1、价值场景的深度挖掘
自2003年开始，我便开始深入各个具体业务中，致力于打造过工业大模型赋能工业全流程，根据我的观察和实践，工业大模型的应用实践可以涵盖了工业制造的各个环节，从生产、设计到服务、管理，为工业企业的智能化转型提供了全方位的支持：
在生产环节，工业大模型能够实现生产过程的智能化优化。通过对生产数据的实时分析和预测，模型可以自动调整生产参数，优化生产流程，提高生产效率和产品质量。例如，在钢铁生产中，工业大模型可以根据原材料的成分、设备的运行状态以及市场需求等因素，动态调整生产计划和工艺参数，实现智能化的生产调度。
在设计环节，工业大模型能够加速产品设计的创新和优化。通过模拟和分析各种设计方案的性能和成本，模型可以帮助设计师快速找到最优的设计方案，缩短产品开发周期，降低开发成本。例如，在汽车设计中，工业大模型可以模拟车辆在不同工况下的性能表现，为设计师提供数据支持，帮助其优化车辆的结构和性能。
在服务环节，工业大模型能够提升售后服务的质量和效率。通过对设备运行数据的实时监测和分析，模型可以提前预测设备故障，及时安排维修保养，减少设备停机时间，提高客户满意度。例如，在装备制造业中，工业大模型可以为客户提供远程设备监控和故障诊断服务，实现智能化的售后服务。
在管理环节，工业大模型能够为企业提供智能化的决策支持。通过对市场数据、生产数据、销售数据等多源数据的综合分析，模型可以为企业提供精准的市场预测、生产计划和资源分配建议，帮助企业优化管理决策，提升企业的竞争力。
需要注意的是，工业大模型的落地实施需要按照“点-线-面-体”的路径去开展，这样才能实现“场景-模型-价值”的闭环。
2、智能工厂的范式革命
传统自动化工厂的“刚性生产”模式，正在被具身智能工厂的“认知柔性”颠覆，在工业领域，自主智能工厂、具身智能工厂和生成式智能工厂的演进过程体现了工业AI大模型与其他工业技术的深度融合，这种融合是实现智能制造升级的关键。
自主智能工厂是工业AI大模型应用的初级阶段。在此阶段，工业AI大模型主要依赖于底层控制技术，通过预训练和强化学习（RLHF）实现对生产设备和流程的自动化控制。例如，通过机器学习算法优化生产参数，实现机器换人、AOI免复判等功能。同时，能源管理系统（TEM）的导入也体现了AI大模型在节能降耗方面的应用，通过数据分析和预测实现设备能耗的优化。这些技术的应用使得工厂能够快速见效，投入回报周期短，且成本较低。
具身智能工厂是自主智能工厂的升级版。在这一阶段，工业AI大模型不仅需要预训练和强化学习，还需要与具身智能技术相结合。具身智能强调“眼脑手脚”的一体化，即通过全息感知、信息推理和分布式边缘计算，使工厂具备类似人类的感知和决策能力。通过多模态数据融合，将视觉、听觉、触觉等多种感知数据整合到AI大模型中,构建工厂的世界模型，实现对生产环境的全面感知。同时，具身智能工厂还需要通过工艺流程Agent的建设，实现智慧柔性产线的优化，提升生产效率和资源利用率。
生成式智能工厂则是工业AI大模型发展的高级阶段。在这一阶段，AI大模型不仅需要具备预训练和强化学习的能力，还需要与生成式技术相结合。例如，AIfor Engineer技术使机器人具备自设计能力，能够根据生产需求生成新的工艺流程和设备设计。跨体具身智能控制算法则通过大模型的CoT推理，实现对复杂生产系统的协同控制。此外，生成式智能工厂还需要通过产业链与工厂GOT生成，实现工厂精益生产目标与产业链的优化整合。
在从自主智能到具身智能再到生成式智能工厂的演进过程中，工业AI大模型需要在大模型各项技术（如预训练、强化学习、多模态等）的基础上，融合底层控制、具身智能、工艺优化、设备管理、生态协同等工业技术。这种融合不仅提升了工厂的智能化水平，还推动了整个产业链的协同发展，最终实现工业生产的高效、灵活和可持续发展。
困难与挑战：
