工業(yè)大模型賦能新型工業(yè)化的路徑探索

人工智能是引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的戰略性技術(shù)，具有溢出帶動(dòng)效應很強的“頭雁”作用。在十四屆全國人大二次會(huì )議上，開(kāi)展“人工智能+”專(zhuān)項行動(dòng)被首次寫(xiě)入《政府工作報告》，這為人工智能賦能新型工業(yè)化提供了深刻的理論支撐。當前，人工智能飛速發(fā)展，大語(yǔ)言模型（以下簡(jiǎn)稱(chēng)“大模型”）憑借強大的文本推理和遷移學(xué)習能力已成為人工智能發(fā)展新的里程碑，有望下沉到研發(fā)、生產(chǎn)、運維、測試等制造業(yè)各環(huán)節，實(shí)現對新型工業(yè)化的高效有力支撐和賦能。

工業(yè)大模型是人工智能深度賦能新型工業(yè)化的重點(diǎn)方向

隨著(zhù)高質(zhì)量訓練數據的不斷擴充、高性能計算技術(shù)的發(fā)展以及模型訓練架構的更新迭代，大模型在自然語(yǔ)言處理、圖像識別、語(yǔ)音識別和多模態(tài)識別領(lǐng)域接連取得重要突破。自2022年以來(lái)，全球范圍內大模型市場(chǎng)規模迅速增長(cháng)，迎來(lái)爆發(fā)期。根據相關(guān)機構測算，到2030年全球大模型市場(chǎng)規模將突破千億美元。因此，國內外龍頭企業(yè)成為了大模型高地爭奪的主角。以美國為代表的國際科技巨頭紛紛加入大模型競賽，OpenAI（美國開(kāi)放人工智能研究中心）作為業(yè)界領(lǐng)先機構發(fā)布大模型ChatGPT（基于生成式人工智能預訓練模型的聊天機器人）和GPT-4、文生視頻大模型Sora；微軟將GPT-4相關(guān)能力整合入Windows 11系統、Office365、Bing（必應）等重點(diǎn)產(chǎn)品，形成Copilot系列應用；谷歌推出新一代多模態(tài)大模型Gemini；Meta發(fā)布LLaMA（基于人工智能的大型語(yǔ)言模型）；Anthropic發(fā)布Claude 3系列大模型。國內大型科技企業(yè)亦相繼加入大模型角逐，“文心一言”、“通義千問(wèn)”、“星火認知”、ChatGLM（基于通用語(yǔ)言模型的聊天機器人）等國產(chǎn)大模型經(jīng)過(guò)迭代更新，也實(shí)現了性能飛越。

然而，目前國內外推出的主流大模型仍為公共數據集訓練出的基礎大模型，知識面夠廣但不夠專(zhuān)，在工業(yè)各垂直領(lǐng)域的性能表現并不突出。根據中國工業(yè)互聯(lián)網(wǎng)研究院2024年3月發(fā)布的《人工智能大模型工業(yè)應用準確性測評》報告，國內外主流大模型的工業(yè)應用準確性平均得分低于60分，處于明顯領(lǐng)先位置的GPT-4、“文心一言”等大模型總體評分也僅在70分上下，可見(jiàn)基礎大模型在賦能新型工業(yè)化方面還有較大的提升空間。

面向智能制造新需求，以基礎大模型為技術(shù)底座、工業(yè)應用為切入點(diǎn)的工業(yè)大模型正成為人工智能深度賦能新型工業(yè)化的新方向。工業(yè)大模型依托基礎大模型的結構和知識，融合工業(yè)細分行業(yè)的數據和專(zhuān)家經(jīng)驗，形成垂直化、場(chǎng)景化、專(zhuān)業(yè)化的工業(yè)應用模型。相對于基礎大模型，工業(yè)大模型具有參數量少、專(zhuān)業(yè)度高、落地性強等優(yōu)勢，可以為工業(yè)垂直領(lǐng)域的技術(shù)突破、產(chǎn)品創(chuàng )新、生產(chǎn)變革等提供低成本解決方案。

