专题丨人工智能在工业领域的应用案例分析及路径研究

人工智能在工业领域的应用案例分析及路径研究

瞿江  张义

（中国信息通信研究院人工智能研究所，北京 100191）

摘要：人工智能作为新质生产力和数字经济的要素，其与工业的结合是推动新型工业化的关键。研究探讨了人工智能在工业领域的应用现状，分析了全球主要经济体在此领域的政策导向，并提出人工智能在提升产业科技创新能力、推进产业结构优化升级、增强产业链供应链韧性和推动工业绿色发展等方面的作用。通过大小模型融合、边缘智能及认知制造等路径，揭示了人工智能在推动工业向更高层次智能化转型中的关键作用。研究表明，人工智能不仅提升了工业效率，还促进了产业结构的优化升级，为推动实现深度赋能新型工业化提供强有力的支撑。

关键词：人工智能；新型工业化；数字经济；新质生产力

0  引言

当前全球正处于第四次工业革命的关键阶段，其核心驱动力是以人工智能为代表的新兴技术。随着人工智能技术不断发展并驱动持续创新，它在全球经济和社会中掀起一场革命浪潮，正推动制造业和社会经济结构发生深层次重塑^[1]。与以机械化、电气化和自动化为主的前三次工业革命相比，第四次工业革命的突出特点在于更高层次的智能化和数字化融合，在更深层面、更大范围促进着全社会生产力的发展与转型^[2]。人工智能作为这一变革的核心支柱，展现出前所未有的产业促进潜力。到2030年，人工智能可能为全球经济贡献高达15.7万亿美元^[3]，远超此前几次工业革命带来的经济增量。这一现象表明，人工智能已不仅仅是提升效率的工具，而是实现产业智能化的关键引擎。这种从传统自动化到智能化的跃迁，预示着制造业和服务业将在决策、生产与创新模式上发生质的飞跃。面对这样的时代背景，深入探讨人工智能如何更深层次地融入实体经济，并进一步促进新型工业化进程，已成为学术界与产业界共同关注的焦点议题。

1  全球工业领域应用人工智能的政策概述

在当前背景下，世界主要经济体均意识到数字技术与数字经济发展在未来社会、经济、科技发展中的重要作用^[4]，纷纷推出一系列旨在推动工业现代化的战略和政策。例如，德国在“国家工业战略2030”中继续强调通过高度互联的生产系统提高制造业的效率和灵活性，并加强国内工业的技术创新和数字化^[5]。美国则通过《国家先进制造业战略》^[6]和《芯片与科学法》^[7]计划支持制造业创新，加强和提升美国在半导体领域的研发领导力。与此同时，日本将人工智能与物联网、机器人共同作为第四次产业革命的核心，并于2019年发布了《人工智能战略》，总体布局人工智能技术发展与社会应用^[8]。欧盟推出《欧洲绿色协议》^[9]《人工智能法案》^[10]《欧洲的数字十年：2030年的数字化目标》^[11]，旨在确保欧洲在数字转型方面的领先地位，加强人工智能技术的应用和对人工智能应用的规范，并通过绿色和数字化（包括人工智能技术）双轨并进的方式推动工业发展。

我国政府一直高度重视工业发展，尤其是在推动新型工业化方面。近年来，我国政府出台了多项重要政策文件，旨在促进工业的高质量发展。例如，《新一代人工智能发展规划》作为人工智能领域的专项规划，将促进人工智能的发展上升到国家战略的高度^[4]。在多项政策的支持下，人工智能赋能新型工业化已成为中国工业发展的重要方向。新型工业化指以信息化带动工业化，以工业化促进信息化，实现技术进步、结构调整和产业升级^[12]。人工智能作为新质生产力和数字经济要素，它将深入到工业产业链的每一个环节，推动企业从被动的信息技术应用者转变为积极的智能化转型参与者，促进实体经济和数字经济深度融合，深层次赋能新型工业化^[13]。

2  人工智能赋能新型工业化的方向研判

人工智能将从多个方面赋能新型工业化，通过提升产业科技创新能力、推进产业结构优化升级、增强产业链供应链韧性和推动工业绿色发展，正逐步深入赋能新型工业化，并引领工业向更高层次的智能化转型。

