人工智能是引領新一輪科技革命和產業(yè)變革的戰(zhàn)略性技術，具有溢出帶動效應很強的“頭雁”作用。在十四屆全國人大二次會議上，開展“人工智能+”專項行動被首次寫入《政府工作報告》，這為人工智能賦能新型工業(yè)化提供了深刻的理論支撐。當前，人工智能飛速發(fā)展，大語言模型（以下簡稱“大模型”）憑借強大的文本推理和遷移學習能力已成為人工智能發(fā)展新的里程碑，有望下沉到研發(fā)、生產、運維、測試等制造業(yè)各環(huán)節(jié)，實現(xiàn)對新型工業(yè)化的高效有力支撐和賦能。

工業(yè)大模型是人工智能深度賦能新型工業(yè)化的重點方向

隨著高質量訓練數(shù)據的不斷擴充、高性能計算技術的發(fā)展以及模型訓練架構的更新迭代，大模型在自然語言處理、圖像識別、語音識別和多模態(tài)識別領域接連取得重要突破。自2022年以來，全球范圍內大模型市場規(guī)模迅速增長，迎來爆發(fā)期。根據相關機構測算，到2030年全球大模型市場規(guī)模將突破千億美元。因此，國內外龍頭企業(yè)成為了大模型高地爭奪的主角。以美國為代表的國際科技巨頭紛紛加入大模型競賽，OpenAI（美國開放人工智能研究中心）作為業(yè)界領先機構發(fā)布大模型ChatGPT（基于生成式人工智能預訓練模型的聊天機器人）和GPT-4、文生視頻大模型Sora；微軟將GPT-4相關能力整合入Windows11系統(tǒng)、Office365、Bing（必應）等重點產品，形成Copilot系列應用；谷歌推出新一代多模態(tài)大模型Gemini；Meta發(fā)布LLaMA（基于人工智能的大型語言模型）；Anthropic發(fā)布Claude 3系列大模型。國內大型科技企業(yè)亦相繼加入大模型角逐，“文心一言”、“通義千問”、“星火認知”、ChatGLM（基于通用語言模型的聊天機器人）等國產大模型經過迭代更新，也實現(xiàn)了性能飛越。

然而，目前國內外推出的主流大模型仍為公共數(shù)據集訓練出的基礎大模型，知識面夠廣但不夠專，在工業(yè)各垂直領域的性能表現(xiàn)并不突出。根據中國工業(yè)互聯(lián)網研究院2024年3月發(fā)布的《人工智能大模型工業(yè)應用準確性測評》報告，國內外主流大模型的工業(yè)應用準確性平均得分低于60分，處于明顯領先位置的GPT-4、“文心一言”等大模型總體評分也僅在70分上下，可見基礎大模型在賦能新型工業(yè)化方面還有較大的提升空間。

面向智能制造新需求，以基礎大模型為技術底座、工業(yè)應用為切入點的工業(yè)大模型正成為人工智能深度賦能新型工業(yè)化的新方向。工業(yè)大模型依托基礎大模型的結構和知識，融合工業(yè)細分行業(yè)的數(shù)據和專家經驗，形成垂直化、場景化、專業(yè)化的工業(yè)應用模型。相對于基礎大模型，工業(yè)大模型具有參數(shù)量少、專業(yè)度高、落地性強等優(yōu)勢，可以為工業(yè)垂直領域的技術突破、產品創(chuàng)新、生產變革等提供低成本解決方案。

工業(yè)大模型深度賦能新型工業(yè)化的三大方向

一是工業(yè)大模型推動生產制造高效化發(fā)展，大幅縮短生產周期。

大模型可以依托自身強大的知識儲備和推理能力，代替?zhèn)鹘y(tǒng)生產中大量重復性、機械性的勞動，從而大幅縮短生產周期，使生產效率產生質的飛躍。

在研發(fā)環(huán)節(jié)，大模型可以通過對產品結構數(shù)據進行分析，從微觀層面探究產品的構型和機理，并創(chuàng)造性地生成具有新結構、新特性的產品。例如在石化行業(yè)，人工智能大模型可以在對大量已知材料的分子數(shù)據進行訓練的基礎上，找到適合目標場景的最優(yōu)候選材料，并生成適合的催化劑分子設計方案，從而大大縮短催化劑研發(fā)時間，降低催化劑研發(fā)成本。在藥物研發(fā)的核心環(huán)節(jié)——靶點發(fā)現(xiàn)環(huán)節(jié)，需要對靶點做大量的生物學假設，并設計一系列實驗進行驗證，周期非常漫長。用藥物分子結構數(shù)據和與疾病相關的知識圖譜對大模型進行微調訓練，使模型掌握與疾病靶點相互作用的分子特征，從而可以自動生成新的藥物分子設計方案。