工业数智化转型已成为不可阻挡的趋势，但寻找转型的“银弹”并非易事。在传统的工业数智化的转型过程中，工业自动化、信息化、大数据都是转型的关键要素，本身就存在一些困难和挑战，如果再结合当今大模型的发展，包括技术和实施方面的挑战或许会更大。以下仅列出几项具体挑战：
1、自然语言交流、编程和调用在工业场景中存在较高难度。工业领域专业术语复杂，操作指令严格，要求模型具备精准理解和执行能力。逻辑推理方面，工业生产涉及大量因果关系判断，模型一旦出现偏差，可能导致严重后果。例如在化工生产中，对反应条件和产品质量关系的错误判断，会影响产品品质甚至引发安全事故。
2、工业大模型需要融合专业知识和技能、信息化知识，具备强大的行业知识迁移能力。此外，机器人自动编程、专用设备操作技能以及具身智能装备和具身智能工厂的发展，也对模型提出了更高要求，需要模型不仅能进行数据分析和决策，还能直接控制物理设备，实现从数字世界到物理世界的精准映射。
3、除技术挑战外，工业大模型还面临实施挑战。数据是大模型的“燃料”，但工业数据获取难度大，高质量、多元化且覆盖多种应用场景的数据难以获得。数据不确定性和因果关系判断问题会导致训练和结论偏差，影响模型准确性和可靠性。
总之，工业数据、专业知识和模型可用性，我称之为工业大模型落地实践的“三重门”，具体包括行业专业知识理解不深入，训练语料丰富度不足，以及行业垂直模型构建对数据资源规模和品质的苛刻要求等，都制约着工业大模型发展。此外，算力资源需求高、硬件成本投入大，且我国数据和算力资源集中度不足，这些都成为工业大模型落地的阻碍。
破局与方案：
面对重重挑战，工业大模型在实际应用中需要不断探索和实践，并形成有效的解决方案，结合我们过去在工业纵深的技术融合以及在垂直领域的实践，并在多个领域取得了部分实践成果，在此给出一些具体建议，具体如下：
1、在应用策略上，从具体应用场景出发，采用通用大模型+ RAG（检索增强生成）+Agent的组合模式是一种可行思路。通用大模型提供基础的语言理解和生成能力，RAG技术通过检索外部知识数据库，为模型生成的内容提供可靠依据，增强回答的准确性和可解释性，Agent则负责与外部环境交互，执行具体任务，解决用户的实际业务问题，目前我们积累的图纸工艺大模型、生成物料齐套大模型、售后服务大模型和工业知识大模型等均采用此类组合模式，取得的效果非常明显。
2、以赋能用户共性价值场景为核心，在通用大模型基础上训练工业垂直领域大模型，能够更好地满足不同行业的特定需求。比如在汽车制造行业，针对汽车设计、生产流程优化、质量检测等环节训练的垂直模型，可以大幅提升汽车生产的效率和质量。
3、通过融合工业互联网平台，实现大小模型协同，构建工业具身大模型体系，是工业大模型发展的重要方向。我们打造的端边云一体化架构为构建智能工厂的“三元大脑”提供了技术支撑，端侧打造小模型，打造“设备脑”，具备设备层面的基于大模型技术的自主决策和反馈，实现自主智能，产线或工厂打造“网络脑”，具备产线层面的基于大模型技术的协同与优化，实现协同智能，工厂打造“工厂脑”，具备工厂层面的基于大模型技术的无人工厂和智能工厂，实现群体智能，此外，还有产业链层面的“产业脑”，实现整个产业链的优化、决策与全面智能。
总之，我们需要明确“工厂的未来即是具身机器人”，基于AI工业大模型的具身智能工厂实现了感知、认知和执行的闭环。通过各类和信息数据设备感知工厂运行情况，利用大模型进行世界模拟和认知，最后由系统规划终端执行任务。此类架构的设计和实践，需要融合包括工业操作系统+工业app+工业大模型+算力等相关技术，但是，一旦实现这种基于大小模型的端边云一体化架构，工业企业不仅可以实现见效快、投入回报周期短的经济效益，还在节能降耗、提升生产自动化水平等方面取得显著成效，更重要的是可以推动工厂向自主智能、具身智能和生成式智能方向有计划、有步骤和可落地的方向发展。
