構(gòu)建萬(wàn)物互聯(lián)的智能世界邁向智能世界工業(yè)與AI融合應(yīng)用指南1當(dāng)今世界正處于百年未有之大變局之中，全球產(chǎn)業(yè)競(jìng)爭(zhēng)格局正在發(fā)生深刻重構(gòu)。工業(yè)作為立國(guó)之本、強(qiáng)國(guó)之基，始終是國(guó)家綜合實(shí)力的核心支撐和關(guān)鍵支柱。歷史的實(shí)踐反復(fù)證明，沒(méi)有強(qiáng)大的工業(yè)體系，就沒(méi)有經(jīng)濟(jì)的繁榮與國(guó)家的長(zhǎng)治久安。在中國(guó)從制造大國(guó)邁向制造強(qiáng)國(guó)的征程中，新型工業(yè)化是必由之路，而工業(yè)與人工智能（AI）的深度融合，正成為產(chǎn)業(yè)轉(zhuǎn)型升工業(yè)與AI融合：新時(shí)代的必然選擇工業(yè)革命的歷史，是一部技術(shù)賦能產(chǎn)業(yè)升級(jí)的歷史。從機(jī)械化、電氣化到信息化，每一次技術(shù)躍遷都重塑了工業(yè)生產(chǎn)的范式。今天，以AI為代表的智能技術(shù)，正在開(kāi)啟第四次工業(yè)革命的新篇章。AI不僅是一種工具，更是一種全新的生產(chǎn)力，它通過(guò)數(shù)據(jù)驅(qū)動(dòng)、知識(shí)沉淀和智能決策，為工業(yè)賦予“感知、認(rèn)知、決策”的能力，推動(dòng)工業(yè)體系從“自動(dòng)化”向“智能化”躍升。在中國(guó)推進(jìn)新型工業(yè)化的關(guān)鍵階段，工業(yè)與AI的深度融合意義尤為深遠(yuǎn)。當(dāng)前，中國(guó)工業(yè)發(fā)展正面臨多重挑戰(zhàn)，包括資源環(huán)境約束持續(xù)加劇、勞動(dòng)力成本不斷上升、全球產(chǎn)業(yè)鏈競(jìng)爭(zhēng)壓力日益增大。而AI技術(shù)的高速發(fā)展為破解這些難題及實(shí)現(xiàn)產(chǎn)業(yè)轉(zhuǎn)型升級(jí)提供了全新路徑。通過(guò)AI優(yōu)化生產(chǎn)流程、提升能源效率、推動(dòng)產(chǎn)品與服務(wù)創(chuàng)新，我們能夠有效推動(dòng)工業(yè)發(fā)展由依賴(lài)“規(guī)模紅利”轉(zhuǎn)向“效率紅利”和“創(chuàng)新紅工業(yè)與AI融合的實(shí)踐：從場(chǎng)景突破到生態(tài)繁榮《工業(yè)與AI融合應(yīng)用指南》系統(tǒng)梳理了AI在工業(yè)領(lǐng)域的落地路徑與實(shí)踐經(jīng)驗(yàn)。我們欣喜地看到，AI技術(shù)已在汽車(chē)、電子信息、石化、鋼鐵、礦山、制藥等七大行業(yè)展現(xiàn)出顯著價(jià)值：在汽車(chē)制造中，AI驅(qū)動(dòng)的柔性生產(chǎn)線實(shí)現(xiàn)個(gè)性化定制；在半導(dǎo)體領(lǐng)域，AI輔助的缺陷檢測(cè)將良品率提升至新高度；在礦山和鋼鐵行業(yè)，AI賦能的智能調(diào)度與能效優(yōu)化大幅降低碳排放……這些實(shí)踐充分證明，AI不僅是技術(shù)創(chuàng)新的標(biāo)志，更是工業(yè)提質(zhì)然而，AI在工業(yè)的規(guī)?；涞厝悦媾R諸多挑戰(zhàn)。數(shù)據(jù)孤島嚴(yán)重、算力成本高昂、知識(shí)沉淀不足、生態(tài)協(xié)同薄弱等問(wèn)題制約著AI潛力的釋放。為此，本指南提出“三層五階八步”的轉(zhuǎn)型方法論，從戰(zhàn)略規(guī)劃到執(zhí)行落地，為企業(yè)提供系統(tǒng)化的智能升級(jí)路徑。更重要的是，提出“工2業(yè)智能普惠化”的愿景，呼吁產(chǎn)業(yè)界一起推動(dòng)“算力底座平權(quán)、工業(yè)數(shù)據(jù)就緒、工業(yè)知識(shí)升華、行業(yè)生態(tài)成熟”，推動(dòng)AI技術(shù)從大行業(yè)、大場(chǎng)景、大企業(yè)的先行先試，逐步普惠至全工業(yè)中國(guó)工業(yè)體系規(guī)模龐大、場(chǎng)景豐富，為AI技術(shù)提供了廣闊的應(yīng)用舞臺(tái)。與此同時(shí)，中國(guó)在5G、云計(jì)算、大數(shù)據(jù)等新型基礎(chǔ)設(shè)施上的領(lǐng)先優(yōu)勢(shì)，為工業(yè)與AI的融合與落地奠定了堅(jiān)實(shí)基礎(chǔ)，為AI賦能工業(yè)探索有效路徑。我們相信，通過(guò)產(chǎn)學(xué)研用協(xié)同創(chuàng)新，中國(guó)完全有能力走出一在這一進(jìn)程中，需要政府、企業(yè)、科研機(jī)構(gòu)與生態(tài)伙伴的共同努力。政府需加強(qiáng)政策引導(dǎo)與標(biāo)準(zhǔn)建設(shè)，企業(yè)需以開(kāi)放心態(tài)積極擁抱技術(shù)變革，科研機(jī)構(gòu)需深耕核心技術(shù)突破，生態(tài)伙伴則需協(xié)同構(gòu)建共享共贏的行業(yè)生態(tài)及平臺(tái)。唯有如此，才能實(shí)現(xiàn)從單點(diǎn)創(chuàng)新到全局智能的跨越。本指南將為行業(yè)提供一盞明燈，幫助企業(yè)在智能化浪潮中找準(zhǔn)方向、少走彎路。我們期待，通過(guò)全行業(yè)的共同努力，推動(dòng)中國(guó)工業(yè)邁向更高效、更綠色、更創(chuàng)新的未來(lái)，為全面建設(shè)3工業(yè)與AI融合是中國(guó)人工智能的領(lǐng)先之路人工智能的時(shí)代才剛剛開(kāi)始，但卻以前所未有的廣度、深度和速度，深刻影響著全球科技、經(jīng)濟(jì)和社會(huì)格局。工業(yè)乃國(guó)之根基，中國(guó)的人工智能發(fā)展道路尤其應(yīng)當(dāng)重視工業(yè)領(lǐng)域，追求的應(yīng)該是在行業(yè)領(lǐng)域構(gòu)筑大模型的全球領(lǐng)先地位，我們要敢于開(kāi)放工業(yè)場(chǎng)景，讓中國(guó)人工智能在工業(yè)應(yīng)用上領(lǐng)跑世界；同時(shí)，中國(guó)的大模型更應(yīng)注重多模態(tài)、智能決策、科學(xué)計(jì)算，從而工業(yè)與AI融合是企業(yè)的時(shí)代機(jī)遇，關(guān)鍵是構(gòu)建AI原生思維作為全球領(lǐng)先的ICT（信息與通信）基礎(chǔ)設(shè)施、云和智能終端提供商，華為提出了全面智能化戰(zhàn)略。依托20多年來(lái)數(shù)字化轉(zhuǎn)型的經(jīng)驗(yàn)，在研發(fā)、制造、供應(yīng)、銷(xiāo)售、服務(wù)、財(cái)經(jīng)、人力資源等領(lǐng)域，我們基于業(yè)務(wù)流程梳理智能化場(chǎng)景，圍繞客戶(hù)體驗(yàn)提升、生產(chǎn)效率提升、產(chǎn)品競(jìng)爭(zhēng)力提升、防控關(guān)鍵風(fēng)險(xiǎn)，以及業(yè)務(wù)模式創(chuàng)新等業(yè)務(wù)目標(biāo)引入智能化技術(shù)，通過(guò)云原生的新型IT企業(yè)要在智能時(shí)代抓住機(jī)遇，用AI構(gòu)筑自身的領(lǐng)先優(yōu)勢(shì)，最核心的是要構(gòu)筑起AI原生的思維，將AI技術(shù)和工具作為核心要素，來(lái)重新思考和設(shè)計(jì)企業(yè)流程、IT、業(yè)務(wù)創(chuàng)新，充分發(fā)揮AI潛第一，構(gòu)建多元算力、彈性、高效的AI原生云基礎(chǔ)設(shè)施：很快，企業(yè)對(duì)AI算力的需求超過(guò)對(duì)通用算力的需求，構(gòu)建多元、彈性、高效的AI算力基礎(chǔ)設(shè)施成為人工智能發(fā)展的關(guān)鍵。華為云CloudMatrix通過(guò)將CPU、NPU、DPU、存儲(chǔ)和內(nèi)存等資源全部互聯(lián)和池化，構(gòu)建起一切可池第二，構(gòu)建以知識(shí)為中心的數(shù)據(jù)底座：在企業(yè)場(chǎng)景下，人工智能的發(fā)展取決于算法、算力，更依賴(lài)在企業(yè)應(yīng)用場(chǎng)景中積累出來(lái)的實(shí)踐知識(shí)和數(shù)據(jù)。華為云DataArts，打造了大數(shù)據(jù)與AI、數(shù)據(jù)開(kāi)發(fā)與治理、以及知識(shí)服務(wù)融為一體的數(shù)據(jù)底座，為企業(yè)構(gòu)筑起面向AI時(shí)代、以知識(shí)4第三，構(gòu)建多模態(tài)、多尺寸的模型：企業(yè)應(yīng)用場(chǎng)景的多樣性，決定了必須構(gòu)建系列模型來(lái)實(shí)現(xiàn)場(chǎng)景和模型匹配，華為云盤(pán)古大模型核心定位是“為行業(yè)解難題”，本書(shū)中詳細(xì)解讀了盤(pán)人工智能發(fā)展邁向第四階段，2025成為工業(yè)與AI融合的元年，產(chǎn)業(yè)實(shí)現(xiàn)智從人工智能發(fā)展的階段看，首先是Talk，以O(shè)penAI發(fā)布的ChatGPT為標(biāo)志，實(shí)現(xiàn)了自然語(yǔ)言交互；其次是Think，以DeepSeek發(fā)布為標(biāo)志，實(shí)現(xiàn)了深度思考；接下來(lái)是Agent，可以執(zhí)行具體任務(wù)；第四階段，將進(jìn)入一個(gè)更加顛覆的創(chuàng)新階段，人工智能將引發(fā)生物、科學(xué)領(lǐng)域的革命，幫助人類(lèi)發(fā)現(xiàn)尚未發(fā)現(xiàn)的物理規(guī)律、解開(kāi)數(shù)學(xué)謎題，最終實(shí)現(xiàn)通用人工智能，這個(gè)階段，也將是工業(yè)和AI深度融合的階段，具身智能在工業(yè)領(lǐng)域也會(huì)實(shí)現(xiàn)規(guī)模應(yīng)用，必將為工業(yè)制造的中國(guó)的人工智能發(fā)展，工業(yè)與AI的融合，生態(tài)構(gòu)建是關(guān)鍵所在華為致力于將OpenPangu、Mind系列應(yīng)用使能套件及工具鏈、CANN算法、靈衢基礎(chǔ)協(xié)議的開(kāi)源開(kāi)放，并通過(guò)開(kāi)發(fā)者培養(yǎng)計(jì)劃，培養(yǎng)全球百萬(wàn)昇騰開(kāi)發(fā)者和AI原生軟件開(kāi)發(fā)者，促進(jìn)企業(yè)場(chǎng)景所需的模型算法千模百態(tài)、AI原生軟件百花齊放，讓企業(yè)能夠聚焦于模型與場(chǎng)景優(yōu)化，華為常務(wù)董事、華為云CEO5業(yè)界將AI技術(shù)的演進(jìn)歷程大致劃分為PerceptionAI、GenerativeAI、AgenticAI、PhysicalAI四個(gè)階段。當(dāng)前，AI技術(shù)正從GenerativeAI向AgenticAI和PhysicalAI邁進(jìn)。工業(yè)也在積極擁抱AI，我們看到AI技術(shù)發(fā)展與其在產(chǎn)業(yè)應(yīng)用間的時(shí)差正在縮短。從當(dāng)前看，PerceptionAI在工業(yè)領(lǐng)域的應(yīng)用已相對(duì)成熟；GenerativeAI發(fā)展時(shí)間較短，但在工業(yè)領(lǐng)域也形成了一批高潛力的應(yīng)用，等；而更加前瞻性的AgenticAI和PhysicalAI在工業(yè)的應(yīng)用仍處于探索階段，受制于模型幻覺(jué)、安全和可靠性等關(guān)鍵因素，工程化落AI在工業(yè)研/產(chǎn)/供/銷(xiāo)/服等不同業(yè)務(wù)環(huán)節(jié)的落地速度不同，呈現(xiàn)明顯的“雙曲線”特征——小模型率先在制造場(chǎng)景落地，這是由于小模型在準(zhǔn)確性、穩(wěn)定性、實(shí)時(shí)性以及可解釋性等方面具有顯著優(yōu)勢(shì)；大模型率先在研發(fā)和銷(xiāo)售服務(wù)場(chǎng)景落地，這是由于大模型更適合開(kāi)放、創(chuàng)新性的生成泛化類(lèi)場(chǎng)景，例如代碼生成、知識(shí)問(wèn)答、智能客服等。基于大小模型各自的技術(shù)特性和適用場(chǎng)景的互補(bǔ)性，我們預(yù)判二者將在工業(yè)領(lǐng)域長(zhǎng)期共存、憧憬2035年，我們預(yù)見(jiàn)工業(yè)智能將在與人類(lèi)對(duì)齊（人）、與機(jī)器共融（機(jī)）、與生產(chǎn)協(xié)同優(yōu)化（料）、與工業(yè)知識(shí)共智（法）、與物理世界交互（環(huán)）等五個(gè)方面將取得長(zhǎng)足的進(jìn)步。