制造业是AI大模型应用的主战场_大模型,制造业

如何认识这一轮AI技术发展影响的深度和广度？如何判断这一轮AI技术变革的性质？

AI大模型是通用人工智能发展的重要里程碑。4月28日、5月5日中央会议关于人工智能发展提出三个第一次：第一次提出“通用人工智能”，第一次提出“产业智能化”，第一次提出“把握人工智能等新科技革命浪潮”。

这一轮AI所体现“革命性”特征，不是AI可以生成文字、可以生成图片，而是AI可以生成代码，构建人机交互新模式，与产品研发、工艺设计、生产作业、产品运营等制造环节、场景相结合，提升生产效率，形成新生产力，并引发产业竞争格局重构。

AI大模型事关人类生产工具的变革，事关一个国家制造业核心竞争力重塑，事关经济的长期繁荣和走向。

数实融合是全球制造业

竞争格局重构的核心变量

数字化是巨变时代的分水岭，已成为企业、城市、国家之间竞争急剧分化的催化剂。制造业是数实融合最主要的产业部门，其融合的方式、广度和深度，能够直接影响甚至决定制造业的先进水平和全球竞争格局。

1. 数实融合是美国制造业全球领先的根本原因

目前，许多人潜意识里非常认同数字时代德国制造业发展道路和模式，“唱衰”美国制造业。然而事实上，过去十年，美国是全球制造业发展的“样板间”。

无论是制造业的规模、增速还是竞争力，美国均持续领先德国和日本，并且差距不断拉大：2011到2021年，美国制造业规模相当于德国的1.5倍扩大到2.4倍，相当于日本的2.5倍扩大到3.1倍。 美国制造业仍然以比日本和德国更快的速度发展。

过去10年，美国制造业领先地位的巩固和确立，是“软件定义硬件”的结果，是以“云+AI”为代表的数字技术深度、全面融入实体经济的结果，是向新型数字基础设施进行迁徙的结果。

【一一AGI大模型学习 所有资源获取处一一】

①人工智能/大模型学习路线

②AI产品经理入门指南

③大模型方向必读书籍PDF版

④超详细海量大模型实战项目

⑤LLM大模型系统学习教程

⑥640套-AI大模型报告合集

⑦从0-1入门大模型教程视频

⑧AGI大模型技术公开课名额

2. 数字原生企业涌现是美国制造业升级的重要标志

数字原生企业的涌现是产业升级和经济繁荣的重要标志。

德国、日本与美国制造业差距的扩大，在微观上主要表现为制造业领域缺乏一批有竞争力的数字原生企业。

德国“工业4.0”目标并没有实现，与预期差距较大，中小企业数字化进展缓慢，研究表明只有21%的中小企业在生产中使用了数字技术，也没有成长出一批数字时代有竞争力的中小企业。

日本的情况与德国类似，日本经历了“失去的二十年”，同样没有培养出一批数字原生企业。

数字技术驱动美国新企业、新产品不断涌现，以特斯拉、SpaceX、Rivian、OpenAI、Snowflake、Palantir等为代表数字原生企业，不仅成为全球的产业引领者，而且持续构建产品创新的新模式。

特斯特引领全球汽车工业电动化、智能化，正如瓦伦丁在《从丰田主义到特斯拉主义》所描述的，电动车领域的数字原生企业正在重新定义汽车，在个性化、以用户为中心的万物互联、万物智能时代，新物种为应对不确定性而生，以高频创新为驱动，基于进化组织的迭代思维，从MVP小步快跑加速商业化。

特斯拉作为一个数字原生企业，具有四个典型特征：软件定义、高频创新、客户运营商、进化型组织。

2010年美国DARPA推出自适应运载器制造（AVM）计划，**提出“重新发明制造业”，**通过彻底变革和重塑装备制造业，将武器装备研制周期缩短到现在的五分之一。

复杂制造业产品研制生产要像半导体行业一样，其产品设计、仿真、试验、工艺、制造等活动，全部都在数字空间完成，待产品迭代成熟后再进入工厂一次制造完成，缩短研制周期、降低研制成本。这一战略已经开花结果。

2023年11月11日，美国新一代隐形战略轰炸机首飞，这是全球第一款数字轰炸机-B21，从一开始就采用数字化设计，基于云计算的开发、部署和测试数字孪生，带来更好的维护性和更长的生命周期，以及更低的基础设施成本,是最近30年来美军研发速度最快的机型，还可以像特斯拉汽车不断下载新软件一样，能够不断升级产品功能，战斗力升级将依赖于敏捷软件迭代。