工業(yè)大模型深度賦能新型工業(yè)化的三大方向

一是工業(yè)大模型推動(dòng)生產(chǎn)制造高效化發(fā)展，大幅縮短生產(chǎn)周期。

大模型可以依托自身強大的知識儲備和推理能力，代替傳統生產(chǎn)中大量重復性、機械性的勞動(dòng)，從而大幅縮短生產(chǎn)周期，使生產(chǎn)效率產(chǎn)生質(zhì)的飛躍。

在研發(fā)環(huán)節，大模型可以通過(guò)對產(chǎn)品結構數據進(jìn)行分析，從微觀(guān)層面探究產(chǎn)品的構型和機理，并創(chuàng )造性地生成具有新結構、新特性的產(chǎn)品。例如在石化行業(yè)，人工智能大模型可以在對大量已知材料的分子數據進(jìn)行訓練的基礎上，找到適合目標場(chǎng)景的最優(yōu)候選材料，并生成適合的催化劑分子設計方案，從而大大縮短催化劑研發(fā)時(shí)間，降低催化劑研發(fā)成本。在藥物研發(fā)的核心環(huán)節——靶點(diǎn)發(fā)現環(huán)節，需要對靶點(diǎn)做大量的生物學(xué)假設，并設計一系列實(shí)驗進(jìn)行驗證，周期非常漫長(cháng)。用藥物分子結構數據和與疾病相關(guān)的知識圖譜對大模型進(jìn)行微調訓練，使模型掌握與疾病靶點(diǎn)相互作用的分子特征，從而可以自動(dòng)生成新的藥物分子設計方案。

在設計環(huán)節，大模型可以生成創(chuàng )新性的產(chǎn)品設計方案，更好地輔助技術(shù)人員將設計構思和意圖快速轉化為具體實(shí)施方案。以傳統工業(yè)設計為例，大模型可以嵌入在CAD軟件的后端，實(shí)現設計草圖的快速生成，并輔助進(jìn)行布局優(yōu)化、參數校核，大幅縮減工業(yè)設計耗時(shí)，提升產(chǎn)品研發(fā)效率。例如，國內某頭部家電制造企業(yè)目前已探索基于自研工業(yè)大模型的工業(yè)信息生成系統，根據用戶(hù)需求交互，進(jìn)行產(chǎn)品工程圖等可視化文件的輔助生成，后續可利用文生視頻大模型實(shí)現標準三維產(chǎn)品模型的快速制作及動(dòng)態(tài)仿真，提升產(chǎn)線(xiàn)的智能化水平和研發(fā)設計的效率。

在工藝優(yōu)化環(huán)節，傳統方法需要采用不同的工藝參數組合進(jìn)行多輪次測試，以獲得最佳結果，而這需要花費大量時(shí)間進(jìn)行人工調試和實(shí)驗。大模型可以利用歷史工藝數據進(jìn)行微調訓練，結合新的工藝參數組合，在碰撞測試中快速預測出碰撞響應情況。這有助于在短時(shí)間內縮小最佳工藝參數的篩選范圍，以縮短測試優(yōu)化周期。

二是工業(yè)大模型將有效降低生產(chǎn)制造的成本消耗，推進(jìn)制造業(yè)綠色化、集約化發(fā)展。

在產(chǎn)品仿真環(huán)節，大模型可以利用自身的生成能力提供符合設計要求的虛擬化仿真測試場(chǎng)景/環(huán)境。近期OpenAI推出的文生視頻大模型Sora已經(jīng)展示出模擬真實(shí)世界物理環(huán)境的能力，并能實(shí)現符合簡(jiǎn)單物理規則的人-物、物-物互動(dòng)，后續有望通過(guò)文字提示，快速構建工業(yè)級三維仿真場(chǎng)景和產(chǎn)品設計模型，輔助進(jìn)行工業(yè)設計、測試等，實(shí)現對生產(chǎn)過(guò)程的真實(shí)模擬，從而大幅減少傳統工業(yè)設計中因構建三維虛擬環(huán)境所消耗的人工和計算資源。

