业内人士将消费端大模落地比作“平原战”，将工业制造领域落地比作“山战”和“高原战”，后者比前者复杂得多。
文：周翔月。
编辑：赵彦秋。
近日，IDC中国副总裁兼首席分析师吴连峰在一次会议上分享了一个有趣的统计数据：在调查了全球800多个样本和中国100个样本后，他们发现只有7%的中国企业在生成式AI应用方面没有做过任何事情，低于全球12家占总数的7%。
这意味着，许多中国公司已经在尝试部署大型模型和生成式人工智能。金融、教育、医疗、能源、汽车等行业都能看到企业探索模式的身影。 就连蒙牛也在今年8月发布了营养健康领域行业首款车型gpt。
在众多参会者中，涵盖能源、电力、化工、汽车、制造等子行业的工业领域，也被认为是将给大模式带来巨大变化的重要板块。
一方面关系国计民生，是经济和产业发展的基础板块，2024年占GDP的33%2%。目前，我国规模以上工业企业超过40万家，涵盖41个产业大类、207个工业中类、666个产业子大类，其中存在大量场景和业务痛点。
在过去的几年里，国内工业制造领域经历了智能制造和AI1经过阶段0的洗礼，很多企业对AI应用有了相当程度的认知，完成了多场景的智能化升级。 大型模型的出现为这一领域带来了新的机遇和挑战。
拿锤子找钉子
大模型在年初走红后，最先激动并采取行动的，是服务于工业领域多年的各类智能服务商。 此前，他们一直在研究和思考如何在工业中更好地利用AI，但许多功能和想象都受到技术限制的阻碍，很难真正产生好的效果。
这相当于钉子一直在那里，只是锤子是否会起作用的问题。 中国工业互联网科技集团董事长志震对数智一线表示，大模型的出现带来了很好的“锤子”，特别是随着多模态大模型的逐步推进，有望彻底打通在工业领域的应用场景。
业内普遍共识是：AI模型将融入工业企业的研发设计、生产过程、质量管理、运营控制、营销服务、组织协同和运营管理等环节，大大加速该领域的智能化升级进程
市场机会也在快速扩大，根据数据**，基于中国工业IT支出和全球大模型的增长水平，预计2024年中国工业大模型市场规模将超过5亿美元，五年复合增长率为116%。
可以看出，对于工业这个重要市场，华为、腾讯、阿里巴巴、Microsoft、谷歌等国内外大厂都在加速大模型落地。 多家科技公司也纷纷行动起来，中国工业互联网在今年6月推出了智能工业模型，智能制造公司思智莫尔科技也在11月初推出了工业多模态模型IndustryGPT V10。
此前，积累了大量工业数据的各大工业互联网平台，几乎都在探索与大模型的结合。 海尔旗下的工业互联网平台卡奥斯（Kaos）推出了基于开源通用模型的工业模型Cosmo-GPT。 科大讯飞投资建立的羚羊产业互联网平台，也借助科大讯飞星火提供的技术基础，推出了羚羊产业大模型。
事实上，很多业内人士都看好大模型与工业互联网的结合。 北京市信息化和工业化融合服务联盟理事长闫同柱告诉数智一线工业互联网平台下有终端软件，中间有操作系统，但还缺一个大脑，大模型可以充当这个大脑。 工业互联网平台沉淀了大量来自人-机-料法环境测试的数据，也可以满足大模型的大数据需求。
科大讯飞董事长刘庆峰分享的数据也印证了这种相互促进，在产业模式上线后的短短一个月零三天里，羚羊工业互联网平台用户总数增长了59%，平台服务企业数量增长了88%。
* 终端动作频繁，需求方的态度和动作也发生了明显变化。 “上半年，大家都在观望，主要是因为我们去找客户。 但到了下半年，志臻明显发现，工业客户的主动性正在加强，很多企业开始主动寻找他们，**可能的场景，咨询已经实现的最新功能和案例。
工业客户普遍关注的问题有两个，一是：过去人们可以做的工作希望被大型模型所取代；一是过去其他技术无法实现的，我现在就想让大模型实现。志臻观察到，几乎所有企业都希望通过大模型降本增效，但也有部分企业为了保持技术壁垒和先进性，率先关注和应用大模型。
