大模型時代的到來，為人工智能在工業領域的套用提供了堅實基礎。
近日，騰訊研究院釋出了【工業大模型套用報告】（簡稱「報告」），報告指出，工業正處於從數碼化向智能化邁進的階段，而大模型憑借其卓越的理解能力、生成能力和泛化能力，成為推動工業智能化的關鍵力量，有望拓展人工智能和工業融合的新空間。
該報告編制得到了中國通訊工業協會的指導和支持，由騰訊研究院牽頭，與中國通訊工業協會物聯網分會、畢馬威企業咨詢（中國）有限公司以及騰訊雲智慧行業五部共同撰寫。報告深入探討了工業大模型在推動工業智能化發展中的新機遇與挑戰，同時聚焦大模型在工業全鏈條套用探索提供了豐富的案例。
大模型為工業智能化發展帶來新機遇
報告指出，大模型的崛起有望在工業領域帶來「基礎模型+各類套用」的新範式。大模型憑借其卓越的理解能力、生成能力和泛化能力，能夠深度洞察工業領域的復雜問題，不僅可以理解並處理海量的數據，還能從中挖掘出隱藏在數據背後的規律和趨勢。
大模型為工業智能化拓展新空間。大模型有望挖掘工業領域人工智能套用的新場景，提升人工智能套用的普及率。例如在研發設計領域，大模型能夠深度挖掘和分析海量數據，為產品設計提供更為精準和創新的思路。在經營管理領域，大模型能夠實作對生產流程、供應鏈管理等各個環節的監控和智能最佳化，從而提升企業的營運效率和市場競爭力。
大模型套用落地需要深度適配工業場景。大模型的優勢在於其強大的泛化能力，可以在不同的領域和任務上進行遷移學習，而無需重新訓練。但無法充分捕捉到某個行業或領域的特征和規律，也無法滿足某些特定的套用場景和需求，在真正融入行業的過程中，需要適配不同的工業場景，其核心就是要解決不懂行業、不熟企業、存在幻覺這三大問題。
大模型和小模型在工業領域將長期並存且分別呈現U型和倒U型分布態勢
報告基於當前市場上507個工業小模型和99個工業大模型套用案例進行分析，得出目前大模型和小模型在工業領域分別呈現U型和倒U型分布形態。
以判別式AI為主的小模型在工業領域套用呈現倒U型分布，這些套用主要集中在生產制造領域，占比高達57%，而在研發設計和經營管理領域的套用則相對較少。這種分布呈現出明顯的倒U型。小模型的能力更適合工業生產制造領域，但「一場景一訓練一模型」的客製化需求制約了其進一步滲透。
報告認為，目前大模型在工業領域還未實作對小模型的替代，大小模型將長期並存。小模型在工業領域具有深厚的套用基礎和經驗積累，同時工業場景對於成本收益比、穩定性和可靠性的高要求也制約了大模型的套用滲透，兩者將長期並存且相互融合，共同推動工業智能化發展。
目前工業大模型套用存在三種主要構建模式，分別是預訓練工業大模型、微調、檢索增強生成。這三種模式並不獨立存在，工業大模型的套用往往會采用多種模式共同發力。
大模型套用探索覆蓋工業全鏈條
報告深入分析了大模型在工業全鏈條套用的探索。在研發設計領域，大模型透過最佳化設計過程提高研發效率；在生產制造領域，大模型拓展生產制造智能化套用的邊界；在經營管理領域，大模型基於助手模式提升經營管理水平；在產品服務領域，大模型基於互動能力推動產品和服務智能化。
報告詳細介紹了各個領域的具體套用案例。如在研發設計領域，時裝設計平台CALA提供了基於Open AI的生成式設計工具，可以將設計師的創意快速轉化為設計草圖、原型和產品；輝達推出了 430億參數的大模型ChipNeMo，可以有效地幫助芯片設計人員完成相關的芯片設計任務。在產品服務領域，騰訊新一代智能座艙解決方案 TAI4.0 從場景和使用者體驗出發，深度利用汽車的感知能力和大模型的學習理解能力，構建從多模互動到個人化服務的完整智能化閉環體驗。
工業大模型的挑戰與展望
報告指出，工業大模型套用面臨數據質素和安全、可靠性、成本三大挑戰。首先，數據質素和安全是工業大模型構建的首要問題。工業數據質素參差不齊。工業領域涵蓋廣泛，包括41個工業大類、207個工業中類、666個工業小類，導致數據結構多樣，數據質素參差不齊。工業數據安全要求較高。其次，工業大模型需滿足高可靠性和即時性要求。工業生產環境往往涉及復雜的工藝流程、高精度的操作控制以及嚴苛的安全標準。任何模型預測或決策的失誤都可能導致生產事故、質素問題或經濟損失。最後，高額成本限制了工業大模型套用的投入產出比。大模型通常需要龐大的數據集與高效能的計算集群進行訓練，進一步推高了訓練和推理成本，且長期營運成本較高。
工業大模型套用將伴隨技術演進持續加速和深化。首先，基於少量工業基礎大模型快速構建大量工業APP滿足工業碎片化套用需求。由於工業場景復雜並呈現碎片化的模式，透過工業基礎大模型的和工業APP的結合，能夠廣泛且快速地應對工業領域的挑戰，推動各類工業場景的智能化升級。其次，大模型的新突破帶來工業套用的新場景。隨著Agent、具身智能等新技術的發展，大模型將在工業領域開辟更多套用場景，使器材和機器更加智能化，提高生產效率和安全性。最後，大模型成本的降低將加速工業領域套用。大模型壓縮相關的技術如剪枝、量化和蒸餾等，將有效減少模型的參數量和計算需求，從而降低訓練和部署的成本。這將使大模型更加適用於資源受限的環境，並加速其在工業領域的套用推廣。