在AI的幫助下，工業(yè)軟件等生產(chǎn)工具將從計(jì)算機(jī)輔助人模式（CAx）向人輔助計(jì)算機(jī)模式（HAx）轉(zhuǎn)變。未來(lái)的商業(yè)模式將是AI解決方案提供商直接向工業(yè)企業(yè)交付結(jié)果、創(chuàng)造價(jià)值，實(shí)現(xiàn)ResultasaService。在這一變革中，人類(lèi)與技術(shù)的角色關(guān)系將重新定義，人類(lèi)角色向更高階的提出問(wèn)題和監(jiān)督執(zhí)行轉(zhuǎn)變，大多數(shù)體力和腦力勞動(dòng)將由PhysicalAI和AgenticAI完成。此外，從更大范圍看，工業(yè)與AI的融合還將通過(guò)重塑未來(lái)工業(yè)，改變消費(fèi)者的生活方式和社會(huì)組織形態(tài)，將人類(lèi)帶向更美好的然而，前路并非坦途。工業(yè)與AI的融合過(guò)程中還面臨重重挑戰(zhàn)。一是AI可靠性與泛化的瓶頸；二是AI技術(shù)更新快與工業(yè)穩(wěn)定性的矛盾；三是工業(yè)企業(yè)在數(shù)據(jù)、技術(shù)上的就緒度不足；四是工業(yè)know-how門(mén)檻高、場(chǎng)景碎片化制約項(xiàng)目復(fù)制擴(kuò)展；五是由以上因素在本指南中，我們沿著7個(gè)工業(yè)細(xì)分行業(yè)的業(yè)務(wù)流程，梳理了當(dāng)前行業(yè)的挑戰(zhàn)與痛點(diǎn)，并從行業(yè)的業(yè)務(wù)流程出發(fā)，系統(tǒng)梳理出7大行業(yè)與AI融合的高價(jià)值場(chǎng)景、業(yè)內(nèi)最佳實(shí)AI不僅是技術(shù)升級(jí)，更是一場(chǎng)涉及場(chǎng)景、流程、組織、人才和文化的全方位變革，需要方法論的指導(dǎo)才能成功。我們提出企業(yè)人工智能技術(shù)體系架構(gòu)，通過(guò)“三統(tǒng)一”夯實(shí)基礎(chǔ)、“三大工程”搭建能力、場(chǎng)景應(yīng)用實(shí)現(xiàn)價(jià)值，形成可落地、可擴(kuò)展、可“三層五階八步”方法輪是基于實(shí)踐的總結(jié)——第一層聚焦于重新定義智能業(yè)務(wù)，6第二層專(zhuān)注于AI的開(kāi)發(fā)與交付，第三層強(qiáng)調(diào)持續(xù)運(yùn)營(yíng)智能應(yīng)用。從實(shí)施路徑看，工業(yè)企業(yè)應(yīng)圍繞業(yè)務(wù)場(chǎng)景、流程、組織、數(shù)據(jù)、IT五個(gè)關(guān)鍵階段，通過(guò)明確目標(biāo)、場(chǎng)景識(shí)別、重塑流程、組織變革、數(shù)據(jù)和知識(shí)工程、AI建模與發(fā)布、AI融入業(yè)務(wù)應(yīng)用、持續(xù)運(yùn)營(yíng)等八個(gè)具體步驟，形成完整的AI實(shí)施閉環(huán)。這套方法論以場(chǎng)景驅(qū)動(dòng)確保實(shí)用性，通過(guò)組織和流程變革確?？沙掷m(xù)性，依托數(shù)據(jù)和技術(shù)支撐確?？蓪?shí)現(xiàn)性，最終實(shí)現(xiàn)AI技術(shù)與業(yè)務(wù)最后，我們展望未來(lái)，提出工業(yè)數(shù)智化“新六化”的發(fā)展趨勢(shì)?！靶铝笔菍?duì)《工業(yè)數(shù)字化/智能化2030》報(bào)告中“新四化”的繼承和發(fā)展，在此基礎(chǔ)上新增了工業(yè)智能普惠化和工控系統(tǒng)開(kāi)放化。其中，隨著算力底座平權(quán)、工業(yè)數(shù)據(jù)就緒、工業(yè)知識(shí)升華和行業(yè)生態(tài)成熟，工業(yè)智能的應(yīng)用正加速?gòu)拇笮袠I(yè)大企業(yè)大場(chǎng)景向千行萬(wàn)業(yè)及廣大中小企業(yè)的全業(yè)務(wù)流程普及，工業(yè)智能普惠化既是趨勢(shì)也是愿景，每個(gè)工業(yè)企業(yè)都將是受益者；工控系統(tǒng)開(kāi)放化則意味著從ISA-95架構(gòu)走向更加開(kāi)放解耦的云邊端網(wǎng)協(xié)同架構(gòu)，算網(wǎng)一體和開(kāi)放自動(dòng)化將推動(dòng)OICT融合的新型工控系統(tǒng)加速形成，便于AI進(jìn)一步融入核7 01 05第一章工業(yè)與AI相向而行，融合全面提速 081.1工業(yè)AI的今天和未來(lái) 091.2工業(yè)與AI的融合模式和落地挑戰(zhàn) 18第二章典型行業(yè)中工業(yè)和AI融合的場(chǎng)景 232.1汽車(chē)行業(yè)AI應(yīng)用場(chǎng)景 252.2半導(dǎo)體行業(yè)AI應(yīng)用場(chǎng)景 342.3機(jī)械裝備行業(yè)AI應(yīng)用場(chǎng)景 382.4制藥行業(yè)AI應(yīng)用場(chǎng)景 422.5鋼鐵行業(yè)AI應(yīng)用場(chǎng)景 482.6石化行業(yè)AI應(yīng)用場(chǎng)景 522.7煤礦行業(yè)AI應(yīng)用場(chǎng)景 56第三章從戰(zhàn)略到執(zhí)行，“三層五階八步”法構(gòu)建智能 633.1明確目標(biāo) 653.2場(chǎng)景識(shí)別 663.3流程重塑 673.4數(shù)據(jù)和知識(shí)工程 693.5AI建模與發(fā)布 703.6AI融合業(yè)務(wù)應(yīng)用 723.7持續(xù)運(yùn)營(yíng) 733.8組織變革和文化 75 774.1展望 784.2行業(yè)倡議 84 858工業(yè)與AI相向而行業(yè)界將AI技術(shù)的演進(jìn)歷程大致劃分為PerceptionAI、GenerativeAI、AgenticAI、PhysicalAI四個(gè)階段。當(dāng)前，AI技術(shù)正從GenerativeAI向AgenticAI和PhysicalAI邁進(jìn)。AgenticAI具備自主完成復(fù)雜任務(wù)鏈條的能力，包括理解任務(wù)、規(guī)劃路徑、調(diào)用工具并執(zhí)行反饋的端到端閉環(huán)；PhysicalAI的重點(diǎn)在于打破虛擬與現(xiàn)實(shí)的界限，讓AI系統(tǒng)通過(guò)機(jī)器人等工業(yè)裝備實(shí)體，在物理世界中實(shí)現(xiàn)環(huán)境感知、交互和執(zhí)行。二者共同推動(dòng)AI從“能理解”、“能生成”向“能認(rèn)知”的新階段跨越。（圖1-1:AI技術(shù)演進(jìn)與工業(yè)應(yīng)用的所處階段）AIAIAgenticAlPerceptionAlGenerativeAlPhysicalAlGAPAI在AI在.創(chuàng)成式設(shè)計(jì)·基于求解器的生產(chǎn)計(jì)劃排程·PLC編程輔助·數(shù)字營(yíng)銷(xiāo)內(nèi)容生成與精準(zhǔn)投放·AWS推出ResearchAgents,可自動(dòng)完成生物標(biāo)志物發(fā)現(xiàn)、靶點(diǎn)篩選、文獻(xiàn)檢索和實(shí)驗(yàn)設(shè)計(jì)探索中...·英偉達(dá)推出COSMOS平臺(tái)和支持多模態(tài)"世界模型"的AV2.0自動(dòng)駕駛解決方案·基于機(jī)器視覺(jué)的外觀缺陷檢測(cè)·基于大數(shù)據(jù)的預(yù)測(cè)性設(shè)備維護(hù)工業(yè)是AI的關(guān)鍵實(shí)踐落地方向。我們看到AI技術(shù)發(fā)展與其在產(chǎn)業(yè)應(yīng)用間的時(shí)差正在縮短。從當(dāng)前看，PerceptionAI在工業(yè)領(lǐng)域的應(yīng)用已相對(duì)成熟；GenerativeAI發(fā)展時(shí)間較短，但在工業(yè)領(lǐng)域也形成了一批高潛力的應(yīng)用，如創(chuàng)成式設(shè)計(jì)、生產(chǎn)計(jì)劃瞻性的AgenticAI和PhysicalAI在工業(yè)的應(yīng)用仍處于探索階段，受制于模型幻覺(jué)、安全和可靠性當(dāng)前哪些是效果顯著的工業(yè)AI應(yīng)用場(chǎng)景？e-works對(duì)工業(yè)企業(yè)AI應(yīng)用成效的問(wèn)卷調(diào)研結(jié)果顯示，工業(yè)企業(yè)的AI應(yīng)用探索完整覆蓋了研/產(chǎn)/供/銷(xiāo)/服各環(huán)節(jié)，已經(jīng)涌現(xiàn)出大量的共性場(chǎng)景。這其中，生產(chǎn)排程與調(diào)度、產(chǎn)品輔助設(shè)計(jì)、銷(xiāo)售預(yù)測(cè)、采購(gòu)預(yù)測(cè)、質(zhì)量控制與缺陷檢測(cè)、仿真優(yōu)9化等場(chǎng)景的應(yīng)用效果較優(yōu)。這為工業(yè)場(chǎng)景未來(lái)技術(shù)投入的方向和要重點(diǎn)攻克的盲區(qū)提供了清晰指引。（圖1-2:工業(yè)AI通用場(chǎng)景及應(yīng)用效果）40%應(yīng)用場(chǎng)景集中度︵基于企業(yè)問(wèn)卷調(diào)研︶應(yīng)用場(chǎng)景集中度︵基于企業(yè)問(wèn)卷調(diào)研︶1)30%20%10%0%研發(fā)設(shè)計(jì)生產(chǎn)制造供應(yīng)鏈物流營(yíng)銷(xiāo)服務(wù)其他產(chǎn)品輔助設(shè)計(jì)產(chǎn)品輔助設(shè)計(jì)數(shù)字孿生仿真優(yōu)化生產(chǎn)流程智能輔助仿真分析輔助工廠布局和設(shè)計(jì)優(yōu)化智能評(píng)審與反饋生產(chǎn)排程與調(diào)度質(zhì)量控制與缺陷檢測(cè)安防巡檢設(shè)備故障診斷生產(chǎn)工藝優(yōu)化設(shè)備預(yù)測(cè)性維護(hù)生產(chǎn)異常預(yù)警設(shè)備/機(jī)器智能PLC等代碼調(diào)試與生成優(yōu)化能源利用采購(gòu)預(yù)測(cè)動(dòng)態(tài)庫(kù)存優(yōu)化智能分揀物流配送優(yōu)化供應(yīng)商評(píng)估供應(yīng)風(fēng)險(xiǎn)評(píng)估模擬銷(xiāo)售預(yù)測(cè)需求分析預(yù)測(cè)客戶(hù)畫(huà)像產(chǎn)品服務(wù)(自助服務(wù)問(wèn)答)智能訂單生成智能客服產(chǎn)品預(yù)測(cè)性維護(hù)產(chǎn)品定價(jià)智能推薦教學(xué)與培訓(xùn)網(wǎng)絡(luò)安全I(xiàn)T運(yùn)維輔助工業(yè)軟件代碼生成基于e-works對(duì)工業(yè)企業(yè)AI應(yīng)用成效的問(wèn)卷調(diào)研先從成效顯著、已被業(yè)界成功驗(yàn)證的場(chǎng)景切面向2035，工業(yè)智能將深度賦能“人機(jī)料法環(huán)”五大工業(yè)要素，工業(yè)與AI的融合愿?與人類(lèi)對(duì)齊（人）：AI將與人類(lèi)的經(jīng)驗(yàn)、認(rèn)知和判斷實(shí)現(xiàn)對(duì)齊，輔助提升人類(lèi)技能，減少幻覺(jué)和出錯(cuò)。每一名工程師都有一個(gè)或多個(gè)Agent，大幅提高工作效率，典型的如創(chuàng)成式設(shè)計(jì)、設(shè)備故障自主檢修、解釋質(zhì)量問(wèn)題根?與機(jī)器共融（機(jī)）：AI賦予設(shè)備全面感知、任務(wù)規(guī)劃和自主決策能力，減少意外停機(jī)時(shí)間，釋放設(shè)備最大生產(chǎn)力。典型的場(chǎng)景如設(shè)備預(yù)測(cè)性維護(hù)、?與生產(chǎn)協(xié)同優(yōu)化（料）：AI將提升物料從采購(gòu)、倉(cāng)儲(chǔ)到生產(chǎn)配送全流程的動(dòng)態(tài)精準(zhǔn)配置，實(shí)現(xiàn)更少的庫(kù)存和浪費(fèi)，更快的周轉(zhuǎn)和效率，個(gè)性化的產(chǎn)品和服務(wù)等。典型的場(chǎng)景如基于訂單數(shù)據(jù)和大數(shù)據(jù)分析預(yù)測(cè)的生產(chǎn)、精準(zhǔn)?與工藝知識(shí)共智（法）：AI將推動(dòng)生產(chǎn)工藝從經(jīng)驗(yàn)驅(qū)動(dòng)到數(shù)據(jù)驅(qū)動(dòng)、機(jī)理模型驅(qū)動(dòng)，將人工經(jīng)驗(yàn)和行業(yè)專(zhuān)識(shí)轉(zhuǎn)化為可復(fù)用的數(shù)字化規(guī)則。