这一趋势的本质是：“云+AI”已经不仅是一个商业基础设施，更是一个创新基础设施，是新企业、新产品孕育孵化的摇篮。

3. AI大模型是重塑全球制造业竞争格局的新起点

AI大模型正加速第三次“数实融合”浪潮全面到来，智能化是其主要特征。AI大模型将影响制造业发展格局，AI大模型将会融入制造业的研发设计、生产工艺、质量管理、运营控制、营销服务、组织协同和经营管理的方方面面。

在研发设计领域，AI革新传统的科研范式。

在生物医药领域，2022年，DeepMind开发的AlphaFold2模型几乎预测了所有的蛋白质结构。如今AI模型不仅能“预测”、还可以“生成”蛋白质，为未来的药物生产研发创造新的可能。例如由Salesforce Research公司开发的ProGen系统成功从零生成全新的蛋白质。

RNA（核糖核酸）病毒研究计算效率低、不精准，中山大学基于Transformer架构的“LucaProt”深度学习模型，训练了大型蛋白质语言模型，将病毒发现周期从过去2-3个月时间缩短为一周，发现了数万种依赖传统人工比对方法无法识别的新型病毒，将全球RNA病毒多样性扩充了近30倍。这将会将缩短疫苗研制周期、降低研制成本。

在生产制造环节， AI大模型可以直接服务智能汽车、机器人、芯片、服装等产品的研发创新，例如工程师可通过大模型自动生成代码指令，完成机器人功能的开发与调试，甚至还能为机器人创造一些全新的功能。

在设备运维环节，AI大模型大幅增强了传统垂直模型的能力。 AI大模型具备了理解能力，电力行业无人机在山区电力设备上采集信息后，传统垂直小模型给出的判断：“销子不规范”，而大模型能够基于多模态发展出图像认知能力，给出的结论是：“高速公路附近上空，红色涂装的绝缘子左侧连接杆塔金件上，有10个螺栓，其中3个存在销子不规范，包括1个脱销、1个未插紧、1个损毁，已生成异常说明，建议尽快现场确认发起检修。”

AI大模型赋能制造业的四个基本趋势

在“软件定义一切”的时代，AI大模型作为新的生产力工具，必将从内容领域（文生文、文生图等）深度扩张到生产实体领域，在制造业的各个环节中引发新的效率革命，加速制造业走向智能化。

1. AI驱动软件升级是大模型赋能制造业的主要途径

工业软件是制造业数字化转型的灵魂和关键。

AI大模型如何支持赋能制造业，有多种方式和途径，可预期的重要方式是：AI将重构软件开发模式、交互方式、使用流程和商业模式，无论是研发类、管理类、生产类还是后服务类工业软件，都将用大模型重新升级一遍， 越是复杂的软件系统，未来改造的空间越大。

基于代码大模型打造的新一代AI编码平台产品，具备强大的代码理解与生成能力，支持代码补全、测试单元生成、代码解释、代码查错等核心场景。 随着MaaS（模型即服务）的崛起，以模型为中心的开发范式将降低工业软件开发门槛，提高开发效率。

根据CSDN在2023年初的评估，GPT4的软件编程能力相当于国内月薪3万元的软件工程师能力，相当于谷歌年薪18万美元L3级工程师。美国一个软件岗位招聘做了一个测试：一个只有4年编程经验的工程师借助AI工具，其软件开发效率相当于19年编程经验的5倍。

在工业软件开发层面，AI大模型正在革新软件开发范式。AI将与人类共同协作开发，倍数级提升软件研发的效率， 例如服务于一线研发人员的内容生成工具（文档、编码、测试、发布、运维），可以大幅提升生产力。同时“代码大模型”的研究和应用，正在引发AI编码的革命。

AI成为芯片设计新工具，AI与EDA的双向奔赴，将开启芯片设计的下一场革命， Synopsys和Cadence等传统芯片设计公司也在积极拥抱AI设计。

英伟达Hopper架构H100拥有13000个AI设计电路，用AI设计GPU比传统EDA减少25%芯片面积，功耗更低。谷歌开始使用强化学习（RL）技术设计自己的TPUAI加速器布局。

在工业软件性能层面，AI大模型会推动软件智能升级。例如在研发设计场景中，Back2CAD基于ChatGPT等推出CADGPT™，支持智能推荐、文档生成、代码生产等功能，能够有效辅助产品的研发设计。

2. 弥合数据流断点是AI大模型赋能制造业的重要价值

每一次人机交互技术的突破，都将带来一次产业重构。 AI大模型带来了新的“人机交互”革命，未来自然语言将能操控一切，深刻改变人们使用搜索引擎、消费购物、生产制造等的方式，并深刻影响未来的产业竞争格局。