例如在汽車(chē)制造中必不可少的碰撞測試環(huán)節，通過(guò)引入前期積累的車(chē)輛結構、碰撞數據以及材料特性等數據并進(jìn)行微調訓練，大模型可以了解車(chē)輛結構、材料屬性與碰撞響應程度之間的內在關(guān)系，并模擬生成特殊場(chǎng)景中的碰撞情況，減少傳統生產(chǎn)中因構建此類(lèi)測試環(huán)境而花費的大量人力、物力成本。

在生產(chǎn)調度環(huán)節，大模型可以對產(chǎn)線(xiàn)的關(guān)鍵節點(diǎn)進(jìn)行智能化調度和控制，以減少因流程冗余而導致的物料消耗。生產(chǎn)方可以利用產(chǎn)線(xiàn)流程的歷史數據對大模型進(jìn)行微調，使其更好地理解生產(chǎn)需求、資源可用性、任務(wù)優(yōu)先級之間的復雜關(guān)系，從而優(yōu)化各節點(diǎn)的任務(wù)分配和調度，減少物料和能源的消耗。

例如在大型制造產(chǎn)線(xiàn)的多機協(xié)同中，大模型可以利用不同工序機器人的生產(chǎn)流程數據進(jìn)行微調訓練，掌握機器人的技能、任務(wù)復雜性、工作站之間的轉移時(shí)間等復雜信息，并預測不同機器人執行不同任務(wù)的效率。當新的任務(wù)或物料到達時(shí)，模型可以快速決策分配給哪個(gè)機器人，從而減少因機器人閑置、物料冗余配送所帶來(lái)的成本消耗。同時(shí)，大模型自身就可以對不同格式、不同來(lái)源的數據進(jìn)行快速整理分類(lèi)，輔助制作微調訓練的數據集，降低人工整理數據的成本，實(shí)現數據和模型的良性互動(dòng)。

三是工業(yè)大模型推動(dòng)生產(chǎn)制造柔性化發(fā)展，實(shí)現解決方案在不同場(chǎng)景中的快速適配。

在質(zhì)量檢測環(huán)節，大模型強大的遷移學(xué)習能力可以助力實(shí)現對不同生產(chǎn)場(chǎng)景中產(chǎn)品質(zhì)量缺陷、人員違規操作、零部件裝配誤差等的快速高效視覺(jué)檢測。

例如在印刷電路板的缺陷檢測中，通用視覺(jué)大模型可以憑借強泛化能力，在不依賴(lài)工廠(chǎng)樣本數據和本地化訓練的情況下，直接對原始圖像進(jìn)行像素級分割，再配合簡(jiǎn)單的規則，實(shí)現對短路、焊橋、開(kāi)路等瑕疵的識別，從而規避本地化訓練調參帶來(lái)的數據獲取難、訓練調參慢等問(wèn)題，并可快速適配到不同批次、不同型號的其他電路板檢測中，實(shí)現柔性生產(chǎn)。同時(shí)，技術(shù)人員可以通過(guò)語(yǔ)言提示細化檢測需求，實(shí)現對同一塊電路板不同類(lèi)型、不同區域、不同等級缺陷的檢測，擴展檢測范圍，提升應用靈活性，實(shí)現定制化檢測。

在運動(dòng)控制環(huán)節，生產(chǎn)人員可以通過(guò)文本、語(yǔ)音等交互方式，根據不同的任務(wù)需求，通過(guò)大模型快速生成定制化的運動(dòng)控制代碼，以控制機器人執行不同的任務(wù)。例如，在大型結構件的裝配中，給大模型輸入指令“請寫(xiě)一段PLC程序，控制機械手抓取零件A，并通過(guò)最短路徑放置在零件B的上表面”。這種基于大模型的運動(dòng)控制指令生成模式可以大幅提升工業(yè)機器人的靈活度，實(shí)現柔性化的產(chǎn)線(xiàn)控制。

