2024年中国工业大模型行业发展研究报告

大模型在工业领域的应用

大模型在工业领域的应用尚处于早期阶段，但已有部分场景准备好向基础大模型投喂“数据原料”，经过简单数据处理、微调、适配后，可解决部分垂直细分场景问题，具有落地可行性。工业大模型的发展进度可能快于工业互联网，但受限于大模型本身能力的进化。

主要玩家类型及市场切入点：

• 互联网大厂、ICT企业、AI厂商：强调AI原生能力和基础大模型能力。
• 传统软件厂商：凸显客户服务经验、运营资源优势。
• 制造大厂、机器人厂商：彰显行业know how、行业数据、设备应用等优势。
• 安全厂商：侧重在企业全局运维中的安全保障。

大模型落地工业的可行性：

工业领域的数据采集、存储、处理、分析等工作已较为成熟，部分场景已准备好向基础大模型投喂“数据原料”，经过简单处理、微调、适配后，可解决部分垂直细分场景问题。

大模型能力获取的流程：

1. 预训练：针对大量数据进行预训练，让大模型学习并记住知识。
2. 监督微调：明确大模型能力侧重点，进行微调，使模型在某些能力更加突出。
3. 奖励函数：对大模型给出的答案进行排序，给予正向反馈。
4. 强化学习：进一步提升模型能力。

大模型落地工业的挑战：

• 模型本身有缺陷：如幻觉、不可解释性、成本高等问题。
• 数据准备不足：数据共享性、数据质量等问题。
• 应用不够深入：决策成本和应用深度等问题。
• 商业变现：与模型、数据相互影响，互利共赢。

大模型落地工业的竞争要素：

• 基础能力：算力、算法、通用能力等。
• 模型能力：大模型本身对工业知识的覆盖、推理能力、多模态能力等。
• 模型应用：数据角度、行业角度、业务角度等。

大小模型间的关系：

大模型和小模型不存在替代关系，而是并存且协同融合赋能工业应用的关系。

工业大模型的服务走向平台化：

大模型落地工业的服务平台化特征已开始显现，逐步形成垂直行业大模型+智能体+小模型+机理模型为主的平台化调用方案。

产业数据拉通对大模型落地工业的影响：

产业数据拉通有利于产业数据资产化，助力工业大模型能力进化，同时对大模型落地工业的广度、深度都大有裨益。