典型的場(chǎng)景如鋼鐵冶煉溫度控制、芯片制造良?與物理世界交互（環(huán)）：AI將依托實(shí)體在物理世界中完成對(duì)環(huán)境的理解，對(duì)人類(lèi)指令的理解和對(duì)任務(wù)的規(guī)劃、分解和執(zhí)行。機(jī)器人數(shù)量遠(yuǎn)超工人數(shù)量、人類(lèi)不再需要做危險(xiǎn)、辛苦、重從更大范圍看，工業(yè)與AI的融合還將通過(guò)重塑未來(lái)工業(yè)，改變消費(fèi)者的生活方式和?勞動(dòng)力升級(jí)重塑生產(chǎn)模式：具身智能機(jī)器人正改寫(xiě)制造業(yè)生產(chǎn)格局，2035年全球“人形機(jī)器人”市場(chǎng)規(guī)模將達(dá)到2700億元人民幣。同時(shí)，具身智能可替代全球25%的重復(fù)性、高風(fēng)險(xiǎn)制造業(yè)崗位，推動(dòng)勞動(dòng)力向技術(shù)研發(fā)、創(chuàng)意設(shè)計(jì)等高端領(lǐng)域升級(jí)，重塑生產(chǎn)?高效節(jié)能互聯(lián)，驅(qū)動(dòng)空間智能升級(jí)：隨著低碳理念與智能技術(shù)融合，智能建筑成為新建建筑和舊樓改造的主流方向。到2035年，全球智慧建筑市場(chǎng)規(guī)模預(yù)計(jì)達(dá)到1萬(wàn)億美元，這些建筑不僅能降低能源消耗，還能通過(guò)環(huán)境感?智能低碳出行，開(kāi)啟移動(dòng)第三空間：自動(dòng)駕駛技術(shù)突破與新能源轉(zhuǎn)型并行，讓出行場(chǎng)景迎來(lái)變革。2035年全球自動(dòng)駕駛汽車(chē)產(chǎn)業(yè)規(guī)模將突破7.2萬(wàn)億美元，屆時(shí)自動(dòng)駕駛車(chē)輛不僅能減少交通事故、緩解交通擁堵，還將化身“移動(dòng)第三空間”，支持辦公、娛?綠色能源更智能，呵護(hù)藍(lán)色星球：在“雙碳”目標(biāo)推動(dòng)下，可再生能源與智能技術(shù)結(jié)合加速能源轉(zhuǎn)型。2035年全球可再生能源發(fā)電總裝機(jī)容量預(yù)計(jì)增至11.2TW，通過(guò)AI調(diào)度、智能儲(chǔ)能等技術(shù)，這些可再生能源將更高效地接入電網(wǎng)，減少對(duì)傳統(tǒng)能源的依賴(lài)，在AI的幫助下，工業(yè)軟件等生產(chǎn)工具將從計(jì)算機(jī)輔助人模式（CAx）向人輔助計(jì)算機(jī)模式（HAx）轉(zhuǎn)變。未來(lái)的商業(yè)模式將是AI解決方案提供商直接向工業(yè)企業(yè)交付結(jié)果、創(chuàng)造價(jià)值，實(shí)現(xiàn)ResultasaService。在這一變革中，人類(lèi)與技術(shù)的角色關(guān)系將重新定義，人類(lèi)角色向更高階的提出問(wèn)題和監(jiān)督執(zhí)行轉(zhuǎn)變，大多數(shù)體力和腦力勞動(dòng)將由PhysicalAI和AgenticAI和完成。?AI將逐漸承擔(dān)復(fù)雜的技術(shù)工作，不僅是輔助工具，也是自主決策的“隊(duì)友”。例如，工業(yè)大模型可結(jié)合生產(chǎn)歷史數(shù)據(jù)、設(shè)備運(yùn)行參數(shù)與工藝標(biāo)準(zhǔn)，自動(dòng)生成能耗優(yōu)化、產(chǎn)能調(diào)配等具體方案，人類(lèi)無(wú)需參與基礎(chǔ)方案設(shè)計(jì)，只需聚焦關(guān)鍵節(jié)點(diǎn)的審核，大幅?與之對(duì)應(yīng)，人類(lèi)角色將向更高階的提出問(wèn)題和監(jiān)督執(zhí)行轉(zhuǎn)變——作為“管理者”，人類(lèi)負(fù)責(zé)設(shè)定AI的工作目標(biāo)與倫理邊界，確保技術(shù)方向契合業(yè)務(wù)戰(zhàn)略；作為“協(xié)調(diào)者”，人類(lèi)統(tǒng)籌AI與其他系統(tǒng)、跨部門(mén)團(tuán)隊(duì)的協(xié)作，并通過(guò)編排AI工作流，實(shí)現(xiàn)不同模塊、ResultasaService強(qiáng)調(diào)的是AI帶來(lái)的結(jié)果、價(jià)值，而非過(guò)程、工具和技術(shù)使用情況。工業(yè)企業(yè)不必深入理解AI算法，而是準(zhǔn)確定義問(wèn)題和需求，由AI解決方案提供商直接向工業(yè)企業(yè)交付結(jié)果、創(chuàng)造價(jià)值，工業(yè)企業(yè)按價(jià)值付費(fèi)。（圖1-3:AI推動(dòng)人機(jī)關(guān)系變革）AI通過(guò)革新生產(chǎn)工具將推動(dòng)人機(jī)關(guān)系變革工業(yè)與AI融合HumanAided工業(yè)與AI融合HumanAidedDesign(HAD)ComputerAidedDesign(CAD)人類(lèi)工程師只需用自然語(yǔ)言給出需求指令，然而，人類(lèi)與AI協(xié)同關(guān)系的變化并非一蹴而就——AI將經(jīng)歷從輔助人類(lèi)開(kāi)展基礎(chǔ)工作，到與人類(lèi)深度協(xié)同，再到主導(dǎo)業(yè)務(wù)流程的漸變過(guò)程，實(shí)現(xiàn)對(duì)業(yè)務(wù)的接管。?階段一：AI作為輔助角色，人類(lèi)員工承擔(dān)核心任務(wù)。人類(lèi)員工負(fù)責(zé)業(yè)務(wù)分析、指令下達(dá)以及具體業(yè)務(wù)動(dòng)作執(zhí)行等關(guān)鍵環(huán)節(jié)。而AI助手則根據(jù)人類(lèi)員工的需求和指令，去收集歷史信息數(shù)據(jù)、調(diào)取相關(guān)圖表，并生成全新的報(bào)表等，為人類(lèi)員工的決策和執(zhí)行提供數(shù)據(jù)?階段二：AI進(jìn)化為協(xié)同角色，人類(lèi)員工的工作重點(diǎn)是審核。AI副駕駛出現(xiàn)，它具備了預(yù)測(cè)業(yè)務(wù)趨勢(shì)、制定方案建議以及進(jìn)行風(fēng)險(xiǎn)預(yù)警的能力。它不再僅僅是數(shù)據(jù)的搬運(yùn)工，而是能基于對(duì)業(yè)務(wù)的理解，為人類(lèi)員工提供更具前瞻性和指導(dǎo)性的支持，人類(lèi)員工則主要對(duì)AI輸出的內(nèi)容進(jìn)行審核，對(duì)?階段三：AI成為主導(dǎo)角色，人類(lèi)員工聚焦異常處理和特定問(wèn)題改進(jìn)。更多的AI副駕駛升級(jí)為AIAgent，它能夠?qū)崿F(xiàn)流程的自動(dòng)化運(yùn)轉(zhuǎn)，并將流程進(jìn)度實(shí)時(shí)共享給人類(lèi)員工。人類(lèi)員工不再需要參與每一個(gè)業(yè)務(wù)流程的執(zhí)行，而是重點(diǎn)關(guān)注關(guān)鍵節(jié)點(diǎn)的審核、對(duì)異常問(wèn)題的接管，以及日常的監(jiān)督抽查等工作，真正從繁瑣的常規(guī)事務(wù)中解放出來(lái)，將精力投入到更具創(chuàng)造性和挑戰(zhàn)性的工作中。（圖1-4:工業(yè)AIAgent賦能工業(yè)軟件的三階段）AI角色AI助手AI助手AI副駕駛AI助手輔助工作任務(wù)流程圖AIAgent執(zhí)行工作任務(wù)流程圖通過(guò)三個(gè)階段的循序漸進(jìn)，工業(yè)AIagent與工業(yè)軟件將支撐實(shí)現(xiàn)全局最優(yōu)。從最初的不同員工、不同業(yè)務(wù)系統(tǒng)互為孤島，數(shù)據(jù)不互通；到AI先行，打破孤島，基于工業(yè)軟件提供數(shù)據(jù)源和基礎(chǔ)邏輯；再到人類(lèi)員工與AI的雙向奔赴，每個(gè)員工掌管多個(gè)AI智能體，通過(guò)自然語(yǔ)言、圖UI界面、邏輯、數(shù)據(jù)等層面形成各自的“孤島”，系統(tǒng)間數(shù)據(jù)難以互通，員工開(kāi)展工作?隨后，進(jìn)入“AI先行、軟件筑基”階段，AI打破了系統(tǒng)與數(shù)據(jù)的孤島局面。依托工業(yè)軟件（如ERP、PLM、MES等）提供的數(shù)據(jù)源和基礎(chǔ)邏輯，AI化身助手或副駕駛，能整合分散的數(shù)據(jù)與業(yè)務(wù)邏輯，助力實(shí)現(xiàn)全局層面的優(yōu)化，為后續(xù)更深度的人機(jī)協(xié)同與系統(tǒng)聯(lián)動(dòng)步演進(jìn)，多智能體協(xié)同機(jī)制走向成熟。此時(shí)，人類(lèi)員工可通過(guò)語(yǔ)言、手勢(shì)等自然交互方式，高效管理多個(gè)AI智能體；同時(shí)，不同的AI智能體之間也能順暢共享上下文，具備長(zhǎng)程AI先行，軟件筑基AAI先行，軟件筑基A 數(shù)據(jù)集成 數(shù)據(jù)集成●智能體集群AgenticAIERP●●智能體集群AgenticAIERP●AIUIAIAIUIAIUIPLM●A2AMES●A2AMCPMCPMCPPLMMESERPMCPMCPMCPPLMMESERP●MES人工智能的本質(zhì)是“數(shù)據(jù)智能”，工業(yè)數(shù)據(jù)的質(zhì)量與流通效率是工業(yè)智能能否實(shí)現(xiàn)的關(guān)?工業(yè)智能的核心并非單純的數(shù)據(jù)規(guī)模，而是數(shù)據(jù)的“有效知識(shí)密度”。要借助知識(shí)圖譜等方式融合領(lǐng)域知識(shí)，關(guān)聯(lián)多源異構(gòu)數(shù)據(jù)，將原始數(shù)據(jù)轉(zhuǎn)化為可理解、可推理的高價(jià)值信息。無(wú)質(zhì)量、無(wú)關(guān)聯(lián)的數(shù)據(jù)堆砌難以產(chǎn)生可靠的工業(yè)智能，“數(shù)據(jù)×知識(shí)”的融合才?各行業(yè)需形成統(tǒng)一的數(shù)據(jù)字典和信息模型，若缺乏統(tǒng)一標(biāo)準(zhǔn)，設(shè)備、參數(shù)、事件等核心概念的定義會(huì)陷入混亂，語(yǔ)義層面將出現(xiàn)“雞同鴨講”的狀況，數(shù)據(jù)跨系統(tǒng)應(yīng)用也會(huì)成為空談。工業(yè)迫切需要構(gòu)建基于統(tǒng)一語(yǔ)義（如OPCUA）的互聯(lián)架構(gòu)，以此實(shí)現(xiàn)從終端設(shè)?數(shù)字孿生技術(shù)可以幫助工業(yè)企業(yè)構(gòu)建“數(shù)字主線”，實(shí)現(xiàn)數(shù)據(jù)“不治而順”，進(jìn)而打造貫穿產(chǎn)品全生命周期的數(shù)據(jù)閉環(huán)。與此同時(shí)，工業(yè)領(lǐng)域的數(shù)字孿生技術(shù)能夠助力企業(yè)在隨著大模型規(guī)模參數(shù)不斷提升，人類(lèi)數(shù)據(jù)、互聯(lián)網(wǎng)數(shù)據(jù)正面臨枯竭困境。據(jù)研究機(jī)構(gòu)Epoch預(yù)測(cè)，高質(zhì)量的語(yǔ)言數(shù)據(jù)存量預(yù)計(jì)在2026年就會(huì)耗盡。但值得注意的是，機(jī)器數(shù)據(jù)、時(shí)序數(shù)據(jù)等工業(yè)數(shù)據(jù)，目前仍處于遠(yuǎn)未充分開(kāi)發(fā)的狀態(tài)，它們猶如待挖掘的海量寶藏，蘊(yùn)藏著極為巨大的發(fā)展?jié)摿?，將成為工業(yè)智能的堅(jiān)實(shí)底座。（圖1-6:高質(zhì)量語(yǔ)料數(shù)據(jù)數(shù)量及大模型開(kāi)發(fā)參數(shù)增長(zhǎng)對(duì)比）有效數(shù)據(jù)[token數(shù)量]有效數(shù)據(jù)[token數(shù)量]Llama3DBRXFalcon-180BFLAN用來(lái)訓(xùn)練LLM的數(shù)據(jù)集規(guī)模PaLMGTP-3PaLMGTP-320202022202420262028203020322034工業(yè)軟件是工業(yè)AI應(yīng)用的基礎(chǔ)，AI與工業(yè)軟件的融合也將持續(xù)加深。IDC數(shù)據(jù)顯示，2024年基礎(chǔ)工業(yè)軟件中應(yīng)用AI技術(shù)的占比為9%，隨著技術(shù)演進(jìn)，到2029年這一占比預(yù)計(jì)將提升至22%。進(jìn)一步對(duì)比二者差異：傳統(tǒng)工業(yè)軟件更側(cè)重于為員工提供數(shù)字化工具，交互上依賴(lài)傳統(tǒng)UI，集成多通過(guò)API、數(shù)據(jù)平臺(tái)等手段，付費(fèi)模式以一次性授權(quán)或按期訂閱為主。