用时:24ms

工业互联网行业分析报告-PDF版

您的当前位置:首页 > 互联网 > 工业互联网
  • NI:2024工业测量系统构建完整指南(35页).pdf

    前和未来的测量需求:02 如何选择合适的传感器11 如何选择合适的DAQ设备:技术规格15 如何选择合适的DAQ设备:总线和组成结构21 如何选择合适的计算机24 如何选择合适的驱动程序软件27 如.

    浏览量0人已浏览 发布时间2024-04-24 35页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 华为:2024新型工业互联网平台参考架构白皮书(75页).pdf

    践行深度用云新型工业互联网平台参考架构主 编 单 位编 委 顾 问编审组成员参 编 人 员责 任 编 辑华为云计算技术有限公司尚海峰 胡玉海 李金锋徐 俊 王 飞马 奇 王 立 钱 沛 张金东 刘国锋.

    浏览量0人已浏览 发布时间2024-04-22 75页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 工业互联网产业联盟:2024工业5G终端设备发展白皮书(征求意见稿)(43页).pdf

    工业工业 5G 终端设备发展白皮书终端设备发展白皮书(征求意见稿)(征求意见稿)工工业互联网产业联盟业互联网产业联盟(AII)2024 年年 4 月月 声声 明明 本报告所载的材料和信息,包括但不限.

    浏览量0人已浏览 发布时间2024-04-18 43页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国工程院:人工智能赋能新型工业化(2024)(92页).pdf

