工业人工智能白皮书2025年版：边缘AI驱动，助力新质生产力

边缘AI驱动，助力新质生产力 英特尔®工业人工智能白皮书2025年版 Intel®IndustrialAIPlaybook2025Edition 编委会： 主编：刘俊、马小龙、朱永佳 编委：方辛月、高畅、高杨帆、胡杨、刘波、吕晓峰、邱丽颖、单娜、张恒、张心宇 *编辑按姓名首字母排序 前言 人工智能(AI)技术的快速发展掀起了新一轮工业革命浪潮，通用大模型的出现让AI技术从专用化迈向了通用化。AI技术正在步入工业领域的千行百业，帮助企业实现从传统的劳动密集型、资源密集型企业，向技术密集型、知识密集型的高端化、智能化、绿色化方向转型升级，打造依托于人工智能、大数据、云计算等现代信息技术的新质生产力。 工业AI和大模型的应用，已经渗透到工业生产的产品设计、企业流程管理规划、智能化生产、设备预测性维护、供应链优化、创新服务、绿色制造、智能客服等众多环节，它通过处理和分析海量工业数据，帮助企业在上述各个环节中做出最优的智能化决策，从而在多个环节全方位实现提质、增效、降本，增强竞争力。 在日趋激烈的工业市场竞争中，寻求部署新技术来提升综合竞争力，是企业的生存之道。而引领工业革命浪潮的AI技术和大模型，是企业从多维度重塑自身生产方式、实现新质生产力的关键。 通过这本白皮书，工业领域的企业和合作伙伴可以更系统、更全面地了解AI技术如何为工业制造的各个环节赋予怎样的智能化能力，以及英特尔在帮助企业落地部署AI技术方面所能提供的产品、平台和系统性支持与服务以及成功案例。 本白皮书中包括了工业AI和工业大模型的概念介绍、当前的市场规模与市场增长潜力、工业AI和工业大模型能为汽车、消费电子、新能源锂电、半导体制造等重点行业所带来的赋能创新机会，以及当前大模型在工业领域落地应用所面临的挑战和英特尔针对工业AI和大模型落地部署从硬件，到软件，到整体方案的技术赋能。 英特尔希望通过本白皮书，促进工业AI技术的广泛应用，并与行业伙伴共同探讨和制定工业AI的标准化流程和最佳实践，共同构建开放、协同的工业AI生态系统，推动制造业向智能制造转型升级，赋能新质生产力。 —张宇博士英特尔中国区网络与边缘事业部首席技术官 目录 01 工业人工智能(AI)行业观察01 1.1工业AI—市场规模与增长潜力02 1.2工业AI的应用范畴03 1.3工业大模型05 1.3.1大模型05 1.3.2工业大模型06 1.3.3工业大模型的应用范畴06 1.4行业应用07 1.4.1汽车行业07 1.4.2消费电子行业08 1.4.3新能源锂电行业08 1.4.4半导体行业09 1.5工业AI与工业大模型落地应用面临的挑战10 02 英特尔®技术方案12 2.1硬件13 2.1.1第12代英特尔®酷睿™移动处理器13 2.1.2英特尔®酷睿™Ultra处理器16 2.1.3英特尔®至强®Max系列&英特尔®至强®6处理器20 2.1.4英特尔锐炫™显卡26 2.2软件29 2.2.1英特尔®oneAPI工具包—跨架构性能加速29 2.2.2OpenVINO™工具套件32 2.2.3英特尔®Geti™平台35 2.2.4英特尔®CVOI（工业机器视觉优化参考实现）36 目录 2.3创新技术方案38 2.3.1大语言模型赋能工业机械手臂38 2.3.2基于视觉大模型的零样本或少样本异常检测40 2.3.3RAG检索增强生成模型实现42 2.3.4人形机器人44 03 成功案例46 3.1英特尔：智能晶圆视觉检测47 3.2美的楼宇科技美控：楼宇AI节能解决方案49 3.3利珀：晶硅电池隐裂检测产品51 3.4诺达佳：基于AI的在线式视觉随动同步点胶机应用53 3.5新松：智能巡检机器人55 3.6华泰软件：智能化图纸生成管家57 3.7联想：基于AI的设备维护解决方案58 04 合作伙伴加速项目和产品推荐60 4.1AI硬件产品推荐61 4.2PIPC工业电脑优选项目介绍64 4.3PIPC机器视觉产品推荐69 工业人工智能 (AI)行业观察 01 02 01 1.1工业AI—市场规模与增长潜力 工业人工智能 工业AI，是AI技术在工业领域的应用，它通过机器学习、深度学习、计算机视觉等先进的计算智能方法，实现对工业生产过程的优化和智能化，最终帮助企业提高生产效率、降低成本、提升产品质量，实现数字化转型。 