大模型时代的到来，为人工智能在工业领域的应用提供了坚实基础。

近日，腾讯研究院发布了《工业大模型应用报告》（简称“报告”），报告指出，工业正处于从数字化向智能化迈进的阶段，而大模型凭借其卓越的理解能力、生成能力和泛化能力，成为推动工业智能化的关键力量，有望拓展人工智能和工业融合的新空间。

该报告在中国通信工业协会的指导和支持下，由腾讯研究院与中国通信工业协会物联网应用分会、毕马威企业咨询（中国）有限公司以及腾讯云智慧行业五部共同撰写。报告深入剖析了工业大模型的三种构建模式和应用场景，并分析了工业大模型在促进工业智能化发展方面的机遇与挑战。

报告指出，大模型的崛起有望在工业领域带来“基础模型+各类应用”的新范式。大模型凭借其卓越的理解能力、生成能力和泛化能力，能够深度洞察工业领域的复杂问题，不仅可以理解并处理海量的数据，还能从中挖掘出隐藏在数据背后的规律和趋势。

大模型为工业智能化拓展新空间。大模型有望挖掘工业领域人工智能应用的新场景，提升人工智能应用的普及率。例如在研发设计领域，大模型能够深度挖掘和分析海量数据，为产品设计提供更为精准和创新的思路。在经营管理领域，大模型能够实现对生产流程、供应链管理等各个环节的监控和智能优化，从而提升企业的运营效率和市场竞争力。

大模型应用落地需要深度适配工业场景。大模型的优势在于其强大的泛化能力，可以在不同的领域和任务上进行迁移学习，而无需重新训练。但无法充分捕捉到某个行业或领域的特征和规律，也无法满足某些特定的应用场景和需求，在真正融入行业的过程中，需要适配不同的工业场景，其核心就是要解决不懂行业、不熟企业、存在幻觉这三大问题。

报告基于当前市场上507个工业小模型和99个工业大模型应用案例进行分析，得出目前大模型和小模型在工业领域分别呈现U型和倒U型分布态势。

以判别式AI为主的小模型在工业领域应用呈现倒U型分布，这些应用主要集中在生产制造领域，占比高达57%，而在研发设计和经营管理领域的应用则相对较少。这种分布呈现出明显的倒U型。小模型的能力更适合工业生产制造领域，但“一场景一训练一模型”的定制化需求制约了其进一步渗透。

以生成式AI为主的大模型目前在工业领域应用呈现U型分布，大模型在研发设计和经营管理领域的应用相对更多，当前的能力更适配于偏向综合类、生成型的研发设计和经营管理环节，在生产制造环节的能力和性能还需进一步提升。

报告认为，目前大模型在工业领域还未实现对小模型的替代，大小模型将长期并存。小模型在工业领域具有深厚的应用基础和经验积累，同时工业场景对于成本收益比、稳定性和可靠性的高要求也制约了大模型的应用渗透，两者将长期并存且相互融合，共同推动工业智能化发展。

目前工业大模型应用存在三种主要构建模式，分别是预训练工业大模型、微调、检索增强生成。这三种模式并不独立存在，工业大模型的应用往往会采用多种模式共同发力。

报告深入分析了大模型在工业全链条应用的探索。在研发设计领域，大模型通过优化设计过程提高研发效率；在生产制造领域，大模型拓展生产制造智能化应用的边界；在经营管理领域，大模型基于助手模式提升经营管理水平；在产品服务领域，大模型基于交互能力推动产品和服务智能化。

报告详细介绍了各个领域的具体应用案例。如在研发设计领域，时装设计平台CALA提供了基于Open AI的生成式设计工具，可以将设计师的创意快速转化为设计草图、原型和产品；英伟达推出了 430亿参数的大模型ChipNeMo，可以有效地帮助芯片设计人员完成相关的芯片设计任务。在产品服务领域，腾讯新一代智能座舱解决方案 TAI4.0 从场景和用户体验出发，深度利用汽车的感知能力和大模型的学习理解能力，构建从多模交互到个性化服务的完整智能化闭环体验。

报告指出，工业大模型应用面临数据质量和安全、可靠性、成本三大挑战。首先，数据质量和安全是工业大模型构建的首要问题。工业数据质量参差不齐。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。工业数据安全要求较高。其次，工业大模型需满足高可靠性和实时性要求。工业生产环境往往涉及复杂的工艺流程、高精度的操作控制以及严苛的安全标准。任何模型预测或决策的失误都可能导致生产事故、质量问题或经济损失。最后，高额成本限制了工业大模型应用的投入产出比。大模型通常需要庞大的数据集与高性能的计算集群进行训练，进一步推高了训练和推理成本，且长期运营成本较高。

工业大模型应用将伴随技术演进持续加速和深化。首先，基于少量工业基础大模型快速构建大量工业APP满足工业碎片化应用需求。由于工业场景复杂并呈现碎片化的模式，通过工业基础大模型的和工业APP的结合，能够广泛且快速地应对工业领域的挑战，推动各类工业场景的智能化升级。其次，大模型的新突破带来工业应用的新场景。随着Agent、具身智能等新技术的发展，大模型将在工业领域开辟更多应用场景，使设备和机器更加智能化，提高生产效率和安全性。最后，大模型成本的降低将加速工业领域应用。大模型压缩相关的技术如剪枝、量化和蒸馏等，将有效减少模型的参数量和计算需求，从而降低训练和部署的成本。这将使大模型更加适用于资源受限的环境，并加速其在工业领域的应用推广。