....25 3.3.1 机器学习........................................................................................................................................................27 3.3.2 深度学习................ 的空间。AI 技术在新能源汽车制造中的应用，不仅能够提升生产效 率、降低生产成本，还可以通过智能化的质量控制手段，显著提高 产品的可靠性和安全性。例如，在电池生产环节，AI 可以通过大数 据分析和机器学习算法，优化电池材料配比和生产工艺，从而提高 电池的能量密度和循环寿命。在装配线上，AI 驱动的机器人能够实 现高精度的零部件组装，减少人工操作的误差。此外，AI 还可以应 用于供应链管理、物流调度和售后服务等环节，通过智能预测和优 应用报告显示，全球领先 制造企业中已有 67%实施了 AI 解决方案，其中，预测性维护的成 功实施使设备非计划停机时间减少了 30%-50%，维护成本降低了 20%-40%。 在质量控制方面，基于深度学习的视觉检测系统已广泛应用于 精密制造领域，通过高分辨率工业相机与 AI 算法的结合，缺陷检 测准确率可达 99.9%，远高于传统人工检测的 95%。以某汽车零部 件制造企业为例，其引入 AI 质量检测系统后，产品返工率降低了

化转型的深入，传统仿真技术面临计算效率瓶颈、多物理场耦合复 杂性剧增、全流程协同不足等挑战，难以满足科学研究领域对实时 性和精准性的高阶要求。人工智能技术的突破性发展，尤其是大模 型、物理信息机器学习、神经算子、生成式 AI 等方向的演进，正为 工业仿真注入全新动能。通过构建“数据+物理”双驱动的智能仿真范 式，AI 不仅能够提升仿真效率，更能在多目标优化、虚实交互决策 等场景开辟新路径， 025 年） 1 一、人工智能赋能工业仿真发展背景 人工智能赋能工业仿真是指将人工智能技术（如机器学习、深度 学习）与工业仿真技术进行深度融合，通过数据驱动、智能决策和动 态优化，实现对工业全流程的虚拟化建模、实时模拟与自主优化的一 种新型技术范式。其核心在于利用人工智能的自主学习与预测能力， 提升仿真的精度、效率与智能化水平，推动工业系统从传统模拟向自 适应决策演进。人工智能赋能工业仿真不仅覆盖产品研发阶段，还延 精度预测能力的持续追求，正在倒逼仿真技术加速向智能化转型。以 汽车设计中的气动特性测试为例，传统风洞实验往往需要需数月时间 完成测试，而当前市场已要求按周甚至天为单位的快速反馈周期。基 于人工智能技术，通过对历史数据的学习与预测，可大幅提升仿真速 度和精度。AI 技术的引入已成为突破传统仿真技术瓶颈、实现工业 智能化升级的关键路径。 （二）人工智能赋能工业仿真应用价值初显 人工智能推动工业设计范式创新变革。以生成式人工智能为代表

适用项。基数：1567 过程自动化和优化 人工智能/机器学习 网络安全 适应能力/敏捷性，以跟上竞争和不断变化的市场 可扩展性，以满足业务需求并推动盈利增长 取 得 成 果 的 能 力 结果表明，人工智能是技 术战略和路线图的核心。 采用者正在看到切实的 成果，只有云/SaaS 才能 带来比 GenAI 和因果关 系人工智能更高的投资 回报。 人工智能/机器学习能带来比所有其他智能制 造能力更大的业务成果。 在过去的 12 个月里，贵公司投资的技术中，哪一项的投资回报率最 高？ 选择前 3。基数：1562 云/SaaS GenAI 或因果关系人工智能 5G 人工智能/机器学习 供应链规划 (SCP) 高级分析（使用人工智能/机器学习） 机器人流程自动化 (RPA) 机器人 制造执行系统 (MES) 企业资源规划 (ERP) :: 10 :: 智能制造的现状 :: 第九版年度智能制造现状报告 受访者认为，处于制造业前沿的受访者正在使 用数据来推动人工智能/机器学习发展和优化 过程。 但是，受访者认为，他们自己的组织有效使用 所收集数据的比例还不到一半。 行业领导者正在获取情景化数据， 以推动明智的实时决策。 需要更好的数据管理来推动人工智能发展并增强团队能力 :: 12 只有 44% 的数据得到有效利用 人工智能/机器 学习和应用人 工智能/GenAI 问题： 您如何看

