工业AI与工业大模型的行业应用

极速导读

人工智能(AI) 技术的快速发展掀起了新一轮工业革命浪潮，通用大模型的出现让 AI 技术从专用化迈向了通用化。AI技术正在步入工业领域的千行百业，帮助企业实现从传统的劳动密集型、资源密集型企业，向技术密集型、知识密集型的高端化、智能化、绿色化方向转型升级，打造依托于人工智能、大数据、云计算等现代信息技术的新质生产力。

工业AI和大模型的应用，已经渗透到工业生产的产品设计、企业流程管理规划、智能化生产、设备预测性维护、供应链优化、创新服务、绿色制造、智能客服等众多环节，它通过处理和分析海量工业数据，帮助企业在上述各个环节中做出最优的智能化决策，从而在多个环节全方位实现提质、增效、降本，增强竞争力。

在日趋激烈的工业市场竞争中，寻求部署新技术来提升综合竞争力，是企业的生存之道。而引领工业革命浪潮的 AI技术和大模型，是企业从多维度重塑自身生产方式、实现新质生产力的关键。

英特尔发布《工业人工智能白皮书 2025 年版》，通过这本白皮书，工业领域的企业和合作伙伴可以更系统、更全面地了解 A技术如何为工业制造的各个环节赋予怎样的智能化能力，以及英特尔在帮助企业落地部署 AI技术方面所能提供的产品、平台和系统性支持与服务以及成功案例。

『制造前沿』读报告

PART. 0 1

工业AI

0 1

什么是工业 AI

工业 AI，是 AI 技术在工业领域的应用，它通过机器学习、深度学习、计算机视觉等先进的计算智能方法，实现对工业生产 过程的优化和智能化，最终帮助企业提高生产效率、降低成本、提升产品质量，实现数字化转型。 

2023 年 12 月，由信通院牵头、多家单位联合编制的《工业大模型技术应用与发展报告》指出，AI 与大模型将加速赋能新型 工业化，预计从 2022 年至 2032 年，工业 AI 市场规模将以 46% 的年均复合增长率高速成长。 

相较于发达国家，中国制造企业的 AI 应用率相对较低，大约在 11% 左右。Gartner 预测，到 2027 年，中国制造业的 AI 使用渗透率将以 10% 的年复合增长率上升。

随着技术的不断进步和应用场景的拓展，我们认为工业 AI 有望成为推动工业 4.0 和智能制造发展的关键力量。

0 2

工业 AI 的应用范畴

AI 技术在工业领域的应用，已经贯穿于产品设计、生产、管理、服务等众多环节，它主要通过各种方式收集海量数据，然后 利用机器学习和统计模型对数据进行分析，并依据数据分析结果辅助决策，帮助企业优化资源配置，提质增效，节省成本。 具体来看，AI 技术在工业领域的应用主要在以下几大方面：

研发与规划

需求分析与预测：基于历史数据和机器学习算法，构 建预测模型，通过分析大量用户数据和市场趋势，洞 察市场需求，预测未来趋势，精准定位产品的设计与 迭代方向。 

优化研发流程管理：基于当前项目状态和历史数据建 立预测模型，预测每项任务的完成时间，并评估整个 项目的完成时间，有助于提前发现潜在延迟风险，让 团队合理分配时间和其他资源，保证项目按时或提前完成。

自动化代码编写与优化：AI 编程助手利用深度学习 算法和大量代码数据训练模型，通过分析代码的结构 和模式，并根据开发者的需求，自动生成函数、类、 模块等代码，甚至优化现有代码，从而帮助开发者加 速代码生成，减少错误。

 优化产品结构与应用模拟：通过形态识别技术，将 产品外形及特征转化为数据，辅助设计师不断优化 迭代。利用收集到数据构建数字孪生产品模型，模 拟产品的各种实际应用场景，如正常操作、极限性 能、潜在故障等，预测产品性能表现，进一步指导 设计改进。