而工業(yè)AIAgent則聚焦于“員工+Agent協(xié)同”的模式，借助AI技術(shù)、自然交互方式以及知識(shí)圖譜、上下文工程、MCP1等，直接向用戶(hù)交付結(jié)果，最終按結(jié)果來(lái)付費(fèi)。（圖1-7:傳統(tǒng)工業(yè)軟件與工業(yè)AIAgent的關(guān)系）工業(yè)AIAgent?API，數(shù)據(jù)平臺(tái)工程，MCPQMSCADAI驅(qū)動(dòng)仿真CRM工業(yè)軟件工業(yè)AIAgent運(yùn)營(yíng)管理WMSCAMSRMMESEMSAPS計(jì)到2035年，工業(yè)AIAgent的應(yīng)用滲透率在工化和沉淀，大大降低了行業(yè)的入門(mén)門(mén)檻；同時(shí)，“平臺(tái)+生態(tài)”的模式不斷?碎片化，傳統(tǒng)工業(yè)軟件告別“大而全”，走向“小而專(zhuān)”。垂直場(chǎng)景不斷被解耦與重構(gòu)，工業(yè)軟件的功能模塊逐漸細(xì)分，成為一個(gè)個(gè)獨(dú)立的APP；行業(yè)Know-how也被封裝成細(xì)分行業(yè)的知識(shí)圖譜或模型，更精準(zhǔn)地服?后臺(tái)化，傳統(tǒng)工業(yè)軟件從“前臺(tái)界面”演變?yōu)椤半[形引擎”。傳統(tǒng)軟件的核心能力慢慢沉淀，成為智能化的平臺(tái)基座；以Manus為代表的“后臺(tái)自治”模式正在逐步替代傳統(tǒng)的人機(jī)交互界面，讓工業(yè)軟件在后臺(tái)更高效1MCP：ModelContextProtocol（模型上下文協(xié)議），旨在讓智能體以標(biāo)準(zhǔn)化方式接入各類(lèi)數(shù)據(jù)源與工具。結(jié)合工業(yè)領(lǐng)域?qū)嶋H需求與工業(yè)智能發(fā)展態(tài)勢(shì)，我們認(rèn)為工業(yè)多智能體系統(tǒng)將是演進(jìn)方向，而工業(yè)知識(shí)圖譜是其中的關(guān)鍵因素。工業(yè)場(chǎng)景中，數(shù)據(jù)“碎片化”與“語(yǔ)義鴻溝”問(wèn)題普遍存在。工廠內(nèi)部ERP、MES、SCADA、PLM等各類(lèi)系統(tǒng)以及傳感器、維護(hù)日志等載體所產(chǎn)生的海量、異構(gòu)數(shù)據(jù)存在格式不同、標(biāo)準(zhǔn)不一、語(yǔ)義模糊等問(wèn)題；除數(shù)據(jù)庫(kù)中的結(jié)構(gòu)化數(shù)據(jù)外，大量寶貴知識(shí)存在于非結(jié)構(gòu)化文本中，如設(shè)備說(shuō)明書(shū)、維護(hù)手冊(cè)、專(zhuān)家經(jīng)驗(yàn)總結(jié)、事故報(bào)告、技術(shù)論文等。同時(shí)，工業(yè)決策對(duì)“可解釋性”要求極高，需要構(gòu)建“認(rèn)知智能”。這是由于在涉及安全、質(zhì)量、高價(jià)值設(shè)備或關(guān)鍵流程的場(chǎng)景中，“黑箱”模型是不可接受的。因此，工業(yè)智能不僅需要“感知”能力以實(shí)現(xiàn)視覺(jué)檢測(cè)、傳感器數(shù)據(jù)轉(zhuǎn)換等，更需要“認(rèn)知”能力來(lái)理解上下文并運(yùn)用領(lǐng)域知識(shí)進(jìn)行判斷因此，我們提出“工業(yè)多智能體系統(tǒng)≈通用大模型+工業(yè)知識(shí)+物理引擎+智能應(yīng)用+數(shù)據(jù)底座”的架構(gòu)。通用大模型憑借泛化推理能力，能突破傳統(tǒng)工業(yè)軟件的規(guī)則邊界，形成動(dòng)態(tài)決策中樞；工業(yè)知識(shí)層面，基于多模態(tài)數(shù)據(jù)抽取工業(yè)知識(shí)，知識(shí)圖譜、模型作為工業(yè)Know-How的數(shù)字化載體之一，通過(guò)多模態(tài)融合與動(dòng)態(tài)更新可實(shí)現(xiàn)精準(zhǔn)決策；工業(yè)物理引擎通過(guò)高精度仿真與實(shí)時(shí)孿生，彌合數(shù)字空間與物理世界的鴻溝；工業(yè)數(shù)據(jù)底座則通過(guò)“統(tǒng)一真相源”，為其他組件提供高質(zhì)量、結(jié)構(gòu)化且易于訪問(wèn)的數(shù)據(jù)，成為驅(qū)動(dòng)知識(shí)圖譜之所以將成為工業(yè)智能化的核心競(jìng)爭(zhēng)力，是因?yàn)樗軌驅(qū)崿F(xiàn)隱性知識(shí)顯性化，從圖片、視頻、聲音等多模態(tài)數(shù)據(jù)中抽取知識(shí)，構(gòu)建工業(yè)知識(shí)基座；它能為智能決策提供支撐，通過(guò)生成式設(shè)計(jì)意圖保障與約束求解助力決策；它還具備復(fù)雜系統(tǒng)建模能力，支撐全生命周期協(xié)同，能推動(dòng)知識(shí)復(fù)用基于知識(shí)圖譜的戰(zhàn)略?xún)r(jià)值，如何共建共享是業(yè)界的關(guān)鍵命題。我們認(rèn)為，產(chǎn)業(yè)龍頭企業(yè)應(yīng)積極開(kāi)放場(chǎng)景與數(shù)據(jù)，聯(lián)合高校、研究所及生態(tài)伙伴等，共建工業(yè)知識(shí)圖譜，實(shí)現(xiàn)聯(lián)合創(chuàng)新。從工業(yè)智能的技術(shù)邏輯看，工業(yè)數(shù)據(jù)是基礎(chǔ)底座；基于此，企業(yè)可以開(kāi)展面向多模態(tài)數(shù)據(jù)的工業(yè)知識(shí)抽取工作，涵蓋結(jié)構(gòu)化文本的概念層構(gòu)建、結(jié)構(gòu)/半結(jié)構(gòu)/無(wú)結(jié)構(gòu)文檔與圖片的顯性知識(shí)抽取，以及包含2D圖紙、3D數(shù)模在內(nèi)的隱性知識(shí)挖掘?；谶@些抽取的知識(shí)，進(jìn)一步構(gòu)建知識(shí)圖譜，實(shí)現(xiàn)多門(mén)類(lèi)、多環(huán)節(jié)、多場(chǎng)景、多學(xué)科覆蓋。最終，構(gòu)建完整的工業(yè)知識(shí)圖譜，可輔助大模型推理，實(shí)現(xiàn)各類(lèi)智能應(yīng)用，推動(dòng)工業(yè)智能化邁向新高度。這一過(guò)程中，技術(shù)底座標(biāo)準(zhǔn)化、產(chǎn)學(xué)研協(xié)同共建以及知識(shí)資產(chǎn)共享需要貫穿始終，為工業(yè)知識(shí)圖譜的發(fā)展與應(yīng)用AI在工業(yè)研/產(chǎn)/供/銷(xiāo)/服各業(yè)務(wù)環(huán)節(jié)的融合速度不同，呈現(xiàn)明顯的“雙曲線”特征——小模型率先從制造端落地，大模型率先在研發(fā)和銷(xiāo)服端落地，形成了互補(bǔ)性的發(fā)展格局。這是由AI技術(shù)特性與業(yè)務(wù)場(chǎng)景的適配度所決定的。（圖1-8:AI應(yīng)用落地雙曲線規(guī)律）AI采用率AI應(yīng)用落地呈現(xiàn)雙曲線AI采用率57%43%33%29%24%14%研發(fā)設(shè)計(jì)生產(chǎn)制造小模型的應(yīng)用落地呈現(xiàn)“中間快、兩端慢”的特征2，這是由于小模型更適合特定生產(chǎn)制造場(chǎng)景的精準(zhǔn)判別和決策。生產(chǎn)制造過(guò)程對(duì)準(zhǔn)確性、穩(wěn)定性、實(shí)時(shí)性和可靠性要求極高，任何微小誤差都可能導(dǎo)致產(chǎn)品質(zhì)量下降或停工。傳統(tǒng)的小模型多為感知類(lèi)、判別式模型，專(zhuān)注于特定場(chǎng)景，經(jīng)過(guò)長(zhǎng)期輸入與輸出關(guān)系的打磨和驗(yàn)證，相比大模型而言專(zhuān)業(yè)度更高。據(jù)IDC統(tǒng)計(jì)，目前工業(yè)AI小模型的應(yīng)用占整體比例高達(dá)70%，印證了其重要性大模型的應(yīng)用落地則呈現(xiàn)“兩端快、中間慢”的特點(diǎn)，在研發(fā)設(shè)計(jì)和營(yíng)銷(xiāo)服務(wù)環(huán)節(jié)快速滲透，在生產(chǎn)制造環(huán)節(jié)進(jìn)展相對(duì)緩慢3。這是由于大模型多為大語(yǔ)言模型、生成類(lèi)模型，其技術(shù)優(yōu)勢(shì)主要體現(xiàn)在知識(shí)密集型場(chǎng)景，憑借龐大的參數(shù)體系和強(qiáng)大的泛化能力，在自然語(yǔ)言理解、文本/圖像/視頻/代碼生成、問(wèn)答推理、數(shù)據(jù)增強(qiáng)、個(gè)性化推薦等內(nèi)容創(chuàng)造領(lǐng)域表現(xiàn)優(yōu)異，這與研發(fā)設(shè)計(jì)環(huán)節(jié)的創(chuàng)意生成需求、營(yíng)銷(xiāo)服務(wù)環(huán)節(jié)的內(nèi)容創(chuàng)作等需求高度吻合。然而，其數(shù)據(jù)需求量大、算力要求高、存在幻覺(jué)風(fēng)險(xiǎn)、可解釋性不足2信通院《工業(yè)智能白皮書(shū)2022》，傳統(tǒng)AI采用率基于報(bào)告中的507個(gè)AI應(yīng)用數(shù)據(jù)3騰訊研究院《工業(yè)大模型應(yīng)用報(bào)告2024》，大模型采用率參考騰訊研究院的99個(gè)大模型應(yīng)用數(shù)據(jù)等特點(diǎn)，也限制了在某些部分生產(chǎn)制造場(chǎng)景基于大小模型各自的技術(shù)特性和適用場(chǎng)景的互補(bǔ)性，我們預(yù)判二者將在工業(yè)領(lǐng)域長(zhǎng)期共存、相互促進(jìn)。調(diào)研數(shù)據(jù)顯示4，92%的工業(yè)企業(yè)選擇在不同應(yīng)用場(chǎng)景中采用大小模型協(xié)同配合的策略，僅有8%的企業(yè)傾向于單一技術(shù)路徑。這反映了工業(yè)場(chǎng)景的復(fù)雜性和多樣化需求，也驗(yàn)證了大小模型協(xié)同發(fā)展的?大模型賦能小模型，大模型通過(guò)輔助語(yǔ)料生成、知識(shí)蒸餾轉(zhuǎn)移、模型剪枝輕量化等技術(shù)手段，有效提升小模型?小模型支撐大模型，小模型可以通過(guò)提供高效的執(zhí)行控制、業(yè)務(wù)場(chǎng)景歸納總結(jié)、逆向知識(shí)蒸餾等方式，增強(qiáng)大模型在工業(yè)環(huán)境中的實(shí)用性和可靠性，實(shí)現(xiàn)在訓(xùn)練初期的快速收斂。（圖1-9:大小模型的相互關(guān)系）·基于龐大的參數(shù)體系，理解復(fù)雜信息·泛化能力強(qiáng)·數(shù)據(jù)量需求大，算力要求高·存在幻覺(jué)、不可解釋性蒸餾1)實(shí)現(xiàn)知識(shí)轉(zhuǎn)移逆向蒸餾3)如質(zhì)檢、設(shè)備診斷、危險(xiǎn)品監(jiān)測(cè)等1.2.2工業(yè)與AI的融合模式：三位一體工業(yè)與AI的融合將在哪些層面、哪些維度進(jìn)行？具體而言，工業(yè)與AI將在應(yīng)用、技術(shù)和產(chǎn)業(yè)生態(tài)三個(gè)層面實(shí)現(xiàn)融合，體現(xiàn)為三?應(yīng)用層面：工業(yè)企業(yè)基于研產(chǎn)供銷(xiāo)服業(yè)務(wù)流程中的實(shí)際場(chǎng)景需求，以業(yè)務(wù)應(yīng)用的需求為出發(fā)點(diǎn)，選擇高價(jià)值的?技術(shù)層面：高質(zhì)量的工業(yè)數(shù)據(jù)集，特定細(xì)分領(lǐng)域的工業(yè)算法以及泛在算力4億歐智庫(kù)《2024年中國(guó)AI商業(yè)落地投資價(jià)值研究調(diào)研問(wèn)卷》部署，三方面要素的就緒度將影響AI?產(chǎn)業(yè)生態(tài)層面：豐富的AI技術(shù)供應(yīng)商加速涌現(xiàn)，將行業(yè)知識(shí)和AI技術(shù)結(jié)合，形成繁榮產(chǎn)業(yè)生態(tài)，降低工業(yè)企業(yè)AI轉(zhuǎn)型門(mén)檻。（圖1-10:AI與工業(yè)的融合的三個(gè)層面）在工業(yè)智能的演進(jìn)進(jìn)程中，對(duì)于各工業(yè)企業(yè)而言，需以應(yīng)用為牽引，以技術(shù)和產(chǎn)業(yè)為支撐，逐步邁向更高階的智能體，由低到高呈現(xiàn)從一階體到四階體的升級(jí)路徑。邁向?