工業大模型的標桿性、示范性應用。

審核編輯：黃飛