生产过程管控

在生产过程管控方面，AI 技术的应用主要集中在提高生 产效率、优化资源配置、增强质量控制和实现生产过程 的自动化与智能化。具体包括：

设备管理： 在设备入库管理方面，AI 通过深度学习识别设备上的 条形码、二维码或设备特征，自动读取设备信息如型 号、序列号等；AI 的自然语言处理功能，可以自动 提取设备手册或标签上的文字信息，获取设备规格、 性能指标等关键参数。这些都能显著提升设备入库管 理的效率和准确性。 在设备运维管理方面，利用机器学习算法，对部署在 设备上的温度、压力、振动等各种传感器给出的监测 数据进行处理分析，实时监控设备运行状态，并可通 过模式识别算法检测数据中的异常，预测可能出现的 故障或发现故障甚至给出修复建议，便于运维人员及 时实施预测性维护或故障修复，减少停机时间，提高 设备的可靠性和生产效率。 

质量管理：产品缺陷检测是质量管理的重要一环，尤 其是对于金属等高反光产品、薄膜产品的划痕、裂 纹、凹坑、气孔、污染等非常难检出的外观缺陷，利 用传统视觉算法，对工业相机采集到的图像经过预处 理，基于图像分割等深度学习模型，高效且较为准确 地检出缺陷，为传统的视觉检测技术赋予高度智能 化。质量检测也是目前 AI 技术在工业领域落地应用 较多、较为成功的一个方向。

智能生产管理： 在生产计划和排程方面，AI 算法可以优化生产计划 和排程，最大程度地减少产线空闲时间，提高产品交 付准时率。 在生产资源分配方面，通过深度学习和大数据分析， AI 系统能够根据实时数据预测生产任务，自动调整 生产参数，并合理地分配人力、设备、物料等生产资 源，提高资源利用率，确保生产线始终保持在最佳工 作状态，提高生产效率。 在生产过程监控和优化方面，AI 算法通过分析生产 线上的各种运行状态反馈数据和工艺参数，能够预 测及发现潜在问题，并自动调整参数，优化产线运 行状态。 

生产安全管理：通过智能视频分析技术分析从生产现 场采集的视频，进行行为识别与违规监测，如自动识 别生产线上的工人是否穿了防护服、佩戴安全帽，是 否进入违禁区等，并立即给出违规报警。还可以在仓 库等重点防火区域部署智能视频分析系统，实时检测 烟雾、火焰等火灾迹象，并快速触发报警。

此外，AI 技术在生产过程管控方面还可用于排产与调度优化、资源与物料管理、能耗与排放管理等环节，推动制造业向更高效、智能的方向发展。

经营管理优化

库存管理：利用深度学习和大数据分析，分析历史销 售数据、季节性变化、市场趋势等因素，预测库存 需求、实时监控库存水平、自动调整补货策略、精准 管理库存品类、优化库存地域布局等，提高库存周 转率，降低库存成本。AI 聊天机器人可以随时了解 ERP 库存系统、跟踪订单和其他更新。 

物流配送与运输管理：机器人在深度学习算法和 3D 相机的加持下，可以识别被配送货物的形状、尺寸和条形码，自动分拣和归类，提高仓库分拣效率和准确性。利用大数据分析和机器学习优化配送路线，实时 监控物流配送过程，提高配送效率、降低成本。 

财务与人力管理：通过训练模型，可以自动读取发 票和收据，将其转换为数字格式，直接导入会计系 统，减少了数据录入和处理的时间和错误。使用自然语言处理 (NLP) 和机器学习算法，能快速分析候选人简历，识别出与职位相关的教育背景、工作经历等关键信息，快速筛选出符合条件的候选人，提高招聘效率。

PART. 0 2

工业大模型

0 1

什么是工业大模型

工业大模型，是指在工业生产中使用的大型模型。工业大模型在满足大模型技术基本特征的同时，具备在各个工业领域及工 业各环节进行应用的能力，或在工业装备、软件等融合中赋能的模型。 相较于工业专用小模型而言，工业大模型泛化性强，可以单模型应对多任务，更适合长尾落地。另外，从工程层面来讲，工业大模型的开发成本及维护成本，低于工业专用小模型。

