本电子书面向以下决策者 ：制造行业有意利用生成式人工智能，来改进机器 可用性、维护、产品质量和设计的业务和技术部门决策者。 制造业未来由生成式 AI 技术赋能 加快产品创新，提高车间效率，减少员工培训时间 目录 引言 ..................................................................................... ....................................................... 13 2 生成式人工智能（AI）正迅速重塑现代企业，因为几乎所有行业都在探索 如何利用生成式人工智能。Capgemini 的最新研究表明，55% 的制造企业 目前正在探索生成式人工智能的潜力，其余 45% 的制造企业正在进行试点 工作。¹ 生成式人工智能代表着人工智能技术的飞跃，采用生成式人工智能可以为 端，使制造企业能够 释放其变革潜力。 借助生成式人工智能，制造企业可以 ： 提高车间生产力 利用机器文档、维护记录和 OT 数据，更快地诊断和解决问题。 减少员工入职和培训时间 获取经验丰富的员工在机械复杂操作方面的知识，并创建新员工入职 培训内容。 改进产品工程 制造企业可以利用生成式人工智能来创建、测试和完善产品设计、实 现个性化、创建原型，并加快概念验证来缩短产品上市时间。

———园区上下游化工生产企业数量,为化工园区中存在产品交换或废物交换关系的生产企业 数量(不含基础设施类企业); 注:对化工园区中任何一家生产企业,只要化工园区中存在别的生产企业为它提供原料,或利用化工园区内其他生 产企业产生的废物或副产品,或向化工园区内其他生产企业输出产品、副产品、废物作为原料的,均可视为化工 园区上下游企业。 TF ———园区化工生产企业总数量。 6. 2. 14 2. 19 标准制定数 化工园区和化工园区内企业制定的企业标准数量,以及参与制定的国家标准、行业标准、团体标准、 地方标准和企业标准数量的总和。 6. 2. 20 外资利用比例 统计期内外资利用占总投资额的比例。外资利用包括外商直接投资和外商其他投资。 注1:外商直接投资是外方投资者通过设立外国公司分支机构的方式进行投资。 注2:外商其他投资是除外商直接投资以外其他方式吸收的外资,主要包括对外发行股票、国际租赁、补偿贸易、加 ———企业废水排放总量。 6. 2. 37 工业用水重复利用率 工业重复水量占工业用水总量的百分率。计算公式见式(9): RWR =WR/WC×100% ……………………(9) 式中: RWR———工业用水重复利用率; WR———工业重复用水量; WC———工业用水总量。 6. 2. 37. 1 工业重复用水量 报告期内企业生产用水中重复利用的水量,包括循环使用、一水多用和串级使用的水量(含经处理

年到 2021 年已出台 14 项政策），在明 确具体量化目标的同时，扶持产业链基础设施建设， 保障行业发展。 政府出台多项政策保障发展 整体概述 - 智能工厂定义 智能工厂定义 智能工厂是利用各种现代化的技术，实现工厂的办公、管理及 生产自动化，达到加强及规范企业管理、减少工作失误、堵塞 各种漏洞、提高工作效率、进行安全生产、提供决策参考、加 强外界联系、拓宽国际市场的目的。智能工厂实现了人与机器 法打破彼此之间的壁垒 生产过程人工操作，效率相对较低 产品质量和生产过程难以进行实时监控和优化 设备维护人工巡检，难以进行预测性维护 生产过程缺乏全面数据分析和监控，难以优化和改进 能源利用率相对较低 需要较多的人力成本和时间投入 运作模式是产品、服务相互结合 生产单元之间没有明确界限，各生产加工环节并行进行且充分参与， 具有强大的协调能力 自动化和智能化水平较高，生产效率大幅提高 感 器 网 络 通过将传感器联网，实现设备状态数据的实时采集、 传输和分析。 机 器 人 技 术 利用机器人技术实现生产设备的自 主控制和协同工 作，实现设备间的互联。 虚 拟 化 技 术 利用虚拟化技术，将设备虚拟化为网络资源，实现 设备的互联。 工 业 以 太 网 利用工业以太网技术实现设备间的通信和数据交换， 使各个设备实现互联。 数据底座就是全量全要素的连接和实时反馈系统。抓住

等新一代IT技术的落 地应用，也为各行业迅猛发展注入了源源不断的强劲动能。 在这样的时代背景下，水资源的合理利用与保护⸺这一与社会可持续发展紧密相连的 议题，成为了众人共同瞩目的焦点。城市化进程稳步前行、水环境治理不断深化，为水行 业带来了前所未有的发展机遇，政府对水资源的保护与利用给予了极高的重视，出台了一 连串政策以推动水行业的可持续发展。 尽管如此，除了必须直面气候变化和用水效率的双重挑战，水行业依然存在水资源过度开 自然水资源的需求在全球人口增长和经济 发展的背景下日 益增加。自然水资源的供应侧由于人为 污染、地下水过度开 采以及气候变化等诸多因素，可利用 的自然水资源量日渐萎 缩。全球水资源总量约为13.86亿 立方千米，其中咸水占比 为97.47%，淡水占比为2.53%。 地下水资源及咸水的大规 模开发利用在目前的技术条件 下尚未完全成熟，而容易获 取的淡水仅占淡水总量的 1% 左右，约占全球水资源总量的 0.026%左右。 日启动了“水资源促进可持续发 展”国际 行动十年，号召采取转变水管理方式的行动，促进 公平可持 续的水资源管理、利用、节约和保护，推动经济的 转型。世界 银行也指出在当前新冠疫情在全球蔓延的形 势下，提升供水 系统的韧性，完善水基础设施，健全消毒和 卫生设施，对保 护人类健康和促进经济恢复有着不可替代 作用 ③。 提升水资源利用效率是中国十四五期间重要目标 据国家水利部最新公布的2023年《中国水资源公报》数据 显示，全国水资源总量为25782