制造业数字化的核心是，以数据的自动流动化解复杂系统的不确定性，将正确的数据、以正确的方式、在正确的时间传递给正确的人和机器，提高资源配置效率。

但企业实际的运营状态是：多个环节中存在数据流的断点，需要工程师开发各种工艺软件和流程软件。AI大模型为改变这一现状找到了新路。

这条新路是，基于AI大模型的自然语言交互能力，为制造业企业内部、产业上下游之间的实时、泛在的连接提供了软件开发、交互的新方式，降低了工艺和流程的软件开发门槛、提高了效率，弥合了企业数据流动过程中的无数个断点。

例如国内机器人公司，借助通义大模型开发机器人行业模型，基于自然语言，可以实现人和机器的互动。如机器人收到了人的指令后，可以进行理解、推理和分析，并自动生成软件代码，组织协调不同智能体完成不同场景下的任务。

这一功能大大降低了工艺开发人员的门槛，提高了开发效率和质量。 从全局来看，不仅能避免出现数据断点，减少人工干预带来的影响，从而提高产品的稳定性和可靠性，促进了数据在多个环节的自动流动，提高了整个系统的智能化水平。

进入数字时代，以往高度一体化、集中化的制造业体系，逐渐走向生产分散化和组织灵活化。

AI大模型+智能协同办公平台，有助于打通制造业的一个个数据断流节点，推动数据在研发、生产、配送、服务等环节高效流动，从而提升制造企业内部、甚至产业上下游之间的协同效率，推动制造业走向“智能协同生产”。

“融合”是半个世纪以来技术演进的基本规律，信息技术**（IT）、通信技术（CI）、控制技术（OT）**和以云计算、AI为代表的DT技术加速融合。

展望未来10年，AI大模型将会赋能每个智能终端、智能单元和智能系统，AI大模型驱动的智能在云边端实时协同成为基本趋势，被AI大模型赋能的智能体将无所不在，设备、产线、工厂、企业中的智能体将无所不在，数据流的核心价值将从描述信息走向决策流和控制流。

无数个智能体在AI大模型的驱动下，实现决策智能与控制执行，走向自决策、自控制，人们将面对一个智能联合体的崛起。

3. 进入控制环节是AI大模型赋能制造业的关键标志

AI大模型进入制造业的核心价值不是在营销和管理等环节，而是要进入生产控制环节。

AI大模型的通用性、泛化性，以及基于“预训练+精调”的新开发范式，将从研发设计、生产工艺、运维质控、销售客服、组织协同等各个环节赋能制造业。

其中，我们认为进入生产环节最核心的控制系统，例如PLC、MES、SCADA等等，提升工艺生产流程的智能化，是AI大模型应用制造业的关键标志。

西门子和微软在今年4月宣布合作，基于GPT推动下一代自动化技术变革，合作开发PLC的代码生成工具，将AI大模型融入控制环节。

目前，在电力调度领域，AI大模型可以深入新型电力系统复杂调度控制核心业务环节，成为调度业务“专家助手”，可以为电力调度员提供电网调控策略，优化线路负载均衡，从而降低电网损耗等。

目前，企业正探索利用AI大模型能力，驱动工业软件SCADA智能化。

SCADA系统（数据采集与监视控制系统）可以应用于电力、冶金、石油、化工、燃气、铁路等领域的数据采集与监视控制以及过程控制等诸多领域。

在SCADA场景下，典型做法是利用大模型在特定行业场景下的编程接口和生态库，产生工业逻辑代码（交互、建模、SQL开发），自动集成到工业软件中，基于结果闭环优化模型。

在汽车行业，近几十年来，汽车工业的转型，不仅是一场动力革命，也是一次控制革命。

传统汽车向智能汽车演进最大的技术变革在于汽车控制系统的创新，从传统汽车80多个ECU等电子控制单元，转向类似于智能手机的集中式架构（底层操作系统+芯片SOC+应用软件）。

今天，自动驾驶成为汽车工业转型的又一个重大方向。

目前大模型对自动驾驶的改变主要有两个方向：一是大模型作为赋能工具，辅助自动驾驶算法的训练和优化；二是大模型进入决策控制环节，作为“控制者”直接驾驶车辆。

2023年8月公开报道显示，特斯拉“端到端”AI自动驾驶系统FSD Beta V12首次公开亮相，完全依靠车载摄像头和神经网络来识别道路和交通情况，并做出相应的决策。

当然，目前AI大模型进入控制环节，实际的应用和落地过程仍然面临着许多问题，有待科研人员进一步探索解决。

4. 大小模型协同是AI大模型赋能制造业的重要趋势

AI大模型本身需要找到具体落地场景，离解决千行百业的实际场景问题，还有距离。从实际的产业发展看，一个重要的趋势是：通用与专用、开源与闭源、大模型与现存软硬件系统的协同配合，是产业落地的必经阶段，而且在这一阶段，大小模型高度协同的重要载体——AI智能体（AI Agent）将成为新的生产工具。

