◎本報記者 崔 爽

　　今年以來，我國大模型行業發展迅猛，尤其工業場景成為大模型應用藍海。在2024世界人工智能大會暨人工智能全球治理高級別會議上發布的《中國AI大模型工業應用指數（2024年）》顯示，國內頂級大模型在工業領域文本生成的準確性已具備競爭力，但數理能力還有待提升。在工業“主戰場”，大模型究竟表現如何？

　　全鏈條展開應用探索

　　當前，我國擁有41個工業大類、207個中類、666個小類，涵蓋聯合國產業分類中的全部工業門類。在500個工業品種中，我國有四成以上產品產量位居全球第一，具有全、多、大的獨特優勢。2023年，我國制造業總體規模連續14年位居全球第一。

　　龐大的產業規模，為工業大模型落地提供了肥沃土壤。

　　騰訊研究院發布的《工業大模型應用報告》（以下簡稱《報告》）顯示，我國工業正處于從數字化向智能化邁進的階段，而大模型憑借其卓越的理解、生成和泛化能力，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新空間。

　　《報告》指出，大模型的崛起有望為工業領域帶來“基礎模型+各類應用”新范式。一方面，大模型能深度洞察工業領域復雜問題，理解并處理海量數據，從中挖掘規律和趨勢；另一方面，大模型將擴展工業領域人工智能應用新場景。

　　目前，大模型的應用探索已在工業全鏈條展開。在研發設計領域，大模型通過優化設計過程提高研發效率；在生產制造領域，拓展智能化應用邊界；在經營管理領域，基于助手模式提升經營管理水平；在產品服務領域，基于交互能力推動產品和服務智能化。

　　為產業解難題做難事

　　與生產生活中的實際應用場景結合、為千行百業賦能增效，是大模型的必然發展方向。正如中國工程院院士劉韻潔所言，我國人工智能產業的發展出路在于行業大模型。

　　目前，國內已有多家科技企業發布工業大模型產品。作為首個定位于行業的大模型，盤古大模型具有指標性意義。華為常務董事、華為云首席執行官張平安在6月召開的華為開發者大會上詳細介紹了盤古大模型的產業實踐，展示了產業AI“解難題、做難事”的一個樣本。

　　在工業設計領域，盤古大模型可廣泛應用于電子產品、汽車造型設計等領域。例如，在汽車造型設計中，設計師可通過對話、畫圖等方式與大模型交互，完善創意靈感，生成3D汽車數字模型，并能對模型進行風格調整、零部件編輯及顏色更換等操作。這能使原本需要1—2年的設計周期大幅縮短。

　　在建筑設計領域，只需輸入設計的黑白草圖，盤古大模型即可生成彩色并帶有紋理的建筑群360度實景視頻，還能構建高真實感的建筑3D模型，將復雜建筑群的概念設計周期從數周縮短到數十分鐘。

　　在鋼鐵領域，盤古大模型也可大顯身手。過去，寶武鋼鐵集團熱軋生產線每次調整生產鋼板的種類和尺寸時，工程師都要重新調整7道精軋機組的300多個參數，這一過程通常耗時約5天。而現在，盤古大模型能對最優參數進行預測，顯著降低調整時間，提高預測精度和鋼板成材率。

　　此外，卡奧斯推出工業大模型COSMO-GPT，目前已成功落地工業指標優化、工業信息生成、工業問答等多個應用場景。在訊飛星火認知大模型技術底座支撐下，羚羊工業互聯網公司結合工業場景實際需求打造羚羊工業大模型。該模型具備工業文本生成、工業知識問答、工業理解計算、工業代碼生成和工業多模態五大核心能力，已服務多家企業……各具特色的工業大模型產品構建了多元化的大模型生態體系，也為工業智能化注入新活力。

　　落地面臨三大挑戰

　　還要看到的是，相較消費類場景，大模型落地工業場景仍面臨一些障礙�！秷蟾妗贩治觯�工業大模型應用面臨數據質量和安全、可靠性、成本三大挑戰。

　　首先，工業涉及領域廣泛，且對數據安全要求較高，而目前工業數據結構多樣，數據質量參差不齊。工業大模型數據質量和安全性有待進一步提升。其次，工業生產環境往往涉及復雜工藝流程、高精度操作控制以及嚴苛安全標準，任何模型預測或決策失誤都可能導致生產事故、質量問題或經濟損失。工業大模型還需滿足高可靠性和實時性要求。另外，高額成本限制了工業大模型應用的投入產出比。

　　縱然面臨種種挑戰，但發展工業大模型是大勢所趨。

　　工業大模型的降本增效作用顯而易見。張平安舉例，高爐冶煉被認為是人工智能落地最難的應用場景，高爐是一個5000立方米的“黑箱”，內部最高溫度達2300攝氏度，冶煉過程“看不見、摸不著”，高度依賴人工經驗。如果使用盤古大模型，可將“黑箱”變成“灰箱”，甚至“白箱”，指導高爐精準控制，每噸鐵水可減少1千克焦炭消耗，使成本降低3元。

　　隨著技術演進，工業大模型應用落地將跑得更快更穩。

　　《報告》認為，通過工業基礎大模型和工業App的結合，能廣泛、快速應對工業領域的挑戰，推動各類工業場景智能化升級。同時，隨著智能體、具身智能等新技術發展，大模型將在工業領域開辟更多應用場景，提高生產效率和安全性。此外，大模型壓縮相關技術將有效減少模型的參數量和計算需求，降低訓練和部署成本，使大模型更適用于資源受限的環境，加速在工業領域應用推廣。