一、我国工业大模型落地应用进展

1、国产大模型开启“追赶模式”，但在工业领域应用尚处于初级阶段

近年来，国产大模型发展势头迅猛，众多科技大厂纷纷投入巨资研发大模型，不断向国际先进水平靠拢，但在工业领域的应用尚处于初级阶段。据凯捷统计，中国人工智能专利数量占全球的 61.1%，但中国制造企业 AI 普及率不足 11%，低于欧洲顶级制造企业的 30%、日本的 30%和美国的 28%。《中国 AI 大模型工业应用指数（2024 年）》显示，国内大模型行业应用指数为 84 分，明显低于国际的93 分。与国内其他行业相比，工业领域大模型应用尚不成熟。截至 2024 年 3 月，国内行业大模型集中于医疗、金融、传媒等侧重于知识型价值和服务的领域，工业制造行业的大模型仅占 6%，智能汽车行业大模型占比为 3%。

2、落地应用集中于具有容错能力的场景，核心生产环节落地困难

赛迪研究院分析的 53 个典型国内工业大模型数据显示，目前工业大模型应用场景主要集中在人机交互、客服、文本生成等容错率较高的领域，在设计、生产等核心环节的应用较少。在容错能力较高的场景，大模型目前已经可以完成语料库和知识库的建设与调用、专业知识问答、辅助编程、工具标注、场景识别、文本和报告生成等任务，并展现出强大的适应性和学习能力。对于操作精度要求高的核心场景，大模型的可靠性和稳定性尚未得到充分验证，难以满足严苛的安全标准，其应用和推广需要大模型技术的成熟与优化，以及非核心领域的经验积累。

3、基于通用底座的定制化适配，是当前工业大模型开发的通用做法

大模型赋能工业领域主要有三种方式：基于通用底座直接赋能行业、基于通用底座进行场景化适配调优或形成外挂插件工具、面向工业或具体任务的针对性开发。通过对国内典型工业大模型的开发方式进行统计发现，约 90% 的工业大模型都是通过基于通用底座场景化适配调优或形成外挂插件工具研发的，细分来看可分为预训练工业大模型、微调和检索增强生成三种模式。在实际开发过程中，往往通过三种模式协同发力构建工业大模型；10% 的工业大模型为面向工业或具体任务的针对性开发所得，且主要集中在核电、汽车、通信等领域；通用底座直接赋能行业的工业大模型案例几乎没有。

4、“大模型 + 小模型”融合发展，是推动工业大模型应用的有效路径

在大模型出现之前，人工智能技术在工业领域的应用途径主要是以小模型为主。中国信通院的数据显示，57% 的 AI小模型应用于生产制造领域，大模型在研发设计、生产制造、经营管理等方面的应用占比分别为 33%、24%、32%。目前尚未出现功能强大的工业大模型，传统人工智能技术驱动的小模型在特定应用场景下仍具有优势，工业大模型还未呈现出对小模型的替代趋势，而是以“大模型 + 小模型”融合应用的方式输出生成式及确定式能力，助力制造业企业“智改数转”。大模型和特定任务场景小模型的协同互补，是以大模型为小模型提供通用知识、小模型运行结果反哺大模型迭代优化的方式进行。

二、工业大模型落地存在的痛点问题

1、工业领域规律特征捕捉难

大模型的泛化能力使其无须重新训练即可在不同的领域和任务上进行迁移学习。但工业领域的特征和规律复杂，不同应用场景和需求之间差别明显，无法被大模型充分捕捉。一是工业行业知识、术语、规则复杂，导致大模型无法兼顾所有专业细节，为特定领域提供针对性的解决方案，满足工业行业个性化需求。二是工业企业之间运营场景和业务需求不同，尤其是企业数据孤岛和信息系统碎片化问题严重，导致大模型难以在企业运营流程中真正实现成熟应用。三是大模型存在“幻觉”现象及可靠性和可解释性问题，可能在矿业、核电、航空航天等对安全性要求极高的工业领域造成严重后果。

2、工业数据供给和质量不足

工业生产需要复杂工艺流程、高精度操作控制及严苛安全标准，模型预测误差和决策失误可能会导致生产事故。大模型落地工业场景主要面临以下挑战；一是工业数据结构多样，工业企业的生产和运维中涉及研发、生产、运维、管理等方面，涵盖的内容、业务场景和数据类型复杂多样。二是工业数据质量参差不齐，大多数工业企业的数据管理组织不够专业，数据处理软件和数据治理平台不够专业，导致难以获得全面、高质量的数据。三是工业数据安全要求高，工业生产核心环节数据往往与企业核心竞争力相关，数据安全性和保密性要求高，而大模型潜在的数据泄露与信息安全问题可能会使企业面临巨大风险。

3、工业应用场景碎片化严重

与传统 AI 场景相比，大模型在工业领域应用相对零散，尚未形成标准化、系统化的应用模式，应用价值缺乏科学有效的量化评估手段。目前，工业大模型已经渗透到研发、设计、仿真、生产、测试、运维、售后等产品全生命周期中，但各个环节大模型的应用模式相对独立，应用场景细碎，尚未形成系统化合力。碎片化应用场景意味着需要形成分场景定制化的解决方案，单一大模型往往无法满足整体需求。在价值评估过程中需要整合各个模型的应用情况，综合考虑各环节应用效果，进一步增加了价值评估的复杂性。