應(yīng)用層面，一階體聚焦應(yīng)用探索，開(kāi)展視覺(jué)識(shí)別等點(diǎn)狀應(yīng)用；二階體則開(kāi)始探索高階的數(shù)據(jù)建模與流程優(yōu)化應(yīng)用，實(shí)現(xiàn)了串點(diǎn)連線和流程智能化；三階體進(jìn)一步實(shí)現(xiàn)基于大模型的推理與決策，并推動(dòng)更大范圍單元、產(chǎn)品、系統(tǒng)的智能化；四階體中AI應(yīng)用全面滲透進(jìn)企業(yè)內(nèi)部和上下游之間，例如供應(yīng)鏈、設(shè)計(jì)等協(xié)同，實(shí)現(xiàn)跨系統(tǒng)的智能融合，乃至平臺(tái)化應(yīng)用，實(shí)?技術(shù)層面，一階體圍繞點(diǎn)狀應(yīng)用，整體數(shù)據(jù)質(zhì)量一般，算力有限，對(duì)AI應(yīng)用的支撐性不足；二階體圍繞流程線狀優(yōu)化應(yīng)用，開(kāi)始重視和提升數(shù)據(jù)的11營(yíng)銷(xiāo)服務(wù)生產(chǎn)供應(yīng)營(yíng)銷(xiāo)服務(wù)生產(chǎn)供應(yīng)研發(fā)設(shè)計(jì)研發(fā)設(shè)計(jì)工業(yè)軟件工業(yè)軟件工業(yè)網(wǎng)絡(luò)工業(yè)網(wǎng)絡(luò)智能裝備智能裝備3232收集、治理和利用能力，為更多應(yīng)用落地打好基礎(chǔ)；三階體采用行業(yè)信息模型，統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)，算法算力也基本就緒；四階體中工業(yè)數(shù)據(jù)、工業(yè)算法、算力全面繁榮，支撐AI應(yīng)用的百?產(chǎn)業(yè)生態(tài)層面，一階體由傳統(tǒng)數(shù)字化轉(zhuǎn)型供應(yīng)商支撐，開(kāi)展點(diǎn)狀探索，處于生態(tài)發(fā)展初期；二階體通過(guò)與工業(yè)企業(yè)深度合作，行業(yè)內(nèi)涌現(xiàn)能將工業(yè)與AI結(jié)合的解決方案提供商；三階體具備更豐富的AI場(chǎng)景落地能力，這得益于AI解決方案提供商提煉和沉淀了更多的共性場(chǎng)景和方案；四階體是產(chǎn)業(yè)生態(tài)的終極目標(biāo)，AI生態(tài)地圖細(xì)分且完善，AI模型、工作流在行業(yè)智能平臺(tái)積累沉淀，可任意編排調(diào)用，在各個(gè)細(xì)分工業(yè)場(chǎng)景均有高成熟度、可復(fù)制推廣的解決方案。（圖1-11:工業(yè)企業(yè)將邁向更加高階的智能體）力全面繁榮，成為企業(yè)同時(shí)我們也應(yīng)清醒地認(rèn)識(shí)到，AI作為高速發(fā)展的新興技術(shù)，與工業(yè)場(chǎng)景的融合仍面?AI可靠性與泛化瓶頸：工業(yè)領(lǐng)域?qū)I的安全、確定性及泛化能力要求極高，然而模型的幻覺(jué)、不可靠輸出與泛化失效問(wèn)題依然存在，影響大規(guī)模落地。數(shù)據(jù)顯示，39%的產(chǎn)品負(fù)責(zé)人因AI部署存在不可靠性而擔(dān)心安全風(fēng)險(xiǎn)5；45%的企業(yè)曾因決策錯(cuò)誤或“幻覺(jué)”事件導(dǎo)致聲譽(yù)受損，平均損失超55萬(wàn)美元6。?AI技術(shù)更新快與工業(yè)穩(wěn)定性的矛盾：AI算法以月為單位更新迭代，工業(yè)企業(yè)難以跟上節(jié)奏。調(diào)研顯示，60%的工業(yè)企業(yè)對(duì)AI認(rèn)知不清晰；74%的工業(yè)企業(yè)認(rèn)為自身缺乏AI技術(shù)人才和技能7，這使得工業(yè)企業(yè)在應(yīng)對(duì)快速更新?工業(yè)企業(yè)的就緒度不足：工業(yè)企業(yè)面臨數(shù)據(jù)孤島、數(shù)據(jù)質(zhì)量差、技術(shù)能力不足等難題，同時(shí)缺少構(gòu)建高質(zhì)量數(shù)據(jù)集的方法和工具支撐。50%以上的企業(yè)仍在使用文檔等原始方式進(jìn)行數(shù)據(jù)管理，只有不足1/3的企業(yè)開(kāi)展了數(shù)據(jù)治理8；71%的工業(yè)企業(yè)缺乏工業(yè)智能軟件架構(gòu)能力9，這從根本上限制了?場(chǎng)景碎片化制約項(xiàng)目復(fù)制擴(kuò)展：工業(yè)應(yīng)用場(chǎng)景多樣10、know-how門(mén)檻高企5SaaStr調(diào)研數(shù)據(jù)6Gartner調(diào)研數(shù)據(jù)7e-works調(diào)研數(shù)據(jù)8中國(guó)信息通信研究院和工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)9西門(mén)子《未來(lái)自動(dòng)化工業(yè)人工智能白皮書(shū)2022》10S&PGlobalMarketIntelligenceReport且標(biāo)準(zhǔn)不一，方案難以在不同產(chǎn)線、設(shè)備與工廠間高效遷移和復(fù)制，推動(dòng)規(guī)?；涞貢r(shí)往往面臨重重難題。42%的制造企業(yè)AI項(xiàng)目?jī)H停留在POC（概念驗(yàn)證）階段，難以規(guī)?；瘡?fù)制；45%的企業(yè)采用的企業(yè)架構(gòu)標(biāo)準(zhǔn)不統(tǒng)一11，不同部門(mén)、不同項(xiàng)目的技術(shù)體系割裂，難以實(shí)現(xiàn)跨場(chǎng)景的流程和平臺(tái)復(fù)用，極大阻礙了AI技術(shù)在更廣?嚴(yán)峻的ROI（投資回報(bào)率）挑戰(zhàn)：由于以上多種因素，特別是工業(yè)數(shù)據(jù)就緒度不足、工業(yè)應(yīng)用場(chǎng)景碎片化，導(dǎo)致初期投入成本高、成果復(fù)制難、產(chǎn)出難量化。48%的企業(yè)對(duì)AI的投資回報(bào)不清晰，因此無(wú)預(yù)算支撐12；26%的企業(yè)認(rèn)為資金支持不足，應(yīng)用成本高；32%的企業(yè)認(rèn)為缺乏適當(dāng)?shù)臉I(yè)務(wù)用例13，進(jìn)一步影響了企業(yè)對(duì)AI投入11DeloitteInsights調(diào)研數(shù)據(jù)12ControlEngineering的632份有效問(wèn)卷，面向工業(yè)企業(yè)13e-works調(diào)研數(shù)據(jù)典型行業(yè)中工業(yè)和AI融合的場(chǎng)景細(xì)分行業(yè)的AI采用率，作為衡量行業(yè)AI技術(shù)應(yīng)用程度的關(guān)鍵指標(biāo)，能夠量化地反映各行業(yè)AI轉(zhuǎn)型的進(jìn)度。參考中國(guó)信息通信研究院的工業(yè)細(xì)分行業(yè)AI用例，不同行業(yè)的AI采用率呈現(xiàn)出?一階體：以煤礦、建材、有色金屬等行業(yè)為代表。這些行業(yè)中往往是頭部企業(yè)以及部分創(chuàng)新意識(shí)較強(qiáng)的企業(yè)開(kāi)始進(jìn)行AI應(yīng)用探索，行業(yè)內(nèi)高價(jià)值的AI應(yīng)用場(chǎng)景仍有待進(jìn)一步深入提煉，AI技術(shù)在這些場(chǎng)景中的可行性和實(shí)用性也還需要更多的實(shí)踐來(lái)加以證明，才能讓更多工業(yè)企業(yè)看到AI的價(jià)值。（圖2-1:工業(yè)細(xì)分行業(yè)AI采用率）10%5%AI采用率1234?二階體：以鋼鐵、醫(yī)藥、石油化工等行業(yè)為代表。這些細(xì)分行業(yè)具備良好的數(shù)據(jù)基礎(chǔ)，通過(guò)前期的信息化建設(shè)，數(shù)據(jù)的完整性與可用性已經(jīng)顯著改善。同時(shí)，行業(yè)內(nèi)企業(yè)已經(jīng)認(rèn)識(shí)到AI在特定場(chǎng)景下的經(jīng)濟(jì)價(jià)值，比如鋼鐵行業(yè)的質(zhì)量檢測(cè)、醫(yī)藥行業(yè)的藥物研發(fā)等場(chǎng)景，初步形成了一批具有代表性的AI應(yīng)用案例，這些案例如同行業(yè)風(fēng)向標(biāo)，其產(chǎn)生的?三階體：以汽車(chē)、半導(dǎo)體及電子、能源電力等細(xì)分行業(yè)為代表。這些行業(yè)具備相對(duì)優(yōu)質(zhì)的數(shù)據(jù)基礎(chǔ)，經(jīng)過(guò)長(zhǎng)期的數(shù)字化建設(shè)積累了大量可用數(shù)據(jù)；同時(shí)也擁有較為成熟的AI生態(tài)，匯聚了眾多AI技術(shù)服務(wù)商與行業(yè)解決方案提供商；并且，它們也是AI大模型在工業(yè)?四階體：目前還沒(méi)有工業(yè)企業(yè)達(dá)成，意味著工業(yè)整體在AI深度融合與全面賦能方面仍有數(shù)字化是智能化的基礎(chǔ)，特別是數(shù)據(jù)基礎(chǔ)，商業(yè)價(jià)值回報(bào)是AI落地的關(guān)鍵驅(qū)動(dòng)因素，因此AI在行業(yè)的落地往往先在數(shù)字化程度高的、聚合性強(qiáng)的大行業(yè)和大企業(yè)開(kāi)始，并在商業(yè)回報(bào)佳的高價(jià)值場(chǎng)景優(yōu)先應(yīng)用，隨著技術(shù)進(jìn)步、成本降低、產(chǎn)業(yè)成熟，AI才逐步外溢普惠到更多行接下來(lái)我們選取七個(gè)處于不同AI轉(zhuǎn)型階段的典型行業(yè)，深入剖析其AI轉(zhuǎn)型的現(xiàn)狀、痛點(diǎn)與訴求、高價(jià)值用例地圖與領(lǐng)先實(shí)踐案例，幫助工業(yè)企業(yè)更好地理解AI能用來(lái)做什汽車(chē)行業(yè)是AI應(yīng)用的先鋒，對(duì)AI技術(shù)應(yīng)用的意識(shí)和重視度相對(duì)超前，對(duì)AI技術(shù)的探?在應(yīng)用水平方面，90%的車(chē)企已試點(diǎn)或應(yīng)用生成式AI技術(shù)，40%的車(chē)企已開(kāi)始自身的生成式AI模型訓(xùn)練；尤其是造車(chē)新勢(shì)力對(duì)AI的理解和應(yīng)用更超局，已有超過(guò)100家AI應(yīng)用與解決方案智能座艙、生產(chǎn)制造等細(xì)分方向；同同時(shí)，汽車(chē)行業(yè)競(jìng)爭(zhēng)日益激烈，企業(yè)面臨產(chǎn)品研發(fā)周期縮短、降低研發(fā)成本、實(shí)現(xiàn)?推陳出新加快：競(jìng)爭(zhēng)加劇、用戶(hù)需求變化快，倒逼車(chē)企加速新產(chǎn)品的研發(fā)和上市，產(chǎn)品研發(fā)周期正從傳統(tǒng)的5-7年壓縮至月級(jí)，這對(duì)產(chǎn)品設(shè)計(jì)的創(chuàng)新?數(shù)據(jù)成本高企：智駕系統(tǒng)開(kāi)發(fā)面臨數(shù)據(jù)標(biāo)注和處理成本高的問(wèn)題，cornercase數(shù)據(jù)采集和挖掘效率低。例如，圖像數(shù)據(jù)標(biāo)注單位成本高達(dá)5元/張，自動(dòng)駕駛所需的數(shù)據(jù)體量則達(dá)數(shù)十億張規(guī)模14；14億歐智庫(kù)《2023中國(guó)智駕大模型應(yīng)用研究報(bào)告》供應(yīng)、成本可控、性能可靠的算力將成為未來(lái)剛需。（圖2-2:汽車(chē)×AI用例地圖）業(yè)務(wù)流程典型AI用例采購(gòu)及供應(yīng)鏈沖壓焊接涂裝總裝及檢測(cè)銷(xiāo)售及服務(wù)研發(fā)設(shè)計(jì)研發(fā)設(shè)計(jì)/CNC切割+壓鑄機(jī)車(chē)輛總裝線--倉(cāng)儲(chǔ)、物流--/自營(yíng)4S店1端到端智駕大模型、世界模型2生成式設(shè)計(jì)（車(chē)身外觀、部件工程設(shè)計(jì)等）3AI賦能的智駕系統(tǒng)開(kāi)發(fā)4仿真驗(yàn)證5物料需求預(yù)測(cè)與供應(yīng)商訂單協(xié)調(diào)11自適應(yīng)焊接機(jī)器人12焊接質(zhì)量異常13機(jī)械手自動(dòng)噴涂系統(tǒng)15車(chē)輛內(nèi)部異常77（多車(chē)型混線排程、C2MAI視覺(jué)檢測(cè)CNC、焊接機(jī)器人等關(guān)鍵88991016基于大模型的智能客服17營(yíng)銷(xiāo)策略?xún)?yōu)化和內(nèi)容生成高價(jià)值場(chǎng)景積極探索的潛力型場(chǎng)景（場(chǎng)景的成熟度或需求緊迫度?