作者：中国工业互联网研究院 顾维玺 李优

   人工智能是引领新一轮科技革命和产业变革的战略性技术，具有溢出带动性很强的“头雁”效应。当前，我国工业互联网正迈入规模化发展的新阶段，人工智能与工业互联网深度融合，能够大幅提高生产效率、优化资源配置、降低生产成本，可进一步加速工业体系向高端化、智能化、绿色化迈进，为新型工业化发展提供强大的技术支持和动力。

　　相辅相成，相得益彰

　　工业互联网为人工智能创造广泛的应用场景和数据基础，人工智能也为工业互联网创新发展赋智，形成协同发展、双向促进的格局。二者的融合对推进新型工业化、建设现代化产业体系、构建新发展格局意义重大。

　　工业互联网产业基础不断完善。我国工业互联网核心产业增加值规模已达到1.35万亿元。在基础设施层面，工业互联网基础设施建设不断强化，截至2024年7月，我国5G基站达399.6万个，90%实现共建共享。在关键技术层面，5G核心网、定制化基站等实现商用，推动5G工业网关、巡检机器人等终端创新。在应用赋能层面，超过270家综合型、特色型、专业型平台涌现，跨行业工业互联网平台达50个，承载大量工业机理模型。在合作生态方面，5G已融入71个国民经济大类，应用案例超过9.4万个。工业互联网围绕全产业链、全价值链、全要素的全面“链接”，构建新一代信息技术赋能制造业的新生态，强调海量生产要素的互联互通、运行数据的价值挖掘和工业知识的沉淀复用，为大模型的应用提供了“天然土壤”。

　　人工智能技术产业蓬勃发展。今年以来，我国人工智能赋能新型工业化取得了积极成效，典型产品加速迭代，场景应用加快落地。算力基础设施加快布局，云算、智算、超算、量算等协同发展，10余个高性能智算中心得以规划建设，算力供给结构不断优化，算力规模位居全球第二。算法创新水平稳步提升。以大模型为代表的通用人工智能技术蓬勃发展，自主研制的智能芯片、开发框架、通用大模型等创新成果加速涌现，人工智能企业数量超过4500家，我国涌现出一批准确性高、稳定性强的大模型。《人工智能大模型工业应用准确性测评报告》显示，截至2024年8月，以通义千问为代表的国内多款大模型能力接近GPT-4o，工业知识问答等场景已经具备较高的应用成熟度。工业数据训练语料不断丰富，大模型训练语料已在电力、装备、石化、汽车、日常消费品等领域率先实现汇聚，在研发设计、生产制造、运营管理、营销服务等制造业全流程中开展应用。中国工业互联网研究院面向八大工业重点行业，目前已收集了10万余条工业知识问答数据，形成了工业语料库，支撑了大模型在工业领域的高效微调，加速工业互联网应用落地。

　　融合应用，成效初显

　　重塑技术研发模式，强化数字设计能力。在工业控制领域，某汽车制造商联合设备制造商打造的智能大模型，内嵌于汽车工业机器人等生产设备，实现自动化编程与控制，大幅减少停机时间，生产效率提高30%。在工业设计领域，中国商飞利用智能建模仿真和模拟预测技术，优化了大型客机的研发流程，通过数字化设计和虚拟仿真，降低了试错成本，加快了产品开发进程。

　　升级人机交互方式，提升人机协同水平。在人机交互层面，多模态交互系统逐渐成为主流，语音、图像和触控等多种交互方式正在融入。洛克希德·马丁公司采用微软的HoloLens混合现实技术，辅助工人进行航天器的组装，将生产效率提高了50%，培训时间缩短了85%。在具身智能层面，基于人工智能和大模型技术，新一代工业机器人正在引领制造业的变革，近期发布的“领航者2号”机器人采用了大模型结合强化学习的决策规划框架，具备与人类接近的导航能力。

　　优化数据决策链路，实现数据驱动运营。在生产层面，鞍山钢铁针对高炉炼铁环节，建立煤气智能平衡系统，对高炉产气、管网波动、异常状态等进行预测，形成辅助调度策略，对煤气管网进行精细化管理，每年实现直接经济价值千余万元。在运营层面，中铁装备研发了智能仓储物流协作设计平台，通过资源统一管理，将制造工期由5个月缩短至3个月，效率提升40%。

　　提升质检和运维效率，强化精准质量管控。在质检层面，宝马通过自研工业AI云平台，构建了通用发动机质检应用底座，实现了发动机产品检测全程“无人化”作业和误检率“自学习”模式，节省检测工位70%，缺陷识别率达到99.86%。在运维层面，中车集团以工业互联网技术为基础，采集车辆设计制造数据、在线运营数据等，应用智能算法实现车辆故障诊断与预测，日检工作量减少30%，部件利用率提升15%。