在設計環(huán)節(jié)，大模型可以生成創(chuàng)新性的產品設計方案，更好地輔助技術人員將設計構思和意圖快速轉化為具體實施方案。以傳統(tǒng)工業(yè)設計為例，大模型可以嵌入在CAD軟件的后端，實現(xiàn)設計草圖的快速生成，并輔助進行布局優(yōu)化、參數(shù)校核，大幅縮減工業(yè)設計耗時，提升產品研發(fā)效率。例如，國內某頭部家電制造企業(yè)目前已探索基于自研工業(yè)大模型的工業(yè)信息生成系統(tǒng)，根據用戶需求交互，進行產品工程圖等可視化文件的輔助生成，后續(xù)可利用文生視頻大模型實現(xiàn)標準三維產品模型的快速制作及動態(tài)仿真，提升產線的智能化水平和研發(fā)設計的效率。

在工藝優(yōu)化環(huán)節(jié)，傳統(tǒng)方法需要采用不同的工藝參數(shù)組合進行多輪次測試，以獲得最佳結果，而這需要花費大量時間進行人工調試和實驗。大模型可以利用歷史工藝數(shù)據進行微調訓練，結合新的工藝參數(shù)組合，在碰撞測試中快速預測出碰撞響應情況。這有助于在短時間內縮小最佳工藝參數(shù)的篩選范圍，以縮短測試優(yōu)化周期。

二是工業(yè)大模型將有效降低生產制造的成本消耗，推進制造業(yè)綠色化、集約化發(fā)展。

在產品仿真環(huán)節(jié)，大模型可以利用自身的生成能力提供符合設計要求的虛擬化仿真測試場景/環(huán)境。近期OpenAI推出的文生視頻大模型Sora已經展示出模擬真實世界物理環(huán)境的能力，并能實現(xiàn)符合簡單物理規(guī)則的人-物、物-物互動，后續(xù)有望通過文字提示，快速構建工業(yè)級三維仿真場景和產品設計模型，輔助進行工業(yè)設計、測試等，實現(xiàn)對生產過程的真實模擬，從而大幅減少傳統(tǒng)工業(yè)設計中因構建三維虛擬環(huán)境所消耗的人工和計算資源。

例如在汽車制造中必不可少的碰撞測試環(huán)節(jié)，通過引入前期積累的車輛結構、碰撞數(shù)據以及材料特性等數(shù)據并進行微調訓練，大模型可以了解車輛結構、材料屬性與碰撞響應程度之間的內在關系，并模擬生成特殊場景中的碰撞情況，減少傳統(tǒng)生產中因構建此類測試環(huán)境而花費的大量人力、物力成本。

在生產調度環(huán)節(jié)，大模型可以對產線的關鍵節(jié)點進行智能化調度和控制，以減少因流程冗余而導致的物料消耗。生產方可以利用產線流程的歷史數(shù)據對大模型進行微調，使其更好地理解生產需求、資源可用性、任務優(yōu)先級之間的復雜關系，從而優(yōu)化各節(jié)點的任務分配和調度，減少物料和能源的消耗。

例如在大型制造產線的多機協(xié)同中，大模型可以利用不同工序機器人的生產流程數(shù)據進行微調訓練，掌握機器人的技能、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(zhí)行不同任務的效率。當新的任務或物料到達時，模型可以快速決策分配給哪個機器人，從而減少因機器人閑置、物料冗余配送所帶來的成本消耗。同時，大模型自身就可以對不同格式、不同來源的數(shù)據進行快速整理分類，輔助制作微調訓練的數(shù)據集，降低人工整理數(shù)據的成本，實現(xiàn)數(shù)據和模型的良性互動。

三是工業(yè)大模型推動生產制造柔性化發(fā)展，實現(xiàn)解決方案在不同場景中的快速適配。

在質量檢測環(huán)節(jié)，大模型強大的遷移學習能力可以助力實現(xiàn)對不同生產場景中產品質量缺陷、人員違規(guī)操作、零部件裝配誤差等的快速高效視覺檢測。