    中国工程院周中国工程院周 济济 2024年年4月月2日日北京北京人工智能赋能新型工业化12一、推进新型工业化,加快建设制造强国二、人工智能赋能新型工业化智能制造 是推进新型工业化的主要技术路线三、以智能制造为主攻方向,全面推动制造业高质量发展四、推进人工智能赋能新型工业化的战略部署3中国共产党第二十次全国代表大会报告强调坚持把发展经济的着力点放在实体经济上,推进新型工业化,加快建设制造强国、质量强国、航天强国、交通强国、网络强国、数字中国。这为我国今后30年的经济发展道路指明了前进方向。4中央召开全国新型工业化推进大会,学习了习近平总书记的重要指示:新时代新征程,以中国式现代化全面推进强国建设、民族复兴伟业,实现新型工业化是关键任务。制造业是立国之本、强国之基。习近平习近平中国梦具体到工业战线就是加快推进新型工业化。习近平 习近平 5一、推进新型工业化,加快建设制造强国6 新时代新征程,推进新型工业化,加快建设制造强国,成为我国的国家战略。一、推进新型工业化,加快建设制造强国7立足国情、立足现实,我国确定了“三步走”的“推进新型工业化、加快建设制造强国”的战略部署:第一步,到2025年,中国全面推进新型工业化,制造业进入世界制造强国第二方阵,迈入制造强国行列;第二步,到2035年,中国基本实现新型工业化,制造业将位居世界制造强国第二方阵前列,成为名副其实的制造强国;第三步,到2045年,中国全面实现新型工业化,制造业又大又强,从世界产业链中低端迈向中高端,中国制造业进入世界制造强国第一方阵,成为世界领先的的制造强国。一、推进新型工业化,加快建设制造强国我国推进新型工业化、建设制造强国的战略部署:82025年年2035年年2045年年2025年,中国全面推进新型工业化,制造业进入世界制造强国第二方阵,迈入制造强国行列2035年,中国基本实现新型工业化,制造业将位居世界制造强国第二方阵前列,成为名副其实的制造强国2045年,中国全面实现新型工业化,中国制造业进入世界制造强国第一方阵,成为世界领先的的制造强国(第一阶段)(第二阶段)(第三步阶段)一、推进新型工业化,加快建设制造强国9一、推进新型工业化,加快建设制造强国二、人工智能赋能新型工业化智能制造 是推进新型工业化的主要技术路线三、以智能制造为主攻方向,全面推动制造业高质量发展四、推进人工智能赋能新型工业化的战略部署1.人工智能赋能新型工业化智能制造的核心要义2.智能制造的三个基本范式3.面向智能制造的人-信息-物理系统(HCPS)的进化历程4.抓住第四次工业革命的机遇,推动制造业转型升级二、人工智能赋能新型工业化智能制造 是推进新型工业化的主要技术路线1011推进新型工业化,加快建设制造强国,走一条什么样的技术路线呢?1.人工智能赋能新型工业化智能制造的核心要义推进人工智能赋能新兴工业化。推进智能制造,推动制造业加速向数字化、网络化、智能化发展。要以智能制造为主攻方向推动产业技术变革和优化升级,推动制造业产业模式和企业形态根本性转变,以“鼎新”带动“革故”,以增量带动存量,促进我国产业迈向全球价值链中高端。121.人工智能赋能新型工业化智能制造的核心要义1)智能制造的核心要义是人工智能赋能新型工业化。人工智能技术与先进制造技术深度融合,智能技术是赋能技术、为主导,制造技术是本体技术、为主体,根本任务是实现制造业数字化转型、智能化升级。2)智能制造是一个大概念,包含了数字化制造、数字化网络化制造和新一代智能制造三种基本范式,新一代智能制造是最高范式。3)智能制造是一个大系统,贯穿于产品、生产、服务等制造全生命周期的各个基本环节,在工业互联网和智能云平台支持下,交融成为智能集成制造系统。4)智能制造是第四次工业革命的核心技术,是实现制造业创新发展的主要技术路径,是制造业高质量发展的核心驱动力。131.人工智能赋能新型工业化智能制造的核心要义1.人工智能赋能新型工业化智能制造的核心要义2.智能制造的三个基本范式3.面向智能制造的人-信息-物理系统(HCPS)的进化历程4.抓住第四次工业革命的机遇,推动制造业转型升级二、人工智能赋能新型工业化智能制造 是推进新型工业化的主要技术路线14数字化数字化 网络化制造新一代 智能制造智能化网络化数字化制造数字化智能化网络化数字化智能化网络化智能升级范式演进智能制造在长期实践演化中形成了三种基本范式,即:数字化制造第一代智能制造数字化网络化制造“互联网 制造”或第二代智能制造数字化网络化智能化制造新一代智能制造152.智能制造的三个基本范式新一代智能制造是智能制造的最高范式1.人工智能赋能新型工业化智能制造的核心要义2.智能制造的三个基本范式3.面向智能制造的人-信息-物理系统(HCPS)的进化历程4.抓住第四次工业革命的机遇,推动制造业转型升级二、人工智能赋能新型工业化智能制造 是推进新型工业化的主要技术路线16 1)制造系统发展的第一阶段:传统制造与人-物理系统(HPS)2)制造系统发展的第二阶段:数字化制造与人-信息-物理系统 (HCPS1.0)3)制造系统发展的第三阶段:数字化网络化制造与人-信息-物理系统(HCPS1.5)4)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)173.面向智能制造的人-信息-物理系统(HCPS)的进化历程181)制造系统发展的第一阶段:传统制造与人-物理系统(HPS)200多万年前,人类就会制造和使用工具。从石器时代、到青铜器时代、再到铁器时代,这种主要依靠人力和畜力为主要动力并使用简易工具的生产系统一直持续了百万多年。天工开物,玉器磨床191)制造系统发展的第一阶段:传统制造与人-物理系统(HPS)以蒸汽机的发明为标志的动力革命引发了第一次工业革命,以电机的发明为标志的动力革命引发了第二次工业革命,人类不断发明、创造与改进各种动力机器并使用它们来制造各种工业品,这种由人和机器所组成的制造系统大量替代了人的体力劳动,大大提高了制造的质量和效率,社会生产力得以极大提高。例:传统手动机床在传统手动机床上加工零件时,需由操作者根据加工要求,通过手眼感知、分析决策并操作手柄控制刀具相对工件按希望的轨迹运动而完成加工任务。201)制造系统发展的第一阶段:传统制造与人-物理系统(HPS)这些制造系统由人和物理系统(如机器)两大部分所组成,因此称为人-物理系统(Human-Physical Systems)HPS。211)制造系统发展的第一阶段:传统制造与人-物理系统(HPS)物理系统(Physical Systems)-P是主体,工作任务是通过物理系统完成的;而人(Human)-H则是主宰和主导,人是物理系统的创造者,同时又是物理系统的使用者,完成工作任务所需的感知、学习认知、分析决策与控制操作等均需由人完成。221)制造系统发展的第一阶段:传统制造与人-物理系统(HPS)二十世纪中叶以后,随着制造业对于技术进步的强烈需求,以及计算机、通讯和数字控制等信息化技术的发明和广泛 应 用,制 造 系 统 进 入 了 数 字 化 制 造(D i g i t a l manufacturing)时代,以数字化为标志的信息革命引领和推动了第三次工业革命。2)制造系统发展的第二阶段:数字化制造与人-信息-物理系统(HCPS1.0)23242)制造系统发展的第二阶段:数字化制造与人-信息-物理系统(HCPS1.0)数字化制造Digital Manufacturing数字化制造是智能制造的第一种基本范式,也可称为第一代智能制造。例:数控机床(NC Machine Tool)第三次工业革命最典型的产品是数控机床与手动机床相比,数控机床发生的本质变化是:在人和机床实体之间增加了数控系统。操作者只需根据加工要求,将加工过程中需要的刀具与工件的相对运动轨迹、主轴速度、进给速度等按规定的格式编成加工程序,计算机数控系统即可根据该程序控制机床自动完成加工任务。252)制造系统发展的第二阶段:数字化制造与人-信息-物理系统(HCPS1.0)与传统制造系统相比,数字化制造系统最本质的变化是在人和物理系统之间增加了一个信息系统(Cyber System)C,从原来的“人-物理”二元系统发展成为“人-信息-物理”(Humen-Cyber-Physical Systems)HCPS三元系统,HPS进化成了HCPS。人的相当部分的感知、分析、决策和控制功能迁移给信息系统,信息系统可以代替人类完成部分脑力劳动。信息系统是由软件和硬件组成的系统,其主要作用是对输入的信息进行各种计算分析,并代替操作者去控制物理系统完成工作任务。262)制造系统发展的第二阶段:数字化制造与人-信息-物理系统(HCPS1.0)2)制造系统发展的第二阶段:数字化制造与人-信息-物理系统(HCPS1.0)面向数字化制造的HCPS可定义为HCPS1.0。与HPS相比,HCPS1.0通过集成人、信息系统和物理系统的各自优势,其能力尤其是计算分析、精确控制以及感知能力等都得以极大提高,其结果是:一方面,制造系统的自动化程度、工作效率、质量与稳定性以及解决复杂问题的能力等各方面均得以显著提升;另一方面,不仅操作人员的体力劳动强度进一步降低,更重要的是,人类的部分脑力劳动也可由信息系统完成,知识的传播利用以及传承效率都得以有效提高。27 3)制造系统发展的第三阶段:数字化网络化制造与人-信息-物理系统(HCPS1.5)上世纪末本世纪初,互联网技术快速发展并得到广泛普及和应用,“互联网 ”不断推进制造业和互联网融合发展,制造技术与数字技术、网络技术的密切结合重塑制造业的价值链,推动制造业从数字化制造向数字化网络化制造的范式转变。数字化网络化制造是智能制造的第二种基本范式,也可称为“互联网 制造”,或第二代智能制造。“互联网 制造”实质上是“互联网 数字化制造”。2829 3)制造系统发展的第三阶段:数字化网络化制造与人-信息-物理系统(HCPS1.5)最大的变化在于信息系统:互联网和云平台成为信息系统的重要组成部分,既连接信息系统各部分,又连接物理系统各部分,还连接人,是系统集成的工具;联接互通与协同集成优化成为了信息系统的重要内容。3)制造系统发展的第三阶段:数字化网络化制造与人-信息-物理系统(HCPS1.5)“互联网 制造”的实质是有效解决了“联接”这个重大问题:在数字化制造的基础上,深入应用先进的通讯技术和网络技术,用网络将人、流程、数据和事物连接起来,联通企业内部和企业间的“信息孤岛”,通过企业内、企业间的协同和各种社会资源的共享与集成,实现产业链的优化,快速、高质量、低成本地为市场提供所需的产品和服务。先进制造技术和数字化网络化技术的融合,使得企业对市场变化具有更快的适应性,能够更好地收集用户对使用产品和对产品质量的评价信息,在制造柔性化、管理信息化方面达到了更高的水平。30 新世纪以来,互联网、云计算、大数据等信息技术日新月异、飞速发展,并极其迅速的普及应用,形成了群体性跨越。这些历史性的技术进步,集中汇聚在新一代人工智能 (AI2.0)的战略性突破,新一代人工智能已经成为新一轮科技革命的核心技术。314)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)新一代智能制造(Intelligent Manufacturing)数字化网络化智能化制造是智能制造的第三种基本范式。其本质上是“人工智能 互联网 数字化制造”。324)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)2016年Google AlphaGo以4:1战胜围棋世界冠军李世石。33 标志性事件这个重大历史性事件,标志着“新一代人工智能”时代的到来。60年前,1956年,一批顶级专家在美国达特茅斯(Dartmouth)聚会,首次确定了“人工智能”概念:让机器像人那样认知、思考和学习,即用计算机模拟人的智能。60年来,人工智能技术几起几伏,顽强地奋斗,不断地前进,但总体而言,还是属于第一代技术,属于“人工智能1.0”时代。34为什么是“新一代人工智能”?4)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)六十年一甲子,量变到质变。近年来,随着计算能力的极大提高,互联网引发了真正的大数据,在各种先进技术互融互通的基础上,人工智能技术已经实现战略突破,进入了“新一代人工智能”(AI2.0)时代。354)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)新一代人工智能呈现出深度学习、跨界融合、人机协同、群体智能等新特征,大数据智能、跨媒体智能、人机混合增强智能、群体集成智能和自主智能装备正在成为发展重点。36大数据多媒体、传感器自主装备新一代人工智能互联网人机交互AI人机混合增强智能自主智能系统跨媒体智能群体智能大数据智能4)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)2022年底,ChatGPT2023年3月,GPT-4374)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)GPT-Generatine Pre-Training Transformer 生成式 预 训练 变换器GPT是一种预训练自监督生成式学习算法;本质上是一种深度学习算法,一种人类指导的大数据智能强化学习算法。384)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)生成式大模型GPT开始具备了理解和学习的功能,具有强大的解决实际问题的能力。量变到质变,ChatGPT是人工智能发展史上一次革命性里程碑意义的重大突破、重大跨越,跨越了弱人工智能到强人工智能的拐点,宣示着通用强人工智能时代的到来。394)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)短暂一年多,大模型 大数据 大算力的新一代人工智能飞速发展,迎来了通用人工智能时代。人工智能进入通用人工智能时代,其应用性发生了质的改变,将使能百模千态、赋能千行万业,实现各行各业的智能转型,人类社会正在加速迈向智能世界。最关键的是,新一代人工智能解决复杂问题的方法从“强调因果关系”的传统模式向“强调关联关系”创新模式转变,进而向“关联关系”和“因果关系”深度融合的先进模式发展,解决复杂问题的能力突飞猛进。最本质的是,新一代人工智能具备了学习的能力,具备了生成知识和更好地运用知识的能力,实现了质的飞跃。新一代人工智能为人类提供了认识复杂系统的新思维,提供了改造自然和社会的新技术。404)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)充分认识到新一代人工智能技术的发展将深刻改变人类社会生活、改变世界,我们国家发布了“新一代人工智能发展规划”,以抓住机遇,抢占先机。世界各国也都把新一代人工智能的发展摆在了最重要的位置。414)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)总之,新一代人工智能已经成为新一轮科技革命的核心技术,正在形成推动经济社会发展的巨大引擎。424)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)新一代人工智能技术与先进制造技术的深度融合,形成了新一代智能制造技术,成为了新一轮工业革命的核心技术,成为了第四次工业革命的核心驱动力。434)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)例:新一代智能机床(Intelligent Machine Tool)新一代智能机床能够实现自主感知、自主学习、自主优化与决策、自主控制与执行,极大提高机床加工质量、使用效率,降低成本,是第四次工业革命的典型产品。新一代智能机床是在工业互联网、大数据、云计算的基础上,应用新一代人工智能技术和先进制造技术深度融合的机床。44数控机床工作台零件轴承轴承螺母进给电机伺服PID实时调节编码器、电流、温度传感器编码器、电流、温度传感器伺服PID实时调节CNC插补控制G代码CAD/CAM主轴电机主轴双码联控NC-LINK大数据振动传感器温度传感器视觉传感器内部电控实时数据内部插补指令域数据外部传感器实时数据智能控制 i代码其他智能机床的控制策略与知识人感知、分析决策、认知自主感知自主学习自主决策自主执行优化与决策1、质量提升2、工艺优化3、健康保障4、生产管理机床“模型像”数字孪生机床几何运动模型机床几何误差模型数控加工控制模型(VNC)机床工艺系统模型机床动力学模型云麦大数据平台机床“数据像”的数字孪生AI机器学习、深度学习强化学习、迁移学习机床误差数据(结构、热误差)机床3D模型前馈预测智能机床控制原理 人和信息系统的关系发生了根本性的变化,即从“授之以鱼”变成了“授之以渔”。464)制造系统发展的第四阶段:数字化网络化智能化制造与人-信息-物理系统(HCPS2.0)1.人工智能赋能新型工业化智能制造的核心要义2.智能制造的三个基本范式3.面向智能制造的人-信息-物理系统(HCPS)的进化历程4.抓住第四次工业革命的机遇,推动制造业转型升级二、人工智能赋能新型工业化智能制造 是推进新型工业化的主要技术路线47新一轮科技革命和产业变革与我国加快转变经济发展方式形成历史性交汇。习近平习近平交汇点在哪里?