0 2

工业大模型的应用范畴

具体来看，工业大模型主要通过以下四种核心能力，为工业应用赋能：

第一，语言理解与知识问答能力。 利用大模型对于自然语言的理解能力，能理解和识 别用户意图，使员工能通过自然语言就能与机器进 行交互；另外通过为大模型外挂知识库，增强知识 检索能力，可以提升知识获取和共享效率。这些能 力在工业领域可普遍应用于智能客服、知识管理、 教学与培训、工业文档检索与统计等场景中，大幅提升工作效率，减少人力劳动和成本。 还可以基于行业大模型提供知识问答/异常诊断/产线维护/排产建议，大幅提升制造效率，降低运维成本。

第二，创作与内容生成能力，如工业运控软件代码、 设计模型、应用文档的生成。 在模型具备语言理解的基础之上，工业大模型具备 了内容创作与生成的能力，这种内容生成的能力可大幅提高内容生成效率，提升员工工作效率。其与工业设备及系统的自然交互及推理的能力，可助力基于 LLM 工业代码的快速生成、优化与调试，大大促进工业应用的生成与落地。

第三，识别/模拟/预测能力。 在工业质检环节，用大量数据训练视觉大模型 (CV)， 使模型具备更强的场景泛化识别能力，可用于产品质检，安全监测复判等流程，助力实现零样本或少 样本缺陷检测。 在生产制造环节之外，工业大模型的仿真与模拟能 力，亦可助力工业产品研发与设计环节。例如实时 仿真模型的建立与仿真环境的创建。 在预测方面，工业大模型助力由原先局部建模预测至基于全局信息、更高效、高精度预测的转换与优化。

第四，多模态分析能力，由传统单一格式的工业数据 处理，转化为多格式数据综合转换分析。 大模型不仅能够处理单一类型的工业数据，还能够综合分析多种格式的数据，实现跨格式的信息转换与分析。在工业应用中，大模型能同时处理包括设备运行数据、业务数据和管理决策数据在内的多种数据类型，为企业的运营和决策提供更为全面和精确的数据支持。

尽管目前工业大模型的应用已经渗透到工业的多个环节，应用场景较多，但碎片化明显。其中，知识管理/知识问答、数据 助手/数据问答、专业内容生产以及视觉检测四个方向，是目前应用探索最多的领域。工业大模型经过一年多的发展，目前总体处于小规模商业应用落地阶段。 工业大模型凭借其卓越的理解、生成和泛化能力，通过与工业领域的深度融合，有望为工业领域带来“基础模型 + 各类应用” 的新范式。因此，工业大模型的成功落地，离不开针对特定行业的丰富现场经验和深厚的行业 know-how 能力。

0 3

工业大模型的行业应用

汽车行业

汽车制造作为制造业皇冠上的明珠，也是 AI 技术落地应用的重要领域。目前，AI 技术已经渗透到汽车制造中繁多复杂的生 产流程中，从汽车零部件的质量检测、到生产物流运输、装配生产线的自动化、再到整车质量检测等众多环节，AI 技术的使用都显著提高了生产效率和产品质量。

消费电子行业

以智能手机、平板电脑、笔记本电脑等为主导的消费电子产品以及生产制造，也是 AI 技术和工业大模型落地应用的一个重点行业。

新能源锂电行业

AI 技术强大的计算和分析能力，已经为锂电制造行业带来巨大变革，从材料选型、器件设计和优化生产保障质量方面，帮助锂电制造企业缩短开发周期，提升检测效率，控制成本投入。

半导体行业

半导体制造作为一个高度复杂、技术密集、资本密集的行业，如何实现产品的快速设计、确保生产过程的精度和良率，以保障研发和生产成本的良性投入，最终满足市场对芯片产品的快速更新迭代需求，是半导体行业面临的痛点问题。

PART. 0 3

工业 AI 与工业大模型落地应用面临的挑战

毋庸置疑，AI 技术的应用正为工业领域带来前所未有的创新性变革。而且，工业领域对 AI 技术的部署，正在随着 AI 技术本 身的发展和工业应用复杂性的增加，日渐从传统的 AI 技术向更加复杂的工业大模型过渡。 

