随着全球制造业向智能化、服务化、绿色化转型，制造业正经历从自动化向智能化的深刻变革，数字化转型已从单一技术应用升级为全要素、全流程、全生态的系统性变革。传统工业模式受限于小模型泛化性差、跨场景迁移成本高、复杂问题分析能力不足等能力瓶颈，亟须新型技术引擎突破发展边界。大模型作为人工智能领域的最新突破，凭借其强大的跨模态理解、知识生成与泛化能力，正成为破解制造业“数据孤岛”“场景碎片化决策低效”等痛点的关键抓手。前瞻产业研究院发布的《2025—2030年全球及中国大模型产业发展前景与投资战略规划分析报告》显示，大模型在制造业的渗透率已从2022年的7%跃升至2024年的41%，成为数字化转型的核心动力。

从政策层面看，2025年6月3日，工业和信息化部党组书记、部长李乐成主持召开会议，深入学习贯彻习近平总书记关于人工智能的重要指示批示精神，落实党中央、国务院重大决策部署，研究推动人工智能产业发展和赋能新型工业化的思路举措。会议提出要夯实产业基础；强化算力供给，统筹布局通用大模型和行业专用大模型，注重软硬件适配，加快建立高质量行业数据集，提升重点产品装备的智能化水平。2025年政府工作报告明确指出，持续推进“人工智能+”行动，支持大模型广泛应用，大力发展智能网联新能源汽车、人工智能手机和电脑、智能机器人等新一代智能终端以及智能制造装备，为大模型技术落地提供了顶层设计保障。

从产业实践看，大模型已在研发设计、生产制造、供应链等领域展现出显著价值。然而，当前大模型在制造业的应用仍面临技术落地难度大、场景适配性不足、落地路径不明确等挑战。

如图1所示，本文基于技术创新与产业实践的双重视角，构建“核心技术-场景应用创新-实践路径验证”的分析框架，系统揭示三者间的内在联系：核心技术为场景创新提供底层支撑，场景创新驱动实践路径的探索与落地，而实践案例则验证技术效能并揭示挑战，进而推动技术的迭代优化。本文旨在为企业提供从技术选型到场景落地的全流程指引。

一、大模型赋能制造业的核心技术

（一）大小模型协同技术

大小模型协同技术是指通过合理组合大模型（如GPT、LLaMA等具备强大通用能力但资源消耗较高的模型）与小模型（如轻量级NLP模型、领域专用模型等参数规模较小、灵活性高的模型），实现优势互补，提升整体系统性能的技术体系。其核心目标是在保证效果的前提下，降低计算成本、优化响应效率，并增强模型在特定场景下的适应性。

图 1 “核心技术 - 场景应用创新 - 实践路径验证”分析框架

针对制造业不同业务场景的特点，借助大小模型之间的协同运作，充分发挥各自的优势，克服单一模型的局限性。大小模型协同主要有两种方法：

（1）大模型增强小模型。一是通过知识蒸馏，可以将大模型的知识转移到小模型中；二是通过数据合成，可以利用大模型生成高质量训练数据或增强现有数据，提升小模型性能。

（2）小模型增强大模型。一是数据优化，利用小模型对预训练数据进行筛选和重构，以此提升数据质量；二是弱到强学习，借助小模型对大模型的指导和监督，实现知识从“弱”到“强”的转移；三是能力扩展，依托小模型或外部工具，拓展大模型的能力边界；四是推理效率提升，通过模型级联或路由的方式，将大小模型结合，进而提高推理效率。

（二）模型轻量化技术

大模型参数规模的不断增长和算力需求的提升，衍生了推理效率低、算力资源消耗大、应用成本高等问题。模型轻量化是大模型在制造业高效率、低成本落地的核心技术之一，它是指通过剪枝、量化、知识蒸馏等技术手段，在尽可能保持模型性能的前提下，显著减少大模型的参数规模、计算复杂度和存储需求，使其能够在算力有限的情况下高效运行的过程。

