智能制造作为制造业转型升级的核心引擎，正加速推动工业体系向数字化、网络化、智能化跃迁。工业大模型凭借其强大的知识泛化能力与多模态处理优势，正在重塑产品研发、生产制造、质量管控等核心环节的智能化范式。然而，技术碎片化、数据治理瓶颈与标准缺失等问题，严重制约着工业大模型的规模化落地与价值释放。
中国作为全球最大的制造业经济体，在 “十四五” 规划中明确提出 “人工智能与实体经济深度融合” 的战略目标，通过政策引导（如北京算力集群建设、上海 L1/L2 模型攻关）、技术突破（华为盘古大模型推理效率提升 5 倍）与行业实践（中国电信钢铁节能模型降低能耗 3-5%），正加速构建自主可控的工业智能生态。
工业大模型类型可以分为生产控制类、经营管理类、研发设计类：
生产控制类：典型企业（赛意信息、中控技术、宝信软件）
生产制造仍是工业AI落地成熟度最高的环节。一是场景需求成效显著，产品质量、效率以及设备管理直接与企业经济挂钩， 是几乎所有工业企业共同关注的重点环节。二是数据获得性强，生产过程数据、设备运行过程数据等数据量较大、采集相对简单，为 AI 技术落地提供了基本条件。三是技术成熟度较高，以机器学习、图像识别等传统AI算法面向特定问题实现识别、参数预测及优化为主。
识别类应用：与通用算法技术中的机器视觉等相对应，包括工业视觉检测、表单识别 和工业语音信号识别等。
数据建模优化类应用：与通用算法技术中的数据科学相对应，如基于机器学习、深度 学习技术的智能排产、设备运维、工艺参数优化等。
知识推理决策类应用：与通用算法技术中的知识工程相对应，如冶炼专家系统、设备 故障诊断专家系统、供应链知识图谱等。
工业AI落地前提：数据高复杂度+结果高可靠+运行低成本。
工业场景具有数据高复杂度、结果低容错率、成本敏感性高等特点：一方面，过往已经落地的小模型已在工业识别等少数垂类场景应用较为成熟，满足了低成本+高可靠要求，但较难处理多模态与非结构化数据，泛化能力较弱且较难应用于研发设计与运营管理等场景； 另一方面，大模型对多模态与非结构化数据处理能力较强，但部署成本与运行 Token 费用较高，假如对结果的可靠性要求较高，则存在成本高企的难题。
工业领域涵盖广泛，包括41个工业大类、207个工业中类、666个工业小类，导致数据结构多样，数据质量参差不齐。同时，由于工业生产过程中的各个环节相互交织，数据之间的关联性和复杂性也较高。数据的来源、采集方式、时间戳等都会影响数据的准确性和完整性。这种数据结构的多样与质量的参差不齐给工业大模型的训练和应用带来了挑战。 以往的工业AI构建，需要投入大量的时间和资源进行数据清洗、预处理和校验，以确保数据的准确性和一致性。
①可以基于大量工业数据和通用数据打造预训练工业大模型，支持各类应用的开发；
②可以在基础大模型上通过工业数据进行微调 （微调是指已经预训练好的模型基础上，使用特定的数据集进行进一步的训练，以使模型适应特定任务或领域），适配特定工业任务；
③可以在不改变模型参数的情况下，通过检索增强生成（RAG）为大模型提供额外的数据，支持工业知识的获取和生成。
注：微调包括：生成微调、聊天微调、重新排序微调和多标签分类微调。
工业AI可以采取“大模型指挥、小模型执行”的协作方式
小模型适配生产制造环节：小模型在诸如生产线监控、设备维护、质量检测、视觉识别、缺陷检测等任务中落地成熟度较高，显著提升了生产效率和产品质量控制水平。 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。
大模型适配研发设计+运维管理环节：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。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。
2024 年10 月，宝武发布自主研发的钢铁行业大模型产品——“宝联登钢铁行业大模型”。 宝武构建的钢铁行业大模型通过“通专融合”（通用模型和专业模型）、“业技融合”（行 业知识和AI技术）、“数实融合”（数字技术和实体制造）三融合一，用于企业智慧制造、智慧治理、智慧服务等主题场景，以及高炉大模型、转炉大模型、配煤配矿大模型、 云表检大模型、研发设计大模型等领域模型，为钢铁企业提供一体化、集成化的“AI+钢 铁”解决方案。
鼎捷PLM+DeepSeek打造数字设计工程师，其不仅能够高效完成研发图纸的变型设计，完成图纸合规性审查，还可一键生成BOM；通过解析语义、读取文件和图片内容，精准推理图纸设计需求，并与模型知识库中的数据智能匹配，快速生成三维模型文件，无缝对接CAD系统进行编辑和修改。此外，基于上下文记忆功能，该应用还支持对话式交互和 文件上传，可灵活调整模型参数，实现尺寸的即时优化，大幅提升设计效率和精准度。
由国机集团联合鹏城实验室与雪浪云共同推出的“机械工业大模型平台“，是面向机械工业的垂直行业大模型平台，该平台通过构建“工业机理模型-大模型-行业智能体”三级技术架构，突破工业机理模型与基础大模型的融合难题，提供机理发现、工艺理解、指令生成、运动控制四大领域智能体应用，实现从数据管理、模型训练到实时决策的全链路工业智能服务。
多模态大模型是指能够同时处理和理解多种类型数据（如文本、图像、音频、视频等） 的AI模型。它们通过融合不同模态的信息，实现更接近人类认知的智能交互。多模态大模型是AI向通用人工智能（AGI）迈进的关键技术，通过融合视觉、语言、听觉等多维度信息，实现更自然、更智能的人机交互。未来，随着算力提升和算法优化，其应用将渗透到更多领域。
工业大模型通过 垂直领域优化 和 多模态融合，正在重塑制造业的智能化进程。未来随着5G、边缘计算和数字孪生技术的发展，其落地场景将进一步扩展，成为工业 4.0 的核心驱动力。
为推进工业大模型加快落地，加强工业大模型各上下游企业联合攻关，为行业高质量发展提供有力支撑，标委会正在组织机械工业大模型标准研制，从参考架构、通用要求、成熟度评估、服务能力等方面进行规范，诚邀相关单位与标委会共同以标准为抓手，推进机械工业大模型高质量发展。