2023年12月，由信通院牵头、多家单位联合编制的《工业大模型技术应用与发展报告》指出，AI与大模型将加速赋能新型 工业化，预计从2022年至2032年，工业AI市场规模将以46%的年均复合增长率高速成长。 (AI) 相较于发达国家，中国制造企业的AI应用率相对较低，大约在11%左右。Gartner预测，到2027年，中国制造业的AI使用渗透率将以10%的年复合增长率上升。 行业观察 随着技术的不断进步和应用场景的拓展，我们认为工业AI有望成为推动工业4.0和智能制造发展的关键力量。 03 01 1.2工业AI的应用范畴 工业人工智能 AI技术在工业领域的应用，已经贯穿于产品设计、生产、管理、服务等众多环节，它主要通过各种方式收集海量数据，然后利用机器学习和统计模型对数据进行分析，并依据数据分析结果辅助决策，帮助企业优化资源配置，提质增效，节省成本。 行业观察 (AI) 具体来看，AI技术在工业领域的应用主要在以下几大方面： 研发与规划•需求分析与预测：基于历史数据和机器学习算法，构•自动化代码编写与优化：AI编程助手利用深度学习建预测模型，通过分析大量用户数据和市场趋势，洞算法和大量代码数据训练模型，通过分析代码的结构察市场需求，预测未来趋势，精准定位产品的设计与和模式，并根据开发者的需求，自动生成函数、类、迭代方向。模块等代码，甚至优化现有代码，从而帮助开发者加 速代码生成，减少错误。 •优化研发流程管理：基于当前项目状态和历史数据建 立预测模型，预测每项任务的完成时间，并评估整个•优化产品结构与应用模拟：通过形态识别技术，将项目的完成时间，有助于提前发现潜在延迟风险，让产品外形及特征转化为数据，辅助设计师不断优化团队合理分配时间和其他资源，保证项目按时或提前迭代。利用收集到数据构建数字孪生产品模型，模完成。拟产品的各种实际应用场景，如正常操作、极限性能、潜在故障等，预测产品性能表现，进一步指导 设计改进。 04 01 工业人工智能 行业观察 (AI) 生产过程管控在生产过程管控方面，AI技术的应用主要集中在提高生•智能生产管理：产效率、优化资源配置、增强质量控制和实现生产过程在生产计划和排程方面，AI算法可以优化生产计划的自动化与智能化。具体包括：和排程，最大程度地减少产线空闲时间，提高产品交 •设备管理：付准时率。 在设备入库管理方面，AI通过深度学习识别设备上的在生产资源分配方面，通过深度学习和大数据分析，条形码、二维码或设备特征，自动读取设备信息如型AI系统能够根据实时数据预测生产任务，自动调整号、序列号等；AI的自然语言处理功能，可以自动生产参数，并合理地分配人力、设备、物料等生产资提取设备手册或标签上的文字信息，获取设备规格、源，提高资源利用率，确保生产线始终保持在最佳工性能指标等关键参数。这些都能显著提升设备入库管作状态，提高生产效率。理的效率和准确性。 在生产过程监控和优化方面，AI算法通过分析生产 在设备运维管理方面，利用机器学习算法，对部署在线上的各种运行状态反馈数据和工艺参数，能够预设备上的温度、压力、振动等各种传感器给出的监测测及发现潜在问题，并自动调整参数，优化产线运数据进行处理分析，实时监控设备运行状态，并可通行状态。过模式识别算法检测数据中的异常，预测可能出现的 •生产安全管理：通过智能视频分析技术分析从生产现 故障或发现故障甚至给出修复建议，便于运维人员及 场采集的视频，进行行为识别与违规监测，如自动识 时实施预测性维护或故障修复，减少停机时间，提高 别生产线上的工人是否穿了防护服、佩戴安全帽，是 设备的可靠性和生产效率。 