设计、设备运维等具体环 节（实现质量管控、故障预测）。其构建遵循三阶段体系：首先完成工业数据制 备，处理 CAX 模型、传感信号等特有模态数据；随后训练工业基座模型，攻克 工业语义理解、小样本学习等技术难点；最终通过任务适配实现场景交互，与 PLC、工业机器人等设备协同运作。 ➢ 通用工业大模型 通用工业大模型是工业大模型的一种类型。它是在工业领域构建的，相对 于行业大模型和场景大 技术特征：基于微服务架构构建模型组件库，支持动态拼装。核心组件包 括： ➢ 基础模型池：包含设备诊断、工艺优化、异常检测等原子能力模块 ➢ 知识路由网络：根据输入特征自动匹配最优模型组合 ➢ 联邦学习接口：支持跨工厂模型组件协同进化 技术优势：单个模块参数量控制在百亿级，降低硬件部署门槛。 (3) 联邦协同大模型 技术特征：在保护数据隐私前提下实现跨组织知识共享，关键技术包括： ➢ 差分 异常传播建模：构建故障因果链网络 (2) 视觉数据主导型 技术演进： 16 ➢ 高分辨率处理：支持高分辨率工业图像实时分析 ➢ 多光谱融合：整合可见光、红外、X 光等多模态视觉数据 ➢ 小样本学习：在少量缺陷样本下达到较高检测准确率 (3) 知识图谱主导型 构建方法： ➢ 自动化知识抽取：从百万级专利文档中提取工艺知识 ➢ 动态关系推理：发现隐性工艺参数关联 ➢ 多语言对齐：支持中英德日四语种知识融合

通用性和复用性是大模型的关键价值。2017 年，Google Brain（谷歌大脑）团队在 其论文《Attention Is All You Need》中创造性地提出 Transformer 架构，凭借注意力机 制，极大地改善了机器学习模型处理序列数据的能力，尤其是在自然语言处理（NLP） 领域。Transformer 架构的出现，为后续的大模型如 ChatGPT 等奠定了技术基础。 ChatGPT、Bert 等大模型通过海量 等大模型通过海量数据和庞大的计算资源支持，使得模型具备了强大的 通用性和复用性。大模型可以被广泛应用于自然语言处理、计算机视觉、语音识别等 领域的各种任务，能够为各种应用和开发人员提供共享的基础架构，并进一步通过微 调、零样本学习等方式，直接在一系列下游任务上使用，取得一定的性能表现，支持 不同行业、不同场景的应用构建。 2 工业大模型应用报告 大模型展现出三大基础特征。目前大模型并没有明确的定义，狭义上指大语言模 大模型。如李飞飞等人工智能学者 所指出，这些模型也可以被称为基础模型（Foundation Model）。我们认为，大模型主 要具备以下三大特征： 参数规模大：大模型的参数规模远大于传统深度学习模型。大模型发展呈现“规模 定律”（Scaling Law）特征，即：模型的性能与模型的规模、数据集大小和训练用的计 算量之间存在幂律关系，通俗而言就是“大力出奇迹”。不过“大”并没有一个绝对的标

大模型技术.....................................................................................63 5.1.1 机器学习算法.............................................................................65 5.1.2 数据处理技术.... 在过去的几年里，人工智能领域经历了显著的技术突破，尤其 是基于深度学习的 AI 大模型的崛起。大模型的特点在于其对大规 模数据集的处理和理解能力，因而在多个行业中展现出革命性的应 用潜力。这些大模型不仅能够提高决策效率，还能推动企业的智能 化转型，从而实现传统制造业的数字化升级。 首先，AI 大模型的训练过程通常利用海量的结构化和非结构化 数据，使得模型具有了强大的表征学习能力。通过自然语言处理、 图像识别和时 大模型应用于智慧工厂的 建设中。以下是当前 AI 大模型在工业领域的几个关键应用场景：  智能生产调度：利用大模型分析生产数据，优化生产排程和资 源配置，提高生产效率。  预测性维护：通过对历史设备故障数据的学习，模型能够提前 预测设备可能出现的问题，从而降低停机时间和维护成本。  质量检测：运用图像识别技术，对产品质量进行实时监控，及 时发现并解决质量问题，提升产品合格率。  个性化生产：结合用户需求，通过大模型优化产品设计和生产

来源: 石化盈科&IDC ����年 基于学习 ‒ 通过AI相关技术，模拟人类的学 习、推理和决策过程，处理复杂的数据和任务 双向交互 ‒ 双向交互回答开放性问题，为使用 者提供更多规则外洞察及多维度回答 灵活环境 ‒ 应用于复杂且宽阔领域下的 非结构多模处理，灵活性和适应性更强 自我突破 ‒ 能够不断自我优化和扩 展能力，具备自我突破和学习能 力，发展空间大 方案创新 ‒ 跳出规则束缚，通过智能 跳出规则束缚，通过智能 构建新业务模式和解决方案，增加方 案创新性 基于规则 ‒ 基于预设的逻辑和算法来执行任务， 而非通过学习获得智能 单向指令 ‒ 交互水平局限于系统设计，为使用者提 供规则范围内的回答 固定环境 ‒ 应用于特定领域或任务， 自动问题处理，灵活性和适应性较差 瓶颈可见 ‒ 智能需要更多人为干预， 易遇到发展瓶颈且智能难以自我迭代 流程优化 ‒ 智能是针对现有流程和系 智能是针对现有流程和系 统的优化，而非创造全新的解决方案 传统智能 人工智能+ �� 技术模式：“传统智能”基于预设的逻辑和算法来执行任务，而非更多地通过学习来持续提 升智能；“人工智能+”则模拟人类的学习、推理和决策过程，能够持续进化并处理复杂的 数据和任务； 应用模式：“传统智能”一般应用于特定领域任务，聚焦自动处理问题，灵活性和适应性较 差；“人工智能+”可应用于复杂且广域的非结构化多模任务处理，具备很强的灵活性和普