接受感应器数据，用来控制物流、产品和信息；智能材料告诉机器它们需要如何处理；维护和服务 由智能工厂的部件自动启动；固定的庞大生产线转变成模块化、高效节能的系统；产品的整个生命 周期的信息得到完整记录；人们可以利用智慧的培训和辅助系统。 作为世界最大的工业技术公司和世界领先的自动化和工业软件提供商，西门子在今天已经为“工业 4.0”的全面实现打下了坚实基础。工业软件创新将在“工业 4.0”实施中起到决定性作用，尤其在 ..159 案例四：西安航空动力控制有限公司利用 TC/NX 实现工艺设计模式创新 ..........162 案例五：北京动力机械研究所实施 MBD 创新航天行业最佳流程 ......................165 案例六：首都航天机械公司利用 TC 实现三维装配工艺设计和管理的模式创新 ..168 案例七：沃尔沃航空发动机公司利用 NX 知识驱动自动化来打造产品优势 ..... ...170 案例八：ATK 通过标准化的 PLM 战略推进 MBE 能力建设 ................................173 案例九：皮拉图斯飞机有限公司利用 MBD 技术实现并行工程 ..........................181 案例十：苏霍伊设计局基于 Teamcenter/NX 实现全面的数字化样机研发模式 ..183 案例十一：BSH 公司 PLM

5G+工业互联网项目，旨在构建一个基于订单 全流程、全过程的闭环管理系统，实现生产数据的实时采集、处理和分析，提升 生产效率和管理水平。 该项目的实施，体现了公司的创新精神和前瞻视野。一方面，项目充分利用 5G 技术的高速度和低延迟特性，实现了生产数据的实时采集和处理，大幅提高 了生产效率；另一方面，项目通过实现生产过程的数字化，改善了生产管理，提 高了产品质量。 一六八航空航天精密器件有限公司的 了覆盖全业务流程和车间工艺流程的数字化生产制造体系。该体系通过 5G 技术 链接企业人、机、物和系统，实现企业数字化管理、网络化协同和智能化制造。 企业利用 5G 和云技术，构建企业级的工业互联网平台，实现数据跨应用采集、 多系统数据全面采集，并通过数据分析，实现企业全局情况的实时在线管理。同 时，利用 5G+云的技术，构建企业 MES 系统，从而提高生产效率，减少人工干 预，保证产品安全。通过打通 ERP 系统、MES 成了一定的信息化管理机制，但各系统间的信息孤岛现象严重，导致信息共享程 度低、协同效率低下、成本浪费明显，且管理难度大。因此，该公司决定发展“5G+ 工业互联网”项目，以赋能机械加工行业的生产制造。此项目的核心在于利用 5G 新技术实现网络互连、数据互通，以及生产自动化与信息化的结合，旨在提 高企业生产效率、提高产品质量、减少资源浪费，并通过数据互联互通和数据可 视化实现质量管理的闭环，进一步推进精益制造和高绩效运营管理。

能网联汽车的电 子电气架构和零部件设计知识。在不了解智能网联汽车的前提下，研究车联网安全显得尤为困难。 所以，第四章，我们会梳理汽车的电子电气架构，并就关键的零部件进行攻击面的分析。 黑客可以利用漏洞对第四章提及的攻击面进行攻击。在第五章，我们对不同的攻击技术展开阐 述与分析。这其中包括针对车联网云端平台、典型通信协议、路侧设备、近场通信、车身接口、车 联网学习模型的攻击等。 车联网安全研究报告（第六期） ，指明建设方向。 在个性化服务与智能决策场景下，车联网数据和隐私泄露事件增多，同样也面临数据安全和个 人安全保护的风险。为了精准的个性化服务和智能决策，汽车行业不断增加用户数据的收集、分析 和利用，而从汽车服务商的研发数据泄露再到特斯拉个人隐私事件，不难发现数据在采集、传输、 存储、使用、共享、销毁各个环节中缺少了安全管控，导致数据安全和隐私风险不断增加，据研究 车联网安全研究报告（第六期） 事件解读 车联网安全研究报告（第六期） 9 三. 车联网重点安全事件解读 随着智能网联汽车行业的快速发展发展，车联网威胁也呈现持续升级的态势，相关安全事件层 出不穷。不法分子往往会直接或间接利用车联网软硬件中存在的安全漏洞发起攻击，对车企、用户 以及第三方供应商造成安全损害。从行业发展轨迹来看，在研发智能网联汽车伊始，车企对车辆网 络安全保障功能不够重视，直至 2016 年前后，车辆网络安全攻击事件的频发，直接威胁到汽车用