智能制造是最重要的交汇点。484.抓住第四次工业革命的机遇,推动制造业转型升级49一代技术 一代产品 一代工业纵观历史,制造工程创新发展有许多途径,主要有两种途径:一是制造技术原始性创新,这种创新是根本性的,极为重要;二是共性赋能技术与制造技术融合创新,应用共性赋能技术对制造技术“赋能”,两者深度融合形成创新的制造技术,对各行各业各种各类制造系统升级换代,是一种革命性的技术融合和系统集成式创新,具有通用性、普适性。4.抓住第四次工业革命的机遇,推动制造业转型升级50一代技术 一代产品 一代工业前三次工业革命的共性赋能技术分别是蒸汽机技术、电机技术和数字化技术,第四次工业革命的共性赋能技术是数字化网络化智能化技术,这些共性赋能技术与制造技术的深度融合,可以推动各行各业各种各类制造技术创新升级,引领和推动制造业革命性的转型升级。4.抓住第四次工业革命的机遇,推动制造业转型升级51一代技术 一代产品 一代工业第一次工业革命和第二次工业革命分别以蒸汽机和电力的发明和应用为根本动力,极大地提高了生产力,人类社会进入了现代工业社会。第三次工业革命,以计算、通讯、控制等数字化技术的创新与应用为标志,持续将工业发展推向新高度。第一次工业革命第二次工业革命第三次工业革命第一次工业革命第二次工业革命第三次工业革命18世纪末18世纪末20世纪初20世纪中叶20世纪初20世纪中叶蒸汽机技术 电力技术数字化技术蒸汽机技术 电力技术数字化技术数字化时代数字化时代机械化时代机械化时代电气化时代电气化时代第四次工业革命第四次工业革命现在现在智能化技术智能化技术智能化时代智能化时代4.抓住第四次工业革命的机遇,推动制造业转型升级52一代技术 一代产品 一代工业新一代人工智能突破和应用进一步提升了制造业数字化网络化智能化的水平,从根本上提高工业知识产生和利用的效率,极大地解放人的体力和脑力,创新的速度大大加快,应用的范围更加泛在,从而推动制造业发展步入新阶段,即数字化网络化智能化制造新一代智能制造。第一次工业革命第一次工业革命第二次工业革命第二次工业革命第三次工业革命第三次工业革命18世纪末18世纪末20世纪初20世纪初20世纪中叶20世纪中叶蒸汽机技术 蒸汽机技术 电力技术电力技术数字化技术数字化技术数字化时代数字化时代机械化时代机械化时代电气化时代电气化时代第四次工业革命第四次工业革命现在现在智能化技术智能化技术智能化时代智能化时代4.抓住第四次工业革命的机遇,推动制造业转型升级53一代技术 一代产品 一代工业如果说数字化网络化制造是新一轮工业革命的开始,那么新一代智能制造的突破和广泛应用将推动形成这次工业革命的高潮,重塑制造业的技术体系、生产模式、产业形态,并将引领真正意义上的“工业4.0”,实现第四次工业革命。第一次工业革命第二次工业革命第三次工业革命第一次工业革命第二次工业革命第三次工业革命18世纪末18世纪末20世纪初20世纪中叶20世纪初20世纪中叶蒸汽机技术 电力技术数字化技术蒸汽机技术 电力技术数字化技术数字化时代数字化时代机械化时代机械化时代电气化时代电气化时代第四次工业革命第四次工业革命现在现在智能化技术智能化技术智能化时代智能化时代第一次机器革命(动力革命)第二次机器革命(信息革命)第一次机器革命(动力革命)第二次机器革命(信息革命)4.抓住第四次工业革命的机遇,推动制造业转型升级 近期智能汽车的快速发展远远超出了人们的预想。汽车正经历燃油汽车电动汽车(数字化)网联汽车(网络化)的发展历程,朝着无人驾驶汽车(智能化)的方向极速前进。例:智能汽车54 随着新一代人工智能技术的深入应用,未来汽车将会进入无人驾驶时代,将成为一个智能移动终端,成为人们工作和生活的更加美好的移动空间。554.抓住第四次工业革命的机遇,推动制造业转型升级中国新能源汽车产业为什么能够“异军突起、出奇制胜”?“异”在哪里?“奇”在哪里?技术创新!数字化、网络化、智能化!开道超车、跨越发展!56紧紧抓住第四次工业革命的历史机遇,坚持以创新为第一动力,以智能制造为主攻方向,推进制造业数字化转型、智能化升级,中国制造业一定能够由大变强,实现制造强国建设的伟大历史任务。4.抓住第四次工业革命的机遇,推动制造业转型升级智能制造数字化转型智能化升级是我国制造业创新发展的主要技术路径,是我国制造业转型升级的主要技术路线,是加快建设制造强国的主攻方向。574.抓住第四次工业革命的机遇,推动制造业转型升级58一、推进新型工业化,加快建设制造强国二、人工智能赋能新型工业化智能制造 是推进新型工业化的主要技术路线三、以智能制造为主攻方向,全面推动制造业高质量发展四、推进人工智能赋能新型工业化的战略部署59智能制造系统主要由智能产品、智能生产及智能服务三大功能系统以及智能制造云和工业互联网络两大支撑系统集合而成。智能制造是一个大系统,一个集成大系统三、以智能制造为主攻方向,全面推动制造业高质量发展制造业创新的内涵包括四个方面:一是产品创新;二是生产技术创新;三是产业模式创新;四是制造系统集成创新。在这四个方面上,数字化网络化智能化都是制造业创新的主要途径。60三、以智能制造为主攻方向,全面推动制造业高质量发展制造业创新发展的主要路径:1.产品创新数字化网络化智能化产品2.生产技术创新数字化网络化智能化生产3.产业模式创新以数字化网络化智能化服务为核心的制造业新模式新业态4.制造系统集成创新数字化网络化智能化集成制造系统61三、以智能制造为主攻方向,全面推动制造业高质量发展1.产品创新数字化网络化智能化产品62 产品(主要指装备类产品)是制造的主要载体和价值创造的核心。数字化网络化智能化技术的广泛应用将给产品带来无限的创新空间,使产品产生革命性变化,从“数字一代”整体跃升至“网联一代”,进而整体跃升至“智能一代”。例如,智能手机、智能汽车、智能家电、智能火车等就是典型的智能产品。过去20年,智能手机横空出世,极速发展、极速普及,创造了产品创新的奇迹。我们现在使用的智能手机,操作系统有1亿行代码,计算能力远远超过当年的超级计算机Cray-2。华为Mate 60 pro展示了新一代智能手机的强大智能,已经搭载了人工智能芯片,麒麟9000S,开始具有了学习功能。不久的将来,新一代人工智能全面应用到手机上,智能手机将发生什么样的变化呢?我们充满了热切的期待。63华为Mate 60 pro例:智能手机 综上所述,作为一种共性赋能技术,新一代智能制造技术可广泛应用于国民经济各行业各种产品与装备的升级换代。产品的创新与升级换代将极大提升各种产品的性能与市场竞争力,提高整个制造业的生产效率和质量水平。(1)机械制造装备u 各种金属加工设备特别是金属切削机床;u 各种非金属加工专用设备,如塑料加工机械;u 食品、饮料、农副产品、日用化工、制药等专用制造设备;(2)通用机械装备u 汽车、火车、飞机、轮船等交通运输设备;u 火炮、雷达、坦克等武器装备;u 工程、农业、建筑、港口、印刷、医疗机械等。641.产品创新数字化网络化智能化产品可以预见,新一代智能制造技术将为产品和装备的创新插上腾飞的翅膀、开辟更为广阔的天地。到2035年,我国各种产品和装备都将从“数字一代”发展成“智能网联一代”,升级为智能网联产品和装备。65一方面,要涌现出一大批先进的智能网联生活产品,如智能网联终端、智能网联家电、智能网联服务机器人、智能网联玩具等,为人民更美好的生活服务。661.产品创新数字化网络化智能化产品另一方面,制造、运载、电子、服务装备必将全面数字化转型、智能化升级,如信息制造装备、航天航空装备、船舶和海洋装备、汽车、火车、能源装备、农业装备、医疗装备等等,特别是智能制造装备,如智能机床、智能机器人等,我们的“大国重器”将装备“工业大脑”,更加先进、更加强大。671.产品创新数字化网络化智能化产品制造业创新发展的主要路径:1.产品创新数字化网络化智能化产品2.生产技术创新数字化网络化智能化生产3.产业模式创新以数字化网络化智能化服务为核心的制造业新模式新业态4.制造系统集成创新数字化网络化智能化集成制造系统68三、以智能制造为主攻方向,全面推动制造业高质量发展692.生产技术创新数字化网络化智能化生产 智能生产是制造智能产品的物化过程,亦即狭义而言的智能制造。智能工厂是智能生产的主要载体。广义而言,智能工厂包括了产品设计、产品生产、销售服务等各方面业务。这里,主要讨论智能工厂的主体功能智能生产。智能工厂根据行业的不同可分为离散型智能工厂和流程型智能工厂,追求的目标都是生产过程的优化,大幅度提升生产系统的性能、功能、质量和效益,重点发展方向都是智能生产线、智能车间、智能工厂。70一般而言,智能工厂包含四个层级智能装备、智能产线、智能车间和智能工厂。每个层级都是一个CPS,由物理系统和信息系统两个方面组成。各个层级的物理系统由运输系统联接起来,组成智能工厂的物理系统;各个层级的信息系统由网络系统联接起来,组成智能工厂的信息系统。智能工厂层级的物理系统和信息系统集成融合,并且与其运作者和控制者人,集成融合形成智能工厂的人-信息-物理系统HCPS。2.生产技术创新数字化网络化智能化生产71智能工厂是智能生产的主要载体 数字化网络化智能化技术与制造技术的融合,主要从两条主线实现智能工厂的转型升级:一方面,实现生产过程自动化;另一方面,实现生产管理信息化。在网络联接和数据集成的支持下,两条主线深度集成,推动装备、产线、车间、工厂发生革命性的大变革。72智能工厂将应用新一代人工智能技术实现加工质量的升级、加工工艺的优化、加工装备的健康保障、生产的智能调度和管理,建成真正意义上的智能工厂。2.生产技术创新数字化网络化智能化生产制造业创新发展的主要路径:1.产品创新数字化网络化智能化产品2.生产技术创新数字化网络化智能化生产3.产业模式创新以数字化网络化智能化服务为核心的制造业新模式新业态4.制造系统集成创新数字化网络化智能化集成制造系统73三、以智能制造为主攻方向,全面推动制造业高质量发展743.产业模式创新 以数字化网络化智能化服务为核心的制造业新模式新业态数字化网络化智能化技术引发了产品和生产的翻天覆地的变化,同样,数字化网络化智能化技术也引发了制造服务的翻天覆地的变化。数字化网络化智能化技术正在深刻地改变着产品服务的方方面面。75推进先进制造业与现代服务业深度融合,催生制造业产业模式和产业形态的根本性转变,实现从“以产品为中心”向“以用户为中心”的根本性转变,完成深刻的供给侧结构性改革。从“以产品为中心”到“以用户为中心”的根本性转变,主要体现在生产模式、组织模式、产业形态的根本性变革。3.产业模式创新 以数字化网络化智能化服务为核心的制造业新模式新业态主要表现在三个方面两个和一个:第一,制造业从大规模流水线生产转向定制化规模生产。第二,制造业从竞争与垄断走向竞争与协同共享。第三,制造业从生产型制造向服务型制造转变。763.产业模式创新 以数字化网络化智能化服务为核心的制造业新模式新业态制造业创新发展的主要路径:1.产品创新数字化网络化智能化产品2.生产技术创新数字化网络化智能化生产3.产业模式创新以数字化网络化智能化服务为核心的制造业新模式新业态4.制造系统集成创新数字化网络化智能化集成制造系统77三、以智能制造为主攻方向,全面推动制造业高质量发展781)工业互联网是推进智能制造的关键支撑4.制造系统集成创新 数字化网络化智能化集成制造系统智能制造价值创造的另一个重要方面是通过工业互联网络和智能制造云平台两大支撑系统将智能产品、智能生产和智能服务三大功能系统集成起来,通过系统的集成优化实现新的价值创造。792)智能制造系统一方面是制造系统内部的“大集成”。智能制造包括三个方面的集成,体现出智能制造的三个核心特征。4.制造系统集成创新 数字化网络化智能化集成制造系统80智能制造纵向集成这是一个企业内部的系统集成,基于企业工业互联网络和智能云平台,将企业内部不同层级的HCPS系统进行全面的集成,既包含企业不同层级信息化系统的集成,又包含企业内部不同层级的信息系统和物理系统之间的集成。纵向集成实现贯穿企业内部装备、产线、车间、工厂、企业各个层级的业务流程集成;同时,实现贯穿企业内部产品制造全生产周期的业务流程集成,形成企业内部智能制造纵向集成体系,亦即企业内部智能集成制造系统。81智能制造的横向集成构建不同企业之间的社会网络,实现不同企业之间的信息合作、资源整合和协同与共享。以价值网络为主线,强调产品制造的价值流(增值过程)集成,实现相关企业之间的信息集成。将各种不同制造阶段和工程任务的信息系统集成起来,实现不同企业之间的三流(物流、能源流、信息流)合一,形成价值网络的社会化集成。82智能制造的端到端集成这是围绕特定产品的一个动态的系统集成。通过特定产品制造全生命周期和为实现客户要求而组成的主干企业内部和相互协同合作企业之间的系统集成,实现特定产品制造整个价值链的工程化信息集成,集成产品制造的研发、设计、生产、服务等全生命周期内的各项工程活动,集成价值链上主干企业内部和相关合作企业的所有终端和用户端,实现用户需求和智能制造的完美集成。这是产品制造价值链的集成,是围绕特定产品制造生命周期的主干企业与相关合作企业之间的集成;是以用户要求为中心,以主干企业为核心,集成各有关企业的力量,组成从供给端到用户端的完成制造全生命周期所有任务的所有终端和用户端的系统集成。83智能制造的端到端集成84应用新一代人工智能技术,在智能制造纵向集成、端到端集成和横向集成的基础上,智能制造将推动企业内部、企业与相关合作企业之间、企业与顾客之间以及价值网络中不同企业之间的合作、协同与共享。4.制造系统集成创新 数字化网络化智能化集成制造系统85一、推进新型工业化,加快建设制造强国二、人工智能赋能新型工业化智能制造 是推进新型工业化的主要技术路线三、以智能制造为主攻方向,全面推动制造业高质量发展四、推进人工智能赋能新型工业化的战略部署86从现在到2035年,是中国制造业实现由大到强的关键时期,也是制造业发展质量变革、效率变革、动力变革的关键时期。从现在到2035年,我国的智能制造发展总体将分成两个阶段来实现:四、推进人工智能赋能新型工业化的战略部署87第一阶段:数字化转型,深入推进“制造业数字化转型重大行动”。到2027年,规上企业基本实现数字化转型,数字化制造在全国工业企业基本普及;同时,新一代智能制造技术的科研和攻关取得突破性进展,试点和示范取得显著成效。第二阶段:智能化升级,深入推进“制造业智能化升级重大行动”。到2035年,规上企业基本实现智能化升级,数字化网络化智能化制造在全国工业企业基本普及,我国智能制造技术和应用水平走在世界前列,中国制造业智能升级走在世界前列。四、推进人工智能赋能新型工业化的战略部署88 贯彻全国新型工业化推进大会精神,2023-2027年数字化转型工作主要体现在四个方面:1.推进数字化转型重大行动 今后五年,工业企业数字化转型是推进智能制造、实现我国制造业创新发展的主战场,要集中优势力量,在全国工业战线大规模普及性推进“数字化转型重大行动”。全国工业战线总动员,以企业为主体,产学研金政协同推进,在全国工业企业大规模普及性推进技术改造-数字化转型。争取到2027年,数字化制造在全国工业企业基本普及,规上企业数字化转型基本完成。“数字化转型工程”主要着力点在于生产能力的数字化转型,同时,还要重点推进“装备数字化行动”,推进产品和装备的数字化转型,和“制造业新模式新业态推进行动”,推进制造业产业模式和形态的数字化转型。四、推进人工智能赋能新型工业化的战略部署892.开展新一代智能制造技术的攻关、试点和示范新一代人工智能技术和先进制造技术融合而成的新一代智能制造技术,将引起制造业革命性转型升级。今后五年,抓好新一代智能制造技术的攻关、试点和示范。攻关。加快推进新一代智能制造重大专项开展,攻克新一代智能制造关键核心技术。试点。在重点领域、企业开展新一代智能制造试点行动,探索形成具有特色的新一代智能转型升级路径示范。在各行业、各领域选树一批排头兵企业进行示范,推进新一代智能制造高质量发展。通过“攻关-试点-示范”行动,为2028-2035年“制造业智能化升级重大行动”做好充分准备。四、推进人工智能赋能新型工业化的战略部署903.筑牢工业互联网、工业人工智能等数字乃至智能基础设施关键底座深入开展实施工业互联网创新发展工程,推进“新基建”,建设网络、平台、安全、标识、数据体系乃至工业大模型等基础底座,优化基础设施布局、结构、功能和系统集成,构建现代化信息集成设施体系。推动工业互联网和工业智能在重点产业链广泛普及、深度融合。四、推进人工智能赋能新型工业化的战略部署914.完善数字化转型服务体系中国工业的数字化转型、智能化升级,是一个浩大的革命性工业工程,广大企业是这场变革的主体,但是,还必须有一只强有力的高水平的工程队伍,服务于广大企业的数字化转型和智能化升级,和广大企业一起完成数字化转型和智能化升级的历史任务。做强数字化转型和智能化升级系统解决方案供应商,推动解决方案供应商与工业软件、智能装备等关键企业融通发展,构建公共服务平台体系,为广大工业企业数字化转型和智能化升级提供强大的技术支持;在这个过程中,形成新兴的强大的智能制造产业集群。四、推进人工智能赋能新型工业化的战略部署 中国制造业战线的同志们有一个共同的奋斗目标:坚定不移地以创新为根本动力,以智能制造为主攻方向,推进人工智能赋能新型工业化,加快建设制造强国;再经过22年奋斗,我们伟大的祖国全面实现新型工业化,成为全球领先的制造强国,以制造业的繁荣和强大,支撑国家的繁荣和强大,实现中国式现代化,托起中华民族伟大复兴的中国梦。92