定制生產(chǎn)普及：C2M模式15倒逼車(chē)企進(jìn)行柔性產(chǎn)線改造，同一車(chē)型配置組合差異可達(dá)8千-1萬(wàn)種，供應(yīng)鏈管理面臨品類(lèi)多、協(xié)同難、響應(yīng)慢等問(wèn)題，難以支持大規(guī)模定制化的為了應(yīng)對(duì)這些挑戰(zhàn)，合理運(yùn)用AI加速汽車(chē)研發(fā)設(shè)計(jì)、柔性生產(chǎn)與排程、加速數(shù)據(jù)采集和處理、開(kāi)展精細(xì)化的用戶(hù)營(yíng)銷(xiāo)與運(yùn)營(yíng)將是車(chē)企AI轉(zhuǎn)型的重點(diǎn)方向?；趯?duì)汽車(chē)制造全流程環(huán)節(jié)的梳理，我們識(shí)別了17個(gè)AI用例。其中，建議車(chē)企可以重點(diǎn)關(guān)注端到端智駕大模型、世界模型、AI賦能智駕系統(tǒng)研發(fā)、生成式設(shè)計(jì)、智能生產(chǎn)排程、AI視覺(jué)檢測(cè)等高價(jià)值場(chǎng)景。15Consumer-to-Manufacturer（消費(fèi)者到制造商）案例-端到端大模型：乾崑智駕ADS3.0端到端智駕大模型將傳感器、感知、決策規(guī)劃、控制、執(zhí)行器等多個(gè)模塊統(tǒng)一為一個(gè)端到端的神經(jīng)網(wǎng)絡(luò)，有助于實(shí)現(xiàn)全局最優(yōu)。相比傳統(tǒng)的模塊化架構(gòu)，端到端模型的神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)從規(guī)則驅(qū)動(dòng)轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動(dòng)。?端到端：采用數(shù)據(jù)驅(qū)動(dòng)方式，通過(guò)單一神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)從“視覺(jué)輸入、控制輸出”的全流程處理。該技術(shù)具有更強(qiáng)的泛化性，尤其是長(zhǎng)尾場(chǎng)景下可以接近人類(lèi)司機(jī)表現(xiàn)，通過(guò)數(shù)據(jù)驅(qū)動(dòng)替代硬件堆料和人海戰(zhàn)術(shù)；同時(shí)架構(gòu)更簡(jiǎn)潔，代碼高度整合，模塊開(kāi)發(fā)維護(hù)成本較低。然而，該技術(shù)也面臨著挑戰(zhàn)，包括對(duì)數(shù)據(jù)和算力的高要求，依賴(lài)大量標(biāo)注數(shù)據(jù)訓(xùn)練模型，存在高質(zhì)量數(shù)據(jù)和訓(xùn)練算力壁壘；同時(shí)可解釋性相對(duì)較弱，存在黑盒問(wèn)題，追溯原端到端大模型有助于實(shí)現(xiàn)全局最優(yōu)解，實(shí)現(xiàn)從規(guī)則驅(qū)動(dòng)到數(shù)傳感器感知決策特點(diǎn)端到端（End-to-End）：數(shù)據(jù)驅(qū)動(dòng)，單一神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)“視覺(jué)輸入、控制輸出”作為端到端模型的典型案例，乾崑智駕ADS3.0端到端模型通過(guò)GOD16+PDP17+本能安全網(wǎng)絡(luò)構(gòu)建汽車(chē)“仿生大腦”，讓汽車(chē)獲得類(lèi)人體驗(yàn)上限。ADS3.0突破傳統(tǒng)架構(gòu)瓶頸，擁有更低系統(tǒng)16GOD：GeneralObstacleDetection（通用障礙物識(shí)別）17PDP：Prediction,Decision-makingandPlanning（預(yù)測(cè)決策規(guī)控）?起步就能開(kāi)：路邊啟停、目的地隨時(shí)變更、自主過(guò)閘機(jī)、環(huán)島通行無(wú)憂(yōu)等能力。（圖2-4:華為乾坤智駕ADS2.0、3.0對(duì)比）BEV網(wǎng)絡(luò)BEV網(wǎng)絡(luò)1)ADS“看得到”“看得懂物”“看得懂路”++GOD網(wǎng)絡(luò)“開(kāi)得好”ADSADSVisionRadarLidarNavigationPDP網(wǎng)絡(luò)(400ms)GOD網(wǎng)絡(luò)本能安全網(wǎng)絡(luò)(200ms)類(lèi)人類(lèi)駕駛運(yùn)動(dòng)控制類(lèi)人類(lèi)駕駛運(yùn)動(dòng)控制案例-世界模型：視頻生成、空間智能、物理引擎相互融合多模態(tài)理解與生成是世界模型的基礎(chǔ)，從不同應(yīng)用場(chǎng)景會(huì)演化出不同技術(shù)路線，且隨著技術(shù)發(fā)展呈現(xiàn)融合趨勢(shì)。世界模型源于人類(lèi)自然形成的世界心智模型，主要涵蓋感知、預(yù)測(cè)、行?物理引擎可模擬真實(shí)世界里的物理定律，像牛頓運(yùn)動(dòng)定律、摩擦力、重力等，以此計(jì)算?空間智能指機(jī)器在三維空間和時(shí)間中以三維方式感知、推理與行動(dòng)的能力，優(yōu)點(diǎn)是具備"CompleteWorldModel""CompleteWorldModel"世界模型：源于人類(lèi)自然形成的世界心智模型。主要包含Persistent3DworldsgenerationPersistent3Dworldsgenerationfromasingleimage,video,textprompt,or3Dlayout25.09AplatformofgenerativeWFM25.01Agenerativeworldforgeneral-purpose24.12WonderWorld:Interactive24.12WonderWorld:Interactive3Dscenegenerationfromasingleimage24.06機(jī)器在三維空間和時(shí)間中以三維方式感知、推理和優(yōu)點(diǎn)：3D一致性AfoundationAfoundationworldmodel24.02Videogenerationmodelsasworldsimulators24.01優(yōu)點(diǎn)：動(dòng)態(tài)性，創(chuàng)造性;缺點(diǎn)：3D一致性目前業(yè)界已有Marble、Cosmos、Genesis、WonderWorld、Genie、Sora等相關(guān)成果，多世界模型可結(jié)合視頻生成、空間生成、自駕仿真等，利用2D感知、3D感知、仿真信息等要素，助力智駕場(chǎng)景發(fā)展。例如，華為通過(guò)4DSTCG18生成4D駕駛場(chǎng)景，并與仿真器聯(lián)動(dòng)開(kāi)展HIL19仿真，以此模擬不同駕駛場(chǎng)景和行為。具體流程為：首先提供Prompt輸入“車(chē)輛停在十字路口，交通燈為綠燈，車(chē)輛待對(duì)向車(chē)道上的車(chē)輛停止后啟動(dòng)，向左變道經(jīng)過(guò)十字路口，隨后車(chē)輛加速”的環(huán)境描述，結(jié)合標(biāo)注真值庫(kù)（包含對(duì)象幾何關(guān)系bbox20等）、仿真編輯器（涉及BEV21道路結(jié)構(gòu)）以及軌跡，作為4DSTCG的控制條件。接著，依據(jù)這些控制條件生成場(chǎng)景視頻，再將視頻轉(zhuǎn)換為4D空間。之后，利用駕駛硬件模擬器，結(jié)合生成的4D空間進(jìn)行場(chǎng)景推演，并與仿真器聯(lián)動(dòng)開(kāi)展HIL仿真，可模擬出急制動(dòng)、旁車(chē)加速、旁車(chē)切出、主車(chē)加速、主車(chē)減速、18STCG:Spatial-TemporalControlledGeneration19HIL:Hardware-in-the-Loop20bbox:BoundBox21BEV:Bird'sEyeView左變道等不同駕駛行為。最后，根據(jù)不同駕駛行為的模擬結(jié)果，將智駕模型進(jìn)行實(shí)車(chē)部署。（圖2-6:華為世界模型應(yīng)用案例）BEVBEV道路結(jié)構(gòu)軌跡多CameraPose序列44DSTCG控制條件HIL仿真4D空間生成（視頻轉(zhuǎn)4D空間）案例-自動(dòng)駕駛礦卡：全球首例無(wú)人駕在自動(dòng)駕駛領(lǐng)域，徐工集團(tuán)與華能伊敏礦攜手，落地了全球首例無(wú)人駕駛礦卡大規(guī)模常態(tài)化生產(chǎn)運(yùn)營(yíng)項(xiàng)目，綜合運(yùn)輸效能達(dá)到人工效率的120%，實(shí)現(xiàn)了本質(zhì)安全。?作業(yè)工況惡劣：大風(fēng)揚(yáng)塵、雨雪冰凍以及-40℃極寒氣候常見(jiàn)，運(yùn)輸?shù)缆范酁榉卿佈b軟巖坑洼泥濘濕滑土路，運(yùn)?作業(yè)流程復(fù)雜，涵蓋裝載、運(yùn)輸、卸載、運(yùn)土修路、卸土起坡、充電/換電等全無(wú)人運(yùn)輸作業(yè)，且裝載位及卸載?車(chē)輛控制難度高，礦卡自重45噸、載重130噸，尺寸為10m*4m*4.5m，需保障在復(fù)雜工況下安全行駛，?？烤槍?duì)這些情況，項(xiàng)目采用車(chē)-網(wǎng)-云協(xié)同方案，實(shí)現(xiàn)全工況全天候安全高效無(wú)人駕駛?“智能的云”：通過(guò)“上帝視角”進(jìn)一步提升安全和效率，能進(jìn)行全局車(chē)隊(duì)調(diào)度，避免路徑?jīng)_突，提升作業(yè)效率與系統(tǒng)整體安全性；工作面業(yè)務(wù)地圖可分鐘級(jí)刷新，作業(yè)位自動(dòng)眾包更新也能提升作業(yè)效率；還能實(shí)現(xiàn)車(chē)輛狀態(tài)的可視、可管，故障快速恢復(fù)以?“聰明的車(chē)”：具備靈活適應(yīng)各種復(fù)雜行駛環(huán)境的能力，搭載全冗余、高精度實(shí)時(shí)融合感知系統(tǒng)，應(yīng)對(duì)復(fù)雜工況和惡劣天氣；借助多源融合定位系統(tǒng)，在復(fù)雜環(huán)境下實(shí)現(xiàn)實(shí)時(shí)精準(zhǔn)定位；通過(guò)數(shù)據(jù)驅(qū)動(dòng)的智能規(guī)控系統(tǒng)，達(dá)成高精度軌跡跟蹤控制及作業(yè)控制，運(yùn)用LiDAR、Radar、Camera等取得的顯著效果是：100臺(tái)取消駕駛室的無(wú)人電動(dòng)礦卡實(shí)現(xiàn)常態(tài)化生產(chǎn)運(yùn)營(yíng)。連續(xù)安全穩(wěn)定運(yùn)行累計(jì)運(yùn)行35萬(wàn)公里，完成剝離量260萬(wàn)m3,單班設(shè)備出動(dòng)率90%以上，有效作業(yè)時(shí)間21-22小時(shí)/天。運(yùn)營(yíng)成本大幅降低，人員成本節(jié)約2720萬(wàn)元/年，單位剝離成本降低13.3%，年剝離費(fèi)用節(jié)省2450萬(wàn)元，還減少碳排放4.8萬(wàn)噸/年。案例-生成式設(shè)計(jì)：豐田研究所推出汽車(chē)外觀生成式設(shè)計(jì)AI工具豐田研究所推出生成式AI工具，快速生成符合工程設(shè)計(jì)約束的汽車(chē)外形草圖，提升創(chuàng)意靈感和縮短研發(fā)時(shí)間為汽車(chē)外觀設(shè)計(jì)帶來(lái)革命性變化。（圖2-7:豐田研究所打造的汽車(chē)外形生成式設(shè)計(jì)AI工具）汽車(chē)行業(yè)競(jìng)爭(zhēng)加劇，產(chǎn)品加速迭代，對(duì)研發(fā)周期和創(chuàng)新提出挑戰(zhàn)。豐田研究所研發(fā)汽車(chē)外形設(shè)計(jì)服務(wù)的AI工具，將自身工程設(shè)計(jì)經(jīng)驗(yàn)用于擴(kuò)散模型的訓(xùn)練，能快速生成汽車(chē)外觀草圖，同時(shí)對(duì)風(fēng)阻等工程設(shè)計(jì)約束進(jìn)?AI工具可以根據(jù)Prompt生成外觀設(shè)計(jì)草圖，并根據(jù)設(shè)計(jì)師對(duì)工程約束要求（例如風(fēng)阻系數(shù)、底盤(pán)高度等），自行迭代微調(diào)生成最終草圖，兼顧外觀?基于設(shè)計(jì)師提供的草圖和以自然語(yǔ)言指示的具體需求，例如“視覺(jué)重心降低”、“增加風(fēng)洞數(shù)量”、“格柵位置上移”等，該工具可以對(duì)設(shè)計(jì)基準(zhǔn)版本進(jìn)行優(yōu)化，幫助設(shè)計(jì)師激發(fā)產(chǎn)品設(shè)計(jì)靈感、縮短整體研發(fā)時(shí)間、協(xié)助案例-汽車(chē)開(kāi)發(fā)測(cè)試：廣汽基于Agent+廣汽集團(tuán)運(yùn)用AIAgent，融合企業(yè)專(zhuān)有知識(shí)，提升代碼開(kāi)發(fā)、測(cè)試效率及知識(shí)檢索等關(guān)鍵領(lǐng)域的效能，進(jìn)而縮短產(chǎn)品開(kāi)發(fā)時(shí)當(dāng)前汽車(chē)研發(fā)面臨迭代加快，新能源汽?