况决定是否上、如何上 PDM。 兵贵胜，不贵久。一个项目经历长时间的鏖战，必日久力衰，高质量、快速交付时确 保项目成功的关键。风险控制至关重要，项目成功才是硬道理。规避风险一是要及时组织 方案的学习、讨论、确认、培训；二是要采用试点的做法，以点带面、以试点带全部。通 过试点实施确定管理模式和解决方案作为模板，在全公司的实施中统一和推广，以全面降 低未来管理难度和实施推广的复杂程度。顺腾公司信息化基础薄弱，建议初次上大的系统， 精通自身业务和系统操作，并能带领周围员工学习和使用 ERP 系统； c、 项目组成员工作量由部门经理内部调整，保证项目组成员 60%以上的时间和 精力从事项目工作。 3、 目前 ERP 项目组成员为： 项目经理：（略） 项目组成员：（略） 部门 ERP 推进负责人：各部门经理 二、 奖励制度 1、 ERP 学习优秀奖 a、 为了调动各部门对 ERP 学习的热情，奖励学有所成、学以致用的优秀员工， 员工， 特设立此奖项； b、 ERP 学习优秀奖选拔途径有：考试试题、部门经理推荐、项目经理提名、公 司领导指定； c、 ERP 学习优秀奖，每月评选一次，名额为 3 人，每人奖金 100 元； d、 ERP 学习优秀奖获奖名单，由项目组讨论后，报公司领导批准。 2、 ERP 特别贡献奖 a、 奖励在 ERP 项目实施、运行维护过程中对出现的问题提出建设性意见或者切 实可行的解决方案

产管理 的内容，提供资产录入、管理、变更等管理功能。可通过流量监控开放端口、主 动外连行为等。 （2）安全监测  安全告警感知 事件监测以丰富的工业威胁模型识别、全面的检测策略、智能机器学习、高 效的沙箱动态分析，以及云端威胁情报匹配能力为基础，以安全事件为切入点， 以威胁对象为聚合条件，动态梳理当前热点安全场景，将海量告警转化为几十条 甚至十几条事件，无需关注搜索、过滤、聚合之间的逻辑差异，通过点击数据得 安全事件关联建模、安全事件统计建模、威胁情报建模和 AI 学习建模，利用分 析引擎进行数据深入分析，提升安全威胁检测准确率。  基线分析 支持网络行为基线分析能力，可识别新资产上线、新网络行为、新网络连接 通信等。 以机器学习的方法建立工控网络的通信基线模型，对工控系统网络环境建立 四类安全基线：资产基线、访问关系基线、流量基线、行为基线。通过基线学习、 异常检测的方式，可以对异常情况进行发现和预警，提前发现 加便捷、简单 的方式进行安全指令下发，极大提升用户体验。 2.1.4 方案创新点和实施效果 1.项目先进性及创新点 （1）基于智能机器学习的威胁感知技术创新 本项目中涉及的安全监测数据量大，通过基于智能机器学习的威胁感知，可 自动收集、分析和学习系统正常运行状态下的数据行为，在此基础上智能提取用 户节点的行为特征，并自动生成容易理解的操作规则、白名单、配置规则等，实 现自动化特征规

数据挖掘与预测 AI 技术可以通过数据挖掘和机器学习算法，提取出隐藏在海量数据背后的有 价值信息，并基于历史数据对未来可能出现的问题进行预测。这为企业的生产计 划、库存管理以及供应链协调等方面提供了有力支持，使企业能够更加精准地做出 决策，减少生产风险。 二、智能化生产与机器人技术 2.1 自动化生产线 AI 技术可以实现智能化的自动化生产线，通过自主学习和智能决策能力提高 设备的自我调节功能 测，并在发现异常情况时自动暂停生产，并通知相关人员进行处理。这种智慧工厂 中的自动化流程可以极大地提高生产效率和产品质量。 2.2 协作机器人 协作机器人是一类与人类共同工作的机器人系统，它们通过与操作者进行交互 学习以及与其他设备和系统的实时数据交换，实现真正意义上的协作工作。AI 技 术可用于协助协作机器人的任务分配、路径规划、目标追踪等关键环节，进一步提 高机器人的工作效率和灵活性。 三、智慧物流与仓储管理