为数字信号。AI 技术可以结合大数据分析，对传感器采集到的数据进行实时监控 和分析，从而帮助企业更好地了解生产过程中存在的问题，并及时采取相应措施进 行调整和改进。 1.2 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

来颠覆式创新，物理世界与虚拟世界正在加速融合……变革的 浪潮席卷而过。园区作为产业经济集聚的重要形态与主体，正 在成为新一轮数智化变革的见证者与推动者。通过把握数智化 技术带来的商机，融入蓬勃的数智生态，园区将能够持续挖掘 数据价值，推动业务转型，从而释放创新价值，驱动社会经济 快速发展。 但同时，在数智技术快速发展的背景下，园区数据快速增长， 大模型等创新应用不断落地，这意味着园区需要对云、边缘、 网络等 在实现数据共享、打破 “信息孤岛”、整合重用资源等方面 具有天然优势。 • 大数据 数智园区大数据技术的应用主要体现在为园区提供大数据 平台和工具，在云平台上集成园区管理和服务相关的各个 系统，挖掘并聚集海量的数据。大数据中心作为数智园区 的基础设施，是园区智慧的基础，为园区实现有效、高效 的决策和服务提供支持。 要推动园区向数智园区演进，园区的建设商或运营商不仅在管理上面临范围拓展、深度加大、需求量增多、环境复杂化等因素 据、能耗数据、物业数据、公共设施数据并没有充分地实现 互联互通，只停留于园区基础数据、企业概况等一般数据 的展示层面，对于数据的分析与利用停留于表层，难以通过 多个系统的数据分享和关联，实现更深层次的数据挖掘。 此外，园区智能化设备还普遍存在着重功能轻体验的问题， 用户使用门槛高、体验效果差，这导致园区耗费资金引入 的智能化设备处于事实上的闲置或低效应用状态，无法充 分发挥智能化设备的价值。 •

抓痛点：六维度客户成熟度分析 绩效分析 预期 效益 调度排产 控制网络 问题 3 ：控制性能最优 感知网络 数据挖掘 模式识别 指标体系 抓痛点：定位 8 大核心工程问 题 问题 2 ：计划与控制的协同 问题 1 ：基于仿真的优化的平台 问题 8 ：面向企业决策的挖掘 问题 6 ：物理、社会信息的感 知 问题 7 ：异构信息的规范和提 取 问题 4 ：生产绩效指标体系 问题

项目将聚焦于以下几个核心功能模块的开发与实 施： 1. 实时数据采集：通过传感器和物联网技术，实时收集生产线上 的各类数据，包括设备状态、生产进度、能耗等，为后续的数 据分析提供基础。 2. 数据分析与挖掘：利用大模型算法对采集的数据进行深入分 析，识别生产中的瓶颈、质量问题和能耗异常，提供可视化的 分析报告，帮助管理层进行决策。 3. 生产调度优化：基于实时数据与历史数据，采用智能算法优化 等技术手段实 现自动化采集，减少人工干预，提高数据收集的及时性和准确性。 数据将定期上传至云端数据仓库，便于进行集中存储和管理。 数据分析将采用多种工具和算法，通过机器学习和统计分析， 深入挖掘数据背后的规律和趋势。具体分析内容包括：  数据清洗与预处理：确保采集到的数据完整、准确，剔除噪音 和异常值，以便后续分析。  描述性分析：通过可视化工具展示生产过程中的关键指标，如 设 势和市场需求进行预测。这些预测将作为资源调配和生产计划 的重要依据。  关联分析：通过关联规则学习，找出生产参数与产品质量之间 的关系，识别潜在的影响因素，为质量控制提供数据支撑。  效能提升分析：利用数据挖掘技术，分析设备空闲和故障时 间，提出优化建议，提高设备的整体效率。 在实施数据采集与分析过程中，建议建立数据治理框架，确保 数据的安全、合规和有效使用。同时，定期对数据分析结果进行回 顾和调整，实现持续改进。

