大模型时代的到来，为人工智能在工业领域的应用提供了坚实基础。
近日，腾讯研究院发布了《工业大模型应用报告》(简称“报告”)，报告指出，工业正处于从数字化向智能化迈进的阶段，而大模型凭借其卓越的理解能力、生成能力和泛化能力，成为推动工业智能化的关键力量，有望拓展人工智能和工业融合的新空间。
该报告编制得到了中国通信工业协会的指导和支持，由腾讯研究院牵头，与中国通信工业协会物联网分会、毕马威企业咨询(中国)有限公司以及腾讯云智慧行业五部共同撰写。报告深入探讨了工业大模型在推动工业智能化发展中的新机遇与挑战，同时聚焦大模型在工业全链条应用探索提供了丰富的案例。
大模型为工业智能化发展带来新机遇
报告指出，大模型的崛起有望在工业领域带来“基础模型+各类应用”的新范式。大模型凭借其卓越的理解能力、生成能力和泛化能力，能够深度洞察工业领域的复杂问题，不仅可以理解并处理海量的数据，还能从中挖掘出隐藏在数据背后的规律和趋势。
大模型为工业智能化拓展新空间。大模型有望挖掘工业领域人工智能应用的新场景，提升人工智能应用的普及率。例如在研发设计领域，大模型能够深度挖掘和分析海量数据，为产品设计提供更为精准和创新的思路。在经营管理领域，大模型能够实现对生产流程、供应链管理等各个环节的监控和智能优化，从而提升企业的运营效率和市场竞争力。
大模型应用落地需要深度适配工业场景。大模型的优势在于其强大的泛化能力，可以在不同的领域和任务上进行迁移学习，而无需重新训练。但无法充分捕捉到某个行业或领域的特征和规律，也无法满足某些特定的应用场景和需求，在真正融入行业的过程中，需要适配不同的工业场景，其核心就是要解决不懂行业、不熟企业、存在幻觉这三大问题。
大模型和小模型在工业领域将长期并存且分别呈现U型和倒U型分布态势
报告基于当前市场上507个工业小模型和99个工业大模型应用案例进行分析，得出目前大模型和小模型在工业领域分别呈现U型和倒U型分布形态。
以判别式AI为主的小模型在工业领域应用呈现倒U型分布，这些应用主要集中在生产制造领域，占比高达57%，而在研发设计和经营管理领域的应用则相对较少。这种分布呈现出明显的倒U型。小模型的能力更适合工业生产制造领域，但“一场景一训练一模型”的定制化需求制约了其进一步渗透。
报告认为，目前大模型在工业领域还未实现对小模型的替代，大小模型将长期并存。小模型在工业领域具有深厚的应用基础和经验积累，同时工业场景对于成本收益比、稳定性和可靠性的高要求也制约了大模型的应用渗透，两者将长期并存且相互融合，共同推动工业智能化发展。
目前工业大模型应用存在三种主要构建模式，分别是预训练工业大模型、微调、检索增强生成。这三种模式并不独立存在，工业大模型的应用往往会采用多种模式共同发力。
大模型应用探索覆盖工业全链条
报告深入分析了大模型在工业全链条应用的探索。在研发设计领域，大模型通过优化设计过程提高研发效率；在生产制造领域，大模型拓展生产制造智能化应用的边界；在经营管理领域，大模型基于助手模式提升经营管理水平；在产品服务领域，大模型基于交互能力推动产品和服务智能化。
报告详细介绍了各个领域的具体应用案例。如在研发设计领域，时装设计平台CALA提供了基于Open AI的生成式设计工具，可以将设计师的创意快速转化为设计草图、原型和产品；英伟达推出了 430亿参数的大模型ChipNeMo，可以有效地帮助芯片设计人员完成相关的芯片设计任务。在产品服务领域，腾讯新一代智能座舱解决方案 TAI4.0 从场景和用户体验出发，深度利用汽车的感知能力和大模型的学习
工业大模型的挑战与展望
报告指出，工业大模型应用面临数据质量和安全、可靠性、成本三大挑战。首先，数据质量和安全是工业大模型构建的首要问题。工业数据质量参差不齐。工业领域涵盖广泛，包括41个工业大类、207个工业中类、666个工业小类，导致数据结构多样，数据质量参差不齐。工业数据安全要求较高。其次，工业大模型需满足高可靠性和实时性要求。工业生产环境往往涉及复杂的工艺流程、高精度的操作控制以及严苛的安全标准。任何模型预测或决策的失误都可能导致生产事故、质量问题或经济损失。最后，高额成本限制了工业大模型应用的投入产出比。大模型通常需要庞大的数据集与高性能的计算集群进行训练，进一步推高了训练和推理成本，且长期运营成本较高。
工业大模型应用将伴随技术演进持续加速和深化。首先，基于少量工业基础大模型快速构建大量工业APP满足工业碎片化应用需求。由于工业场景复杂并呈现碎片化的模式，通过工业基础大模型的和工业APP的结合，能够广泛且快速地应对工业领域的挑战，推动各类工业场景的智能化升级。其次，大模型的新突破带来工业应用的新场景。随着Agent、具身智能等新技术的发展，大模型将在工业领域开辟更多应用场景，使设备和机器更加智能化，提高生产效率和安全性。最后，大模型成本的降低将加速工业领域应用。大模型压缩相关的技术如剪枝、量化和蒸馏等，将有效减少模型的参数量和计算需求，从而降低训练和部署的成本。这将使大模型更加适用于资源受限的环境，并加速其在工业领域的应用推广。
举报/反馈
友情提示
本站部分转载文章，皆来自互联网，仅供参考及分享，并不用于任何商业用途；版权归原作者所有，如涉及作品内容、版权和其他问题，请与本网联系，我们将在第一时间删除内容！
联系邮箱：1042463605@qq.com