    浏览量6人已浏览 发布时间2024-04-09 92页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 腾讯研究院:2024工业大模型应用报告v2.6(34页).pdf

    2024 年 3 月 参 参与单位 腾讯研究院 中国通信工业协会物联网应用分会 毕马威企业咨询(中国)有限公司 腾讯云智慧行业五部 指导单位:中国通信工业协会 撰写单位:1 工业大模型应用报告 目 录 1.大模型为工业智能化发展带来新机遇.1 1.1.大模型开启人工智能应用新时代.1 1.2.大模型有望成为驱动工业智能化的引擎.3 1.3.大模型应用落地需要深度适配工业场景.4 2.大模型和小模型在工业领域将长期并存且分别呈现 U 型和倒 U 型分布态势.6 2.1.以判别式 AI为主的小模型应用呈现倒 U 型分布.6 2.2.以生成式 AI为主的大模型应用呈现 U 型分布.7 2.3.大模型与小模型将长期共存并相互融合.9 3.工业大模型应用的三种构建模式.11 3.1.模式一:预训练工业大模型.11 3.2.模式二:微调.12 3.3.模式三:检索增强生成.13 3.4.三种模式综合应用推动工业大模型落地.14 4.大模型应用探索覆盖工业全链条.16 4.1.大模型通过优化设计过程提高研发效率.16 4.2.大模型拓展生产制造智能化应用的边界.19 4.3.大模型基于助手模式提升经营管理水平.23 4.4.大模型基于交互能力推动产品和服务智能化.25 5.工业大模型的挑战与展望.28 5.1.工业大模型应用面临数据质量和安全、可靠性、成本三大挑战.28 5.2.工业大模型应用将伴随技术演进持续加速和深化.30 1 工业大模型应用报告 1.大模型为工业智能化发展带来新机遇 1.1.大模型开启人工智能应用新时代 大模型引领人工智能技术创新和应用。自 1956 年达特茅斯会议(Dartmouth Conference)提出人工智能的概念以来,人工智能技术经历了多个发展高峰和低谷。在这一长期的发展过程中,人工智能技术不断演进,逐步朝着更高的智能水平和适应性发展。2022 年 11 月 30 日,OpenAI 发布了 ChatGPT,引发了行业热潮,直至今日,业界普遍认为,大模型时代已经到来,也象征着人工智能开启了迈向通用人工智能(AGI,Artificial General Intelligence)的新阶段。在大模型出现之前,人工智能通常需要针对特定的任务和场景设计专门的算法,这种方法虽然在特定领域有效,但人们对“智能”的期望是能够适应多种任务和场景的智能系统,单一任务的人工智能系统已经无法满足这些更广泛的需求。大模型能够跨越传统人工智能的局限性,理解和推理的能力有了极大的飞跃,同时也提高了复用的效率,为人工智能技术在更多领域的应用提供了坚实的基础,推动人类社会迈向通用人工智能(AGI)的新阶段。通用性和复用性是大模型的关键价值。2017 年,Google Brain(谷歌大脑)团队在其论文Attention Is All You Need中创造性地提出 Transformer 架构,凭借注意力机制,极大地改善了机器学习模型处理序列数据的能力,尤其是在自然语言处理(NLP)领域。Transformer 架构的出现,为后续的大模型如 ChatGPT 等奠定了技术基础。ChatGPT、Bert 等大模型通过海量数据和庞大的计算资源支持,使得模型具备了强大的通用性和复用性。大模型可以被广泛应用于自然语言处理、计算机视觉、语音识别等领域的各种任务,能够为各种应用和开发人员提供共享的基础架构,并进一步通过微调、零样本学习等方式,直接在一系列下游任务上使用,取得一定的性能表现,支持不同行业、不同场景的应用构建。2 工业大模型应用报告 大模型展现出三大基础特征。目前大模型并没有明确的定义,狭义上指大语言模型,广义上则指包含了语言、声音、图像等多模态大模型。如李飞飞等人工智能学者所指出,这些模型也可以被称为基础模型(Foundation Model)。我们认为,大模型主要具备以下三大特征:参数规模大:大模型的参数规模远大于传统深度学习模型。大模型发展呈现“规模定律”(Scaling Law)特征,即:模型的性能与模型的规模、数据集大小和训练用的计算量之间存在幂律关系,通俗而言就是“大力出奇迹”。不过“大”并没有一个绝对的标准,而是一个相对概念。传统模型参数量通常在数万至数亿之间,大模型的参数量则至少在亿级以上,并已发展到过万亿级的规模。如 OpenAI的 GPT-1到 GPT-3,参数量从 1.1 亿大幅拉升到 1750亿,GPT-4 非官方估计约达 1.8 万亿。泛化能力强:大模型能够有效处理多种未见过的数据或新任务。基于注意力机制(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),包括法学、经济学、历史、数学、阅读和写作等。支持多模态:大模型可以实现多种模态数据的高效处理。传统深度学习模型大多只能处理单一数据类型(文本、语音或图像),大模型则可以通过扩展编/解码器、交叉注意力(Cross-Attention)、迁移学习(Transfer learning)等方式,实现跨模态数据的关联理解、检索和生成。多模态大模型(LMMs,Large Multimodal Models)能够提供更加全面的认知能力和丰富的交互体验,拓宽 AI 处理复杂任务的应用范围,成为业 3 工业大模型应用报告 界探索迈向通用人工智能的重要路径之一。典型如OpenAI的 Sora模型推出,掀起了全球多模态大模型的发展新热潮。1.2.大模型有望成为驱动工业智能化的引擎 人工智能推动工业智能化发展进入新阶段。工业发展是一个逐步演进的过程,经历了机械化、电气化、自动化、信息化的阶段后,当前正处于从数字化向智能化迈进的阶段。每个阶段都是工业与各类创新技术的融合,对传统制造业进行升级和改造,提高生产效率、降低成本、提升产品质量。当前阶段,工业领域积累了大量的数据、基础能力和场景需求,为工业场景与人工智能技术的融合提供了基础条件。而人工智能逐渐展现出类似人的理解和分析能力,这些能力与工业场景的融合,将智能化带入到工业生产、运营、管理等领域,不断提升感知、认知和决策等多个环节,有望推动工业发展走向“自适应、自决策、自执行”的智能化阶段。大模型为工业智能化提供新动力。尽管人工智能在智能制造、工业 4.0、工业互联网等方面有所应用,但这些应用往往受限于特定任务,难以实现跨领域、跨场景的融合创新。过去,人工智能在工业的应用主要聚焦于如质量检测、预测性维护等单一功能,这形成了人工智能应用上“一场景一训练一模型”的局限,尚未形成大规模的应用。然而,大模型的崛起有望带来“基础模型 各类应用”的新范式。大模型凭借其卓越的理解能力、生成能力和泛化能力,能够深度洞察工业领域的复杂问题,不仅可以理解并处理海量的数据,还能从中挖掘出隐藏在数据背后的规律和趋势。此外,区别于传统的人工智能模型只能根据已有数据进行预测和推断,大模型则能够生成新的知识和见解。最后,大模型的泛化能力能够在更广泛的工业场景发挥作用。大模型为工业智能化拓展新空间。人工智能在工业领域的应用,尽管已经取得了一些显著的成果,但整体来看,其应用的普及率仍然处于相对较低的水平。据凯捷 4 工业大模型应用报告(Capgemini)统计数据显示,即便是欧洲顶级的制造企业,其AI应用的普及率也仅超过 30%,而日本和美国制造企业的 AI 应用率分别达到了 30%和 28%。相较于这些发达国家,中国制造企业 AI 普及率尚不足 11%,显示出这一领域巨大的发展潜力和广阔的空间。相较于以往的小模型,大模型有望挖掘工业领域人工智能应用的新场景,提升人工智能应用的普及率。例如在研发设计领域,大模型能够深度挖掘和分析海量数据,为产品设计提供更为精准和创新的思路。在经营管理领域,大模型能够实现对生产流程、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:大模型在处理特定行业任务时,往往表现出对行业知识、术语、规则等的不理解,导致生成的解决方案与实际需求存在偏差,这主要是由于大模型在训练过程中缺乏特定行业的数据和知识,难以覆盖各个行业的专业细节。这种行业知识的匮乏使得大模型在应对工艺流程优化、设备故障预测等专业问题时有所缺陷,难以提供精确、可靠的解决方案,无法满足工业现场的个性化要求。不熟企业:当大模型接入企业系统时,往往难以全面理解企业的业务流程、数据结构和运营模式,导致生成的解决方案与企业实际需求不匹配。每个企业都有其独特的运营环境和业务需求,而大模型往往缺乏对企业特定环境的深入理解。此外,企业内部的数据孤岛和碎片化的信息系统也增加了大模型理解企业环境的难度。这种不熟 5 工业大模型应用报告 企业的问题使得大模型难以真正融入企业的运营流程,无法平滑地嵌入到现有的各类系统中。存在幻觉:在某些情况下,大模型会产生与实际情况不符的错误输出,即“幻觉”现象。这主要是由于模型在训练过程中受到了噪声数据、偏差样本等因素的影响,或者由于模型的复杂性和数据维度过高导致过拟合。这种幻觉现象对工业领域的影响是全方位的,无论是生产过程中的质量控制、设备维护,还是供应链管理、市场预测等环节,错误的输出都可能导致严重的决策失误和经济损失。特别是在对安全性、可靠性要求极高的工业场景中,如航空航天、核能等领域,幻觉现象可能带来灾难性的后果。6 工业大模型应用报告 2.大模型和小模型在工业领域将长期并存且分别呈现 U 型和倒 U 型分布态势 从工业智能化的发展历程可以看出,在大模型出现之前,人工智能技术在工业领域已有较多应用。在前期阶段,工业人工智能的应用主要是以专用的小模型为主,而大模型开启了工业智能化的新阶段。结合两者不同的技术特点和应用能力,目前在工业领域形成了不同的分布态势。图表 1 生成式AI(大模型)和判别式AI(小模型)在工业主要领域分布情况 1 2.1.以判别式 AI 为主的小模型应用呈现倒 U 型分布 根据中国信通院2对 507个 AI 小模型应用案例的统计分析,这些应用主要集中在生产制造领域,占比高达 57%,而在研发设计和经营管理领域的应用则相对较少。这种分布呈现出明显的倒 U型。小模型的核心特点是学习输入与输出之间的关系。小模型通过学习数据中的条件概率分布,即一个样本归属于特定类别的概率,再对新的场景进行判断、分析和预测。它的优点是通常比大模型训练速度更快,而且可以产生更准确的预测结果,尤其适用 1 507 个小模型应用数据引用自中国信息通信研究院工业智能白皮书(2022),99 个大模型应用数据由本文编写组收集、整理、统计分析所得 2 中国信息通信研究院工业智能白皮书(2022)7 工业大模型应用报告 于对特定任务进行快速优化和部署的场景。以工业质检领域为例,小模型能够从海量的工业产品图片数据中,学习到产品的外观特征、质量标准和缺陷模式等关键信息。当面对新的样本时,小模型能够迅速判断样本是否合格,从而实现对产品质量的快速检测。同样在设备预测性维护方面,小模型通过对设备运行数据的分析,能够学习到设备正常运行的模式和潜在的故障特征。一旦监测到异常情况,小模型能够及时发出预警,提醒工作人员进行检修或维护。小模型的能力更适合工业生产制造领域。首先,小模型能够基于有限数据支撑精准的判别和决策,而生产过程需要针对不同场景进行精准的分析和决策,这两者间的契合使得小模型在生产制造领域具有独特的优势。其次,生产制造过程对准确性和稳定性有着极高的要求,任何微小的误差都可能导致产品质量下降或生产线停工。小模型在训练过程中,能够针对具体场景进行精细化的调整和优化,从而确保模型的准确性和稳定性,这使得小模型在生产制造领域的应用更为可靠和有效。最后,小模型在成本投入方面相对较低,使得其在生产制造现场的应用更具经济性,并在有限的硬件条件下,能够稳定运行。小模型的定制化需求制约了其进一步渗透。尽管小模型在生产制造领域表现出色,但其应用过程中也面临着一些挑战。以判别式 AI 为代表的小模型通常需要依靠个性化的业务逻辑进行数据采集、模型训练与调优,往往只能处理单一维度的数据。这一过程不仅消耗大量的算力和人力,而且训练后的模型往往无法在多行业通用。例如,工业缺陷检测领域的视觉模型往往需要针对一个产品或者一个设备训练一个模型,产品或设备不同,就要对模型进行重新训练,这种定制化的需求在一定程度上制约了小模型在工业领域的进一步渗透。2.2.以生成式 AI 为主的大模型应用呈现 U 型分布 8 工业大模型应用报告 根据对 99 个工业大模型应用案例的统计分析,大模型在研发设计和经营管理领域的应用相对更多,整体上呈现出 U 型分布。这表明大模型当前的能力更适配于研发设计和经营管理,在生产制造环节的能力和性能还需进一步提升。大模型通过构建庞大的参数体系来深入理解现实世界的复杂关系。大模型的核心在于学习数据中的联合概率分布,即多个变量组成的向量在数据集中出现的概率分布,进而通过使用深度学习和强化学习等技术,能够生成全新的、富有创意的内容。与传统的数据处理方法不同,大模型并不简单地区分自变量与因变量,相反,它致力于在庞大的知识数据库中提炼出更多的特征变量。这些特征变量不仅数量庞大,而且涵盖了多个维度和层面,从而更全面地反映现实世界的复杂关系。以自然语言处理为例,大模型通过学习大量的文本数据,能够掌握语言的规律和模式。当给定一个句子或段落时,大模型能够基于联合概率分布生成与之相关的新句子或段落。这些生成的内容不仅符合语法规则,而且能够保持语义上的连贯性和一致性。此外,大模型还能够根据上下文信息理解并回答复杂的问题,展现出强大的推理和创造能力。大模型更适合综合型和创造类的工业场景。在综合型工业场景中,由于涉及到多个系统、多个流程的协同工作,需要处理文档、表格、图片等多类数据,变量之间的关系往往错综复杂,难以用传统的分析方法进行精确描述。大模型通过深度学习和复杂的网络结构,可以捕捉并模拟这些关系,从而实现对复杂系统的全面理解和优化。在创造类工业场景中,大模型的优势体现在其强大的内容生成能力上。例如,在产品外观设计方面,传统的设计方法往往依赖于设计师的经验和灵感,设计周期长且难以保证设计的创新性。而大模型通过学习大量的设计数据,能够掌握设计领域的规律和模式,进而生成符合要求的全新设计内容,提升产品设计的效率和质量。9 工业大模型应用报告 大模型在工业领域的应用潜力仍有待释放。首先,大模型技术本身正处于快速发展的阶段,尽管已取得了显著进步,但在成本、效率和可靠性等方面仍有待进一步提升,以适应工业领域日益复杂的需求。其次,工业场景众多且各具特色,大模型作为新技术,需要逐步与各个工业场景紧密结合,在逐步提升技术渗透率的过程中,挖掘可利用的场景,并根据行业特定需求提供定制化的解决方案。最后,工业领域自身的数据分散且缺少高质量的工业数据集,同时在实际生产中如何确保工业数据的隐私和安全也是企业关注的重点,这些现实问题也限制了大模型的推广应用。2.3.大模型与小模型将长期共存并相互融合 目前大模型在工业领域还未呈现出对小模型的替代趋势。尽管以生成式 AI 为代表的大模型被视为当前 AI 的热点,但在工业领域的实际应用中,大模型的能力和成本问题导致其尚不能完全取代以判别式 AI 为代表的小模型。一方面,小模型在工业领域具有深厚的应用基础和经验积累,其算法和模型结构相对简单,易于理解和实现,其稳定性和可靠性得到了验证。另一方面,大模型在成本收益比、稳定性和可靠性等方面存在问题,其在工业领域的探索还处在初级阶段。小模型以其高效、灵活的特点,在特定场景和资源受限的环境中发挥着重要作用;而大模型则以其强大的泛化能力和处理复杂任务的优势,在更广泛的领域展现着巨大潜力,两者将长期共存。大模型与小模型有望融合推动工业智能化发展。对于小模型而言,利用大模型的生成能力可以助力小模型的训练。小模型训练需要大量的标注数据,但现实工业生产过程可能缺少相关场景的数据,大模型凭借强大的生成能力,可以生成丰富多样的数据、图像等。例如,在质检环节,大模型可以生成各种可能的产品缺陷图片,为小模型提供丰富的训练样本,从而使其能够更准确地识别缺陷和异常。此外,大模型可以通过Agent等方式调用小模型,以实现灵活性与效率的结合。例如,在某些场景下,大 10 工业大模型应用报告 模型可以负责全局的调度和决策,而小模型可以负责具体的执行和控制。这样既能保证系统的整体性能,又能提高响应速度和灵活性。11 工业大模型应用报告 3.工业大模型应用的三种构建模式 大模型的构建可以分为两个关键阶段,一个是预训练阶段,一个是微调阶段。预训练主要基于大量无标注的数据进行训练,微调是指已经预训练好的模型基础上,使用特定的数据集进行进一步的训练,以使模型适应特定任务或领域。针对工业大模型,一是可以基于大量工业数据和通用数据打造预训练工业大模型,支持各类应用的开发。二是可以在基础大模型上通过工业数据进行微调,适配特定工业任务。三是可以在不改变模型参数的情况下,通过检索增强生成(RAG)为大模型提供额外的数据,支持工业知识的获取和生成。这三种模式并不独立应用,往往会共同发力。图表 2 工业大模型应用的三种构建模式对比 3.1.模式一:预训练工业大模型 无监督预训练主要利用大量无标注数据来训练模型,目的是学习数据的通用特征和知识,包括 GPT-3/GPT-4、LLaMA1/LLaMA2 等,都是通过收集大量无标注的通用数据集,使用 Transformer 等架构进行预训练得到。预训练之后的模型已经足够强大,能够使用在广泛的任务领域。例如,当无监督预训练技术应用于 NLP 领域时,经过良好训练的语言模型可以捕捉到对下游任务有益的丰富知识,如长期依赖关系、层次关系等。然而,另一方面完全基于互联网等通用数据训练的大模型缺乏对行业知识的理解,在应对行业问题上表现出的性能较差,因此在预训练阶段可以使用通用数据加行业数据进行模型训练,使得在基础模型的层面就具备了一定的行业专有能力。