2.1  全面提升产业科技创新能力

创新是推进新型工业化的根本动力，通过人工智能驱动的“服务型制造”转型与认知制造，可以全面提升产业科技创新能力，催生新产业、新模式、新业态，发展新质生产力^[14]。人工智能驱动的“服务型制造”转型，即通过数据和智能算法提供增值服务，是实现这一目标的关键路径之一。例如，德国西门子股份公司通过人工智能赋能，为客户提供设备状态监测和预测性维护服务，实现从硬件销售到服务收入的业务模式转变。认知制造则是另一种创新形式，它强调系统具备“自感知、自学习和自优化”的能力。全球人工智能领域专家Andrew Ng在其著作Machine Learning Yearning中指出，通过大模型的知识推理与小模型的场景适应性，企业系统可以实现自进化——即在实时数据驱动下自动优化运营^[15]。这些新技术和新方法不仅提升了工业系统的智能化水平，还促进了新产业、新模式、新业态的涌现。例如，海尔集团通过“工业大脑”系统实现了生产、仓储和物流的高度协同，展示了认知制造的强大潜力。强化科技创新与产业创新的深度融合，是提升产业科技创新能力的关键，也是推动新型工业化向前发展的核心动力。

2.2  推进产业结构优化升级

从静态优化到动态智能，人工智能驱动的产业链协同，是实现产业结构优化升级的关键，推动制造业迈向全球价值链中高端。传统的工业优化往往是静态的，依赖于历史数据进行预测和调度。然而，随着人工智能的发展，特别是人工智能驱动的产业链协同，使得企业能够实现实时响应市场需求和环境变化的动态智能优化^[16]。通过人工智能的应用，企业不仅可以在生产环节实现精细化运营，还能在整个产业链上实现智能化管理。从前端市场预测到产品设计、生产排程、物流配送直至售后服务，每一个环节都能通过人工智能技术实现动态智能协同^[17]。例如，京东方科技集团股份有限公司通过集成人工智能技术，不仅提高了生产效率，还实现了从市场需求分析到产品迭代的全流程智能化管理。这种从静态优化到动态智能的转变，不仅提高了企业的运营效率，也为构建以先进制造业为骨干的现代化产业体系奠定了基础，推动制造业迈向全球价值链中高端。

2.3  着力提升产业链供应链韧性和安全水平

边缘智能的兴起对于工业领域具有重大意义，它通过赋能工业现场自主决策的能力，促进多智能体（Agent）之间的协作，推动工业系统向自进化方向发展，从而显著提升产业链和供应链的韧性与安全水平。随着工业环境变得越来越复杂，企业需要具备快速响应市场变化的能力。边缘智能的崛起，特别是边缘人工智能构建工业“韧性系统”的技术方向，为企业提供了新的解决方案。有研究人员探讨了边缘计算与人工智能在工业5.0环境中的集成对工业性能的影响，发现两者结合使用时，工作完成时间提高了21% ^[18]。通过将人工智能技术与边缘计算相结合，工业现场可以实现低延时、自主响应的智能系统。例如，德国西门子股份公司利用边缘人工智能技术，监控和优化工业设备的状态，通过边缘节点实时调整设备参数，在不依赖云端的情况下提高系统响应速度和可靠性。这种分层自治系统不仅可以处理即时任务，还能在极端条件下保持系统的自愈能力和业务连续性。最终目标是实现自进化工业系统，即生产系统通过人工智能自我学习，不断优化生产流程，并在数据驱动的基础上动态调整策略^[15]。这种模式不仅提高了系统的灵活性，还增强了其应对突发事件的能力。因此，安全可靠的产业体系是新型工业化的前提条件，通过统筹推进建设，才能不断增强产业链韧性和竞争力。

2.4  全面推动工业绿色发展

全面推动工业绿色发展是实现可持续发展的关键。人工智能与绿色制造的结合，特别是在智能能源管理和碳排放预测方面，是实现工业绿色发展的重要技术路径。绿色低碳已成为新型工业化的生态底色。利用人工智能技术构建智能碳管理平台，以看碳、析碳、降碳三大功能为核心，通过对设备能耗分析和碳排放预测，进行高效分析和决策支持，达到精准“数智”控碳的目的^[19]。人工智能在能耗管理中的应用不仅能够自动规划能耗策略，还能根据市场能源价格和供需变化进行智能决策，为工业绿色转型创造更多优势。此外，将人工智能与区块链技术结合，可以创建去中心化的碳市场，从而解决与碳排放和减排相关的问题。这种结合利用了区块链的去中心化、安全性和透明度，以及人工智能的预测能力，为碳信用交易提供了明智、有效和可靠的解决方案^[20]。这种从碳足迹预测到智能碳管理的转变，不仅有助于企业实现碳中和目标，还能提升其在全球市场的竞争力。展望未来，随着人工智能与绿色制造的深度融合，工业将朝着更加环保、可持续的方向发展。

