模拟、随机数生成器、量子密码学、优化算法、量子 互联网 人工智能：AI未来算法、类脑智能、人机交互、 沉浸式技术、人机界面 先进网络和通信技术：区块链技术、安全 冗余通信、新一代无线电、6G、下一代无线网络 氢能与储能：核能、氢能和氨能、先进火力发电、 智能电力系统、危险化学品环境数字化管理 人工智能：负责任的人工智能、ELSI（伦理、法 律和社会问题）、人机界面技术、数据处理 生物技术：智能生物产业、以实现精密医学为目 2.3 我国重点省市未来产业布局 北京市重点发展方向 上海市重点发展方向 发展方向 发展领域 未来信息 通用人工智能、元宇宙、量子信息等 未来健康 基因技术、脑科学与脑机接口等 未来制造 类人机器人、智慧出行等 未来能源 氢能、新型储能等 未来材料 石墨烯材料、超导材料等 未来空间 商业航天、卫星网络等 8 2. 2 2.4 知名研究机构未来产业热点 知名研究机构 相关报告 聚焦赛道 接待、剪彩颁奖主持等； 科技发展馆、商演活动 等 小米 CyberOne: 模拟人的各项动作；识别人物身份、 手势、表情；识别语义和人类情感 家庭服务、商业应用、 技术展示 钢铁侠 科技 双足大仿人机器人ART系列；语音交互；视觉 识别；仿生步态规划；多机协作等 高校科研；机器人运动 员；智能服务；太空探 索 16 赛道 5：新型储能（固态电池等） 全球广泛部署 技术各有所长 l 美国：飞轮储能、压缩空气储能、

功耗低，可有效缩小终端设备的尺寸，5G 开发板可以即插即用，用 户只需要通过数据线即可直接连接电脑，进行固件烧录和产品开发。 第三类终端设备基于 5G 模组研发，例如 5G 工业平板电脑、5G 工业 相机、5G 无人机、5G 阀岛等。5G 模组包含主芯片、射频前端、MCU、 天线、传感器、接口等模块，去除了 5G 开发板上 5G 模组之外的模 块，进一步缩小了可开发的终端设备体积。这种方式提升了开发灵活 性，用户可在 称“5G ACIA 白皮书”）将工业 5G 终端设备分为 7 类：低时延传感器 和执行器、低功耗传感器和执行器、2 维/3 维传感器、HMI（Human Machine Interaction，人机交互）和 XR、PLC 和控制器、网关、TSN 端口。其中，低时延传感器和执行器通常被集成到机器人、机械臂等 设备中，通过 5G 与 PLC、控制器进行通信，对通信的实时性和可靠 性要求较高。 网桥的端口，与网络侧协同实现 5G 网络与 TSN 网络融合，通常被用 于机器人协同作业等场景，对时间同步要求较高。 8 结合典型工业应用场景，本文将行业应用类 5G 终端设备分为静 态感知、移动感知、人机交互、辅助控制和特殊作业五类，并与 5G ACIA 白皮书的分类进行了对应1，列举了每一类的代表性工业 5G 终 端设备。 （1） 静态感知类 此类终端设备对应“低功耗传感器和执行器”类，主要用于监测温

统，从而快速应对变化，精确调整策略。例如， 员工无需依赖采购系统来修改订单交货日期， 而是直接要求 AI 助手进行调整。 但这仅仅是基础应用。借助 AI 助手，供应链 团队正在建立一种全新的人机互动模式，这 种模式将影响供应链的每个环节，从规划、 采购、生产到分销。事实上，64% 的首席供 应链官认为，生成式 AI 正全方位革新工作流 程。首席供应链官和自动化高管们表示，生 成式 AI，推动互连设备产生差异化成果。 7 然而，提高效率只是第一步。通过将互联数 据用于可视化全程供应链，企业可以深入理 解供应链的各个环节，并预测和应对潜在的 中断。 其工作原理如下：无人机、机器人、摄像头 及其他互连设备的数据汇总至一个统一平 台，平台包括地理空间层、信息层和协调层。 接着，通过时间推移的可视化，供应链团队 可以回顾特定变化对生态系统的影响，并根 据当前局势变化做出实时决策。