12 工业大模型应用报告 无监督预训练工业大模型的优点是可以具备广泛的工业通用知识,最大程度地满足工业场景的需求,实现模型的最优性能与稳定性。但这一模式的缺点是需要大量的高质量工业数据集,以及庞大的算力资源,对成本和能力的要求较高,面临技术和资源的巨大挑战。在最终应用前,无监督预训练工业大模型与 GPT3类似,同样需要通过适当的指令微调、奖励学习、强化学习等阶段,形成面向最终场景的应用能力。SymphonyAI 3推出了基于无监督预训练的工业大语言模型,该模型的训练数据包含 3 万亿个数据点,12 亿 token,能够支持机器状况诊断,并回答故障状况、测试程序、维护程序、制造工艺和工业标准相关的问题。制造流程管理平台提供商 Retrocausal4发布的 LeanGPT,也采用了无监督预训练的模式,是制造领域的专有基础模型。基于 LeanGPT这一基础模型,Retrocausal 还推出了 Kaizen Copilot的应用程序,可以帮助工业工程师设计和持续改进制造装配流程。3.2.模式二:微调 微调模式是在一个已经预训练完成的通用或专业大模型基础上,结合工业领域特定的标注数据集进行进一步的调整和优化,从而使模型能够适应具体的工业场景需求,更好地完成工业领域的特定任务。在微调期间,需要使用特定任务或领域量身定制的标记数据集来训练,与模型预训练所需的巨大数据集相比,微调数据集更小,单个任务的微调通常只需要几千条到上万条有标注数据即可。通过微调,大模型可以学习到工业细分领域的知识、语言模式等,有助于大模型在工业的特定任务上取得更好的性能。在当前主流的行业大模型构建路线中,众多行业模型都是使用基础大模型 行业标注数据集来微调得到的。3 Industrial LLM-SymphonyAI with Microsoft 4 Kaizen Copilot Retrocausal 13 工业大模型应用报告 这一模式的优点是可以充分利用基础大模型的泛化能力,同时通过微调的方式,提升模型的适配性和精度,能够在特定的任务或领域上取得更好的效果,也可以针对具体行业或公司的语气、术语进行定制化。缺点在于需要收集和标注具体工业领域和场景的数据和知识,增加数据准备的成本和时间,若数据不足或嘈杂会降低模型的性能和可靠性,也可能会过度拟合,导致性能下降,或者灾难性遗忘。Cohere5推出全面的微调套件,其中包括生成微调、聊天微调、重新排序微调和多标签分类微调等解决方案,可以满足企业在微调各种 AI 应用时的需求。基于微调,企业可以定制模型,在文本生成、摘要、聊天、分类和企业搜索等目标用例上获得更好的性能。3.3.模式三:检索增强生成 检索增强生成模式是指在不改变模型的基础上,结合行业领域的数据、知识库等,为工业场景提供知识问答、内容生成等能力。检索增强生成(Retrieval Augmented Generation,RAG)结合了检索(Retrieval)和生成(Generation)两种方法,基本思路是把私域知识文档进行切片,向量化后续通过向量检索进行召回,再作为上下文输入到基础大模型进行归纳总结。具体而言,首先是将外部数据通过 Embedding 模型存储到向量数据库中。当用户输入查询内容时候,经过 Embedding 模型和向量数据库的内容匹配,得到 Top 排序的结果作为上下文信息一起输入给大模型,大模型再进行分析和回答。检索增强生成在私域知识问答方面可以很好的弥补通用大语言模型的一些短板,解决通用大语言模型在专业领域回答缺乏依据、存在幻觉等问题。这种模式的优点是可以快速利用现有的基础大模型,无需进行额外的训练,只需要构建和接入行业或企业私有的知识库,就可以实现对工业领域的知识理解和应用,5 Introduction()14 工业大模型应用报告 也可以部分消除大模型的幻觉,减少数据泄露,提高信任度和访问控制。这种模式的缺点是基础大模型可能无法充分适应工业场景的特点和需求,导致效果不佳或不稳定。Cognite6利用检索增强生成(RAG)技术,将大模型与其工业 DataOps 平台 Cognite Data Fusion 结合起来,为工业客户提供基于数据的洞察和解决方案。通过将不同来源和类型的工业数据进行向量化,并存储在一个专门的向量数据库中,可以作为 RAG 的检索源,与用户的自然语言提示一起输入到大模型中,使模型能够提供更加精准的建议或解决方案。C3.AI7推出的 Generative AI 利用检索增强技术,将制造企业知识库与大语言模型分开,从而生成准确、一致的结果,且能够追溯到源文件和数据,以确保信息的准确。另外,Generative AI 还通过嵌入相关性评分机制,在未达到相关性阈值时回答“我不知道”。例如在设备运维场景下,操作员可以利用简化的工作流程来诊断设备故障根因。当操作员发现生产问题时,可以直接进入 C3 Generative AI 搜索故障排除指南和教科书,以找出潜在原因。3.4.三种模式综合应用推动工业大模型落地 在工业大模型的训练模式中,我们可以看到三种主要的方法,每种方法都有其独特的优势和挑战。无监督预训练模式通过大量无标注数据来提升模型的泛化能力,适用于工业场景的广泛需求,但需要巨大的资源投入。基础大模型加有监督微调模式则在保留通用能力的同时,通过特定领域的数据微调,提高了模型的适配性和精度,但需要高质量的标注数据。基础大模型结合检索增强生成(RAG)模式,通过利用预训练的基础大模型和行业知识库,为工业场景提供即时的知识问答和内容生成服务,这种方法的优势在于快速部署和利用现有资源,但可能在特定工业场景的适应性上存在 6 RAG is all the RAGe()7 C3 Generative AI Now Publicly Available on Google Cloud Marketplace-C3.ai,Inc.15 工业大模型应用报告 局限。总结来说,这三种训练模式为工业大模型的开发提供了多样化的选择,在实际应用中,这三种模式并非只采取一种方式,往往企业最终发布的应用模型针对不同的应用场景,综合采用多种构建方式。以 NVIDIA8(英伟达)为例,开发了名为 ChipNeMo 的定制大模型,采用了无监督预训练、微调等多种模式。该模型训练收集了 Bug总结、设计源(Design Source)、文档以及维基百科等数据,训练的 token 超过 240 亿,在商用开源的 Llama2 基础上,采用领域自适应预训练、带有领域特定指令的监督微调(SFT),以及领域自适应检索等技术对模型进行优化,能够有效的支持芯片设计的一般问题问答、总结 Bug 文档和EDA脚本编写等功能。8 ChipNeMo:Domain-Adapted LLMs for Chip Design|Research()16 工业大模型应用报告 4.大模型应用探索覆盖工业全链条 从工业产品生命周期的角度,可以将工业场景概括为研发设计、生产制造、经营管理、产品服务等四个主要环节,根据整理的 99 个工业大模型的应用案例,对工业大模型的场景应用总结如下:图表 3 大模型在工业全链条的应用探索 4.1.大模型通过优化设计过程提高研发效率 4.1.1 产品外观设计 工业产品设计涵盖了外观设计与结构设计两大关键环节。在这两个环节,大模型都展现出了其独特的价值。在结构设计方面,借助大模型的生成能力可以快速为工业产品或零件提供多种设计方案,缩短产品开发的时间并提供多种创造性的产品选项,让设计师专注于产品设计的核心工作。在外观设计方面,设计师只需提供简短的文字工业大模型的场景应用研发设计产品外观设计研发设计软件辅助生产制造工业代码生成车间和设备管理工业机器人控制经营管理管理软件辅助知识管理与问答助手产品服务智能产品智能客服与售后 17 工业大模型应用报告 描述或草图,大模型便能迅速生成多张高保真度的设计效果图。这些效果图不仅满足了设计师的个性化需求,还为他们提供了丰富的选择空间,方便进一步修改与优化。CALA9作为时装设计平台,将 OpenAI的 DALL E生成式设计工具整合到其服务体系中,极大地促进了设计师创意的快速实现。通过输入相关的设计概念关键词,CALA能够迅速产生一系列的服装设计初稿,显著地缩短了设计周期,提高了工作效率。然而,CALA 并非一个完全自动化的设计工具,其使用过程依然依赖于设计师的专业技能和丰富经验。尽管如此,CALA 显著降低了新设计师的入门难度,并有效提升了资深设计师的工作效率。海尔设计10联合亚马逊云科技以及合作伙伴 Nolibox 共同开发的 AIGC 解决方案,将大模型图像生成技术成功应用于产品设计、用户界面设计、色彩材质设计以及品牌设计等多个领域。该解决方案全面覆盖了新品设计、产品改款升级、以及渠道定制化等工业设计业务场景。其中,概念图的生成得益于 Nolibox 基于开源大模型 Stable Diffusion 的应用开发,有效地助力形成高效、精准的设计成果。丰田研究所11推出的“生成式人工智能工具”是一款专为车辆设计师打造的 AI 助手,旨在提供创新支持。这款工具能够根据文本提示生成精确的设计草图,并允许设计师通过调整定量性能指标来构建原型草图。工具融合了计算机辅助工程的优化理论与生成式 AI 技术,能够将工程约束自然地融入设计流程中。这意味着,在生成满足设计师风格要求的图像的同时,还能综合考虑并优化诸如风阻、底盘高度等关键工程参数。4.1.2 研发设计软件辅助 9 CALA AI-Powered Design&Collaboration 10 亚马逊云科技联手 Nolibox,助力海尔创新设计中心打造 AIGC 工业设计解决方案()11 Human-Centered AI|Toyota Research Institute(tri.global)18 工业大模型应用报告 大模型可以与 CAD、CAE 等工业设计软件结合,通过连接相关数据库,更好地调用相关的设计模块,提升研发设计的效率。以 CAD 为例,现有的海量标准化素材库提供了大量工程制图、布局规划等数据,大模型可以利用这些数据,结合设计者的创意思路和特殊需求,生成多样化的设计方案,供设计者进行参考。另一方面,亦可对设计方案进行快速优化调整,帮助工程师以更快的速度和更少的错误创建布局。Back2CAD12 基于 Elaine CAD Bot、ChatGPT 和 Amazon AWS 等的支持推出CADGPT,支持虚拟助手、智能推荐、文档生成、代码生产、CAD 项目辅助等各类功能。以虚拟助手为例,CADGPT 能够基于用户前期的设计和偏好,提出替代性的方案或者现有方案的改进意见,帮助用户短时间内能够获得更好的设计结果。在代码生成方面,CADGPT可基于用户输入的提示词生成适当的代码片段。Synopsys13(新思科技)推出了一款创新的芯片设计辅助工具Synopsys.ai Copilot。这款工具融合了先进的生成式人工智能技术,旨在加速芯片设计的整个流程。新思科技与微软合作,整合了 Azure OpenAI平台的生成式 AI技术,使得设计工具具备了与工程师进行对话的智能能力。在日常工作中,工程师可以利用 Synopsys.ai Copilot来应对芯片设计过程中遇到的各种复杂挑战。通过与工具的智能对话,工程师能够更加高效地解决问题,优化设计方案,从而显著提高设计效率。Cadence14推出了 Cadence.AI LLM,这是业界首个针对芯片设计的大型语言模型(LLM)技术。该工具的核心功能在于加载和处理架构规范、设计规范、集成连接规范以及芯片设计本身,为用户提供了一个强大的交互平台。用户能够通过自然语言与工具进行互动,提出各种指令,如要求列出芯片设计中的不规则网络名称、识别所有 12 CADGPT|Back2CAD()13 面向芯片设计和 AI 应用的 AI 驱动型 EDA 套件|Synopsys.ai 14 Cadence Creates Industrys First LLM Technology for Chip Design-Cadence Community 19 工业大模型应用报告 潜在的不规则引脚、自动化测试平台的连接设置、以及辅助完成工具脚本和 RTL 代码的编写。Ansys15推出 Ansys SimAI,一款将 Ansys仿真软件与生成式人工智能结合的云端应用,可以快速评估新设计的性能。Ansys SimAI 并不依赖于几何参数来定义设计,而是以设计本身的形状作为输入,即使形状的结构在训练数据中的记录不一致,也能有助于更广泛的设计探索。对于需要进行海量计算的项目,该应用可将所有设计阶段的模型性能预测功能提高 10-100 倍。客户可以使用以前生成的 Ansys 或非 Ansys 的数据来训练 AI。雷诺集团利用 Ansys SimAI,加速了汽车零部件的设计和测试过程,Ansys SimAI 可以让雷诺集团的工程师在数分钟内测试一个设计,并迅速分析结果,从而在项目的上游阶段探索更多的技术可能性,并加快产品整体上市进程。4.2.大模型拓展生产制造智能化应用的边界 生产制造环节是工业生产的核心场景,对安全性和稳定性的要求较高,目前大模型在该环节的渗透率整体不高,主要集中在代码生成、车间和设备管理和机器人控制等环节。4.2.1 工业代码生成 大模型在工业代码生成的应用领域广泛,涉及到自动化、机械加工等领域。将大模型应用于工业代码生成的优势在于可以提高工业代码的质量和效率,减少人工编程的时间和成本,提高了研发者的开发效率,特别是重复性高、逻辑简单的任务。同时,自动生成的代码还可以减少人为错误的发生,提高代码的可靠性和可维护性。现有的代码生成方法或工具在处理简单需求的场景时表现较好,如行级代码补全和初级的函 15 Ansys 宣布正式推出 Ansys SimAI| 20 工业大模型应用报告 数级代码生成。在复杂的函数级代码生成、深入的问题分析和软件系统设计方面,还需要进一步改进和优化。Siemens16与微软合作推出了 Siemens Industrial Copilot,西门子 Industrial Copilot允许用户迅速生成、优化自动化代码并加速仿真流程,将原本需要数周的任务缩短至几分钟。该工具整合了西门子 Xcelerator 平台的自动化与仿真信息,并结合微软Azure OpenAI服务提升数据处理能力,同时确保客户对数据的完全控制,不用于 AI模型训练。Industrial Copilot 旨在提升整个工业生产周期的效率,通过自然语言交互,使维修人员得到精确指导,工程师能迅速使用仿真工具,从而推动工业创新和生产力的提升。SprutCAM17结合 ChatGPT 推出 AI 产品 ncy。这款 AI 助手通过结合 OpenAI 的API 接口,能够理解和生成自然语言,帮助 CNC 工程师简化机械加工任务。ncy 能够执行多种任务,包括生成基于文本描述的代码,以及使用 Python 编写代码来创建.dxf或.stl 文件。此外,ncy 还能支持工程师操作机床,回答与 SprutCAM X 软件操作相关的任何问题。例如,当工程师给出指令“在点(100,25)处钻一个直径 10 毫米的孔”,ncy 即可生成相应的 CAM 执行代码。4.2.2 车间和设备管理 在车间管理方面,大模型能够协助监控生产线,确保工艺流程的顺畅与高效;在设备管理领域,大模型通过支持预测性维护减少停机时间,并通过精准的数据分析指导维护决策,有望成为工业智能化转型的关键驱动力。16 Unlocking the Power of Generative AI:Siemens Industrial Copilot-Insights-Siemens Global Website 17 ncy-virtual AI assistant for SprutCAM X-SprutCAM X 21 工业大模型应用报告 Sight Machine18推出 Factory CoPilot,一款集成了 Microsoft Azure OpenAI Service的工业数据分析工具,它通过智能化分析简化了制造问题的解决和报告流程。Factory CoPilot 提供了一个直观的交互体验,用户可以像询问专家一样轻松获取分析结果。利用自然语言界面,Factory CoPilot 能够自动整理 Sight Machine平台上的上下文数据,生成易于理解的报告、邮件和图表。它还能引导用户进行根因分析,加快问题诊断。此外,通过持续分析,Factory CoPilot 有助于识别和解决非计划停机、设备效率低下和质量问题,推动制造流程的持续优化。Vanti19推出 Manufacturing COPILOT,目标是解决当前制造业专业人员在数据管理和分析方面面临的挑战。通过融合和整理来自 ERP 系统、制造执行系统(MES)、传感器以及历史记录器等多样化数据,该平台改变了数据处理方式。同时基于大模型能力,允许用户以自然语言询问并与数据互动,将复杂的数据分析过程转换为简单直观的对话。Manufacturing COPILOT 不仅能处理和分析原始数据,还能识别并解释复杂的生产行为,转化为易于理解的、可操作的洞察。借助数据可视化技术,它提供了数据的图形化叙述,增强数据的可解释性,帮助制造业专业人士进行数据驱动的决策。此外,它还简化了测试流程,使用户能够通过自然语言查询快速验证假设,并根据可靠数据进行调整,显著提高了生产效率和操作效率。ABB20与 Microsoft 合作推出 ABB Ability Genix,是一个集成了 Microsoft Azure OpenAI 服务的工业分析和人工智能套件。它的核心功能在于提供数据分析、机器学习和用户交互的增强能力,利用生成式 AI 优化工业流程,提高操作效率和可持续性。