摘要：随着DeepSeek的迅速走红，众多工业服务商和制造企业纷纷接入DeepSeek，工业AI市场迎来新的变局——DeepSeek等AI大模型推动工业AI的应用普及，并逐步重塑工业软件的边界与工业领域的未来。
随着DeepSeek的迅速走红，众多工业服务商和制造企业纷纷接入DeepSeek，工业AI市场迎来新的变局——DeepSeek等AI大模型推动工业AI的应用普及，并逐步重塑工业软件的边界与工业领域的未来。
工业AI的发展现状
自工业革命以来，工业生产从机械化、电气化、自动化到信息化不断演进，如今AI大模型凭借强大的学习计算能力正持续向工业软件价值链渗透，推动工业生产从数字化向智能化迈进。
据专业机构预测，2024-2028年中国AI+工业软件细分市场的复合年增长率将到达41.4%，远超同期CAD/CAE/EDA/PLM/MES等核心工业软件19.3%的增速；到2028年，AI+工业软件的渗透率也将提升至22%。
AI大模型指参数规模庞大、结构复杂的深度神经网络模型，它是大数据、大算力和强算法结合的成果，本质上是一个凝聚大数据精华的隐式知识库。而工业AI特指为工业领域量身打造、参数规模庞大的大模型，它依托深度学习和海量数据分析，为工业自动化和智能化提供强大的算法支撑与决策辅助。
现在，以DeepSeek为代表的本土开源大模型正加速工业AI应用普及。
据不完全统计，已有几十家来自工业软件、工业互联网、工控自动化等领域的服务商接入DeepSeek。除了开源免费和响应市场热点的因素外，大部分接入DeepSeek的服务商之前都有AI大模型产品和解决方案积累，并且产品对底座模型保持中立，可以兼容DeepSeek等各类AI大模型。
同时，至少二十多家来自能源电力、石油石化、煤炭等行业的工业企业也接入DeepSeek。专业机构调研显示，2024年已有31.6%的制造企业开展AI工业场景POC验证，加速了行业场景需求探索和收敛。这些企业此前大多已尝试过AI大模型的应用，并普遍采用私有化模式部署。其中，部分企业在集团层面全面推广，而另一些则选择在下属单位进行试点。
总的来看，AI大模型在工业领域的应用，一是增强模型的泛化能力，提升小样本训练效果，使其能够适应更多场景，典型应用包括视觉检测、质量控制、原材料检测、环境感知以及AGV自主导航等。二是作为工业应用的交互入口，通过自然语言对话生成工业领域的文字、图像等内容，降低使用门槛，典型应用涵盖生产报表生成、控制代码生成、设备监控和生产调度等。
工业AI的构建模式
工业领域涉及庞杂、艰深的交叉学科知识，如果缺乏对工业细分领域的专属数据和专业知识，基于通用数据集训练的AI大模型通常难以精准理解细分领域的专业术语及约束规则，导致无法直接生成符合工业特定任务需求的解决方案。
另一方面，当AI大模型应用于工业场景时，往往需要接入企业的信息系统。由于企业业务流程、数据结构、运营模式等方面的数据和知识，生成的解决方案难以精准匹配特定企业的实际需求。
因此，若要让AI大模型深度适配工业场景，就必须构建专业的工业AI。具体来说：
1、预训练模式
指通过收集大量无标注的工业数据集和通用数据集，使用架构工具重新训练模型，学习工业数据中的通用特征和知识，使工业AI能应对行业具体问题。
· 优点
模型具备广泛的工业通用知识，能满足多种工业场景需求。
· 缺点
高质量工业数据收集难度大，训练时间长，对算力资源和电力消耗高，可达数百万美元甚至更高，高昂成本普通企业难以负担。
2、微调模式
指在预训练好的基础大模型上，利用特定工业场景已标注好的数据集进行架构调整和参数优化，学习细分领域的知识以完成特定任务。
· 优点
可利用预训练模型的广泛知识，通过微调适应特定任务，减少训练时间和资源消耗，对数据量要求较低，单个任务微调通常只需几千至上万条标注数据。
· 缺点