、地质成像、 工程决策，采用知识图谱和NLP技术自动分析测录井、地震及采油数据，借助计算机视觉技术识 别油井示功图、判断设备故障、油气泄露等异常工况和规范油田炼厂等生产作业区HSE措施；基 于人机交互技术扩展远程决策功能，将为油气产业的勘探、生产、炼化、经营管理全链条业务的 业务流程、技术研发、人财物管理、组织架构等环节带来全新的变革。 例如，在当前的油气藏勘探开发过程中，企业普遍存在实时决策难、指标优化难、生产协同 方案，已在我国油气勘探开发、管道运输、炼 化等多个能源细分领域应用。该公司开发的大模型WisGPT具备丰富的油气储运专业知识， 并能够不断更新和扩充，可以通过文字、语音、图像和视频等多种形式实现人机交互，为企 业管理以及油气储运工程勘察、设计、审查、施工、监理等提供专业知识支持。同时， WisGPT还具有客户化实施模式，可充分满足油气储运企业的数据保密性要求。 未来，随着持续的迭代升级， 大模型不仅能够通过先进的推荐算法为供应链各参与方提供精准的业务指导，以提升整体的 决策质量和运筹模拟的分析效率，而且还能够通过整合多模态技术，极大提升管线视频分析和管 网巡检的智能化水平。与此同时，通过与多模态技术的结合，人机合作的进一步深入将推动智能 储运大模型在效率和效果上实现质的飞跃，与传统人工智能技术形成互补，共同激发新旧智能技 术的协同效应，为储运行业带来创新的解决方案和业务增长点。 来源: 石化盈科&IDC

利用积累的经验进一步改善性能 • 自适应特征 ，包括故障情况下自 修复 优化协同能力 • 实现知识自动化 • 跨企业的协同 • 实现供应链端到端的集成和 高效的人机协同 科学决策能力 • 在管理过程中对问题能够 进 行复杂分析、 精确判断 和创 新决策 • 新一代生产营运中心 智能工厂 “ 三知”：看的清、看的懂、看的远 “ 三行”：做的对、做的快、做的优

其次，优化生产流程是提升效率的关键。我们将应用机器学习 算法，对历史生产数据进行分析，识别出生产流程中的非增值活 动，进而进行流程重组和标准化。通过消除浪费和简化流程，预计 整体生产周期可以缩短 15%。 再者，人机协作也是提升生产效率的重要方面。我们将引入协 作机器人（Cobots），在生产线中与工人共同作业，承担重复 性、危险性高的任务。这样不仅减少人类劳动强度，提高工作安全 性，还能使人类员工将精力集中于更高价值的创新任务上。 大模型能够有效 地解决实际问题。我们将组织多次工作坊，与各方利益相关者进行 讨论，收集并整理需求，形成需求文档。 在需求分析完成后，进入系统设计阶段。此阶段主要包括总体 架构设计、模块划分、数据流设计以及人机交互界面设计。我们将 采用微服务架构，以增强系统的灵活性和可扩展性。同时，需要设 计数据采集与处理的具体方案，确保数据能够实时、准确地传送至 AI 模型进行分析与决策。 完成设计后，进入开发与测试阶段。开发团队将根据设计文 系统间数据孤岛，安全性不足 最后，确保在需求收集后进行一次合理的整理与反馈，向用户 展示收集结果及后续计划，从而增强其参与感与信任度。通过以上 系统化的用户需求收集步骤，我们将能够有效地识别并分析出符合 实际的人机交互与系统功能需求，为 AI 大模型智慧工厂 MDC 项目 的成功实施奠定坚实基础。 4.2 方案设计 在 AI 大模型智慧工厂 MDC 项目方案设计的方案设计阶段，主 要目标是构建一个符合企业整体战略目标和生产需要的智能化系