在实际应用中,通过 Copilot 功能,操作员能够更直观地与工业系统交互,实现预测性维 18 Factory CoPilot from Sight Machine-Generative AI 19 GEN AI-Powered Analytics Platform for Manufacturing(vanti.ai)20 ABB Ability Genix Industrial Analytics and AI Suite 22 工业大模型应用报告 护和实时优化,从而减少停机时间,提升生产效率。根据 ABB 预计,Genix Copilot 提供的数据分析洞见有望将资产生命周期延长 20%,将设备意外停机时间减少 60%。美国钢铁公司21(U.S.Steel)与 Google Cloud合作,推出的首个基于大模型的应用程序 MineMind,利用 Google Cloud 的 AI 技术简化设备维护过程。该应用不仅辅助维护团队进行卡车维修、订购零件、提炼复杂信息,还提供全面的参考资料以确保准确性。MineMind预计将改善维护团队的体验,更有效地节省技术员时间和降低卡车维护的成本,目前该应用已经在 60 多辆运输车上运行。预计完全运行时,MineMind将帮助维护技术员减少 20%以上的工作时间。4.2.3 工业机器人控制 大模型的出现可以帮助机器逐渐实现真正像人类一样交流、执行大量任务。工业机器人和自动化工厂作为智能制造的核心载体,将作为大模型和智能制造的中间桥梁。根据微软发布的ChatGPT for Robotics:Design Principles and Model Abilities,目前大模型主要通过两个层面对工业机器人进行辅助,第一,作为预训练语言模型,可以被应用于人类与机器的自然语言交互。机器通过 ChatGPT 理解人类的自然语言指令,并根据指令进行相应的动作。第二,大模型可以帮助机器在执行路径规划、物体识别等任务时做出相应的决策。RoboDK22推出了 RoboDKs Virtual Assistant,一个基于大模型的 AI 应用,专为机器人编程和仿真提供智能化的支持和指导。RoboDKs Virtual Assistant 通过与 Microsoft Azure OpenAI Service 的集成,实现了机器人数据的高效处理和分析。该应用提供了一个自然语言用户界面,使机器人开发者和使用者可以与 AI 应用进行交互,请求专家的 21 U.S.Steel Aims to Improve Operational Efficiencies and Employee Experiences with Google Clouds Generative AI:United States Steel Corporation(X)()22 Unleashing the Potential of Large Language Models in Robotics:RoboDKs Virtual Assistant-RoboDK blog 23 工业大模型应用报告 建议和指导。同时也可以协助用户完成诸如自动创建和修改机器人程序、优化机器人运动和路径、提高机器人性能和安全性等任务。RoboDKs Virtual Assistant 还可以学习公司特定的信息,如机器人型号和参数、机器人应用和场景、机器人操作和故障排除手册等,为用户提供即时的支持,回答特定的问题。例如,如何选择合适的机器人、如何设置机器人工具和工件、如何解决机器人碰撞或奇异性问题等。梅卡曼德23与汉堡大学张建伟院士实验室达成合作协议,共同致力于机器人多模态大模型的研究与创新。双方正合作开发一款集成视觉、语音和语言处理功能的综合性机器人大模型。该模型旨在赋予机器人对环境中多元信号的感知与理解能力,并通过自然语言实现与人类的有效沟通。预期的研究成果将显著提高机器人的智能程度,促进其与人类更加自然地协作与互动。斯坦福大学教授李飞飞团队24发布了名为“VoxPoser”的项目,该项目用大模型指导机器人如何与环境进行交互,通过将大模型接入机器人,可将复杂指令转化成具体行动规划,人类可以很随意地用自然语言给机器人下达指令,机器人也无需额外数据和训练。4.3.大模型基于助手模式提升经营管理水平 4.3.1 管理软件辅助 经营管理环节具备较强的通用性,因而成为大模型较容易应用的工业场景。大模型在管理软件辅助方面的应用,主要是通过自然语言交互等方式,实现对经营管理数据的智能化分析和处理。通过对 CRM、ERP、SCM 等管理软件的赋能,大模型能够提高客户关系、订单管理、供应链管理等方面的效率和质量,为企业提供更精准和个性 23 梅卡曼德与汉堡大学张建伟院士实验室携手探索机器人多模态大模型-梅卡曼德机器人(mech-)24 2307.05973 VoxPoser:Composable 3D Value Maps for Robotic Manipulation with Language Models(arxiv.org)24 工业大模型应用报告 化的服务。大模型还能够根据用户的需求或描述,自动生成报告、简报、订单等多种形式的内容,为用户提供更便捷和高效的信息服务。Salesforce25推出一款名为“AI Cloud”的客户关系管理(CRM)软件,帮助客户提高生产力和效率。AI Cloud 的服务范围覆盖 Salesforce 的旗舰产品:从 Einstein 服务到工作消息应用程序 Slack和数据分析软件 Tableau。AI Cloud总共有九种模型:销售 GPT、服务 GPT、营销 GPT、商业 GPT、Slack GPT、Tableau GPT、Flow GPT和 Apex GPT。销售 GPT 可以快速自动制作个性化电子邮件;服务 GPT 可以根据案例数据和客户历史创建服务简报、案例摘要和工作订单;营销 GPT 和商业 GPT 可以将受众细分,以便根据每个买家的特点定制产品描述,或者提供如何提高平均订单价值等建议。鼎捷软件26子公司鼎新电脑与微软 Azure OpenAI 合作,发布了由 GPT 大模型赋能的 PaaS 平台 METIS,基于该平台推出个人智能助理(预约会议、汇总信息、催办任务、提示行程等功能)、企业知识大脑(METIS ChatFile,能够解析文件并智能分类,基于GPT 大模型实现自然语言问答交互)、AI 辅助开发(AI 赋能需求分析、系统设计、程序开发)等多个功能。4.3.2 知识管理与问答助手 企业知识管理与问答助手类应用已经成为大模型在企业端落地的先行场景,以知识库为代表的问答助手类应用落地广泛,通过对企业的产品、服务、流程、规范、文档等方面的图像和数据进行分析,大模型能够构建和更新企业的知识库,为企业提供全面和准确的知识管理。同时,通过对用户的需求或问题进行理解和回答,大模型能够为用户提供智能的问答和辅助,解决用户在工作中遇到的各种问题,提高用户的工作效率和满意度。25 AI Cloud:Trusted GPT Artificial Intelligence for Businesses-S US 26 鼎新“数智驱动未来企业”在线峰会成功举办,重磅发布 METIS 新平台 新应用-鼎捷软件()25 工业大模型应用报告 Andonix27推出了Andi,一个专为工厂工人设计的AI驱动的制造聊天机器人。Andi实现了工厂数据的智能化分析和处理,并提供了一个自然语言用户界面,使工厂工人可以与聊天机器人进行人性化的对话,请求专家的帮助和支持。Andi 可以协助工人完成诸如自动监控机器和流程性能、解决问题、生成行动计划、检查清单和工作指导等任务,还可以学习公司特定的信息,如机器操作和故障排除手册、质量系统、人力资源手册等,为工人提供即时的支持,回答特定的问题,如如何修复特定的机器故障代码、识别导致机器停机最多的三个问题、确定最近一小时的一次合格率(FTQ)或者澄清公司的假期政策等。Hitachi28正在利用生成式人工智能,将维护和制造方面的专业技能传授给新员工,旨在减轻经验丰富员工退休的影响。熟练的工人利用多年经验培养的直觉,来检测可能导致事故或故障的细微异常如设备的声音、温度或气味的变化,然而这些制造业中的隐形知识存在传递困难。日立已经开发了一个 AI 系统,可以根据工厂的三维数据,生成图像,将可能的故障如烟雾、塌陷、轨道弯曲投影到实际的轨道图像上,支持维护工人身临其境的学习如何检查异常。该系统有望通过让他们学习可能导致严重事故的多种问题,来提高维护工人的技能,并允许用户通过虚拟现实设备在远程地点参与培训。4.4.大模型基于交互能力推动产品和服务智能化 产品智能交互 在产品服务优化环节,将大模型的能力集成到产品中,也成为消费电子、汽车等领域产品智能化能力提升的探索焦点。27 Introducing andi-Andonix 28 Human-AI collaboration in the industrial sector:Research&Development:Hitachi 26 工业大模型应用报告 国光电器29推出的智能音箱 Vifa ChatMini 内置了 ChatGPT和 文心一言双模型,在保持了专业声学标准的基础上,与传统的智能音箱相比,Vifa ChatMini 在自然语言生成和情感表达方面具有显著的优势,可应用到老年人和儿童等特定用户群体,用于情感支持和智能学习陪伴,也可作为智能助手应用在日常工作和规划中。BMW30(宝马)基于亚马逊 Alexa 大语言模型提供的生成式 AI 技术打造全新一代个人助理。可以为驾乘人员提供更人性化的帮助,及时解答有关车辆的疑问;通过语音可实现人车智能化交互,为用户带来情感化数字体验。Mercedes-Benz31(奔驰)发布了全新 MBUX 虚拟助理,奔驰表示新款 MBUX 基于 MB.OS 操作系统打造,而 MB.OS 会搭载基于 AI 和大语言模型的全新虚拟助手,能够提供更自然的语音反馈和对话。腾讯新一代智能座舱解决方案 TAI4.0 从场景和用户体验出发,深度利用汽车的感知能力和大模型的学习理解能力,构建从多模交互到个性化服务的完整智能化闭环体验。基于插件工具、内容生态,为用户在智能交互、效率提升、亲子娱乐等场景下提供丰富的 Agent 能力,比如行程规划,生成式 UI 等。智能客服与售后 Tana 32(芬兰固体废料回收设备制造商)与 Solita 合作开发和集成定制的生成式AI 辅助工具。Tana 的员工的故障排除过程通常是在大量的用户手册和旧的事件报告中寻找解决方案,文档数量庞大且复杂,因此很难找到正确的解决方案。通过使用 Azure OpenAI 服务的大型语言模型,Tana 创建了一个服务于售后团队的智能助手,针对售后 29 CHATMINI-the worlds first smart speaker equipped with ChatGPT-vifa 30 Next generation BMW voice assistant to be based on Amazon Alexa technology.()31 Mercedes-Benz heralds a new era for the user interface with human-like virtual assistant powered by generative AI()32 Teemu Lintula&Solita-Tanas AI-powered assistant-Tana 27 工业大模型应用报告 的相关问题,智能助手将根据相关的文档给出答案,同时还引用了其答案来源的详细信息,售后团队可以自己检查实际的来源文档。腾讯将大模型客服知识问答的 SaaS 核心能力下沉,升级为智能知识引擎 PaaS 平台,以平台能力赋能各式各样知识问答前端应用的构建。基于腾讯大模型知识引擎,比亚迪开发了 AI 语音助手应用,对其 VDS设备(Vehicle Diagnostic System,车辆诊断系统)进行了全新升级。比亚迪维修车间的汽车维修工人,双手经常需要佩戴绝缘手套、或者沾有油污,不方便操作点击 VDS 设备。而新员工在查询汽车相关信息、维修专业知识、业务工单等方面也会存在不熟悉、缺乏业务经验等现象。智能问答机器人可以作为VDS内置的AI语音助手,只需要通过口语化的表达咨询,就可以快速实现维修知识问答,并调取相关的内容进行可视化前端呈现。28 工业大模型应用报告 5.工业大模型的挑战与展望 5.1.工业大模型应用面临数据质量和安全、可靠性、成本三大挑战 挑战一:数据质量和安全是工业大模型构建的首要问题 工业数据质量参差不齐。工业领域涵盖广泛,包括 41 个工业大类、207 个工业中类、666 个工业小类,导致数据结构多样,数据质量参差不齐。此外,由于工业生产过程中的各个环节相互交织,数据之间的关联性和复杂性也较高。数据的来源、采集方式、时间戳等都会影响数据的准确性和完整性。这种数据结构的多样与质量的参差不齐给工业大模型的训练和应用带来了挑战。为了克服这一问题,需要投入大量的时间和资源进行数据清洗、预处理和校验,以确保数据的准确性和一致性。工业数据安全要求较高。工业数据通常包含企业的核心机密和商业秘密,如工艺参数、配方、客户信息等。这些数据如果泄露或被竞争对手获取,可能会对企业的竞争力和市场地位造成严重威胁。因此,工业企业对于数据的保护和隐私关注度非常高,限制了数据的共享和流通。挑战二:工业大模型需满足高可靠性和实时性要求 工业大模型应用对可靠性有更严格的要求。工业生产环境往往涉及复杂的工艺流程、高精度的操作控制以及严苛的安全标准。任何模型预测或决策的失误都可能导致生产事故、质量问题或经济损失。因此,在有些领域,工业大模型应用必须具备极高的准确性和稳定性,以确保在各种复杂和动态变化的工业场景中都能提供可靠的支持。工业大模型应用还受到实时性的制约。工业生产对实时性的要求非常高,很多场景需要模型能够在毫秒级甚至微秒级的时间内做出响应。同时,由于计算资源的限制,模型的大小和计算复杂度也需要得到合理控制。这就需要在保证模型性能的同时,尽可能地降低计算复杂度和内存占用,以实现高效的实时推理。29 工业大模型应用报告 挑战三:高额成本限制了工业大模型应用的投入产出比 工业大模型的训练和推理成本高昂。大模型通常需要庞大的数据集进行训练,而这些数据的收集、清洗和标注都需要耗费大量的时间和资源。此外,训练过程中所需的计算资源也是巨大的,包括高性能的计算集群、大量的存储空间和高速的网络连接等。工业大模型的应用需考虑长期运营成本。除了初始的训练成本外,模型的维护和更新也是一个持续的过程。随着工业环境和数据的变化,模型可能需要进行定期的重新训练和调优以保持其性能。这不仅需要投入更多的计算资源和人力资源,还需要建立完善的模型管理体系和监控机制,以确保模型在实际应用中的稳定性和可靠性。私有化部署的成本投入较大。对于工业应用而言,数据安全是一个重要的考虑因素。许多工业场景需要私有化部署,以确保数据不被泄露。然而,私有化部署通常需要更高的硬件、维护等成本。由于当前工业大模型仍处于初级阶段,投入产出比并不明确。企业对于在工业大模型上的成本投入可能会产生一定的困惑和担忧。30 工业大模型应用报告 5.2.工业大模型应用将伴随技术演进持续加速和深化 预判一:基于少量工业基础大模型快速构建大量工业 APP 满足碎片化应用需求 在通用人工智能到来之前,工业大模型的应用模式将是“基础大模型 工业 APP”。通过基础大模型和工业 APP 的结合,能够广泛且快速地应对工业领域的挑战,推动各类工业场景的智能化升级。基础大模型将在大量的通用数据和工业数据上进行训练,从而学习到工业领域的通用知识和模式。这些模型将凭借其在特定领域的数据基础,实现对通用大模型的超越,且能够适应不同工业场景和任务的需求。考虑到工业涉及到的领域极其庞杂,并不会以一个工业大模型解决所有问题,更可能的结果是结合行业领域特征形成数十个或数百个基础的工业大模型。工业 APP 是在工业大模型基础上快速构建的各类应用,并且针对特定的工业场景和任务进行优化和定制,这类工业APP 的数量将达到数万个或更多。由于工业场景复杂并呈现碎片化的模式,在工业大模型基础上,企业可以快速构建符合自身业务和场景的应用,满足个性化的诉求,同时企业可以更加便捷地将各类大模型应用集成到自身原有的业务流程中,实现快速和便捷的智能化应用部署。预判二:大模型的新突破带来工业应用的新场景 大模型技术本身仍处于发展的早期阶段,各类新的技术和应用模型不断涌现,比如长文本能力的提升、Sora 等视频生成能力的增强,将进一步扩展大模型在工业应用的场景,Agent、具身智能等大模型应用模式的创新也将深化大模型在工业领域的应用。以Agent为例,作为一种智能代理系统,具有自主决策和行动能力,可以与环境进行交互并实现自主学习,为工业大模型的应用提供了更加灵活和智能的解决方案。具身智能则将人工智能技术融入到实体中,使得设备和机器具备更加智能化的交互和应用能 31 工业大模型应用报告 力,为工业生产带来更高效、安全的生产方式。Sora 等新应用的出现在图像生成领域带来了新的突破,对工业领域的数字孪生等场景带来新的可能。预判三:大模型成本的降低将加速工业领域的应用 随着大模型的不断发展和参数规模的增加,所需的计算资源和存储空间也随之增加,给模型训练和部署带来了巨大挑战。在工业领域,对成本较为敏感且应用场景复杂,对大模型的部署及成本提出了较高的要求。但业界也在探索各类模型压缩技术,在保证模型精度的同时,通过剪枝、量化、蒸馏等方式,可以有效地减少模型的参数量、计算复杂度和存储需求,从而降低了训练和推理的成本。这些技术的应用使得即使在资源受限的环境下,也能够训练和部署高效且精确的工业大模型。通过模型压缩,不仅可以降低硬件成本,还能够提高模型在移动设备、边缘计算等资源受限环境下的性能表现。综合来看,这些大模型成本降低技术将加快大模型在工业领域的渗透速度。