广义AI 生成式AI API LLM 狭义AI XaaS 互联网 云 社交 移动 ���� ���� �� 随着大模型和XaaS（一切即服务）等技术的快速发展，业务价值的挖掘已经进入了平台化和 社群化的新阶段，其中模型与应用场景的深度融合进一步深化了业务价值的实现。生成式AI在体 验运营方面的突破，以及其对石油石化业务未知领域的探索和赋能，推动着人工智能向“AI无处 销售等核心 业务，通过知识获取和知识应用两大类能力与全产业链的深度融合，将产业知识全面引入到产业 智能化建设过程中。其中，知识获取过程涉及机器学习、强化学习、迁移学习、搜索、群体智能 以及数据挖掘等技术体系；知识应用过程则包含模式识别、专家系统、计算机视觉、自然语言处 理、语音处理、多智能体系统、规划应用、推荐系统、环境监测等技术实践。 IDC FutureScape报告预测：在未来两年 根据需求变化动态调整运输计划，提高储运效率和灵活性等。 智能化探索：智能储运生成式AI/大模型业务需求空间与发展方向 智能储运大模型通过与运筹学的结合，能够显著发挥其在推理分析和数学求解方面的固有优 势，进而深度挖掘管道储运在管线预测性维护、管网调度优化、供应链运筹优化等关键领域的需 求潜力。 典型案例 中国石油天然气管道工程有限公司油气储运领域人工智能大模型WisGPT ����年�月底，管道局设计院

合”的服务： • 梳理企业转型改造的不足 • 提出“一企一策”系统解 决方案、顶层规划方案或 项目改造方案 • 提供切实可行的实施路径 人员要求：小工作 团队为诊断组，不 少于5人 整体要求： 1）挖掘其真实需 求，掌握参诊企业 发展现状 2）指导企业完成 智能制造能力成熟 度自诊断 3）识别参诊企业 的共性痛点，研发、 集成或推荐对应软 硬件解决方案，推 动有意愿的参诊企 业开展改造，并跟 进参诊企业的改造 www.iresearch.com.cn 转型地位-战略认可、业务尝试 战略上高度认可、技术上多种工具使用、业务上缓慢推进、数据上价值 挖掘、成果上合理评估是当前已经转型的企业的所处的状态 注释：1）针对已经进行了数字化转型的企业客户进行调研，N=45；2）条状图的颜色代表该维度下数字化的推进深度，颜色越深，代表推进深度越高。 来源：艾瑞咨询研究院自主研究及绘制。 并推动业务发展；2）业务上，55.6%的企业试图将转 型推进至核心业务；3）数据上，91.1%的企业在不断的挖掘自身数据资产的价值；4）效果上，当前以侧重提升用户体验为主。 86.7%的企业认为转型十分必要 联动铺设工具/技术，探索工具对业务的优化和推动价值 91.1%的企业不断挖掘数据资产的价值 尝试将转型深入推进核心业务 以提升和改善体验为主 转型地位-重要 转型驱动因素&期望 转型建设情况

模的应用。 然而，大模型的崛起有望带来“基础模型+各类应用”的新范式。大模型凭借其卓越的理 解能力、生成能力和泛化能力，能够深度洞察工业领域的复杂问题，不仅可以理解并 处理海量的数据，还能从中挖掘出隐藏在数据背后的规律和趋势。此外，区别于传统 的人工智能模型只能根据已有数据进行预测和推断，大模型则能够生成新的知识和见 解。最后，大模型的泛化能力能够在更广泛的工业场景发挥作用。 大模型 28%。相较于这些发达 国家，中国制造企业 AI 普及率尚不足 11%，显示出这一领域巨大的发展潜力和广阔的 空间。相较于以往的小模型，大模型有望挖掘工业领域人工智能应用的新场景，提升 人工智能应用的普及率。例如在研发设计领域，大模型能够深度挖掘和分析海量数据， 为产品设计提供更为精准和创新的思路。在经营管理领域，大模型能够实现对生产流 程、供应链管理等各个环节的监控和智能优化，从而提升企业的运营效率和市场竞争 展的阶段，尽管已取得了显著进步，但在成本、效率和可靠性等方面仍有待进一步提 升，以适应工业领域日益复杂的需求。其次，工业场景众多且各具特色，大模型作为 新技术，需要逐步与各个工业场景紧密结合，在逐步提升技术渗透率的过程中，挖掘 可利用的场景，并根据行业特定需求提供定制化的解决方案。最后，工业领域自身的 数据分散且缺少高质量的工业数据集，同时在实际生产中如何确保工业数据的隐私和 安全也是企业关注的重点，这些现实问题也限制了大模型的推广应用。

