神州租车：北汽集团将收购不超过21.26%股份
06-18
大工业模型：锤子有了，钉子在哪里？后来发现，只有7%的中国企业对生成式AI应用毫无作为，低于全球12.7%的份额。
这意味着大量中国企业已经在尝试部署大型模型和生成式人工智能。
金融、教育、医疗、能源、汽车等各个行业都可以看到企业在探索大型模型。
就连蒙牛也在今年8月发布了行业首个营养健康模型MENGNIU.GPT。
在众多参与者中，涵盖能源、电力、化工、汽车、制造等细分行业的工业领域也被认为是大模式将带来巨大变革的重要行业。
工业场景有其自身的特殊性。
一方面，关系国计民生。
它是经济和产业发展的根本基础，每年占GDP的33.2%。
另一方面，这个领域极其复杂且碎片化。
目前，国内规模以上工业企业超过40万家，涵盖41个工业大类、个别中型工业大类、个别小型工业大类。
存在大量的场景和业务痛点。
过去几年，国内工业制造领域经历了智能制造和AI 1.0阶段的洗礼。
许多企业对AI应用有了相当程度的了解，并在很多场景下完成了智能化升级。
大型车型的到来，给这一领域带来了新的机遇和挑战。
1.用锤子找到钉子。
年初大模式火爆后，最兴奋、最活跃的就是在工业领域服务多年的各类智能服务商。
此前，他们多年来一直在寻找和思考如何更好地将AI运用到工业中，但很多功能和想法都受到技术限制，很难取得好的效果。
“相当于钉子一直在那儿，只是锤子能不能用的问题。
”中国工业互联网科技集团董事长志臻告诉数智前线，大模型的出现只是带来了有用的“锤子”。
”，特别是随着多模联运大车型的逐步推进，有望全面打通工业领域的应用场景。
业界普遍共识是，人工智能大模型将融入工业企业研发设计、生产流程、质量管理、运营控制、营销服务、组织协作和运营管理等各个环节，大大加速智能化升级进程在这个领域里。
市场机会也在迅速扩大。
有数据预测，根据我国工业IT支出和全球大机型增长水平，我国工业大机型市场规模每年预计将超过5亿美元，五年复合增长率为%。
可以看到，针对工业这一重要市场，华为、百度、腾讯、阿里巴巴、微软、谷歌等国内外各大公司正在加速大模型的落地。
许多科技公司也采取了行动。
中国工业互联网于今年6月推出了智慧工业大模型，智能制造公司思谋科技也于11月初推出了工业多模态大模型IndustryGPT V1.0。
几乎所有在工业数据方面积累了大量经验的主要工业互联网平台都在探索与大模型的融合。
海尔工业互联网平台COSMO-GPT推出了基于开源通用大模型的工业大模型COSMO-GPT。
科大讯飞投资建立的羚羊工业互联网平台也以科大讯飞Spark提供的技术基础推出了规模化的羚羊工业模型。
事实上，不少业内人士都看好大车型与工业互联网的结合。
北京信息化和工业化综合服务联盟理事长严同柱告诉数智前沿，工业互联网平台下面有终端软件，中间有操作系统，但还缺乏大脑，大模型可以充当这个角色。
脑。
工业互联网平台积累了大量的人机、材料、方法、环境测试数据，可以满足大型模型的大数据需求。
科大讯飞董事长刘庆峰分享的数据也证实了这种相互促进。
工业模型上线短短1个月零3天，羚羊工业互联网平台用户总数增长59%，平台服务企业数量增长59%。
增加了88%。
供给侧动作频繁，需求侧的态度和行动也在发生明显变化。
“上半年大家都在观望，主要是我们找客户。
”但到了下半年，智臻明显发现行业客户变得更加主动，很多企业开始主动找到他们讨论可能的场景，并向他们咨询最新的解决方案。
功能和已实现的案例集。
“工业客户普遍关注两个问题。
一是他们希望大型模型能够取代人们过去可以做的工作；二是他们希望大型模型能够完成其他技术以前无法完成的事情。
”智臻观察到，几乎所有企业都希望通过大模型降本增效，但也有部分企业率先关注并应用大模型，以保持技术壁垒和先进性。
百度智能云高层也向数智前线表示，文心一言公测后，一大批央企和国企非常重视大模型技术应用场景的探索，其中包括不少工业企业。
“这些大客户会与我们讨论一些他们难以处理的场景，并希望使用大型模型来解决问题，”该人士表示。