1.动态剪枝

动态剪枝是指在模型训练或推理过程中，根据实时状态（如输入数据特征、计算资源限制）自适应地删除冗余连接或神经元，从而在不显著损失性能的前提下降低模型计算开销，进而提升模型推理速度。其核心优势在于动态适配不同场景的资源约束，尤其适用于大模型（如Transformer、GPT系列）在边缘设备、实时推理等场景的轻量化需求。

2.动态量化

动态量化是大模型轻量化关键技术，相较于静态量化所采用的固定参数，它根据输入数据的实时分布动态调整量化尺度和零点。这一机制可灵活适应数据激活值的波动，降低静态参数导致的精度损耗，尤其适合输入数据动态范围大、分布不稳定的场景。

动态量化运行时需计算量化参数，会产生少量额外开销，但它在精度方面展现出优势显著，能在INT4/INT8等低精度量化下保留模型性能。实际中常结合混合精度策略，在边缘设备算力、内存受限场景实现高效推理，兼顾准确性与可靠性，广泛应用于智能终端、物联网设备等领域。

3.知识蒸馏

知识蒸馏是一种将复杂大模型（称为教师模型）学习到的知识迁移到轻量级小模型（称为学生模型）的模型压缩技术，使小模型在保持高性能的同时减少参数量和计算开销。

蒸馏技术的核心在于知识的传递和压缩。具体来说，教师模型通过其复杂的结构和大量的参数，学习到了数据中的复杂模式和特征。学生模型则通过模仿教师模型的输出，学习这些模式和特征，从而获得类似的性能。

（三）模型边缘适配与云边端协同技术

模型边缘适配指对大模型进行优化，使其能在边缘设备（如工业控制器、智能终端等）上高效运行，解决边缘端算力、内存、功耗受限的问题。

云边端协同通过云端（大规模算力中心）、边缘端（靠近数据源的分布式节点）、终端（用户设备）的分工协作，实现云边端的资源最优配置，通过“云端训练、边端推理”提升整体系统的响应速度、可靠性和隐私保护能力。

图 2 云边端一体工业算力体系

如图2所示，在云侧，依托云端工业大模型算网资源池为客户提供独占式和共享式两种模式的算网资源，并预先配置工业大模型开发平台及L0基础模型，同时提供客户可选配的L1行业模型及应用；在端侧，针对客户不同的时延、成本及算力需求，为客户提供算力一体机，将大模型能力下沉到边缘计算设备，实现大模型在边缘端的高效部署。

（四）工业多模态技术

工业多模态技术是大模型赋能制造业的关键核心技术，它打破单一数据类型的局限，将文本、图像、音频、视频及各类传感器数据等多模态信息有机融合。在工业场景里，多模态技术融合多源生产数据：设备运行数据，如振动频率、主轴转速；生产文本日志，如设备操作记录、故障维修报告；图像与视频数据，如质检图像、监控视频。借助先进的机器学习与深度学习算法，工业多模态技术对这些多元信息进行特征提取、关联分析，并将其在统一的表征空间内实现融合，将工业知识融入模型训练，大幅提升对复杂工业场景理解的准确性。

（五）全链路AI工具链

全链路AI工具链是集汇聚管理、训练推理、应用开发于一体的大模型工具平台，提供从模型汇聚接入、数据清洗标注、模型训练微调、模型推理加速到知识库、提示词、插件、流程、协议适配等最终实现大模型工程化应用落地的全链路工具服务，可以大幅提高大模型训推效率及AI应用开发效率。

图 3 全链路 AI 工具链整体架构

如图3所示，全链路AI工具链包含模型汇聚管理、模型训练推理、智能体开发平台。模型汇聚管理平台提供模型部署、API服务、版本控制、模型监控、模型上架及下线等功能，实现一站式大小模型构建，涵盖开发、训练、微调全流程；模型训练推理平台具备数据清洗、数据标注、模型训练、增量训练、模型微调及推理加速功能，助力模型优化；智能体开发平台聚焦知识管理、提示词工程、插件管理、协议适配、流程编排与应用构建，适配行业需求。行业应用层针对离散制造、钢铁冶金等千行百业，提供知识管家、文档生成、培训助手、安全生产、设备管家、运行预测等场景化应用。