軟件代碼開(kāi)發(fā)：人工分析需求、編寫(xiě)代碼、調(diào)試測(cè)試，開(kāi)發(fā)效率和質(zhì)量不?測(cè)試用例開(kāi)發(fā)：人工分析文檔并手動(dòng)?知識(shí)檢索：人工檢索信息耗時(shí)，還無(wú)法快速整合輿情數(shù)據(jù)與歷史DFMEA22等跨領(lǐng)域信息，且模型無(wú)法識(shí)別用戶(hù)對(duì)此，廣汽集團(tuán)采用基于Agent+領(lǐng)域知?在需求理解環(huán)節(jié)，能對(duì)復(fù)雜命令逐部分拆解并解釋作用，比如解答“這段?軟件開(kāi)發(fā)時(shí)，結(jié)合RAG23以及大語(yǔ)言模?測(cè)試用例生成過(guò)程中，Agent調(diào)用企業(yè)知識(shí)庫(kù)，通過(guò)Prompt讓大模型智能讀取和分析產(chǎn)品功能設(shè)計(jì)文檔，自動(dòng)生成測(cè)試用例和測(cè)試數(shù)據(jù)，還能自動(dòng)執(zhí)實(shí)施該方案后成效顯著，研發(fā)模式從“人工主導(dǎo)”轉(zhuǎn)向“人機(jī)協(xié)同”，實(shí)現(xiàn)操作簡(jiǎn)化到效率躍升的全方位革新。通過(guò)自動(dòng)化代碼生成、自動(dòng)測(cè)試及研發(fā)知識(shí)問(wèn)答，大幅縮短產(chǎn)品開(kāi)發(fā)周期，代碼質(zhì)量提升20%，測(cè)試用例開(kāi)發(fā)時(shí)間縮短90%，資料檢索效率提升3倍。同時(shí)，借助Agent模式的智能糾錯(cuò)與多源數(shù)據(jù)協(xié)同，重構(gòu)研發(fā)作業(yè)流程，推動(dòng)研?特斯拉基于大模型開(kāi)發(fā)自動(dòng)數(shù)據(jù)標(biāo)注、道路場(chǎng)景三維重建系統(tǒng)，加速智22DFMEA:DesignFailureModeandEffectsAnalysis（設(shè)計(jì)失效模式及后果分析）23RAG:Retrieval-AugmentedGeneration（檢索增強(qiáng)生成）駕系統(tǒng)訓(xùn)練。該系統(tǒng)通過(guò)運(yùn)用測(cè)試車(chē)隊(duì)和影子模式的行駛視頻對(duì)云端大模型進(jìn)行訓(xùn)練，再驅(qū)動(dòng)該模型自動(dòng)分割語(yǔ)義、估算視覺(jué)深度、匹配多幀之間特點(diǎn)，通過(guò)NeRF、SLAM24等算法重建三維場(chǎng)景用于智駕算法訓(xùn)練。相比傳?寶馬與MIT、Zapata.AI合作開(kāi)發(fā)生產(chǎn)排程大模型，用于生成更優(yōu)的排班配置。該模型通過(guò)輸入其他企業(yè)用于優(yōu)化運(yùn)營(yíng)的各類(lèi)算法（模擬退火、遺傳算法、并行退火等）和大量生成的解決方案，系統(tǒng)能夠在“學(xué)習(xí)”什么是好的方案后，基于寶馬生產(chǎn)機(jī)理生成最佳生產(chǎn)排班方案，最小化每個(gè)車(chē)間的閑置時(shí)間。實(shí)際應(yīng)用中，該模型表現(xiàn)持平或優(yōu)于傳統(tǒng)算法71%，節(jié)省運(yùn)?起亞汽車(chē)在Facebook平臺(tái)上線智能聊天機(jī)器人Kian，提供類(lèi)人化服務(wù)。聊天機(jī)器人可以打通本地經(jīng)銷(xiāo)商數(shù)據(jù)，為用戶(hù)提供車(chē)輛基本信息、估算金融成本、匯總優(yōu)惠活動(dòng)、競(jìng)品分析、預(yù)約試駕等服務(wù)，相比官網(wǎng)的轉(zhuǎn)化率提升3倍。24NeRF:NeuralRadianceFields（神經(jīng)輻射場(chǎng)）；SLAM:SimultaneousLocalizationAndMapping（即時(shí)定位與地圖構(gòu)建）半導(dǎo)體行業(yè)擁有前沿的算法和相對(duì)成熟的數(shù)據(jù)集，AI應(yīng)用潛力機(jī)會(huì)多，產(chǎn)業(yè)生態(tài)在?在應(yīng)用水平方面，半導(dǎo)體行業(yè)是AI應(yīng)用的率先探索者。預(yù)計(jì)到2030年，超過(guò)70%的半導(dǎo)體產(chǎn)品將由生成式AI賦能25。視覺(jué)識(shí)別、數(shù)據(jù)建模與優(yōu)化類(lèi)應(yīng)用已有成功案例，如機(jī)器視覺(jué)質(zhì)檢、芯片仿真、良率因素分析等；同時(shí)，基于大模型的推理和決策應(yīng)用也在加速探索中，包括RTL26代碼生成、測(cè)試向量生成、知識(shí)問(wèn)答等。目前市場(chǎng)上已涌現(xiàn)出半導(dǎo)體領(lǐng)域的大模型，例如英偉達(dá)開(kāi)發(fā)的ChipNeMo大語(yǔ)言模型、Aitomatic開(kāi)發(fā)的SemiKong大語(yǔ)?在產(chǎn)業(yè)生態(tài)方面，國(guó)內(nèi)半導(dǎo)體智能制造廠商快速發(fā)展和追趕。以EDA27為例，國(guó)產(chǎn)EDA市場(chǎng)份額逐步提升，本土EDA廠商合計(jì)占比由2020年的僅約6%提升至2022年的11%28，其中華大九天、概倫電子、廣力微等主要國(guó)產(chǎn)?在技術(shù)方面，前沿AI算法成熟，公開(kāi)數(shù)據(jù)集豐富。例如，光刻機(jī)光學(xué)鄰近校正算法采用兩層神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)光刻圖案模擬，基于遷移學(xué)習(xí)+K-Medoids聚類(lèi)技術(shù)減少了3-10倍訓(xùn)練所需數(shù)據(jù)量，可以實(shí)現(xiàn)光刻膠模型快速仿真。此外，數(shù)據(jù)集已覆蓋EDA設(shè)計(jì)、生產(chǎn)、制造缺陷等多領(lǐng)域，例如，北京大學(xué)AIforEDA開(kāi)源數(shù)據(jù)集，包含10,000+實(shí)際芯片工藝PDK29數(shù)據(jù)，覆蓋28nm工藝，未來(lái)將增加14nm工藝；支持繞線擁塞、設(shè)計(jì)同時(shí)，半導(dǎo)體行業(yè)也面臨研發(fā)周期長(zhǎng)、高端人才短缺、良率不足、網(wǎng)絡(luò)攻擊等現(xiàn)實(shí)?芯片研發(fā)周期長(zhǎng)：芯片功能設(shè)計(jì)、物理設(shè)計(jì)（布局、布線、版圖、設(shè)計(jì)規(guī)則檢查等）、驗(yàn)證流程復(fù)雜且耗時(shí)，全新芯片設(shè)計(jì)耗時(shí)1-3年以上，其中70%時(shí)間用于芯片驗(yàn)證和仿真階段30；?技術(shù)能力和人才短缺：芯片涉及復(fù)雜的物理、化學(xué)、材料和計(jì)算機(jī)科學(xué)知識(shí)，長(zhǎng)時(shí)間的技術(shù)積累不可或缺，高端技術(shù)人才培養(yǎng)周期長(zhǎng)、門(mén)檻高。數(shù)據(jù)顯示，2024年中國(guó)半導(dǎo)體行業(yè)人才缺口達(dá)23萬(wàn)人，芯片設(shè)計(jì)和制造業(yè)人才缺口均為10萬(wàn)人31；?良率仍有提升空間：芯片制造過(guò)程涉及數(shù)百道工藝，每道工藝的微小偏差都會(huì)影響成品的良率，目前國(guó)內(nèi)的高端制程在良品率方面仍存在明顯差25新華網(wǎng)文章《全球半導(dǎo)體產(chǎn)業(yè)格局生變》26RTL：RegisterTransferLevel（寄存器傳輸級(jí)）27EDA：ElectronicDesignAutomation（電子設(shè)計(jì)自動(dòng)化）28賽迪智庫(kù)調(diào)研數(shù)據(jù)29PDK：ProcessDesignKit（工藝設(shè)計(jì)套件）30中國(guó)科學(xué)院微電子研究所文章《驗(yàn)證--當(dāng)前SoC芯片設(shè)計(jì)難以承受之“重”》31中國(guó)半導(dǎo)體行業(yè)協(xié)會(huì)調(diào)研數(shù)據(jù)距。晶圓廠每提升1%的良率，每年利潤(rùn)可增長(zhǎng)1.5億美元32；以三星為例，4nm制程良率約75%，3nm制程良率在60%-65%之間33；?網(wǎng)絡(luò)攻擊威脅：半導(dǎo)體行業(yè)整體產(chǎn)值高，掌握大量敏感數(shù)據(jù)，極易成為黑客攻擊對(duì)象。數(shù)據(jù)顯示，88%的半導(dǎo)體企業(yè)已經(jīng)被勒索軟件或關(guān)鍵惡意IP定向針對(duì)，94%的半導(dǎo)體公司遭遇過(guò)攻擊34。與仿真驗(yàn)證、晶圓制備、光刻刻蝕摻雜、拋光封裝四大階段的7個(gè)AI用例，其中建議半導(dǎo)景。（圖2-8:半導(dǎo)體×AI用例地圖）業(yè)務(wù)流程典型AI用例EDAEDAEDA（如高純度硅）、坩堝1AI輔助芯片設(shè)計(jì)?基于大模型的RTL代碼自動(dòng)生成可制造設(shè)計(jì)檢查（DFM）2AI輔助制造工藝優(yōu)化3材料研發(fā)和性能預(yù)測(cè)4質(zhì)量問(wèn)題根因分析（RootCauseAnalysis）?在第n步檢測(cè)出問(wèn)題，在前面n-i步收集的數(shù)據(jù)快速定5機(jī)器視覺(jué)檢測(cè)和自動(dòng)缺陷分類(lèi)（ADC）晶體缺陷（CrystalDefect）等6光學(xué)鄰近矯正OPC對(duì)掩模版上的圖形進(jìn)行修正，通過(guò)改變掩模版來(lái)7光刻熱點(diǎn)（hotspot）檢測(cè)識(shí)別可能影響芯片性能的潛在問(wèn)題區(qū)域，如局部不規(guī)則、●高價(jià)值場(chǎng)景●積極探索的潛力型場(chǎng)景（場(chǎng)景的成熟度或需求緊迫度相對(duì)次之）），ADC：AutomaticDefec32granite?rm文章《YieldratecomparisonofSMIC,Rapidus,TSMC,Samsung,Intel,sadvancedprocess》33《SamsungFoundry》行業(yè)分析報(bào)告34BlueVoyant《Semiconductors,theSupplyChain&CyberSecurity2021》案例-芯片設(shè)計(jì)大模型：英偉達(dá)芯片設(shè)計(jì)專(zhuān)用大語(yǔ)言模型ChipNeMo應(yīng)對(duì)芯片領(lǐng)域的復(fù)雜專(zhuān)業(yè)知識(shí)，英偉達(dá)基于Meta的開(kāi)源大模型開(kāi)展芯片設(shè)計(jì)知識(shí)的適配預(yù)訓(xùn)練，幫助設(shè)計(jì)工程師提高效率。該模型基于Meta開(kāi)源的LLaMA2基礎(chǔ)大模型進(jìn)行適配預(yù)訓(xùn)練（Domain-AdaptivePretraining使用231億個(gè)token的域內(nèi)數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，從而增強(qiáng)模型對(duì)芯片知識(shí)的理解。進(jìn)一步，該模型使用大量公開(kāi)的通用聊天指令集和少量特定領(lǐng)域的指令數(shù)據(jù)集，確保模型適應(yīng)與人類(lèi)聊天的任務(wù)35。（圖2-9:ChipNeMo訓(xùn)練過(guò)程）430億參數(shù)的芯片設(shè)計(jì)專(zhuān)用大語(yǔ)言模型ChipNeMoLLaMA2Domain-AdaptivePretrainingLLaMA2Domain-AdaptivePretraining專(zhuān)有代碼（RTL、驗(yàn)證測(cè)試代碼等）技術(shù)文檔、錯(cuò)誤報(bào)告等）?使用10萬(wàn)-100萬(wàn)GPUhrs訓(xùn)練ChipNeMo芯片設(shè)計(jì)LLMChipNeMo在多個(gè)應(yīng)用場(chǎng)景中展現(xiàn)出優(yōu)?工程助理聊天機(jī)器人：能夠回答工程師GPU/ASIC內(nèi)部架構(gòu)、設(shè)計(jì)、驗(yàn)證等問(wèn)題。在芯片設(shè)計(jì)問(wèn)答能力標(biāo)準(zhǔn)測(cè)試中，ChipNeMo較LLaMA2得分領(lǐng)先46%；?EDA腳本生成：該模型基于Python和Tcl仿真編程語(yǔ)言，幫助工程師生成EDA腳本和流程，其生成的簡(jiǎn)單EDA腳本正確率超過(guò)70%；?