AI Agent一般是指基于LLM、能够使用工具自主完成特定任务的智能体。AI Agent将LLM与其他模型、软件等外部工具协同，能够处理真实世界中的各种复杂任务。

2023年7月，阿里云推出了一款智能工具魔搭GPT（ModelScopeGPT），它能接收用户指令，通过“中枢模型”一键调用魔搭社区其他的AI模型，大小模型协同完成复杂任务，降低大模型使用门槛。

未来，AI Agent将主要由“感知系统+控制系统+执行系统”组成，不仅具有生成能力，还将同时具备任务理解、任务拆解、任务调度、执行规划、链条协同等能力。

其中LLM将主要承担指挥中心角色，类似人类“大脑”的角色，对接入AI Agent的数字化工具（比如SaaS软件、工业机器人、数字人等）进行统一智能调度管理，实时在生产、管理、服务等场景中，由不同组合的数字化工具协同完成具体场景中的实际问题。

打造“公共云+AI”体系化能力，

推动智能制造迈向“新阶段”

今天的制造业转型升级，已经不再是单一技术的赋能，而是以“公共云+AI”为代表的技术体系的全方位赋能和支撑。

当前，必须把握好以AI大模型为代表的新一代人工智能技术发展的历史机遇，加速推动智能制造迈向“新阶段”。

1. 实施“公共云优先”战略，把公共云作为推动“制造业+AI大模型”融合创新的关键力量

公共云的大规模、高可用、低成本算力基础设施，成为产业智能化的关键基础。

特别是美国升级芯片管制后，公共云是缓解高端芯片瓶颈的最优路径，通过高效连接异构计算资源，突破单一性能芯片瓶颈，协同完成大规模智能计算任务，可以有效降低对海外高端芯片的依赖。

一是要将“公共云优先”战略作为制造业数字化转型相关政策规划的重要内容，明确中长期发展目标、重点任务和保障措施等；

二是要避免芯片“挤兑”现象，警惕各地“小散多”一哄而上地建设算力中心，造成统一算力市场得“碎片化”，避免出现建得多、用不好、用不起的现象；

三是将数据中心利用效率作为数据中心建设考核指标，扭转数据中心建设“重建设、轻运营”“重投入、轻绩效”的模式。

2. 鼓励模型开源开放，支持科技平台企业做大做强模型开源社区，繁荣AI产业技术生态

AI的竞争既是一场技术战，也是一场商业战，核心是生态战，关键在于开源开放。开源开放可以降低研发成本和应用门槛，是创新到商业闭环的“助推器”。

一是做好AI开源开放生态的顶层设计，将AI开源开放生态建设纳入国家规划、抓好落地实施；

二是鼓励地方政府联合AI开源社区头部平台建设AI赋能中心，依托海量开源模型和模型即服务平台（MaaS平台）加速制造业数智化创新应用；

三是鼓励应用牵引，加快产业落地，支持制造企业加速应用基础大模型、研发应用行业模型和企业专属模型，通过“用模型”反哺技术创新。

3. 启动工业软件AI驱动升级工程，加快制造业全环节全链条智能化升级

作为智能制造的关键支撑，工业软件对推动制造业转型升级具有重要战略意义。AI时代，所有工业软件都值得用大模型重新升级一遍。

一是要大力发展基于AI的工业软件，推动“工业软件+AI大模型”技术研发，增强工业软件在智能化时代的自主创新能力，积极推动工业软件标准研制工作；

二是要充分发挥工业软件相关联盟的沟通桥梁作用，发挥AI企业、工业软件企业、科研院所和制造业企业各自优势，构建合作共赢、具有核心竞争力的AI驱动的工业软件产业生态。

4. 聚焦制造业重点产业链，分环节分场景打造标杆，示范推动大模型在制造业的规模化应用

制造业重点产业链是加快建设现代化产业体系的重要支撑，要找准关键环节、集中优质资源，搭建以“算力+算法+数据”为核心的要素体系，提升制造业的数实融合程度，促进制造业产业链安全和智能化升级。

一是启动大模型支撑新型工业化示范工程，以AI大模型为抓手，推进AI全方位、深层次赋能新型工业化，加快探索新型工业化“新模式”；

二是在产业基础好、创新能力强的制造业产业带、优势开发区、产业园区的等，率先开展“制造业+AI大模型”融合创新发展示范工程；

三是通过“创新平台+数字工厂”等模式，针对感知、控制、决策、执行等关键环节的短板弱项，分场景加强产学研用联合创新，打造创新应用标杆，推动大模型规模化应用。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。

-END-

---

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