否进入违禁区等，并立即给出违规报警。还可以在仓 •质量管理：产品缺陷检测是质量管理的重要一环，尤库等重点防火区域部署智能视频分析系统，实时检测其是对于金属等高反光产品、薄膜产品的划痕、裂烟雾、火焰等火灾迹象，并快速触发报警。 纹、凹坑、气孔、污染等非常难检出的外观缺陷，利 此外，AI技术在生产过程管控方面还可用于排产与调度 用传统视觉算法，对工业相机采集到的图像经过预处 优化、资源与物料管理、能耗与排放管理等环节，推动 理，基于图像分割等深度学习模型，高效且较为准确 制造业向更高效、智能的方向发展。 地检出缺陷，为传统的视觉检测技术赋予高度智能化。质量检测也是目前AI技术在工业领域落地应用较多、较为成功的一个方向。 经营管理优化•库存管理：利用深度学习和大数据分析，分析历史销性。利用大数据分析和机器学习优化配送路线，实时售数据、季节性变化、市场趋势等因素，预测库存监控物流配送过程，提高配送效率、降低成本。 需求、实时监控库存水平、自动调整补货策略、精准 •财务与人力管理：通过训练模型，可以自动读取发 管理库存品类、优化库存地域布局等，提高库存周 票和收据，将其转换为数字格式，直接导入会计系 转率，降低库存成本。AI聊天机器人可以随时了解 统，减少了数据录入和处理的时间和错误。使用自 ERP库存系统、跟踪订单和其他更新。 然语言处理(NLP)和机器学习算法，能快速分析候 •物流配送与运输管理：机器人在深度学习算法和3D选人简历，识别出与职位相关的教育背景、工作经历相机的加持下，可以识别被配送货物的形状、尺寸和等关键信息，快速筛选出符合条件的候选人，提高招条形码，自动分拣和归类，提高仓库分拣效率和准确聘效率。 05 1.3.1大模型 01 1.3工业大模型 工业人工智能 (AI) 大模型（LargeModel，也称基座模型，即FoundationModel），是指具有大量参数和复杂结构的机器学习模型，能够处理海量数据、完成各种复杂的任务，如自然语言处理、计算机视觉、语音识别等。大模型通常包括大语言模型(LLM)、视觉大模型(CV)、多模态大模型等各种类型。 行业观察 大模型通过训练海量数据来学习复杂的模式和特征，具有更强大的泛化能力，可以对未见过的数据做出准确的预测，能够处理更加复杂的任务和数据。 展开来讲，大模型技术有以下几项基本特征： 1.普遍基于Transformer架构。Transformer架构通过引入自注意力(Self-Attention)机制，在处理序列数据时，能同时关注输入序列的所有元素，并直接建立任意两个元素之间的联系，从而捕捉序列中的长距离依赖关系，实现对输入序列的高效处理和理解。由于不依赖序列顺序，Transformer架构在模型训练和推理时的并行处理能力更强，效率更高。 2.参数规模大。大模型通常包含数千万、数亿甚至更多参数；巨大的参数规模使大模型能够处理更加复杂和多样的任务。 3.强大的泛化能力。大模型通过在大规模数据集上进行训练，学习到了丰富的知识和特征表示，从而具有强大的泛化能力，能够有效处理多种从未见过的数据或新任务，甚至能处理一些与训练数据截然不同的任务。这使得大模型能应用于多种任务和场景，具有广泛的适用性。 4.灵活性和可定制性。大模型通常具有灵活的架构和可定制的参数，可以根据特定需求对通用大模型进行定制和优化。通过微调(Fine-tuning)技术，预训练的大模型可以快速适应新的任务和数据集，而无需从头开始训练。此外，还可以通过添加新的层或修改现有层的结构，来扩展大模型的功能和性能。 01 行业观察 (AI) 1.3.2工业大模型 工业大模型，是指在工业生产中使用的大型模型。工业大模型在满足大模型技术基本特征的同时，具备在各个工业领域及工业各环节进行应用的能力，或在工业装备、软件等融合中赋能的模型。