    浏览量0人已浏览 发布时间2024-03-29 34页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国工业互联网研究院:2024人工智能大模型工业应用准确性测评报告(21页).pdf

    人工智能大模型工业应用准确性测评 2024年3月版1一、前言2 为贯彻落实党中央国务院关于促进人工智能发展的决策部署,中国工业互联网研究院依托通用人工智能与工业融合创新中心(简称“中心”),联合香港科技大学、中国经济信息社,深入研究人工智能大模型在工业领域的应用性能、技术架构、标准体系,并在此基础上,形成本报告。结合工业企业大模型应用情况调研,本报告在原有工业知识问答准确性测评的基础上,新增数据分析、工程建模、文档生成、代码理解等四大场景,构建测试数据集,对国内外具有代表性的大模型进行测试,发布新一轮的准确性测评报告,供业界进行参考。本报告测评结果虽经中心专家委论证,但因大模型迭代速度快,技术复杂,囿于工作团队专业知识和能力,报告难免存在分析结论不足等问题,且测评结果仅适用于测试期间,欢迎大家批评指正。2023年初至今,大模型技术发展突飞猛进,已逐步渗透至工业领域诸多环节,涵盖了知识问答、工程建模、数据分析、文档生成、代码理解等场景,正快速成长为工业转型升级和创新发展的重要动力。二、测评内容3依托国家工业互联网大数据中心,聚焦重点工业行业,汇集高质量语料,形成工业语料库,支撑大模型在工业领域应用测评;结合工业企业调研,在原有知识问答基础上,新增四类工业应用测评场景,开展大模型在各应用场景的准确性测评。工业应用准确性测评解 答 计 算 机编 程 问 题,分 析 工 业 设计、控 制 代码 安 全 性、计算复杂性。代 码 理 解面 向 工 业 应用,有逻辑、有 条 理 地 生成 总 结 性、分 析 性 的 文本。文 档 生 成面 向 工 业 场景 基 础 结 构化 数 据,分析 现 象,描述 趋 势,得出结论。数 据 分 析面 向 工 业 问题,选 取 基础数学知识,建 立 数 学 模型进行求解。工 程 建 模结 合 工 业 知识,有 理 有据 解 答 各 领域 专 业 性 问题。知 识 问 答石化化工行业三、测评方法4 测评流程 评分标准为更贴合应用场景实际,进一步评价模型的多维能力,本期测评题型以问答题为主;为保障判分的一致性与准确度,问答题的评分方式由人工判分改为大模型判分,并按步骤赋分。根 据 场 景、难 度、行 业,选 取 有 标 准 答 案 的 题 目,经人工校验后形成测试题。利用GPT4将原有标准答案整理为 评 分 标 准,并 通 过 人 工 校 验提升判分标准科学性。调用待测试大模型API,收集大模型答案。生成判分标准 1 进行判分 2 进行问答利 用 G P T 4,根 据 评分标准,按步骤赋分。筛选题目1.题目类型:每个场景抽取若干题目进行测试,题型以问答题为主。2.题目数量:知识问答:144 道 数据分析:20 道 工程建模:100 道 文本生成:40 道 代码理解:150 道 注:各场景题目数量虽不一致,但考察要点总量保持在同一个数量级。3.题目得分:需要结合具体题目的评分细则,按照步骤进行赋分,赋分后分数进行归一化处理。4.场景得分:场景得分为题目总分百分化处理后的分数。若有细分场景,则场景总分为细分场景的平均成绩。5.综合评分:由各场景算数平均分计算得出。1 对于GPT4,先获取其回答,再用其生成标准答案、进行判分,避免信息泄露;2 GPT4的API承诺不记录数据用于训练,参考业界成熟方案,使用GPT4的API生成标 准答案和判分结果,减少测评误差。0102030405060708090100GPT4文心一言ChatGLM星火3.5通义千问Claude百川3MistralCosmoYi从容大模型360智脑GPT3.5GeminiPro星火3.0MiniMax天工大模型Llama70bLlama13b(中文微调)百川13B准确性四、测评结果-综合排名5 测评成绩综合能力上,GPT4处于领先地位,国内大模型文心一言、ChatGLM紧随其后;对于国内大模型,多个模型综合能力超过GPT3.5,包括文心一言、ChatGLM、星火3.5、通义千问等;对于国外大模型,GPT4领先优势明显,其余模型差距较大。大模型准确性排名Top2011 模型版本号参见附录1。国际平均55国内平均542540557085100工程建模数据分析代码理解工业知识问答文档生成国内国际对比往期测评,2023年下半年国内大模型能力提升明显(以GPT3.5为基准)。四、测评结果-能力对比与变化趋势6 各维度大模型最佳能力对比图1 国内大模型发展趋势2在工业知识问答、文档生成等领域,国内大模型已取得领先,数据分析、代码理解等领域能力接近;在工程建模领域,国内大模型与国际存在一定差距。4000%文心一言ChatGLM星火大模型通义千问从容大模型360智脑天工大模型文心一言ChatGLM星火大模型通义千问从容大模型360智脑天工大模型相对GPT3.5成绩23年中国内平均24年初国内平均2023年6月底2024年初2023年6月底相对GPT3.5成绩2024年年初相对GPT3.5成绩1 选取国内外各能力维度性能最佳的大模型进行对比;2 国内大模型发展趋势统计规则见附录2。五、场景测评一:工业知识问答7 大模型可结合自身知识,回答不同工业领域问题,将用于员工培训、故障诊断、客服咨询、市场调研等交互场景,协助企业员工熟悉生产流程,帮助用户了解产品特性。知识快速获取工艺辅助优化数字人售后服务员工自助培训应用场景研判研发设计环节:研发工程师可基于大模型快速、便捷获取高质量知识,提升研发效率;生产制造环节:产线工人可实时向大模型查询生产工艺经验,辅助其进行制造工艺优化;售后服务环节:企业可基于大模型,通过数字人实时向客户提供售后咨询服务;技能培训环节:新员工可通过大模型了解企业信息、学习生产技能。020406080100建材石化化工电力电子制造纺织装备制造钢铁采矿国内国际五、场景测评一:工业知识问答8 测评结果 行业能力对比1 题目样例在知识问答领域国内大模型已具备一定优势,ChatGLM、文心一言等多个大模型实现对GPT4超越;国内大模型在建材、采矿等行业具有显著优势,在装备制造、钢铁等行业与国际水平接近;对比不同行业,国内外大模型在钢铁、电力等行业有较好的知识储备,对于纺织、装备制造等行业仍需加强训练。020406080100ChatGLM文心一言Cosmo星火3.5星火3.0GPT4通义千问Yi百川3从容大模型360智脑GeminiProClaudeMiniMax天工大模型GPT3.5MistralLlama13b(中文微调)Llama70b百川13B工业知识问答国内平均专业知识问答国际平均专业知识问答工业知识问答能力Top20问题:你知道哪些常用逻辑电平?TTL与CMOS电平可以直接互连吗?评分标准:(1)常用逻辑电平包括:12V,5V,3.3V。(1分,给出标准中同样或近似的回答则得1分,否则不得分。)(2)TTL和CMOS电平是否可以直接互连:不可以直接互连。(1分,给出标准中同样或近似的回答则得1分,否则不得分。)(3)TTL和CMOS电平互连的条件:CMOS输出可以直接接到TTL,而TTL接到CMOS需要在输出端口加一上拉电阻接到5V或者12V。(1分)本题共3小项,每个小项1分,满分3分。对于每个小项,如果描述有差距,或者详细程度不足,酌情给0.3或者0.5分或者0.8分。准确性准确性1 图中数据为各行业国内外性能最佳大模型成绩。(分)国内平均52国际平均41(分)五、场景测评二:工程建模9 大模型具备基础建模能力,将帮助工程师和企业管理人员在实际工程设计、生产运维等领域进行数学建模,寻求最佳的解决方案。应用场景研判研发设计环节:基于历史实践,建立成本模型,指导新项目的规划和预算编制,提高项目成功率;生产制造环节:建立时序预测、异常检测模型,基于预测优化生产计划,提高施工效率和安全性;运维管理环节:建立运筹模型,对工厂生产人员进行排版优化,提升人员效能;营销宣传环节:建立营销收益模型,提升营销效率,节约营销成本。工程数学建模预测模型优化生产计划优化员工班次布局提高人效营销收益建模节约销售成本020406080100GPT4文心一言ChatGLM星火3.5通义千问百川3360智脑Claude星火3.0从容大模型GPT3.5MistralGeminiProCosmoMiniMaxLlama13b(中文微调)Yi天工大模型百川13BLlama70b工程建模国内平均工程建模国际平均工程建模五、场景测评二:工程建模10 测评结果 题目样例问题:某公司在2018年年初预订x万产量的目标,2018年6月己完成计划的60%,此后按照上半年月均产量生产,则2018年超出计划产量300万.那么该公司2018年年初预订的产量为多少万元?评分标准:1.如果能正确列出完成计划的60%即为$0.6x$万的关系,得1分;2.如果能正确列出下半年产量也为$0.6x$万的关系,得1分;3.如果能正确列出并解方程$0.6x 0.6x-x=300$,得1分;4.如果能正确解出$x=1500$,得1分;本题共四个得分点,满分为4分,得分情况为(得分/满分)。在工程建模领域,GPT4、文心一言处于领先地位,对比其它模型具有显著优势;国内外平均成绩均为43分,大模型建模能力整体处于较低水平,可收集数学建模专业语料进行强化训练,也可以使用代码解释器等增强工具提升大模型建模能力。工程建模能力Top20国内平均43国际平均43准确性(分)五、场景测评三:数据分析11 大模型可将结构化数据提炼为核心结论,对复杂业务数据进行自动分析,更全面、及时地帮助企业管理者运营和决策,提升工作效率和运营质量。应用场景研判研发设计环节:在海量产品评价数据中提取共性问题,改进产品设计,提升产品品质;生产制造环节:自动分析工业生产时序数据,发现数据异常或潜在风险,及时预警或报错;运维管理环节:辅助分析库存数据,进行呆滞库存和缺料提醒,提升管理效率;人员培训环节:分析事故数据,杜绝生产事故,消除安全隐患。分析用户评价分析生产时序数据分析库存数据分析安全数据electric五、场景测评三:数据分析12问题:您需要撰写一份简短的报告,介绍下面的图表/表格/图形的主要特征。您应该执行以下任务:概括数据,描述过程的各个阶段等等,请使用中文进行撰写。下表为2001-2010年几种型号电话年产量。评分标准:(1).文章对比了2001年至2010年几种电话的年均产量变化。(1分,如果有相关的全局性描述,则得1分,否则不得分。)(2).在这10年期间,B电话稳步下降,而A电话支出迅速增长。(1分必须有B稳步下降的描述,且有A电话迅速增长的描述性语言,只给出数据不进行对比描述不得分。)(3).2007年是A产量超过B电话产量的转折点。(1分,必须指出2007年A电话超过B的关键节点,只给数据出数据不描述不得分。)(4).(5).本题共5小项,对于每个小项,如果学生的回答中有和该项一致的语句,则得1分,如果描述有差距,或者详细程度不足,酌情给0.3或者0.5分或者0.8分。测评结果 题目样例在数据分析领域,文心一言能力最佳,与GPT4、Mistral等构成第一梯队;国内外大模型分数均较低,大模型直接用于数据分析可能造成部分信息遗漏或描述偏差,实际应用中可使用优秀数据分析案例进行微调,或将案例加入到提示词中,利用大模型小样本学习能力提升效果。020406080100文心一言GPT4MistralChatGLMLlama70b从容大模型Cosmo百川3通义千问Claude星火3.5360智脑YiGeminiProGPT3.5MiniMax星火3.0Llama13b(中文微调)天工大模型百川13B数据分析国内平均数据分析国际平均数据分析数据分析能力Top20准确性(分)国内平均53国际平均56YearPhoneAPhone B.2001200700.2010700475.五、场景测评四:文档生成13 大模型将帮助用户快速、高效处理和生成各类文档,如宣传文案、操作手册、技术文档、施工方案等,提高工作效率和质量。应用场景研判研发设计环节:大模型可基于本地知识库,辅助工作人员生成技术方案和设计方案,帮助研发人员提升效率,为设计人员提供灵感;生产制造环节:大模型可基于生产订单和生产计划,自动生成作业指导书,提高生产效率;运维管理环节:大模型可根据设备运行情况,自动编写运行报告;可根据供应链库存情况生成库存管理报告文档,提升运营效率。生成技术文档生成作业指导书生成设备运行状态报告生成库存管理运营文档020406080100通义千问文心一言ChatGLMMistralGPT4GPT3.5YiClaude从容大模型星火3.5MiniMax星火3.0Cosmo天工大模型GeminiPro百川3Llama13b(中文微调)百川13B360智脑Llama70b文档生成(总结)国内平均文档生成(总结)国际平均文档生成(总结)五、场景测评四:文档生成(要点总结)14 测评结果 题目样例在文档生成(要点总结)领域,国内外性能最佳大模型成绩接近满分,基本可成熟应用于该场景;国内外平均成绩相对较高,文档生成(要点总结)场景属于当前大模型较擅长领域。问题:分析以下文字,总结B公司企业创新的启示。B公司专门成立了热效率技术攻关团队,通过大量的仿真和台架试验,经过上千种方案的探索分析,不断尝试与改进,最终把发动机各个方面的功能发挥到极致,实现了热效率突破 50%。思路决定出路,以往一些科技企业遭遇挫败是因为单纯以技术为主导按已有的技术去做产品,再去找销路,结果市场并不认可。.评分标准:1.敢于超前研发。树立首创精神,敢为人先,形成差异化竞争力,抵御风险,赢得优势。(1分,必须有关于超前研发,敢于创新的的近似描述,否则不得分)2.加强技术攻关。成立专门团队,进行大量试验,不解探索分析,不断尝试改进。(1分,必须有关于技术公关,探索尝试的的近似描述,否则不得分)3.市场需求导向。转变技术指导市场的思路,从客户需求出发,确定产品创新方向。(1分,必须有关于市场导向,重视调研,技术指导市场的相关描述,否则不得分)4.5.本题共5要点,对于每个要点,如果学生回答中有和该项一致的语句,则得1分,如果描述有差距,或者详细程度不足,酌情给0.3或者0.5分或者0.8分。文档生成能力Top20准确性(分)国内平均87国际平均85020406080100百川3星火3.5YiGPT4Llama13b(中文微调)Llama70b从容大模型ChatGLMClaude天工大模型GPT3.5Mistral360智脑Cosmo文心一言GeminiProMiniMax星火3.0通义千问百川13B文档生成(观点)国内平均文档生成(观点)国际平均文档生成(观点)五、场景测评四:文档生成(观点分析)15问题:阅读以下观点,回答你是否同意,如果你不同意,请说明哪种情况会削弱下面的观点:过去的一年,QM的工伤事故比邻近的工厂多$30%$,邻近工厂每班工作时间比我们公司短 1 小时。专家称许多工伤事故的主要原因是疲劳和睡眠不足。因此,为减少QM的工伤事故数量,从而提高生产效率,我们需要把 3 个班次的工作时间缩短 1 小时,这样我们的员工可以获得充足的睡眠。评分标准:总结提炼后,评分标准如下:(1)两家公司是否具有可比性,没有给出具体的分析.(2)去年的情况今年是否依然持续.(3)倒班时间缩短一小时,不能保证员工获得充足的睡眠;(4)即便缩短倒班时间能够保证员工获得充足的睡眠,员工的工伤数量也并不一定会下降.对于以上四点,每个分论点在作文中有所体现得1分,共计4分。测评结果 题目样例文档生成能力Top20在文档生成(观点分析)领域,百川3、星火3.5、Yi优势明显,已实现对GPT4的领先;国际大模型平均超出国内较多,国内模型需整理高质量语料进行强化训练,提升观点分析成效。准确性(分)国内平均65国际平均71五、场景测评五:代码理解16代码生成与自动编程代码错误检测与修正代码注释生成工控代码审查应用场景研判研发设计环节:大模型可根据自然语言描述,自动生成工业代码,辅助编写自动化脚本、复杂的业务逻辑代码,提升编码效率;生产制造环节:大模型可对生产设备的控制代码进行安全审查,排查代码中的错误和漏洞,保障生产安全;运维管理环节:大模型可自动生成代码注释,帮助工控运维人员高效理解和维护代码,提升运维效率。大模型将面向工业需求编写代码,回答计算机编程相关问题,辅助代码功能性和安全性检测,提升工程师编码效率,保障程序安全、平稳运行。020406080100GPT4文心一言ClaudeMistralChatGLM通义千问360智脑CosmoYiGeminiProGPT3.5百川3MiniMaxLlama70b从容大模型星火3.5天工大模型百川13BLlama13b(中文微调)星火3.0代码理解国内平均代码理解国际平均代码理解五、场景测评五:代码理解17问题:回答下列选择题,并给出解析。下列代码中存在什么安全问题?public void doPost(HttpServletRequest request,HttpServletResponse response)throws ServletException,IOException javax.servlet.http.Cookie theCookies=request.getCookies();.java.util.Properties benchmarkprops=new java.util.Properties();String algorithm=MD5;java.security.MessageDigest.getInstance(algorithm);byte input=(byte)?;Object inputParam=param;if(inputParam instanceof String)input=(String)inputParam).getBytes();评分标准:代码中使用已知的弱哈希算法MD5,代码如下:String algorithm=MD5;java.security.MessageDigest md=java.security.MessageDigest.getInstance(algorithm);弱哈希算法有MD5、SHA-1 和 SHA-2 等哈希函数。(回答中如果能指出安全问题是弱哈希算法得1分,否则不得分)测评结果 题目样例在代码理解领域,GPT4和文心一言准确度较高,相对其他模型优势明显;国内外平均成绩相对偏低,编程相关知识掌握薄弱,应全面提升模型训练集中代码语料的数量和质量,代码解释器模块可能对理解代码的能力有较大帮助,建议更多大模型引入。代码理解能力Top20准确性(分)国内平均45国际平均51文心一言六、总体评价与后续规划18 各场景第一梯队与点评第一梯队知识问答点评国内大模型已具备一定优势,ChatGLM、文心一言等多个大模型已超越GPT4;工程建模GPT4处于领先地位,大模型整体建模能力处于较低水平,有较大提升空间;数据分析文心一言能力最佳,与GPT4、Mistral构成第一梯队,但整体水平偏弱;文档生成观点分析大模型在观点分析上处于及格水平,还存在明显提升空间;代码理解GPT4和文心一言在代码理解领域较为领先,具有一定优势,其他大模型仍有较大提升空间。ChatGLM文心一言卡奥斯GPT4文心一言ChatGLMGPT4MISTRAL百川3Yi星火3.5GPT4文心一言Claude文档生成要点总结国内大模型保持领先,性能最佳大模型已经能够较完善地完成文本总结任务;通义千问MISTRAL文心一言六、总体评价与后续规划19行业知识掌握场景成熟度 大模型在文档生成领域应用成熟度较高,在工业知识问答、数据分析、工程建模、代码理解场景应用成熟度相对较低;国内外大模型在文档生成、数据分析、代码理解场景准确度差异较大。大模型在钢铁、电力等行业有较好的知识储备,对于纺织、装备制造等行业仍需加强训练;国内大模型在建材、采矿等行业优势显著,在装备制造、化工等行业与国际接近。发展趋势 GPT4仍处于领先地位;近半年国内大模型能力显著提升,与GPT4差距不断缩小,部分场景应用能力已赶超。总体评价 后续计划针对工业应用场景,汇聚整理工业知识语料库,支持大模型预训练或微调;开展大模型多模态能力测评,包括图像识别、视频理解等,挖掘更多大模型工业潜在应用场景;面向大模型当前应用成熟度较低的场景,提供稳定性、准确性等能力优化指导;面向工业应用开展行业大模型测评工作,在重点领域遴选推广一批优秀的行业大模型。21编号大模型公司版本号1GPT4OpenAIGPT4-Preview-11042GPT3.5OpenAIGPT-3.5-turbo3文心一言百度Ernie-bot-4.04星火大模型科大讯飞spark-V3.5;V35Yi零一万物Yi-34B6GeminiProGoogleGemini-Pro7通义千问阿里巴巴Qwen-Max8360智脑360360GPT_S2_V99ChatGLM智谱华章GLM-410ClaudeAnthropicClaude-2.111llamaMetallama-70B;(开源)llama-13B-中文微调(开源)12MistralMistralMistral-Medium13从容大模型云从科技20240104版14天工大模型昆仑万维20240112版15MiniMaxMiniMaxChatCompletion-abab5.5-chat16Cosmo卡奥斯20240124版17Baichuan百川智能Baichuan-3;Baichuan-13b(开源)注:本研究实测模型包括但不限于上述大模型,此处只列举部分模型版本号。附录1:报告涉及的大模型及其版本号22 提升问答题比例的原因 问答题评分步骤输入问题获取回答生成标准答案按照标准答案和步骤赋分分维度进行分数统计分析 国内大模型发展趋势统计规则1.以GPT3.5为基准,依据在相同测评的相对成绩,计算发展趋势相对GPT3.5成绩=某模型测评分数 GPT3.5测评分数x100%随机给出答案:部分模型随机给出答案,即使选择正确也无法证明模型能够给出准确的解答过程。过程评价缺失:有的大模型选择虽然错误,但能够提供建设性的思路,有一定的参考意义。选择型题目的局限性 优势:问答题更贴近实际,对回答步骤判分更加科学、合理。问题:对比选择判断类题目,传统人工判分的方法效率低。问答型题目优势和问题 评分标准保障一致性:依据标准回答,生成判分标准,提升判分准确度,保障一致性。大模型提升判分效率:用逻辑性好的大模型进行判分,在确保判分准确性前提下提升判分效率。问答型题目判分问题解法附录2:评分规则