在供應鏈管理環(huán)節，可以利用大模型對供應鏈中各類(lèi)別、各模態(tài)的數據進(jìn)行管理和整合，提升貨品信息流的運行效率，打造更便捷、響應更快速的工業(yè)產(chǎn)品供應鏈體系。例如在倉儲管理中，使用以多模態(tài)大模型為“大腦”的機器人進(jìn)行貨架管理、庫存管理和訂單揀貨等操作，通過(guò)人工進(jìn)行簡(jiǎn)單的場(chǎng)景需求提示，結合模型的強視覺(jué)泛化能力，可以由同一機器人執行自主貨架定位、貨物分揀和貨物轉運等操作，并能根據提示詞快速應用到不同類(lèi)型的貨倉中，提升倉儲管理的柔性化程度。

工業(yè)大模型深度賦能新型工業(yè)化的發(fā)展建議

當前，受制于計算資源、工業(yè)數據、模型可解釋性等因素，我國對工業(yè)大模型的探索還處于初期階段，深度賦能新型工業(yè)化還有較****展空間。在工業(yè)大模型的應用推廣中，主要面臨三個(gè)突出問(wèn)題：一是缺乏高質(zhì)量的工業(yè)語(yǔ)料數據為大模型的微調訓練提供支撐；二是工業(yè)需求方與基礎大模型技術(shù)支持方難以深入場(chǎng)景形成有效合作，缺乏具備明顯成效的工業(yè)大模型應用范式；三是缺少工業(yè)大模型的應用性能、測試評估等機制。針對上述問(wèn)題，建議從以下三方面進(jìn)行突破。

一是構建大模型工業(yè)數據集供給體系。鼓勵信息技術(shù)龍頭企業(yè)、工業(yè)企業(yè)、高等院校、科研院所及其他具備相關(guān)研究基礎的機構，構建工業(yè)語(yǔ)料庫公共平臺，聚焦重點(diǎn)行業(yè)的典型場(chǎng)景，沉淀高質(zhì)量工業(yè)語(yǔ)料數據，為工業(yè)大模型供給必要數據。通過(guò)資金補貼、稅費減免、政策傾斜等措施，引導鋼鐵、電子裝備、電力和石油化工等重點(diǎn)工業(yè)行業(yè)的市場(chǎng)主體，將工業(yè)場(chǎng)景數據開(kāi)放至公共平臺，形成涵蓋國內重點(diǎn)工業(yè)領(lǐng)域的數據資源池。

二是加強大模型工業(yè)應用的生態(tài)推廣。整合碎片化的工業(yè)場(chǎng)景，提煉出以產(chǎn)品輔助設計、精細化質(zhì)量檢測、智能供應鏈管理等為代表的大模型工業(yè)應用典型場(chǎng)景，明確各場(chǎng)景對大模型的量化需求指標，并推動(dòng)建立相關(guān)行業(yè)標準。建立大模型供給側與企業(yè)應用側之間的供需對接機制，促進(jìn)形成若干大模型研發(fā)與制造業(yè)協(xié)同發(fā)展的特色產(chǎn)業(yè)集群、企業(yè)聯(lián)合體，并推動(dòng)樹(shù)立一批工業(yè)大模型的標桿性、示范性應用。

三是完善大模型工業(yè)應用的評測機制。在模型側，建立標準化的大模型工業(yè)應用問(wèn)題測試集，構建高效可信的評測體系，圍繞大模型知識能力、穩定性、安全性等關(guān)鍵性能進(jìn)行周期性評估工作；在企業(yè)側，制定工業(yè)大模型應用滲透度等指標體系，輔助進(jìn)行大模型應用實(shí)施情況的評估診斷。根據產(chǎn)業(yè)結構、數據要素分布的變化對評測評估指標進(jìn)行動(dòng)態(tài)調整，以促進(jìn)工業(yè)大模型持續賦能新型工業(yè)化。