　　定制化生产和柔性制造，满足多样化市场需求。随着市场需求的多样化和个性化趋势日益显著，传统的大规模标准化生产模式已难以满足用户需求。针对3C、汽车等制造行业生产物料复杂、规格多样等痛点，京东物流推出柔性线边物流解决方案，研发多款物流机器人和云端柔性线边物流管控平台，通过物联网、云计算等技术实现机器人智能调度、算法集成和数据管控，引入仿真技术和大数据算法实现管理精益化。

　　融合发展，挑战犹存

　　在技术集成上，工业互联网和人工智能的结合需要以高度的技术集成和大量的技术创新为基础，包括硬件和软件的融合、数据管理、网络安全及系统集成等。而工业场景碎片化特点较为突出，技术供应商往往需要根据行业特点甚至单一厂商的特点进行工业大模型研发和适配，将“通用大模型”转化为“专用大模型”仍存在“最后一公里”的问题。同时，在高端技术层面，“缺芯少魂”的问题依然影响发展。我国高性能芯片对外依赖严重，高端智能算力供给不足，原创算法薄弱，底层框架、基础算法与美国仍存在2到3年的动态差距。

　　在数据管理上，我国工业体系庞大，数据结构多样，数据间关联性和复杂度高，数据质量参差不齐。一方面，目前工业大模型标准体系尚不健全，导致不同企业之间的数据难以互通互认，对工业大模型的训练和应用造成制约。另一方面，如何在确保数据的安全和隐私，防止数据泄露和滥用的前提下，实现数据要素流通也是一个需要长期关注的问题。

　　在应用推广上，制造企业因智能化改造回报周期长而望而却步，不敢投；中小企业数字化基础弱，专业人才匮乏，导致不会用人工智能技术；制造业场景众多、生产流程差异大，智能化解决方案复用性较差，人工智能企业缺乏工业经验，形成供需不匹配难题。同时，我国人工智能核心技术研发、行业应用等领域的投资分别约为美国的1/5和1/20，顶尖人才数仅为美国的1/5，高端复合型人才、产业实用技能人才严重短缺。

　　推进融合发展提速的四点建议

　　一是强化人工智能技术基础，加速高智能大模型研发。加快关键核心技术攻关，推进智能芯片、算法、模型、框架等基础性关键技术和产品的突破，提升智能算力供给水平。培育高智能大模型，加快打造具备全球竞争力的通用大模型，重点支持数学定理证明、工程计算等领域的大模型研发。鼓励自主研发和开源生态建设，引导科研机构和企业坚持自主创新，构建面向国产开源架构的大模型开源生态，提升国内高智能大模型的研发水平。

　　二是建设人工智能增强版工业互联网平台。打造AI增强版工业互联网大数据中心，整合工业数据资源，解决数据流通难、标准不统一、质量参差不齐等问题，构建高质量的行业语料库和提示词语料库。建设行业大模型中试平台，依托工业互联网大数据分中心，搭建行业级模型训练库，开展国产人工智能框架和芯片的适配测试，降低企业AI应用开发门槛。强化算力和平台供给，提升数据汇聚和分析能力，通过突破高端传感器、边缘计算设备等，增强工业互联网平台的数据汇聚、建模分析和知识复用能力，为工业智能应用奠定基础。

　　三是深化人工智能融合应用，构建协同发展新格局。加强产业协同，发挥人工智能领域领军企业的生态整合作用，带动“专精特新”中小企业提升智能解决方案供给能力，形成协同创新格局。打通供需壁垒，鼓励行业龙头企业开放资源和应用场景，促进通用大模型在工业领域的部署，加速研发、中试、生产、服务、管理等环节的智能化升级。构建赋能联合体，支持AI企业与制造业龙头企业组建赋能联合体，开展“深度行”活动，推动企业智能化升级。培育应用生态，依托创新中心、公共服务平台等载体，促进大模型与工业场景的深度融合，打造一批典型应用示范，壮大产业生态。

　　四是加强政策引导和数据安全保障，完善产业发展生态。完善顶层设计和资金引导机制，强化国家统筹协调，完善产业政策保障，设立人工智能产业投资基金，引导社会资本支持人工智能与制造业融合。建立标准化的工业大模型应用评测体系。面向工业重点领域，构建可实践、可度量、可扩展的评测基准，构建大模型工业应用发展指数。支持工业企业联合高校和科研院所搭建大模型测试环境，收集大模型工业应用中的各类问题并迭代优化，使模型可以逐渐适应多样化的工业场景。

　　*本篇刊载于《通信世界》9月25日*

　　第18期总952期