智能云资深人士也告诉数智一线，文心一言公测后，一大批央企非常重视大模型技术应用场景的探索，其中不乏工业企业。 “这些大客户会拿着一些自己难以处理的场景来找我们，想用大模型来解决问题，”该人士说。
特别是能源、电力和其他传统行业，以及汽车、新能源以行业本身为代表的高端制造业，具备智能化更高的刚性需求和资金相对充裕，在这波大模型热潮中，反应是最迅速和最积极的
例如，在对安全生产要求非常高的矿山领域，据知情人士透露，数智化一线采矿业的大模型几乎成为落地最快的行业之一。华为、腾讯等大型厂商都曾在这一领域实践过。
但除了一些先锋企业跑在前面，工业制造行业终究还是一个比较传统的领域业内企业普遍对新技术的应用比较谨慎，多数仍处于观望状态
闫同柱观察到，尤其是传统制造业本身的数据量不算太大，而且目前大模型的门槛比较高，大模型能带来多少价值，投入产出比是多少，“他们还是看不清”，这将影响其在大模型上的投资进度。
“明年将是应用爆炸的一年”。
工业领域细分场景很多，不仅涉及研发设计、制造、售后运维等，而且碎片化、复杂化，不同细分行业之间的场景差异也很大。 随着行业内大模型的不断推广和探索，行业内很多企业都开始梳理各种可能引入大模型能力的场景。
一位业内人士坦言，一些企业最初对大模型应用的预期其实有些高估了，但目前，大模型在制造业中的应用并没有想象中的那么好，也没有想象的那么糟糕。
智臻告诉数智一线，这半年来，他们接触到了大量的客户反馈需求，客户提出的一些需求会非常详细，但当他们一步一步地拆解到技术层面时，会发现其中的一些需求还是很难打通的。
例如，在前端研发和设计过程中，一些客户向他们提出，他们希望使用大型模型来实现将旧图纸转换为3D图纸的功能。 然而，中国工业互联网的实践发现，目前将一个**自动转换为3D游戏相对容易，但行业对精度的要求非常高用大模型将二维CAD转换为三维CAD，解决设计过程中重复性工作的问题，还是很困难的，但一旦实现，“就会带来很大的变化”。
业内人士观察，由于工艺机理复杂，在研发设计过程中，从真正看到价值来看，还有很多痛点需要解决，但目前一些简单的功能是可以实现的。例如，一些公司将自己多年来积累的解决方案库与大模型相结合，当客户提出需求时，他们可以快速匹配解决方案库中的解决方案。
事实上，在工业领域，最先使用大模型的还是**生成、文档整理、内部知识问答等最通用、相对外围的场景。由于容错率相对较高，容易产生结果，这也是几乎所有行业在大模型应用中收获成果的首要位置。
腾讯云智能制造首席专家冰锦友表示，在知识问答场景中，他们帮助一家汽车厂完成了汽车手册的知识，让大车型代替了部分销售工作一家国内飞机制造厂也与他们接洽建议将企业内部管理流程和管理方法训练成大模型，实现报销申请的自动化、智能化
中国工业互联网在智能问答、**生成等场景上也取得了不错的落地效果。 志臻透露，他们为企业打造的专家系统已经能够达到90%以上的准确率，大模型可以替代20%-30%的编程。 目前，智能工业模型已在能源化工领域近10个项目落地，覆盖智能设备运维、工业网络安全分析、智能质检等多个场景。
除了前端设计开发、后端售后运维和内部管理外，一些厂家也处于中间端在制造过程中，我们将探索利用大模型生成能力，帮助企业检测工业场景中的缺陷。Smartmore联合创始人刘澍举例说，在工业场景中，往往很难收集到真正的缺陷数据，这将直接影响不良品的检出率。 现在，通过大模型数据生成技术，他们可以将破胶的泄漏率从1%降低到001%。
工业互联网公司卡奥斯打造了基于大模型的人工智能装配系统解决离散制造效率低下的痛点。根据官方披露的信息，该系统可减少洗衣机工厂生产线非加工时间不少于20%，工艺设计环节效率提高不少于30%，生产变更和调试环节效率提高不低于50%。
另外大型和小型模型的组合这也是该行业目前看到更多成果的一个方向。