苏州市“近零碳工厂”。开展绿色服务支撑，通过线上线下相结合深化绿色低碳服务，开 设 “工业节能云课堂”和 “益企能”专栏，发布《园区绿色低碳典型案例》和《园区主导 行业节能减碳共性技术清单》，为区域工业低碳转型提供新思路，挖掘新亮点。 建筑领域。新建建筑实施全过程低碳管理，新建建筑中绿色建筑占比达到 100%，新建居 住建筑全面执行 75%节能标准。积极推进大型公建和居民住宅既有建筑节能改造，涵盖绿 色照明、建筑 电量平衡，发挥需求侧 资源削峰填谷、促进电力供需平衡和适应新能源电力运行的作用。全面调查评价需求响应 资源并建立分级分类清单，形成动态的需求响应资源库。拓宽电力需求响应实施范围，通 过多种方式挖掘各类需求侧资源并组织其参与需求响应。加快推进需求响应市场化建设， 探索建立以市场为主的需求响应补偿机制。明确用户侧储能安全发展的标准要求，加强安 全监管。 支持园区虚拟电厂加快发展 制定 开展节能改造。 编制发布公共建筑低碳节能指南 编制发布《苏州工业园区公共建筑低碳节能指南》，指导苏州工业园区公共建筑节能改造 工作，在满足建筑使用要求的基础上，采用合适的节能改造技术，充分挖掘建筑节能潜力， 提高建筑的能源利用效率，降低建筑能源消耗。明确公共建筑节能改造技术。鼓励公共建 筑节能改造各项工作遵循由简到繁、由易到难的原则，视具体情况分阶段、分部位进行， 有需要且有条件的

情绪预判 教学质量评估 群体情绪 感知层 人脸高清抓拍相机 壁挂式识别主机 捕捉式高清相机 人脸录入注册机 闸机控制 其它联动 决策支撑系统 决策支撑系统 身份认证 访问控制 人脸图库挖掘 工作流管理 预警管理 黑名单管理 终端 终端 家长 家长 教师 教师 职能人员 职能人员 管理者 管理者 身份数据 访客数据 黑名单 人脸属性 访客数据 智能制造系统架构通过生命周期、系统 提供数据治理能力，以数 据为核心，围绕数据的可识别 、可分析和可展示等方面实现 对数据的综合管理。解决业务 数据的信息控制与监管，在数 据的认知标准、大数据的应用 范围、数据分析与挖掘等方面 为政企数据提供管理办法。 数据检测平台 dbgov 运维管理平台 docker 为提供微服务应用综合治理 平台，以构建微服务应用的开发 、运维一体化思想，实现应用的 资源分配、快速部署与状态监控

有通用能力的模型框架。 例如，在智能制造场景中，多模态模型可以同时分析设备运行日志、监控画面 和报警音频，从而更全面地诊断设备故障并提出优化建议。此外，多模态预训 练模型还能够通过跨模态学习，挖掘不同数据模态之间的潜在关联。例如，在 质量检测中，模型可以将图像数据与文本描述（如检测标准）进行联合分析， 从而实现更高精度的质量评估。这种多模态能力使得工业大模型能够适应从设 备管理到生产优化的多样化场景。 化工具，分别对应模型的通用能力构建、场景适配和性能提升。在预训练阶段， 工业大模型通过大规模、多模态的数据训练，构建通用特征表示，具备跨模态 理解和生成能力。多模态预训练模型通过对文本、图像、语音等数据的联合建 模，能够挖掘不同模态之间的潜在关联性，为下游任务提供强大的基础能力。 在微调阶段，模型通过迁移学习或少样本学习技术快速适配到特定工业任务， 如设备故障诊断、生产流程优化等。这种适配能力大幅缩短了模型开发周期， 行优化、升级以及故障排除。技术服务的目标是确保工业大模型能够适应企业 环境中的变化，及时解决运行中出现的任何问题，以避免影响生产流程或造成 业务停滞。此外，技术服务团队还需要根据企业的需求进行定制化的功能扩展， 帮助企业充分挖掘模型的潜力并实现持续创新。 为了确保技术服务的高效性和及时性，企业应建立标准化的服务流程。这 一流程包括问题的反馈、解决方案的制定、定期检查以及系统更新等环节。通 过这种结构化的服务流程，企