    浏览量3人已浏览 发布时间2024-03-22 21页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国工业互联网研究院:2024人工智能大模型工业应用准确性测评报告-v3.5(21页).pdf

    人工智能大模型工业应用准确性测评 2024年3月版1一、前言2 为贯彻落实党中央国务院关于促进人工智能发展的决策部署,中国工业互联网研究院依托通用人工智能与工业融合创新中心(简称“中心”),联合香港科.

    浏览量0人已浏览 发布时间2024-03-03 21页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 工业互联网产业联盟:工业供应链数字化白皮书(2023年)(52页).pdf

    工业供应链数字化白皮书工业供应链数字化白皮书(20232023 年)年)工业互联网产业联盟(工业互联网产业联盟(AII)2023 年年 12 月月声声明明本报告所载的材料和信息,包括但不限于文本、图片.

    浏览量0人已浏览 发布时间2024-02-28 52页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国信通院:2024工业互联网园区生态图谱报告(79页).pdf

    工业互联网园区生态图谱报告 指导单位:中国信息通信研究院、中国互联网协会 工业互联网“百城千园行”伙伴计划 工业互联网园区生态图谱报告工业互联网园区生态图谱报告 编制单位:中国信息通信研究院工业互联网.

    浏览量0人已浏览 发布时间2024-02-27 79页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 工业互联网产业联盟:2023工业互联网标识解析-国际物流数字化白皮书(38页).pdf

    1工工业业互互联联网网产产业业联联盟盟(A AI II I)2 20 02 23 3 年年 1 12 2工业互联网标识解析工业互联网标识解析 国际物流数字化白皮书 国际物流数字化白皮书月月2声声明明本.

    浏览量0人已浏览 发布时间2024-02-27 38页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • AII:2023工业互联网标识解析 资产追踪定位研究报告(61页).pdf

    工业互联网标识解析工业互联网标识解析 资产追踪定位资产追踪定位工业互联网产业联盟(工业互联网产业联盟(AIIAII)20232023 年年 1 12 2 月月声声明明本报告所载的材料和信息,包括但不限.

    浏览量0人已浏览 发布时间2024-02-26 61页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 工业互联网产业联盟:工业无线电磁环境(已规划频段)白皮书 —钢铁行业(2023年)(39页).pdf

    工业无线电磁环境工业无线电磁环境(已规划频段)白皮书(已规划频段)白皮书钢铁行业钢铁行业(20232023 年年)工业互联网产业联盟(工业互联网产业联盟(AIIAII)2022023 3 年年 121.

    浏览量0人已浏览 发布时间2024-02-26 39页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 工业网络专题(一)~工业交换机行业:连接工业设备赋能新型工业-240220(40页).pdf

    西南证券研究发展中心 通信研究团队 2024年2月 工业网络专题(一)工业交换机 连接工业设备,赋能新型工业 2 4 核心要点 我国制造业全球竞争力提升关键在于高端制造,工业互联网是政策引导的重点方向.

    浏览量0人已浏览 发布时间2024-02-23 40页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • AII:工业互联网电子装联设备交互信息模型(AII 013-2023)标准(2023)(39页).pdf

    工业互联网工业互联网电子装联设备交互信息电子装联设备交互信息模型模型Electronic assemble s productionequipment information model of dat.

    浏览量0人已浏览 发布时间2024-01-23 39页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国工业互联网研究院:工业数据要素登记白皮书(2023年)(72页).pdf

    工业数据要素登记白皮书(2023 年)中国工业互联网研究院二二三年十一月版权声明本白皮书中所有材料和内容的知识产权属于中国工业互联网研究院及所有参编单位,并受法律保护。任何单位和个人未经中国工业互联网.

    浏览量0人已浏览 发布时间2024-01-05 72页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国信通院:2023工业大模型技术应用与发展报告1.0(24页).pdf

    工业大模型技术应用与发展报告1.02023.12编写单位(排名不分先后)牵头编写单位:中国信息通信研究院参与编写单位:中科云谷科技有限公司浪潮集团有限公司中科视语科技有限公司苏州海赛人工智能有限公司北.

    浏览量0人已浏览 发布时间2024-01-03 24页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国信通院:工业互联网标识应用成效评估报告(2023年)(45页).pdf

    中国信息通信研究院工业互联网与物联网研究所 2023年12月 工业互联网标识应用成效评估报告工业互联网标识应用成效评估报告 (20232023 年年)版权声明版权声明 本报告本报告版权属于版权属于中国.

    浏览量0人已浏览 发布时间2024-01-02 45页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国工业互联网研究院:中国工业互联网产业经济发展白皮书(2023年)(49页).pdf

    中国工业互联网产业经济发展白皮书(2023 年)中国工业互联网研究院2023 年 12 月声明声明本白皮书所有材料和内容的知识产权归中国工业互联网研究院所有(注明是引自其他地方的内容除外),并受法律保.

    浏览量0人已浏览 发布时间2023-12-26 49页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
  • 中国移动:2023年5G+工业互联网一体化全程可信“元信任”安全解决方案白皮书(33页).pdf

    参与编写单位:中国移动通信集团有限公司 中国信息通信研究院 国家工业信息安全发展研究中心 中国人民财产保险股份有限公司 北京启明星辰信息安全技术有限公司 华为技术有限公司 江苏洋河酒厂股份有限公司 .

    浏览量0人已浏览 发布时间2023-12-10 33页 推荐指数推荐指数推荐指数推荐指数推荐指数5星级
269条  共14
前往
会员购买
小程序

小程序

客服

专属顾问

商务合作

机构入驻、侵权投诉、商务合作

服务号

三个皮匠报告官方公众号

回到顶部