东莞某汽车电子公司，由于一辆汽车使用的PCB线路板数量多达100多块，设计工程师往往需要将过去加工生产中涉及的大量参数进行转换，然后进行加工，容易出错。 但在大模型到来后，公司和腾讯探索了将大模型与OCR小模型相结合的方法，可以直接识别图纸，将其结构化成可复用的东西，并将参数传递给相应的加工机器。
更多场景正在探索中。 业内人士认为，随着大模型的不断发展和多模态技术的逐步成熟，在工业领域的应用场景将进一步开放。
“明年可能是各行各业大模型应用的爆发之年我特别看好未来多模态大模型的应用支持，一旦多模态做轻量级，场景就会太多。 志臻表示，他也看好大模型在端侧和边缘侧的应用，“未来的体量可能远远超出现在的想象。
数据仍然是一个挑战
今年以来，行业内一直对大模型落地有一个形象隐喻将大模型在消费端的落地比作“平原战争”。，并把落地放在工业制造领域它被比作“山地战”和“高原战”。。总之，大模型落地行业比落地消费者端要困难得多，也复杂得多。
冰锦友告诉数智前沿，他们与大量工业企业，尤其是制造企业进行了沟通，发现大模型与产业的结合依然存在成本、人才、数据和大模型技术本身这些方面的困难。
实现大模型的成本不仅包括算力和部署成本，还包括试错成本、人工成本等。 目前，落地大模型的成本高达数百万至数千万。 但是，许多制造企业的毛利相对较低，在投资新技术方面相对谨慎。
从技术本身来看，冰锦友认为，大模型的错觉问题决定了它仍然是一个概率输出，但在行业内，它要么是经济输出，需要100%正确，要么需要干预，即大模型能否与原有的传统数字技术相结合， 就像人既有左脑又有右脑一样。
数据是一个更难解决的痛点。
一方面，虽然工业领域场景多、数据量大，但碎片化现象明显数据采集和治理水平因企业而异，甚至企业数量较多，在历史数据采集方面可能不够
闫同柱举例说，过去有大量的工业知识和工业数据，只存在于老工程师和专家的脑海和电脑里如果不及时转化为企业知识资产，就会在人才的更替中逐渐流失。“就像中国的石油勘探技术一样，它得到了全世界的认可，但随着老专家的离开或去世，一些知识被打破了，导致许多新员工进来，不得不从头开始探索。 ”
另一方面，中国数据要素市场仍处于早期发展阶段数据共建共享、数据产权界定等机制尚未建立此外，工业企业普遍非常重视数据安全数据是企业或园区的刚性需求，产业领域存在严重的跨行业、跨场景数据壁垒。事实上，数智化一线已经了解到，目前几乎所有的工业企业在布局大模型时，都会要求私有化和部署。
成本、人才、大模型本身的困难，都需要随着时间的流逝和技术的不断进步而逐渐填补。 然而，数据的问题要给大型样板服务商和一大批工业企业注入更多的主动性从现在开始，让我们开始解决它。
今年10月，中国工业互联网推出的万家企业赋能计划中，其中一项就是聚焦数据问题。 “只要你提供数据，所有小企业都可以免费使用它，我们对其进行培训。 我们想看看是否有公司愿意在明年取出数据并将其添加到平台上。 “志臻说。
中国电信旗下智库平台天一智库的报告也显示，合作正在成为解决数据问题的主要途径，部分行业在数据共建共享方面已有较好基础，正在开展实践，如东北大学、阿里等单位已经构建了超过15个钢铁表面缺陷公开数据集， 纺织品和其他产品。
今年8月，财政部发文称，数据资产入表自明年1月1日起实施。 “这是一个长期计划。 志臻认为，基于这一趋势，未来像他们这样的厂商，在训练工业大模型时，将有机会找到一些大数据分布群，获得训练所需的高质量工业数据。
业内人士观察，大模型在工业领域的应用将是一个循序渐进的发展过程，虽然仍有许多难点需要突破，但其价值将在未来周期内逐步释放。
在此背景下，不少业内人士建议，工业企业应尽快拥抱大模型。 简单来说，企业不一定要投入大量的精力和金钱来自己训练一个模型，但他们必须更加关注这方面的进展提前进行场景规划、数据存储等工作