二、大模型在制造业关键场景的创新应用

大模型在制造业的应用还处于发展初期，但凭借通用性强、适应多场景、具备强大的数据处理和分析能力等优势，已经在研发设计、生产制造、设备运维、经营管理、供应链管理等核心关键场景进行应用落地。大模型在制造业全流程应用的全景如图4所示。

图4 大模型在制造业全流程的应用全景

（一）研发设计

在研发设计环节，大模型通过知识推理与生成能力，可以实现产品外观设计、研发设计软件辅助等功能，有效缩短研发设计周期，降低研发设计成本。

工业产品设计包含外观设计与结构设计两大关键环节。在外观设计方面，大模型凭借强大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。

在研发设计软件辅助方面，大模型可以与CAD、CAE、Ansys、Cadence等工业设计、仿真软件结合，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。此外，还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。

（二）生产制造

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，主要集中在车间和设备管理、工艺优化、工业机器人控制等环节。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；在设备管理方面，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，一旦设备出现异常振动、温度异常升高等细微变化，大模型能够迅速基于大量历史数据和机器学习算法，判断故障类型与可能发生的位置，并提前发出预警，避免设备突发故障导致的生产停滞，降低设备维修成本与生产延误带来的损失。

在工艺优化方面，大模型依据海量的生产数据与工艺知识，经过复杂运算找出最适配的工艺参数组合，从而提升产品质量与生产效率。在工业机器人控制方面，大模型主要通过两个层面对工业机器人进行辅助，一是作为预训练语言模型，大模型可以被应用于人类与工业机器人的自然语言交互，工业机器人通过ChatGPT理解人类的自然语言指令，并根据指令进行相应的动作；二是大模型可以帮助工业机器人在执行路径规划、物体识别等任务时作出相应的决策。

（三）设备运维

在设备运维领域，大模型正在颠覆传统的“故障-响应”模式，构建起“预测-诊断-修复”的智能闭环体系，通过远程诊断、预测性维护等应用，实现从被动响应到主动预测，推动运维效率量级提升。

在大模型技术应用前，设备运维多是在故障发生后进行被动维修，这不仅要耗费大量时间排查故障，还难以保障设备长期稳定运行。大模型的引入使运维服务迈向预测性阶段。它持续汇聚设备运行数据、环境数据以及过往维修记录等多源信息，利用深度学习算法构建精确的设备健康模型。通过对该模型的实时监测与深入分析，大模型能够提前预判设备可能出现的故障风险，及时提醒企业安排维护保养，实现从被动维修到主动预防的转变，大大提高了设备的可用性与使用寿命。当设备发生故障时，技术人员只需向大模型描述故障现象，大模型便能迅速从庞大的知识库中匹配相似案例与解决方案，提供详细的维修指导步骤，即便是经验欠缺的技术人员也能借此高效完成维修任务。这能提升故障解决效率，降低运维难度与成本。

（四）经营管理

在制造业经营管理领域，通过多模态数据融合与认知智能突破，大模型协助企业构建“全域数据贯通-智能决策生成-业务闭环执行”的新体系，实现从数据割裂到全局洞察，推动企业从经验驱动向数据驱动转型。

企业日常运营会产生海量且繁杂的数据，涵盖财务、销售、库存、人力等各个领域。大模型能够对这些数据进行深度挖掘与整合分析，为企业决策提供精准有力的依据。在制定生产计划时，大模型综合市场需求预测、原材料供应状况、设备产能利用率等多方面信息，生成最优化的生产方案，避免生产过剩或不足，实现资源的高效配置。在财务管理上，大模型通过对财务报表数据的深入分析，预测资金流动趋势，精准识别潜在财务风险，帮助企业合理规划资金使用，优化财务决策，提升财务管理水平。此外，在人力资源管理方面，大模型分析员工绩效数据、培训需求以及职业发展意向等，为员工量身定制个性化发展规划，提高员工满意度与忠诚度，进而提升企业整体绩效，全方位提升企业经营管理的智能化水平。