可以有效助力企业提高敏捷性。例如，企业可以充分 利用增强现实（AR）和虚拟现实（VR）技术，以助力 拥有必要技能的员工，由他们帮助完全处于另一地点 的同事成功完成任务。 确保持久的韧性取决于人机协作的技能提升和 技能再培训战略。企业应当创建定制型干预措施， 即个性化的学习路径（参见图五），以一种可行、可扩 展且具有成本效益的方式弥合技能差距。借助这一战 略，企业可以更有效地应对关键技能的短缺，打造敏 围绕打造可持续供应链，企业应该聚焦净零、循环、 信任三个方面发力。 特刊 20 | 智能制造 中国企业供应链转型的三大方向 习惯都会发生变化，需要重新梳理运营模式，跨部门 协同变得更加重要。同时，未来3至5年，人机协作的 趋势将更为明显，越来越多的员工也愿意拥抱人工智 能。数字化转型在企业落地的效果取决于人的思维转 变，组织运作模式的转变。 不确定的全球供应链网络以及成本节降压力等 多重因素依旧影响着中国企业，供应链转型任重道

所示。主要规定智能装备的信息模型、 12 数据字典、通信协议、数据接口、功能和性能测试等要求。 图 5 智能装备标准子体系 （1）智能感知与控制装备标准 主要包括智能传感器、仪器仪表等装备的数据感知、操 作控制、人机交互等通用技术标准；信息模型、时钟同步、 互联互通、协议一致性等接口与通信标准。 （2）数控机床与工业机器人标准 主要包括数控机床和工业机器人的运动控制、安全要求、 运行维护、性能测试等通用技术标准；信息模型、数据接口、

机器人技术可加速自主/半自主操作，有助于提高系统的 智能性、直观性和灵活性。 生产物流通过制造运营及自动移动机器人 (AMR) 提供协调、敏捷、零接触的物料流。 设计和可视化 工具将原始想法转化为直观的人机界面和沉浸式虚 拟现实仿真，以实现更智能、更快的生产。 工业控制系统可在运营的每个阶段 改善过程和生产质量，并提供无缝数据交换。 电源控制推动有价值的过程和诊断数据的持续流动，为设计环 境、可视化系统和信息软件提供信息。

多工况迁移：适应设备老化和工艺变更 ➢ 因果推理：构建故障传播路径的贝叶斯网络 (3) 决策层大模型 ➢ 多目标优化：同时平衡质量、成本、能耗等多个指标 ➢ 在线强化学习：在动态环境中实现分钟级策略更新 ➢ 人机协同决策：提供可解释的决策依据链 1.3.5 分类体系的交叉与融合 (1) 多模态混合型大模型 融合路径： ➢ 跨模态注意力机制：建立振动信号与热成像数据的时空关联 ➢ 统一表征空间：将文本工艺规范与设备运行数据对齐 3 应用范式维度对比 ➢ 传统模型： 单点应用：独立服务于特定环节（如预测性维护或视觉检测） 响应延迟：某冲压产线质量检测系统存在 200ms 决策延迟，导致 0.5%的漏 检率 人机交互：需专业算法工程师解读结果，某钢铁企业模型决策接受度不足 50% ➢ 工业大模型： 闭环控制：实现"感知-决策-执行"毫秒级响应，某光伏电池片分选系统将吞 吐量提升 22% 自主 现人与模型、模型与环境之间的高效交互。这一层通过多模态交互技术和工业 智能体的深度结合，赋予模型自然、高效的交互能力以及实时感知和智能操作 的能力，从而使工业大模型能够更加贴合复杂多变的工业场景，推动人机协作 和工业智能化的深入发展。在交互层中，多模态交互技术是其核心组成部分， 通过支持文本、语音、图像等多模态输入输出，极大地提升了模型的交互性和 用户体验，使用户能够以自然语言或其他形式与模型进行高效沟通。文本交互