尤其是能源、电力等传统行业，以及以汽车、新能源为代表的高端制造业，因其对智能化的刚性需求较高、资金相对充裕，对这波大车型热潮反应最快。
。
和积极的。
比如，在安全生产要求极高的采矿领域，知情人士告诉数智前沿，大型采矿模型几乎已经成为增长最快的行业。
百度、华为、腾讯等各大公司都在这一领域进行了实践。
但除了一些先锋企业外，工业制造业毕竟还是一个比较传统的领域。
业内企业普遍对新技术的应用较为谨慎，多数仍处于观望状态。
严同柱观察到，尤其是传统制造业，数据量本身并不算太大，目前大模型的门槛比较高。
“他们还看不清楚大模型能带来多少价值，投入产出比是多少。
”而这将会影响其大型车型的投资进度。
2、“明年将是应用爆发年” ?????工业领域细分场景众多，不仅涉及研发设计、生产制造、售后运维等诸多环节，而且碎片化和复杂的。
不同细分行业之间的场景也有很大差异。
随着各大厂商和科技公司在行业内不断推进和探索大规模模型的落地，业内不少公司已经开始梳理各种可能引入大规模模型能力的场景。
一位业内人士坦言，一些企业最初对于大模型应用的预期其实有点高估了。
但目前来看，大型模型在制造业的应用并没有想象中的那么好，也没有想象中的那么糟糕。
志臻告诉数智前线，在过去的六个月里，他们接触到了大量客户的需求反馈。
客户提出的一些需求会很详细，但是当他们一步步剖析到技术层面时，就会发现其中有一些需求仍然没有得到解决。
比较难通过。
例如，在前端研发设计过程中，有客户要求他们使用大型模型将旧图纸转换为3D图纸。
但中国工业互联网的实践发现，目前将图片自动转换成3D游戏相对容易，但行业的精度要求非常高。
如果要使用大型模型将二维CAD转换为三维CAD，它将解决设计过程中的重复性工作。
这个问题目前还比较困难，但一旦实现，“将会带来巨大的变化”。
业内人士观察到，由于流程机制的复杂性，研发设计流程一般需要解决很多痛点才能真正看到价值，但现在可以实现一些简单的功能。
例如，一些公司将多年积累的解决方案库与大型模型相结合。
当客户提出需求时，可以快速匹配方案库中的方案。
事实上，在工业领域，大模型仍然被用在代码生成、文档组织、内部知识问答等最普遍且相对外围的场景中。
因为容错率比较高，而且很容易出成果，这几乎是所有行业在大模型应用中取得成果的第一位置。
腾讯云智能制造首席专家冰金友表示，在知识问答场景中，他们帮助某车厂完成了知识化汽车手册，让大型车型替代了部分销售工作；国内一家飞机制造商也找到他们，提出将公司内部管理流程和管理方法训练成大模型，实现报销申请的自动化和智能化。
中国工业互联网在智能问答、代码生成等场景也取得了良好的实施效果。
志真透露，他们为企业打造的专家系统准确率达到了90%以上，大型模型编写的代码可以替代20%-30%的编程量。
目前，大规模智能工业模式已在能源、化工等领域近10个项目落地，涵盖智能设备运维、工业网络安全分析、智能质检等多个场景。
除了前端设计开发、后端售后运维、内部管理之外，一些厂商也在探索在中端制造过程中利用大模型生成能力，帮助企业发现工业生产中的缺陷。
场景。
SmartMore联合创始人刘舒举了一个例子。
在工业场景中，往往很难采集到真正的缺陷图像数据，这将直接影响缺陷产品的检出率。
现在，通过大模型数据生成技术，他们可以将断胶等缺陷的漏杀率从1%降低到0.01%。
工业互联网公司Kaos打造了基于大模型的人工智能装配系统，解决离散制造效率低下的痛点。
据官方透露，该系统可使洗衣机工厂生产线的非加工时间减少不低于20%，工艺设计流程效率提高不低于30%，提高生产效率变更和调试过程不低于50%。
此外，大车型与小车型的结合也是目前业界认为比较有效的一个方向。
东莞一家汽车电子公司在一辆汽车中使用了多个PCB电路板。
过去，设计工程师在生产过程中往往需要对加工前涉及的大量参数进行转换，很容易出现错误。
但大模型来了之后，这家公司和腾讯一起探索了大模型和小OCR模型相结合的方法，可以直接识别图纸，结构化后变成可重复使用的东西，并将参数传递给相应的处理机器。
