随着人工智能能力的问世与发展，越来越多的企业开始了解与融入模型能力，希望借助大模型赋能企业的部分场景，本文主要聚焦工业现场，针对生产、运维、设备管理等场景，探究空间智能概念在工业中

去年，苹果发布 Vision Pro ，同年 ChatGPT 进入大众视野，这两件事引起了业界的强烈反响。这代表了空间互联网的到来。

空间智能工业应用

从现场服务需求角度出发，共有三部分需求，

• 获取更全面的数据。包括已有的结构化数据与实时采集到的现实空间数据，有了这部分数据能进行更好的现场工作。

• 反馈及时。通过各种智能化系统，在数据推送后进行及时反馈，一方面指前端操作人员的反馈，另一方面指后台系统的及时反馈。

• 决策正确。基于输入的信息，如何快速做决策？AI 与人的作用需要思考，在人工智能大模型阶段，我认为大模型并不能完全替代人，虽然大模型的记忆能力非常强，但推理能力不足以取代人，在现场工作空间中，大模型更多承担辅助角色。

• 不懂行业，对行业知识、术语的理解并不深入。

• 对企业整体的流程结构、运营模式不能准确把握。

• 大模型存在幻觉现象。

在数据生成方面：总体目标是要形生成高质的工业语料库，传统数据已经在进行结构化。在空间智能生产环境当中，还会有新型的数据出现。其中空间三维数据、位置数据、操作人员现场的交互性数据，这类数据是以前数据库中缺失的部分，通过系统的构建，把数据加入到原有数据库中，能丰富数据库的构成，同时同步人的反馈信息，促进数据质量的提高。

大模型+小模型是目前较常用的方式：在实际构建过程中，要加入更高质量的结构化数据作为预训练语料，同时也可以对大模型的生成结果进行二次知识校验，形成正向循环，促进大模型的真正落地应用。

空间智能落地方案与案例

从整体方案架构上看，我们是围绕空间计算与 AI 大模型能力为基础，以“设备”为中心，构建空间 AI 计算平台。

从数据角度出发，分为两大块，一块指原有的工业数据生产要素，如现有的结构化数据。另一块指工业现场数据，包括实时获取数据。通过这套平台的构建，应用于制造、供应链、培训设备的巡检点、运维等场景中。

上图是现场超级助手的整体框架，包含基础的一些能力，其中空间计算部分提供环境的理解、跟踪、识别的基础能力，大模型相对偏后端，提供数据分析、智能决策方面能力。应用端结合后端的核心能力生成各种应用，例如巡检、运维、售后都会有专门的入口，结合场景实际特点构建应用。

上图介绍了空间智能的典型应用场景，其中设计和原型制作是目前大模型在工业应用中，探讨热度较高的方向。从执行的角度，对于装配维修、设备运维场景的探索较多，这部分距离生产很近，也是工厂较关注的方向，但难度较大。

该场景以问答为主，问答是文本类的加多模态数据，包括文字、视频、三维模型数据，提前帮助工厂构建数据库。但目前体量较小，由于工厂以前的智能问答都基于原有的数据。另外一部分数据是线上收集的实时数据，数据库在系统集成过程中是不断增长的。利用大模型技术为一线员工进行操作，实现智能问答、关键词设置、AI助手训练等，能够快速为员工提供有效信息，并持续学习与改进。