3  人工智能赋能新型工业化现状与路径研究

3.1  小模型在工业领域的应用成熟度分析

小模型在工业制造环节的应用已经非常成熟，但在研发设计与运营管理方面表现欠佳。小模型作为判别类模型，凭借其在特定任务上的高效表现，早已成为工业制造环节不可或缺的一部分。中国信息通信研究院（简称“中国信通院”）对上百个小模型案例进行梳理，并结合Gartner发布的《2024年新兴技术成熟度曲线》^[21]发现，小模型在生产线监控、设备维护和质量检测等领域已经达到了较高的成熟度（如图1）。例如，国内某制造业企业利用小模型优化生产线工人的排班与任务分配，提高了工作效率。

图1   人工智能小模型在工业领域的应用成熟度分析

小模型在诸如视觉识别、缺陷检测等任务中也发挥了关键作用，显著提升了生产效率和产品质量控制水平。然而，尽管小模型在生产制造环节取得了显著成就，但在研发设计以及以智能问答为主的运营管理环节，小模型的效果一般，成熟度也相对较低。这主要是因为小模型通常专注于解决特定任务，对于需要更广泛知识和上下文理解的复杂任务（如产品设计、市场预测等），其表现并不理想。具体来说，在研发设计中，小模型难以处理涉及多学科交叉的问题；而在运营管理环节，小模型无法提供足够的智能支持来进行复杂的决策制定。因此，尽管小模型在某些领域已经非常成熟，但在需要高级认知能力的任务上，它们仍显得力不从心。这种局限性表明，在大模型出现之前，工业界亟需寻找一种能够弥补现有技术不足的新工具或方法。

3.2  大模型的出现及其赋能工业应用面临的挑战

大模型在研发设计与运营管理中表现出色，但在生产制造环节落地存在困难。近年来，随着大模型的兴起，人工智能技术在智能对话、知识汇总和研发设计等方面的能力得到了极大提升。大模型通过其强大的泛化能力和对大量数据的学习，能够提供更为精准和全面的解决方案。例如，波音公司利用大模型进行供应链风险预测，确保了复杂航空项目的高效管理。大模型在处理复杂任务时展现出了显著优势，尤其是在需要综合分析多种因素做出决策的情况下，大模型能够有效地辅助人类专家进行判断。大模型在研发设计阶段效果显著，为工业场景的图纸研发提供了巨大的帮助。例如，创新奇智科技集团股份有限公司的ChatCAD能通过对话问答形式，理解设计师的创意意图，自动生成工业设计图，并且支持多种格式导出以及手动微调。然而，大模型在生产、制造等低附加值场景的落地却存在明显局限性。一方面，由于大模型的训练和运行需要大量的计算资源，这导致了在实际应用中的高成本问题；另一方面，大模型在实时性和可信度方面也面临挑战，尤其是在需要快速响应和高度可靠性的工业生产环境中。大模型的延迟问题和不确定性使得它们在某些情况下不如小模型那样适合用于即时反馈和控制。此外，由于工业环境中的许多任务要求极高精度，大模型的预测误差可能会导致严重后果。因此，虽然大模型在产业链两端的研发设计和运营服务等知识密集型、服务密集型环节落地相对较快，但在生产制造等中间环节的推广却显得相对缓慢。这种现象反映了当前人工智能技术在工业应用中的“两端快、中间慢”特征，即在产业链的两端，大模型的应用较为广泛且成效显著，而在中间环节则进展缓慢（见图2）。

图2   人工智能大模型在工业领域的应用案例分析

3.3  大小模型融合的路径

鉴于上述分析，可以明确大小模型的融合是当前人工智能赋能新型工业化的切实路径。通过上文小模型的应用成熟度分析可以看出，小模型在生产制造环节表现出较高成熟度，呈现出反微笑曲线的特征；而大模型在研发设计和运营管理等环节展现出强大能力，呈现出正微笑曲线的特征。因此，将大小模型的优势进行互补，通过不同场景的灵活运用，可以更好地实现智能化应用（见图3）。

图3   人工智能大小模型融合在工业领域应用成熟度曲线

具体而言，可以采取“大模型指挥、小模型执行”的协作方式，即在需要全局优化和预测性分析的场景中，利用大模型进行宏观指导与决策支持；而在具体执行与实时反馈方面，则依靠小模型发挥其高精度和低成本的优势。例如，华为技术有限公司在5G设备制造中将大模型用于供应链预测与管理，而小模型用于具体的生产流程监控，实现了模型间的协同优化^[22]。这种大小模型动态组合的方式，不仅能够克服各自单独应用时存在的缺陷，还能最大程度地发挥人工智能在新型工业化中的潜能，推动工业智能化进程。随着技术的发展，人工智能在工业领域的应用越来越广泛。从小模型在生产制造中的成功应用到大模型在复杂设计与智能管理中的卓越表现，再到两者融合形成的动态协同曲线，都表明了人工智能正在逐步推动工业向更高层次的智能化转型。通过大小模型的合理搭配与应用，未来工业体系将能够更好地应对复杂多变的市场需求，实现从生产效率到创新能力的全面提升。