更多场景仍在探索中。
业内认为，随着大车型的持续发展和多模态技术的逐渐成熟，工业领域的应用场景将进一步开拓。
“明年很可能是大模型在各行各业应用的爆发年，我特别看好多模态大模型未来的应用支持，一旦多模态落地、轻量化，就会有太多场景了。
”甄说，他也看好大型模型在端边侧的应用。
“未来的体量可能会远远超出目前的想象。
” 3.数据仍然是一个难点。
今年以来，业界对于行业大模型的落地一直有一个形象的比喻——把消费端大模型的落地比作“平原战”，比工业制造领域大模型的落地到“山地战”、“高原战”。
一句话，大模型在行业落地要比在消费端困难和复杂得多。
冰金友告诉数智前线，他们和大量的人进行了沟通。
工业企业尤其是制造企业的研究发现，大模型与工业的结合在成本、人才、数据以及大模型技术本身等方面仍然存在困难。
企业实施大模型的成本不仅包括算力成本和成本。
部署成本，还有试错成本、人工成本等。
目前大规模模型的成本在几百万到几千万。
许多制造企业的毛利润较低，对新技术的投资也相对谨慎。
从技术本身的角度，冰金友认为，大模型的幻觉问题决定了它仍然是概率输出，但在工业中，要么是经济输出，需要%正确，要么需要干预，即事实证明，传统数字技术的结合就像一个人同时拥有左脑和右脑。
数据是一个比较困难的痛点。
一方面，工业领域虽然场景多、数据量大，但碎片化现象明显。
各企业的数据采集和管理水平也参差不齐。
大量企业甚至可能在收集历史数据方面不足。
。
严同柱举了一个例子。
过去，大量的工业知识和工业数据只存在于老工程师、专家的头脑和电脑里。
他们没有及时转化为企业知识资产，在人才更替中逐渐流失。
“就像我们国家的石油勘探技术，全世界都认可，但随着老专家的离开或去世，一些知识就丢失了，导致很多新员工进来后又要从头开始。
另一方面，我国数据要素市场仍处于发展初期，尚未建立较为完善的数据共建共享、数据产权界定等机制。
此外，工业企业普遍高度重视数据安全，数据不出企业、园区刻不容缓。
，工业领域存在严重的跨行业、跨场景的数据壁垒问题。
事实上，数智前线了解到，在部署大模型时，几乎所有工业企业都会因为成本、人才、大模型本身的困难而需要私有化部署。
数据问题的逐步填补需要时间的推移和技术的不断进步，但需要大型模型服务商和大量工业企业注入更多主动性，从现在开始解决。
今年10月推出的万企赋能计划的内容之一就是解决数据问题。
“只要你提供数据，我们培训后就可以免费使用。
我们将尝试看看明年是否有公司愿意拿出这些数据并将其添加到一个平台上一起做。
中国电信旗下智库平台天翼智库的报告也表明，合作正在成为解决数据问题的主要方式，一些行业已经具备了良好的数据共建共享基础，正在落地实施。
东北大学、阿里巴巴等单位已建成超过15个钢铁、纺织等产品表面缺陷公共数据集，今年8月国家政策层面也在加速推进数据互联互通。
财政部发文称，数据资产将在明年1月1日实施，“这是一个相对长期的计划”，基于这样的趋势，当厂商喜欢。
他们在未来训练大型工业模型时，将有机会找到一些大数据分布群体，并获得训练所需的高质量工业数据。
行业观察，大模型在工业领域的应用将会逐步发展。
虽然还有很多困难需要克服，但其价值将在接下来的一段时间内逐步释放。
在此背景下，不少业内人士提出这样的建议。
工业企业应尽快拥抱大车型。
简单来说，企业不一定要立即投入大量的精力和金钱来训练一个模型，但必须更加关注这方面的进展，提前进行场景规划、数据存储等。
工作。
【本文由投资界合作伙伴微信公众号授权：数智前线。
本平台仅提供信息存储服务。
】如有疑问，请联系投资界（）。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-18
06-17
06-17
06-17
06-06
06-17
06-18
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态