（五）供应链管理

在供应链管理环节，大模型重构了供应链协同机制，实现了需求预测、库存管理、物流优化的全局最优。

在物流配送路线规划方面，受交通路况、天气变化、订单分布等多种动态因素的影响，传统的物流配送线路规划往往很难计算出最佳方案。大模型基于实时路况信息、历史物流配送数据以及订单的实时变化情况，能够快速运算规划出最优配送路线。它不仅能避开拥堵路段，合理安排配送顺序，还能根据车辆载重、行驶速度等因素进行综合考量，提高配送效率，降低物流成本。

在库存管理方面，大模型依据市场销售数据、季节波动规律、产品生命周期等多维度信息，精准预测产品需求，帮助企业优化库存水平，避免库存积压或缺货现象的发生。通过与供应商的协同合作，大模型还能实时跟踪原材料供应状态，提前应对可能出现的供应中断风险，保障企业生产与供应链管理的顺畅衔接，构建高效、智能、稳定的供应链体系，提升制造业企业的整体运营效率与市场响应能力。

三、典型行业实践案例

大模型技术已在装备制造、石化、钢铁、矿山、电力等多个行业得到了广泛应用。本章将重点阐述中国移动九天工业大模型在石化、矿山、汽车制造三个行业的典型案例，剖析大模型在制造业具体的落地路径。

（一）某石油龙头央企L1垂类大模型案例

1.项目背景

某石油龙头央企大力推进“人工智能+”战略，积极推动大模型在生产制造领域落地应用。该企业旗下的石油炼化子公司中，常减压装置作为石油炼化领域的核心装置，具有规模庞大、流程漫长、物料种类繁多、能耗较高以及产品与操作条件多样等特点。常减压装置的日常操作、运维存在两大核心痛点：（1）操作人员在日常生产过程中应对装置基础性问题和应急处置时，需手动查阅纸质文档，无法快速获取解决方案和处置建议，影响生产连续性和安全性；（2）常减压装置运行状态、能耗数据难以实时感知，很难在应急事故发生前进行及时纠偏。

2.解决方案

为应对这一挑战，该企业构建全链路智能化解决方案，通过多模态数据分析、自然语言交互、智能诊断等前沿技术，在知识库构建、模型调优、系统集成等环节提供关键技术支撑，打造常减压装置的AI+工艺操作智能辅助应用和AI+生产运行诊断应用。

图 5 AI+ 工艺操作智能辅助实施路径

以AI+工艺操作智能辅助应用为例（图5），其落地过程涉及前置准备、数据收集、数据标注、模型微调、前端应用开发、应用测试验证、应用上线等步骤。在项目实施过程中，需要重点解决的技术难点包括：（1）确定装置各关键工序、设备的工艺控制指标的模型输入参数；（2）模型训练语料的质量和泛化性；（3）生产运行异常模式的识别；（4）应急处置智能辅助模型的设计与建模。

3.实施效果

AI+工艺操作智能辅助应用基于逾10万条领域语料及运行数据，融合语义理解与检索增强生成（RAG）技术，打造全流程智能支持体系。系统既可精准识别“温度异常波动处置”等口语化操作需求，也能秒级解析应急预案、设备参数等技术档案，生成规范操作指南，使问题解决效率较传统模式提升80%。在常减压装置标准化操作场景中，大模型支持一键获取工艺参数、报警阈值等技术指标，并通过交互式语音问答实现“边操作边指导”。对于开停工调度、突发事故处置等关键环节，系统可实时解析千兆级应急预案库，生成分步处置方案。该场景已实现装置参数查询、操作标准核验、应急决策辅助等全维度覆盖，为炼化企业构建起“即时响应、精准指导、智能预判”的工艺操作护城河，助推生产安全与效益双提升。AI+工艺操作智能辅助的系统界面如图6所示。