随后本文介绍了大语言模型的技术原理。事实上，大语言模型并不神秘，它只不过是利用大量真实文本所 训练出的“下一词预测器”（Next Token Predictor)。这一部分还介绍了与大模型相关的一系列术语，透过这 些术语，我们可以更好地看出大模型日新月异发展背后的本质；而理解了大语言模型的本质，我们才能够更加 客观地对待大模型取得的种种进展，破除对它们的迷信，并且更加正确、高效率地利用人工智能。 接下来，我们介绍应用大模型的四种方式：通过网页访问、通过 模型；第 二，以正则化（Regularization）方法缓解这类模型存在的过拟合问题；第三，在众多统计模型中进行模型选 择的高效算法。这一阶段人工智能对社会科学的影响主要体现在数据处理方面，即利用机器学习方法实现对 数据的高效拟合。具体来说，机器学习的作用体现在统计模型的改进上 (Athey and Imbens, 2019)，例如对 经济变量进行更准确的预测 (Cong et al., 复杂的具体事物，提炼成一个简洁、有力的核心概念。这个概念一旦被发明，就成了一个可以被反复使用、讨 论和检验的强大思想工具。正如劳动分工的概念一样，它不再仅仅是描述制针厂的个别事例，而是可以用来分 析所有生产活动。 第三步是利用逻辑的力量，将概念连接起来，形成一个自洽的体系。一个孤立的洞见或一个聪明的隐喻还 不是理论，理论是一个逻辑上自洽的、由多个命题组成的解释体系。将核心概念和因果机制，用演绎逻辑组织 起来。这其中又

AIGC英文全称为：Artificial Intelligence Generated Content，是人工智能1.0时代进入2.0时代的 重要标志。AIGC指利用人工智能技术，根据用户需求自动生成与之匹配的内容。汽车AIGC技术是指 AIGC技术在汽车行业的应用，主要是利用人工智能技术，自动生成汽车全生命周期中的任何内容， 如：用户需求的产品或服务、设计师的设计数据、工艺师的工艺流程参数等。 汽车AIGC主要 汽车AIGC主要有汽车设计AIGC、汽车制造AIGC、汽车应用AIGC和汽车营销AIGC等。 1.2 汽车AIGC概述 汽车设计AIGC 汽车设计AIGC，指在汽车开发过程中利用人工智能的生成技术，自动生成部分或全部流程交付物， 开发人员仅负责需求输入和对AI生成的结果修改确认即可；汽车设计AIGC还包括开发数据按开发流 程的自动演化，实现最初开发需求和最终开发结果的正反向追溯，并且开发人员可调取开发流程中任 汽车制造AIGC 汽车设计AIGC利用人工智能技术推动汽车制造业向高度自动化、智能化发展，使得生产工艺更加科 学精细，生产效能得以显著提升，进而增强企业的核心竞争力与市场响应能力。它强调的是人工智能 技术在汽车工艺制造领域的深度应用与革新作用，不仅仅局限于设计阶段的创新构思，更深入到工艺 流程设计、工艺参数优化、智能产线构建等多个方面。 汽车应用AIGC 汽车应用AIGC利用人工智能技术，提升智能座

AI 时代。这是很多有远见和未来意识的 CIO/CTO 的共识。 在此背景下，一体化云数据库的诞生恰逢其时。我们深刻理解零售企业的核心诉求：  弹性架构需应对“双 11”百倍流量脉冲，实现资源利用率与成本的最优平衡；  实时融合要突破 T+1 滞后，在毫秒级完成交易分析联动；  AI 原生必须激活“一方数据”价值，通过向量化+SQL 融合降低智能推荐开发门槛；  全局最优则要求简化异构系统堆叠，将总拥有成本降低 易记录、会员信息、供应链数据、精准的用户行为标签）。 这些沉淀在企业内部的高质量、高相关性数据，是训练行业专属模型、构建精准推荐引擎、实现 个性化服务的基础，构成了企业差异化竞争的核心资产。有效管理和利用“一方数据”是 AI 赋能 零售的核心前提。 最后是支撑 AI 全链路应用。 AI 在零售“研、产、供、销、服、管”全链路的深度应用，对底层数据底座提出了前所未有的要 求 。 这包括高实时 AP）和各种专用数据库组成， 在数字化时代已显现出其复杂运维难度和高昂运营成本。 进入智能化时代，面对零售企业智能化转型的需求，数据库必须具备弹性伸缩应对波峰波谷、统 一融合处理多模数据、高效利用一方数据、支撑 AI 实时需求等能力，这直接决定了企业智能化 转型的最终成效。 加之当下国内市场竞争日趋激烈，大部分零售企业都会开拓出海业务，故而在数据库部署形态上 会倾向于选择云数据库来支持