高度依赖于预训练模型的质量，如预训练模型本身存在偏差或不足，微调后的模型也可能继承这些问题。
3、检索增强生成模式
指在预训练大模型基础上，通过外挂行业知识库，在不改变原模型参数的情况下，使其在生成响应前引用外部权威知识，从而快速接入工业细分领域信息，实现知识问答和内容生成。
· 优点
无需额外训练，只需构建和接入行业知识库，即可利用基础大模型实现对工业知识的理解和应用，且后续维护仅需迭代知识库。
· 缺点
与预训练和微调模式相比，泛化能力和稳定性较差，可能无法充分适应复杂工业场景。
工业软件与AI融合，正从场景赋能迈向原生重构
在工业AI的开发中，预训练、微调和检索增强生成三种构建模式形成了一套丰富且灵活的框架。但由于不同工业场景对模型性能、效率和可解释性等有多样化需求，综合运用这些模式已成为一种发展趋势。具体可以总结为“1+N+N”，即 1 个数字底座、N个能力引擎和N个应用场景。
1、数字底座
数据质量是工业AI性能的关键因素。若输入的数据存在噪声或缺乏代表性，模型推理能力会下降。若数据类型单一，还会增加过拟合风险。因此，无论采用哪种模式，要获得高性能的工业AI，需要依赖高质量的工业数据集。诸如以工业互联网平台作为数字底座，支撑来自企业工业软件、信息系统、传感器和生产设备等数据接入、清洗、融合、分析和标注等，为工业AI的构建提供数据基础。
2、能力引擎
通过积累研发设计、生产制造、服务管理等环节的工业机理模型，故障诊断、路径规划、生产调度、质量控制等场景的专家算法，以及大量工业知识图谱、专用词典、行业标准、发明专利等，建立面向工业细分领域的行业知识库，支撑工业AI具备以下能力：
· AI辅助业务执行
针对特定的业务场景，通过本地知识库+生成式AI智能体，解放管理人员能力；如智能生成分析报表、整合文本、图像、语音等多种工业数据类型。
· 工业知识问答、培训、指导
针对特定工业场景的知识点，如工业机器人、机床等生产设备操作、生产标准操作流程、设备故障分析、安全规范、技术规格等，进行信息查询和问题解答和科学指导。
· 工业代码生成
涵盖工业设备控制代码、PLC控制代码、机器人路径规划代码、数字孪生代码、数据采集与监视控制以及数据处理分析代码等。
· 工业文本生成
包括技术手册、操作规程、维护指南、生产报告、质量分析报告、设备运行报告、员工培训材料、团队协作记录、会议纪要、交接班报告、设计规格说明等各类文档。
· 工业理解计算
涉及物料齐套检查、设备选型、订单延期推算、产品不良率统计分析等功能。
· 工业AI智能调优
在现实的生产过程中，产品质量数据是持续波动的，基于AI工艺大模型和质量管控工具+智能物联IOT，在监测到产品的质量数据异常波动时，分析得出最优的解决方案，下发给设备进行执行。如数控机床智能调优、工业能耗智能优化、SMT贴片/回流焊智能优化等。
应用场景
工业AI要在企业内各种专业、复杂的业务流程中发挥更大价值，融入具体应用场景与业务流程仍需持续探索。诸如通过模型即服务的部署架构，工业AI可以针对不同行业和需求，为用户提供轻量化、定制化的解决方案，可以覆盖虚拟仿真、柔性生产到智能服务的全生命周期，实现场景、企业、园区乃至整个行业的数字化转型。
毋庸置疑，AI的崛起正在深刻重塑工业的未来。无论是个人还是企业，只能说是，最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
从生产制造到运营管理，从质量控制到供应链优化，AI正迅速融入工业的各个环节，成为企业关键的生产力。另一方面，AI打破了底座模型各自发展的生态格局，快速统一底座模型共识，吸引大量工业应用厂商参与，推动了分层的良性产业生态的加速构建。相信，未来会有更多的工业AI、开源底座模型会出现，共同推动行业走向智能制造未来。
来源：摩尔云工业互联网