图 6 AI+ 工艺操作智能辅助的系统界面

AI+生产运行智能化诊断与优化应用基于L1垂类多模态大模型，结合常减压装置文本、结构化数据等场景数据微调形成L3生产运行诊断大模型，集成分布式控制系统（DCS）、制造执行系统（MES）、能源管控平台等系统，聚焦生产运行智能化升级。在运行状态诊断方面，模型通过实时分析DCS数据实现装置工况评级判别、工艺异常预警及参数优化建议，显著降低系统误报率，并将经济指标与工艺参数融合，为装置经济运行提供历史最优指标参考，辅助班组长与高级工程师提升能效。针对安全生产，系统依托大模型实时监控装置运行参数，预测应急事故可能性及关键影响因素，结合预案与资源快速生成纠偏处置措施，助力班组长快速响应潜在风险，提升应急预防与处置能力。该场景通过智能化诊断与优化管理，全面支撑生产运行的稳定性、经济性与安全性提升。

（二）鄂尔多斯文玉煤矿工业安监大模型案例

1.项目背景

鄂尔多斯市宏河能源的文玉煤矿年产300万吨，为内蒙古自治区质量标准化二级矿井。在传统煤矿安全管理中，监管工作高度依赖人工，存在以下问题：（1）安全监管成本较高，难以全面覆盖各类安全场景；（2）人员安全意识普遍薄弱，违规追查漏检情况多；（3）系统智能化程度低，无法主动预防事故发生。

2.解决方案

为解决客户痛点，文玉煤矿打造了一套工业安监大模型解决方案（图7）。该模型主要包含AI增强安全感知、自定义特征检索、AI智能统计分析、工业安监等四个系统，全面提升了矿山安全生产监管能力。

图 7 工业安监大模型解决方案

AI增强安全感知系统解决了传统小模型因图像理解、危险预测等能力不足而无法支撑事前预测和实时告警的安全感知任务问题，通过安监场景数据微调通用大模型，增强大模型专业性，同时优化跨模态生成算法，提升实时监测、图像描述准确性；解决原有小模型无法识别的场景，支持70+的工业安监场景，同时与传统小模型相比，准确率提升至90%，漏检率降低5%，极大提升事前安全监管能力。

自定义特征检索系统能够在海量的监控数据中快速精准地检索到关键违规信息，它通过优化多模态技术和向量特征检索技术实现“文搜图”和“图搜图”能力，并对RAG技术进行改进，以改进召回策略，提升检索精度，最终实现工业现场潜在风险的高精度实时识别与定位，为现场安全工作人员提供即时参考与指导，同时确保过往违规情况能够被快速查询。

AI智能统计分析系统借助中国移动九天工业大模型强大的数据统计和分析能力，实现快速的数据分析及报表功能。工厂的安全管理员只需通过语言对话，即可完成厂区安全统计报表自动生成任务，获得安全趋势分析报告。该报表从各类违规数量、违规地点和违规发生时间等维度全面分析当月的安全情况。安全报告整理时间从1h缩短至1min，人力成本降低20%以上。

工业安监百事通采用外挂知识库的方式提升安监大模型专业性；通过特征词工程和优化检索技术实现安全考题生成、面试问题生成和员工培训建议生成等功能，全面助力员工的个人成长和职业发展；通过定期的在线测试，加强员工的安全意识和应急处理能力，降低企业的安全运营成本。安监大模型 -AI 增强安全感知功能示例如图8所示。

图 8 安监大模型 -AI 增强安全感知功能示例

3.实施成效

项目成效方面，相比传统的小模型，其效果提升显著：（1）性能提升显著。工业安监大模型具备图文理解能力，通过学习安全规范知识，解决了原有小模型无法识别的场景，可覆盖70+工业安监场景，使场景覆盖率提升218%。（2）降本增效明显。违规事件降低30%以上，安全问题造成的停产在不断减少，采煤效能平均提升5%~10%。安全报告整理时间从1h缩短到1min，人力成本降低20%。调度室安全监控人员成本降低60%以上，整体安全管理水平提升30%。