錯(cuò)誤報(bào)告總結(jié)和分析：該模型可以針對(duì)研發(fā)過(guò)程中的錯(cuò)誤報(bào)告（如芯片電壓過(guò)低）進(jìn)行問(wèn)題描述、判斷技術(shù)根此外，AI在賦能芯片設(shè)計(jì)與RCA方面也AI×芯片設(shè)計(jì)：Synopsys在EDA產(chǎn)品Synopsys.ai中集成DSO.ai（芯片空間優(yōu)化AI），實(shí)現(xiàn)PPA優(yōu)化（芯片性能、功耗和面積）。首先，由開(kāi)發(fā)者輸入優(yōu)化目標(biāo)、優(yōu)化空間、可用計(jì)算資源以及設(shè)計(jì)基線流程等模型工作的前置參數(shù)；基于強(qiáng)化學(xué)習(xí)，模型按照預(yù)設(shè)優(yōu)化空間從零開(kāi)始設(shè)計(jì)芯片布局布35英偉達(dá)論文《ChipNeMo:Domain-AdaptedLLMsforChipDesign》線，并根據(jù)優(yōu)化指標(biāo)設(shè)定獎(jiǎng)勵(lì)進(jìn)行迭代，在功耗、性能、面積三大向量中探尋最優(yōu)解；最后輸出指標(biāo)表現(xiàn)最優(yōu)的是RTL及GDS36。該系統(tǒng)實(shí)際應(yīng)用效果顯著：意法半導(dǎo)體基于DSO.ai將實(shí)現(xiàn)PPA目標(biāo)的效率提升3倍以上；SK海力士基于DSO.ai成功優(yōu)化先進(jìn)工藝裸晶芯片尺寸縮減達(dá)5%。AI×良率根因分析（RCA）：Intel基于機(jī)器學(xué)習(xí)算法開(kāi)發(fā)芯片良率根因分析方案，在自有工廠中推廣應(yīng)用。芯片良率根因需挖掘數(shù)十億個(gè)參數(shù)，無(wú)異于大海撈針，涉及缺陷特征、在制品排隊(duì)時(shí)間（QTimes）、制程時(shí)間、晶圓槽間序、工具和設(shè)備日志等復(fù)雜因素。為應(yīng)對(duì)這一挑戰(zhàn)，Intel開(kāi)發(fā)增強(qiáng)決策樹(shù)、委員會(huì)方法37、特征選擇和數(shù)據(jù)規(guī)則歸納等機(jī)器學(xué)習(xí)和數(shù)據(jù)處理算法，使模型可處理嘈雜、異構(gòu)和非隨機(jī)丟失的制造數(shù)據(jù)。該算法可以根據(jù)缺陷識(shí)別影響良率的潛在根因，在生產(chǎn)過(guò)程中實(shí)時(shí)監(jiān)測(cè)晶圓缺陷，計(jì)算缺陷產(chǎn)生原因；還能在潛在缺陷顯現(xiàn)之前，通過(guò)與歷史生產(chǎn)趨勢(shì)比對(duì)進(jìn)行預(yù)測(cè)性分析。在推行這一方案后，Intel的潛在根因?qū)ふ宜俣冉档椭翈追昼?，相比傳統(tǒng)人工耗時(shí)數(shù)小時(shí)至數(shù)36GDS：GrapgicDataSystem（圖形數(shù)據(jù)系統(tǒng)），是RTL基礎(chǔ)上轉(zhuǎn)化的具體物理版圖，包含了芯片上各種幾何圖形的信息，如晶體管、導(dǎo)線、通孔等的形狀、位置和37委員會(huì)方法：committeemethod，多個(gè)不同的機(jī)器學(xué)習(xí)模型同時(shí)運(yùn)行，綜合各模型的預(yù)測(cè)結(jié)果進(jìn)行最終決策機(jī)械裝備行業(yè)龐大、類(lèi)別眾多，正積極?在應(yīng)用水平方面，機(jī)械裝備行業(yè)整體積極擁抱AI，90%+國(guó)內(nèi)先進(jìn)裝備制造工廠已經(jīng)應(yīng)用了人工智能、數(shù)字孿生等技術(shù)38；?在產(chǎn)業(yè)生態(tài)方面，國(guó)家積極培育智能制造產(chǎn)業(yè)生態(tài)，國(guó)內(nèi)目前已涌現(xiàn)10+個(gè)具身智能大模型，包括華為盤(pán)古、有鹿具身智能大模型、北京大學(xué)具身大模型ManipLLM等；?在技術(shù)方面，算力、數(shù)據(jù)、算法基礎(chǔ)扎實(shí)，具身智能運(yùn)控算法是攻堅(jiān)方向。行業(yè)內(nèi)機(jī)械裝備數(shù)據(jù)采集豐富，數(shù)據(jù)集覆蓋伺服系統(tǒng)模擬數(shù)據(jù)集、電機(jī)故障數(shù)據(jù)集、螺絲螺母等目標(biāo)檢測(cè)數(shù)據(jù)集等細(xì)分領(lǐng)域；具身智能相關(guān)運(yùn)動(dòng)算法也在加速開(kāi)發(fā)中，典型的包括靈巧手抓取、步幅控制、速度控制等；頭部企業(yè)積極部署算力，自用同時(shí)對(duì)外提供算力租用，為AI奠定了堅(jiān)智能機(jī)器人是機(jī)械裝備業(yè)“皇冠上的明珠”，與AI結(jié)合度高，也是AI探索的前沿領(lǐng)域。智能機(jī)器人有望在工業(yè)領(lǐng)域率先規(guī)?；涞兀刂I(yè)到2B商用再到2C家用的發(fā)展工業(yè)生產(chǎn)中搬運(yùn)、裝配、分揀等標(biāo)準(zhǔn)執(zhí)行類(lèi)場(chǎng)景較多，將是智能機(jī)器人的落地試驗(yàn)田。其中，具身智能+數(shù)字孿生工廠極具落地潛力，數(shù)字孿生為具身智能提供3D環(huán)境數(shù)據(jù)，幫助其深入不同環(huán)境作業(yè)；具身智能的全地形移動(dòng)能力能將數(shù)據(jù)采集、實(shí)時(shí)監(jiān)控范圍拓展到工廠全場(chǎng)景，進(jìn)而拓展數(shù)字孿生的應(yīng)用邊界。其中，離散制造因其具備大量標(biāo)準(zhǔn)化操作和穩(wěn)定環(huán)境，對(duì)負(fù)載能力、操作精度要求、時(shí)延相對(duì)不嚴(yán)苛等特點(diǎn)，成為當(dāng)下海內(nèi)外機(jī)器人廠商的重點(diǎn)布局方向，為打磨?3C制造：智能分揀、精密裝配與操2B商用機(jī)器人以商業(yè)服務(wù)和極端作業(yè)為主，智能機(jī)器人具有安全和效率優(yōu)勢(shì)。商用機(jī)器人在迎賓接待、導(dǎo)覽講解、娛樂(lè)教育等商業(yè)場(chǎng)景，以及搜救、排爆等高危特殊場(chǎng)景中應(yīng)用日益廣泛，具有安全和效率的優(yōu)勢(shì)。2C家用機(jī)器人面臨的非標(biāo)、非結(jié)構(gòu)化場(chǎng)景多，落地難度大，但空間潛力巨大——在人機(jī)互動(dòng)、家務(wù)管理、養(yǎng)老看護(hù)、情感陪伴等居家場(chǎng)景中具有廣闊發(fā)展前景。?硬件結(jié)構(gòu)設(shè)計(jì)復(fù)雜：以人形機(jī)器人為例，其關(guān)節(jié)數(shù)量遠(yuǎn)超普通工業(yè)機(jī)器人，在模仿人體力學(xué)結(jié)構(gòu)同時(shí)需要保證靈活運(yùn)動(dòng)。而中小企業(yè)普遍缺乏知識(shí)工程能力和經(jīng)驗(yàn)，設(shè)計(jì)水38先進(jìn)工廠指421家國(guó)家級(jí)示范工廠以及萬(wàn)余家省級(jí)數(shù)字化車(chē)間和智能工廠，參考國(guó)務(wù)院國(guó)有資產(chǎn)監(jiān)督管理委員會(huì)文章《開(kāi)拓智能制造更廣闊空間》平臺(tái)工業(yè)設(shè)備連接總數(shù)約8000萬(wàn)臺(tái)，核心工業(yè)設(shè)備機(jī)床+機(jī)器人增量為70萬(wàn)針對(duì)這些挑戰(zhàn)，運(yùn)用AI支撐數(shù)據(jù)合成、運(yùn)控算法優(yōu)化以及硬件結(jié)構(gòu)設(shè)計(jì)等方向具有潛力。通過(guò)分析梳理機(jī)械裝備全價(jià)值鏈，我們識(shí)別了27個(gè)AI用例，建議企業(yè)可以重點(diǎn)關(guān)注AI輔助設(shè)計(jì)、采購(gòu)計(jì)劃優(yōu)化、工業(yè)代碼生成、智能生產(chǎn)排程、AI質(zhì)檢、預(yù)測(cè)性維護(hù)、具身智能等高價(jià)值場(chǎng)景。（圖2-10:機(jī)械裝備×AI用例地圖）業(yè)務(wù)流程典型AI用例研發(fā)設(shè)計(jì)訂單管理計(jì)劃管理制造執(zhí)行發(fā)貨與服務(wù)產(chǎn)品設(shè)計(jì)產(chǎn)品設(shè)計(jì)工程設(shè)計(jì)制造設(shè)計(jì)工程設(shè)計(jì)制造設(shè)計(jì)產(chǎn)品導(dǎo)入產(chǎn)品導(dǎo)入訂單需求采購(gòu)計(jì)劃生產(chǎn)采購(gòu)計(jì)劃主計(jì)劃物料供應(yīng)排產(chǎn)工廠來(lái)料檢驗(yàn)計(jì)劃工廠來(lái)料檢驗(yàn)BOP工程質(zhì)量產(chǎn)能準(zhǔn)備追溯準(zhǔn)備工程質(zhì)量產(chǎn)能準(zhǔn)備追溯準(zhǔn)備收貨工程執(zhí)行質(zhì)量檢測(cè)工程執(zhí)行質(zhì)量檢測(cè)發(fā)料監(jiān)控與預(yù)警監(jiān)控與預(yù)警生產(chǎn)質(zhì)量加工質(zhì)量入庫(kù)入庫(kù)發(fā)貨售后售后服務(wù)服務(wù)1需求/設(shè)計(jì)文檔生成2AI輔助設(shè)計(jì)（文生圖、文生3D、以圖搜模型、版圖設(shè)計(jì)自動(dòng)糾正、服裝/鈑金切割）智能客服/問(wèn)答機(jī)器人工單智能調(diào)度3系統(tǒng)仿真智能客服/問(wèn)答機(jī)器人工單智能調(diào)度4銷(xiāo)量預(yù)測(cè)5訂單智能分配6智能營(yíng)銷(xiāo)77生產(chǎn)需求精準(zhǔn)預(yù)測(cè)10智能揀選88采購(gòu)計(jì)劃優(yōu)化11AGV自動(dòng)駕駛/路徑規(guī)劃99倉(cāng)儲(chǔ)計(jì)劃生成12供應(yīng)鏈智慧協(xié)同13工業(yè)代碼生成14智能生產(chǎn)排程15工藝流程優(yōu)化16AI精準(zhǔn)分揀17AI質(zhì)檢18智能巡檢19預(yù)測(cè)性維護(hù)20具身智能21人員安全/操作規(guī)范性監(jiān)管22232425文案生成22232426家電智能控制27客服排班高價(jià)值場(chǎng)景積極探索的潛力型場(chǎng)景（場(chǎng)景的成熟度或需求緊迫度相對(duì)次之）39中國(guó)日?qǐng)?bào)網(wǎng)數(shù)據(jù)案例-智能機(jī)器人：華為CloudRobo具身智能平臺(tái)在生產(chǎn)制造領(lǐng)域，智能機(jī)器人正逐漸成為新的工廠員工，華為CloudRobo具身智能平臺(tái)依華為CloudRobo具身智能平臺(tái)涵蓋具身規(guī)劃大模型、具身執(zhí)行大模型、具身世界大模型以及具身工具鏈。該平臺(tái)支持移動(dòng)底盤(pán)、協(xié)作臂/工業(yè)臂、復(fù)合機(jī)器人、四足機(jī)器人、人形機(jī)器人等多種機(jī)器人類(lèi)型，通過(guò)端云協(xié)同的方式，實(shí)現(xiàn)智能控制器的部署與數(shù)據(jù)回流。在具身感知層面，依靠本體、小腦實(shí)現(xiàn)實(shí)時(shí)感知與認(rèn)知；具身規(guī)劃由大腦負(fù)責(zé)，對(duì)未來(lái)動(dòng)作進(jìn)行判斷和規(guī)同時(shí)，華為云具身智能產(chǎn)業(yè)創(chuàng)新中心在多個(gè)生產(chǎn)場(chǎng)景發(fā)揮作用。例如，全自動(dòng)分揀碼垛場(chǎng)景下，裝配線原料可支持無(wú)碼獨(dú)立件；智能磨拋場(chǎng)景能夠讓已有產(chǎn)線快速支持新產(chǎn)品打磨拋光；柔性物流可實(shí)現(xiàn)物流流轉(zhuǎn)支持產(chǎn)線工藝、工序變更；智能巡檢能在原運(yùn)輸機(jī)器人的動(dòng)線上新增機(jī)器人，助力生產(chǎn)巡檢工作。（圖2-11:華為CloudRobo具身智能平臺(tái)）CloudRobo具身智能平臺(tái)(ModelArts-Edge)案例-環(huán)境感知、建模與導(dǎo)航：谷歌與伯克利大學(xué)基于大模型的機(jī)器人自主導(dǎo)航傳統(tǒng)機(jī)器人語(yǔ)言導(dǎo)航面臨著泛化能力不足，難以用于非結(jié)構(gòu)化環(huán)境的挑戰(zhàn)。一方面，數(shù)據(jù)集建設(shè)成本高，往往需要超百萬(wàn)參數(shù)的注釋數(shù)據(jù)集，包含圖像、文本指令和導(dǎo)航軌跡等多模態(tài)信息，需要較高的時(shí)間與資金投入；另一方