3.4  云边端架构下的大小模型协同的未来发展趋势

鉴于当前大模型主要由科技大企业主导，这些企业更倾向于通过提供云服务的形式来推出易于用户使用的应用程序，这不仅方便了用户的使用，也适用于模型厂商的批量推广。然而，对于工业领域而言，仅依赖云端大模型可能会存在网络延迟、数据安全等问题，难以满足实时性和隐私保护的需求。因此，云边端架构下的大小模型协同成为了一条可持续的切实路径。在这种架构中，大模型在云端负责全局优化和高级分析，而小模型在边缘设备上执行实时任务，二者通过高效的通信机制实现数据交换与指令传递，通过动态资源分配与调度实现最大化的计算资源利用。此外，引入多智能体协作机制，可以进一步提升系统的灵活性和鲁棒性，每个Agent根据自身优势和任务需求选择合适的工作模式，从而在复杂多变的工业环境中进行更加智能、高效的协同作业。例如，在智能制造中，云端大模型可以进行供应链预测和生产计划优化，而边缘侧的小模型负责生产线上的实时监控和故障诊断，多个Agent则根据生产情况动态调整工作策略，共同保障生产的顺利进行。这种方式不仅能够充分利用大小模型各自的优点，还能够有效应对工业应用中的各种挑战，推动人工智能与实体经济的深度融合。

4  结束语

本文系统分析了人工智能在全球工业领域的深远影响，并指出了人工智能赋能新型工业化的战略价值。在新型工业化进程中，人工智能不仅是提升生产效率的工具，更成为驱动产业转型、提升供应链韧性、推动绿色发展的关键引擎。通过认知制造、服务型制造与边缘智能等技术路径的深度融合，我国正在探索以智能化手段推动产业链协同优化与自主创新，走向具有中国特色的工业现代化之路。人工智能赋能新型工业化的主要方向已逐渐清晰：大小模型协同支持智能化转型，边缘计算与自学习系统增强产业链弹性，而绿色制造体系通过碳足迹管理和能耗优化深度融入工业生态。这些技术路径不仅改变了工业体系的传统结构，而且加速了制造业向价值链高端迈进的步伐，为我国在全球产业体系中的重塑和崛起奠定了基础。未来，人工智能将持续引领全球新型工业化迈向全面智能、自主协同与绿色可持续的发展新时代。技术演进将催生一个高度自进化的工业生态系统。通过进一步深化人工智能的产业融合，构建开放的合作平台和技术标准体系，推动全球产业链的共赢发展。新型工业化不仅是经济升级的路径，更将成为引领未来国际竞争格局变化的重要力量，为全球经济和社会的可持续繁荣注入源源不断的动能。

Research on application cases and path of artificial intelligence in industry

QU Jiang, ZHANG Yi

（Artificial Intelligence Research Institute, China Academy of Information and Communications Technology, Beijing 100191, China）

Abstract: This paper explores the current application of Artificial Intelligence (AI) in industry. It analyzes the policy orientations of some major economies, highlighting the role of AI in enhancing industrial innovation capabilities, optimizing industrial structures, strengthening supply chain resilience, and promoting green industrial development. As AI is an element of the new quality productive forces and digital economy, its integration with industry is critical for advancing industrialization. Through the fusion of large and small models, edge intelligence, and cognitive manufacturing, this study reveals the pivotal role of AI in driving the higher-level intelligent transformation of industry. The findings indicate that AI not only improves industrial efficiency, but also facilitates structural optimization, providing strong support for achieving in-depth empowerment of industrialization.

Keywords: AI; industrialization; digital economy; new quality productive forces

本文刊于《信息通信技术与政策》2024年 第12期

《信息通信技术与政策》投稿指南！

为进一步提高期刊信息化建设水平，为广大学者提供更优质的服务，我刊官方网站（http://ictp.caict.ac.cn）已正式投入运行，欢迎投稿！

   推荐阅读  

专题丨人工智能赋能制造业全流程的技术及应用研究

专题丨NeRF在通信行业的应用研究

专题丨基于解耦、收敛、互联三原则的运营商AI+MaaS IT支撑新模式探索与实践

专题丨大模型应用服务平台建设研究

专题丨大语言模型核心架构演进态势分析

专题丨人工智能嵌入新型工业化进程中的数据治理困局与因应

专题丨大模型智算基础设施夯实新型工业化赋能底座

导读：人工智能赋能新型工业化

《信息通信技术与政策》2024年第50卷第12期目次及摘要

你“在看”我吗？