4、工业大模型投入成本高

工业大模型的成本高主要是因为在开发、数据、人才等方面的高投入，以及市场集中度高等因素。在开发成本方面，大模型训练需要强大的算力和复杂的算法支持，工业大模型的复杂性导致在硬件投资维护、算法开发优化等方面需要大量资金投入。在数据方面，工业大模型需要大量的高质量数据进行训练，数据的收集、清洗、标注和存储成本较高。

在人才方面，具有工业领域和人工智能技能的复合型专业人才缺口较大，培养成本高。在市场方面，工业大模型发展高度依赖资本与产业之间的合作，形成少数头部工业企业主导的局面，市场集中度高，市场竞争不足。

三、推动工业大模型落地应用的工作建议

1、推动协同融合，突破大模型关键技术

推进模型融合应用，采用“行业大模型 + 智能体 + 机理模型”为主的平台化策略，以工业大模型作为各种传统工业模型的“中枢大脑”，最大程度实现模型的便捷调用。一是全面整合运营商云计算、网络服务和大数据等资源，通过工业大模型对现有工业互联网平台进行重构，形成一体化解决方案，全面优化升级工业数字化产品。二是加强技术打磨，科技龙头公司持续优化基础大模型底座的算法和性能，工业软件厂商和生产制造厂商则专注于行业模型在细分场景的打造，通过技术的成熟和知识的积累，将大模型应用从高容错的场景逐步向核心场景拓展。三是鼓励第三方开发者基于工业大模型平台和实际应用场景开发插件，提供必要支持和资源，进一步扩大应用范围，促进工业大模型生态繁荣。

2、强化数据治理，建设工业数据语料库

借鉴通用语料库成果和经验，结合工业领域数据特点，建立大规模、多样、连贯、合法且无偏见的工业大模型数据语料库。一是打造数据生命周期管理体系，结合大模型技术需求和工业场景需求，对工业生产全流程数据进行统计整合，汇集工业行业高质量语料。二是鼓励更多工业企业加快工业设备数字化、网络化改造 , 为工业大模型的应用提供高质量数据。三是建立完善数据安全治理体系，加强对企业核心机密数据的监督管理，实施数据脱敏、数据加密、链路加密等防泄露安全技术措施。四是提高数据流转能力，构建可靠的第三方数据交易平台和数据交互平台。通过数据连通实现工业语料积累，促进数据交互流转，助力产业数据资产化、体系化。

3、探索普适性道路，整合商业模式

工业大模型落地应用的本质是需求导向，应探索具有普适性和敏捷性的工业大模型应用模式，满足不同场景需求，降低业务活动的定制化成本。一是专业化，结合各个工业领域的专业数据和知识，构建知识图谱和清单作为训练与微调的知识基础，建立工业行业或垂直领域专业大模型。二是平台化，打造“大模型 + 小模型 + 数据”通用平台，发挥小模型的灵活性和大模型的高性能优势。在不同细分场景下，调整小模型获取的业务运转原理，支持私有化部署，让工业企业能够开发属于自己的领域大模型，提高智能协同能力。三是多元化，工业企业可以根据自身实际情况，结合已有业务模式和技术优势，选择不同的商业模式，通过 AI 框架、开发平台、算力、计算机视觉等技术赋能，形成核心竞争力。

4、丰富质量评估服务，打造示范标杆

提升行业整体质量评估服务水平，打造线上评估和线下评估联合互动、区域评估和行业评估优势互补的新局面，有效推动工业大模型的示范应用。

一是完善评估机制，在行业侧围绕具体应用场景展开评估，考察工业大模型能力指标和应用成熟度；在模型侧建立标准化大模型应用测试集，对大模型的知识能力、稳定性、安全性等性能定期进行评估；在企业侧围绕产业结构和工业数据要素分布情况建立企业档案，实现动态评价。

二是建立标杆示范应用场景，为工业行业提供可借鉴、可推广的成熟案例，鼓励智能制造领域龙头企业牵头建设工业大模型示范性工厂，通过示范引领带动更多工业企业实现工业大模型的应用。

5、完善治理机制，加强大模型监督管理

完善工业领域人工智能监管机制，软硬兼施推进大模型研发、落地、优化全生命周期治理工作。

一是加强立法，出台相关政策法规对工业大模型开展监管治理，加强政府部门监管协调能力的建设，与第三方组织和企业展开合作，成立工业大模型行业联盟，确保应用模式和意识形态合法合规。

二是敏捷治理，根据实际情况对工业大模型进行分层分类管理，形成“普适性底线约束 + 个性化场景规制”的治理框架，对风险、安全等共性问题提出严格底线约束和完善的风控体系，对个性化应用场景问题建立一定容错机制。

作者：中国电子信息产业发展研究院信息化与软件产业研究所 韩健 王梓怡 牟华伟 孙刚 李星锦