传统 AI 技术则主要基于规则和知识库实现智能工作，它通常使用神经网络结构，通过大量数据进行训练，来获得较好的性 能。传统 AI 具有较强的实时性，能在特定场景下快速解决问题。但是，对于更加复杂的多样化应用场景，比如需要处理文 本、图像、音频等多模态数据时，传统 AI 的落地还是有差距；而大模型凭借强大的自学习能力和泛化能力，以及与具体行业数据的结合调优，优势明显。

大模型的出现，将 AI 技术在工业领域的应用推向了新的发展阶段。其具体落地将会以基础大模型为技术底座，融合工业细 分行业的数据和专家经验，形成垂直化、场景化、专业化的工业大模型。工业大模型相对基础大模型具有参数量少、专业度高、落地性强等优势，可以为工业垂直领域的技术突破、产品创新、生产变革等提供低成本解决方案。

尽管传统 AI 技术和大模型在解决各种工业问题方面，从理论上讲存在诸多明显优势，但是要将 AI 技术和大模型真正成功落地应用，依然有很多具有挑战性的问题亟待解决。

第一，数据问题。 无论是传统工业 AI 技术，还是工业大模型的落地应用，数据都是首要问题。首先是数据的数量问题，如何从应用场景 中收集到大量的数据作为训练算法或模型，是算法或大模型具备更智能化分析和决策能力的基础。而往往很多时候来 自工业现场的数据量非常有限甚至极少。其次是数据质量问题，即数据的清洁性，并非所有来自工业现场的数据都是 有用的，需要对数据进行清洁。如何从实际应用场景中采集或生成丰富且有价值的可用数据，是 AI 及工业大模型成功 落地应用的挑战之一。再次是数据的标注和处理，即便有了足够的数据，对这些数据进行标注和处理也在难度和工作 量方面面临极大挑战。最后是数据安全和隐私问题，数据是 AI 技术及工业大模型应用的基础，这些来自应用端的数 据，其中包含着技术、工艺机密信息或个人隐私信息。如何在数据传输、训练、处理过程中保用户数据的安全性和防 止数据滥用，也是工业 AI 乃至工业大模型成功落地应用的挑战之一。

第二，算力问题。 无论是训练 AI 算法还是各种工业大模型，都需要强 大的算力支撑。工业大模型动辄参数规模都在十亿、 百亿甚至千亿级别，需要庞大的计算资源进行训练。 这种训练过程涉及海量的数据运算，对 CPU、GPU  或 NPU 等加速计算硬件提出了极高的要求。

第三，实时响应问题。 工厂在线检测、智能驾驶等应用，需要系统实时做出 响应的情况下，需要模型能够实时处理输入数据并快 速做出响应。将场景应用端的数据再传输到云端处 理，庞大的数据量会造成带宽拥挤，影响处理的时效 性。采用边缘计算方案来缓解时效性问题，但是这对 边缘端计算硬件的实时处理能力提出了挑战。

第四，模型应用准确性问题。工业大模型在实际应用中的准确度尚不尽人意。目前 大模型比较擅长知识问答、文档生成、数据分析等场 景应用，但在面向实际工程的代码生成能力仍有很大 提升空间，尤其在实用算法、科学计算和数据结构等 领域能力偏弱。另外，针对缺陷样本极少的工业质检 应用场景，工业大模型基于真实缺陷图生成仿真缺陷 图的能力，目前在准确性方面依然有待提升。

第五，成本和技术问题。 工业 AI 技术尤其是工业大模型的部署，要面对高昂的 训练成本和技术壁垒，这往往令中小企业望而却步。 工业大模型的应用不仅需要大量的资金投入，还需要 专业的人才支持。包括技术研发、算力资源投入、数 据采集与标注，以及市场推广与商业化扩展等方面都 需要专业的人才进行操作和管理。在技术壁垒方面， 数据处理难题、算力基础设施部署、商业落地的可靠 性等方面，都面临挑战。前期需求高昂的投入成本， 而项目的投入产出却难以清晰测量，也在阻碍了落地 应用的实施。

以上内容节选自英特尔 《工业人工智能白皮书 2025 年版》