例如在印刷電路板的缺陷檢測中，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(shù)據和本地化訓練的情況下，直接對原始圖像進行像素級分割，再配合簡單的規(guī)則，實現(xiàn)對短路、焊橋、開路等瑕疵的識別，從而規(guī)避本地化訓練調參帶來的數(shù)據獲取難、訓練調參慢等問題，并可快速適配到不同批次、不同型號的其他電路板檢測中，實現(xiàn)柔性生產。同時，技術人員可以通過語言提示細化檢測需求，實現(xiàn)對同一塊電路板不同類型、不同區(qū)域、不同等級缺陷的檢測，擴展檢測范圍，提升應用靈活性，實現(xiàn)定制化檢測。

在運動控制環(huán)節(jié)，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(zhí)行不同的任務。例如，在大型結構件的裝配中，給大模型輸入指令“請寫一段PLC程序，控制機械手抓取零件A，并通過最短路徑放置在零件B的上表面”。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(yè)機器人的靈活度，實現(xiàn)柔性化的產線控制。

在供應鏈管理環(huán)節(jié)，可以利用大模型對供應鏈中各類別、各模態(tài)的數(shù)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、響應更快速的工業(yè)產品供應鏈體系。例如在倉儲管理中，使用以多模態(tài)大模型為“大腦”的機器人進行貨架管理、庫存管理和訂單揀貨等操作，通過人工進行簡單的場景需求提示，結合模型的強視覺泛化能力，可以由同一機器人執(zhí)行自主貨架定位、貨物分揀和貨物轉運等操作，并能根據提示詞快速應用到不同類型的貨倉中，提升倉儲管理的柔性化程度。

工業(yè)大模型深度賦能新型工業(yè)化的發(fā)展建議

當前，受制于計算資源、工業(yè)數(shù)據、模型可解釋性等因素，我國對工業(yè)大模型的探索還處于初期階段，深度賦能新型工業(yè)化還有較大發(fā)展空間。在工業(yè)大模型的應用推廣中，主要面臨三個突出問題：一是缺乏高質量的工業(yè)語料數(shù)據為大模型的微調訓練提供支撐；二是工業(yè)需求方與基礎大模型技術支持方難以深入場景形成有效合作，缺乏具備明顯成效的工業(yè)大模型應用范式；三是缺少工業(yè)大模型的應用性能、測試評估等機制。針對上述問題，建議從以下三方面進行突破。

一是構建大模型工業(yè)數(shù)據集供給體系。鼓勵信息技術龍頭企業(yè)、工業(yè)企業(yè)、高等院校、科研院所及其他具備相關研究基礎的機構，構建工業(yè)語料庫公共平臺，聚焦重點行業(yè)的典型場景，沉淀高質量工業(yè)語料數(shù)據，為工業(yè)大模型供給必要數(shù)據。通過資金補貼、稅費減免、政策傾斜等措施，引導鋼鐵、電子裝備、電力和石油化工等重點工業(yè)行業(yè)的市場主體，將工業(yè)場景數(shù)據開放至公共平臺，形成涵蓋國內重點工業(yè)領域的數(shù)據資源池。

二是加強大模型工業(yè)應用的生態(tài)推廣。整合碎片化的工業(yè)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(yè)應用典型場景，明確各場景對大模型的量化需求指標，并推動建立相關行業(yè)標準。建立大模型供給側與企業(yè)應用側之間的供需對接機制，促進形成若干大模型研發(fā)與制造業(yè)協(xié)同發(fā)展的特色產業(yè)集群、企業(yè)聯(lián)合體，并推動樹立一批工業(yè)大模型的標桿性、示范性應用。

三是完善大模型工業(yè)應用的評測機制。在模型側，建立標準化的大模型工業(yè)應用問題測試集，構建高效可信的評測體系，圍繞大模型知識能力、穩(wěn)定性、安全性等關鍵性能進行周期性評估工作；在企業(yè)側，制定工業(yè)大模型應用滲透度等指標體系，輔助進行大模型應用實施情況的評估診斷。根據產業(yè)結構、數(shù)據要素分布的變化對評測評估指標進行動態(tài)調整，以促進工業(yè)大模型持續(xù)賦能新型工業(yè)化。

審核編輯 黃宇