（三）东风汽车大模型智能焊接质检项目案例

1.项目背景

作为传统汽车制造龙头企业，东风汽车年产整车超百万辆，焊装车间每日产生超65GB焊接数据。传统人工抽检模式存在质检效率低、质量波动大、数据利用率低等痛点。为突破这些瓶颈，东风汽车打造了大模型智能质检系统，实现了焊接全流程数字化闭环管理。

2.解决方案

大模型智能质检系统采用“云边端协同+多模态融合”架构（图9），其核心模块如下。（1）边缘感知层：部署128台工业相机+64个电流传感器，实时采集焊接飞溅、熔池形态、电流波形等多模态数据，通过5GMEC实现数据本地预处理，将延迟控制在20ms内。（2）云端大模型：基于1.2亿条历史焊接数据（含10万+缺陷样本），训练焊接专用大模型，融合Transformer架构与视觉Transformer（ViT），参数量达2.3B。（3）智能应用层：打造质检闭环、工艺优化、知识沉淀等应用，实现全流程质检管理、工艺参数优化、焊接工艺经验库等功能。

图9 大模型智能质检系统技术架构

3.实施成效

项目的实施后实现了质量、效率、成本的系统性提升：焊点缺陷率从3%大幅降至0.3%，整车可靠性提升2个星级，年返工成本从2000万元降至200万元，客户投诉率下降75%；质检效率提升24倍，单台检测耗时从2h缩短至30s，工艺优化周期从3个月压缩至7d，新品上市速度加快40%；年节约人工成本1200万元，设备能耗下降15%，焊接材料损耗减少8%，年综合降本超800万元。通过大模型智能质检系统的全量检测与智能分析，企业构建了检测-分析-优化的质量管控闭环，使核心指标达到行业领先水平，为汽车制造的高精度、高效率生产提供了标杆示范，并入选了工信部“智能制造试点示范项目”。

综合分析大模型在石化、矿山、汽车制造等行业的案例得出：在大模型实际落地过程中，首先，场景选择至关重要，要选择有明确业务痛点且高质量语料数据充足的业务场景；其次，具体的落地过程需要依次经过数据收集及处理、算力资源准备、模型训练微调、大模型部署应用等阶段。大模型完整的落地过程如图10所示。

图 10 大模型落地路径

不同行业的制造业企业在推进大模型项目时，首先要根据业务场景需求、数据完备情况，确定大模型的能力边界，再逐步推进从数据准备、模型训练部署、系统集成到持续优化的各个具体实施路径与关键环节（如数据攻坚、模型压缩、边缘部署、人机协同、持续迭代优化）。

四、结论与展望

大模型作为数字化转型的核心使能技术，正从单一工具升级为驱动产业变革的基础设施。本文通过理论分析与实践验证，剖析了大模型赋能制造业的核心技术、场景应用，并通过石化、矿山、汽车制造三个行业的落地案例展示了大模型赋能制造业的具体实践，为行业提供了可复制的产业升级路径。

展望未来，大模型赋能数字化转型将呈现三大趋势：（1）技术融合深化。与数字孪生、数字线程、6G等技术结合，构建“物理世界-数字世界-智能世界”的三元融合体系。（2）生态角色升级。从技术提供者转变为生态构建者，通过开源开放、开发者社区建设，激发海量场景创新；（3）价值边界拓展。从制造业向农业、服务业渗透，形成“大模型+千行百业”的全域赋能格局。

制造业企业须把握大模型发展机遇，聚焦“场景定义技术”，通过“引进外部能力+培育内生动力”双轮驱动，构建“数据驱动-模型支撑-生态协同”的数字化转型新范式。政府层面，应加强算力基础设施布局、行业数据共享机制建设、标准规范制定，为大模型发展营造良好生态。唯有技术、产业、政策同向发力，才能充分释放大模型的乘数效应，加速新型工业化进程，为全球数字化转型贡献中国方案。

原文刊载于《数字化转型》2025 年第 8 期 作者：中移（上海）信息通信科技有限公司 陈飞 李腾达 周威