AI+CAD：多模态输入到模型 技术路径方面，生成式设计主要分为数据驱动、知识驱动和参数 化与生成式混合三种类别。数据驱动，利用大量的 CAD 模型数据、 设计案例、工程数据等，通过人工智能方法从数据中学习设计模式、 规律和特征。如申龙电梯利用浩辰 CAD 土建自动生成系统，实现根 据建筑 CAD 图纸自动生成最优电梯配置方案的设计工具，不仅使得 电梯设计更加灵活、高效，还能快速响应不同项目的特殊设计需求， 实 该工具 框架实现人工智能驱动的物理模拟，解决复杂的非线性物理问题。 技术实现方面，大、小模型技术路线协同并进。大模型擅长处理 高维复杂物理场、捕捉长程依赖关系，实现在海量数据中学习复杂物 理规律，在宏观尺度上实现颠覆性的性能提升。小模型高效、灵活、 低成本的特性使其在特定物理场景和工程任务中应用广泛。如其在焊 接工艺仿真等复杂制造场景中，可以精确模拟熔池流动、热影响区和 残余应力。使用 科研智能：人工智能赋能工业仿真研究报告（2025 年） 23 量的观测或仿真数据进行训练，可以构建出一个既能反映内在物理机 制又能适应实际场景的智能模型。模型一旦训练完成，便能确保其预 测结果严格遵循物理规律。在保持较高预测精度的同时，提供对复杂 物理现象的可解释性洞察，实现对系统行为在物理约束下的高效、可 靠预测。 流体仿真领域，物理驱动的方法将流体力学控制方程方程嵌入模 型结构，使得网络输出

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。 大模型为工业智能化拓展新空间 竞争 力。 1.3. 大模型应用落地需要深度适配工业场景 大模型的优势在于其强大的泛化能力，可以在不同的领域和任务上进行迁移学习， 而无需重新训练。但无法充分捕捉到某个行业或领域的特征和规律，也无法满足某些 特定的应用场景和需求，在真正融入行业的过程中，需要适配不同的工业场景，其核 心就是要解决以下三个问题。 不懂行业：大模型在处理特定行业任务时，往往表现出对行业知识、术语、规则 庞大的知识数据库中提炼出更多的特征变量。这些特征变量不仅数量庞大，而且涵盖 了多个维度和层面，从而更全面地反映现实世界的复杂关系。以自然语言处理为例， 大模型通过学习大量的文本数据，能够掌握语言的规律和模式。当给定一个句子或段 落时，大模型能够基于联合概率分布生成与之相关的新句子或段落。这些生成的内容 不仅符合语法规则，而且能够保持语义上的连贯性和一致性。此外，大模型还能够根 据上下文信息

式演进。 1.数字经济加速颠覆性技术涌现 传统创新模式高度依赖于科学家或工程师的个体经验和知识储 备，颠覆性技术涌现缓慢。颠覆性技术涌现具有高度偶然性和不确定 性，无法通过总结以往经验找到固定规律加以创造。熊彼特在早期研 究中特别强调了个人意志和企业家精神在创新过程中的重要作用；20 世纪 70 年代，英国科学政策研究中心（SPRU）在萨福（SAPPHO） 创新研究项目中发现，绝大部分创新研究都来自科学家、发明家或管 一定范围内不遵循传统要素的边际收益递减规律，投入更多的数据要 素可以带动企业生产可能性边界加速扩展。一是数据要素具有非稀缺 新质生产力研究报告——从数字经济视角解读（2024 年） 21 性特点。数据可以由多个过程同时使用或跨时空使用，其价值并不会 随着使用量的增加而减少，也不会由于一条生产线的使用而阻断其他 生产线的应用，因此不适用传统生产要素边际产出降低的规律。二是 数据要素具有规模经 字技术推动“制造+研发”一体化、“产品+服务”融合化发展，促进 制造企业向研发、服务等价值链更高环节延伸。这些机制正逐步改变 制造环节“利润低、价值低、可替代性强、对竞争优势影响小”等传 统规律，推动价值链形态由“微笑曲线”向“沉默曲线”转变。 来源：中国信息通信研究院 图 5 数字化推动价值曲线从“微笑”走向“沉默” 数字经济加快传统产业向智能化发展。数字技术作用于数据要素，

图 1.6 工业大模型特点 工业大模型作为新一代人工智能技术与工业场景深度融合的产物，正在重 构制造业的智能化体系。其区别于通用领域大模型的本质特征，来源于工业场 景的特殊需求和物理世界的运行规律。本节从数据维度、模型架构、应用范式 三个层面，对工业大模型的特征进行系统性分析。 1.2.1 数据维度 12 ◼ 多模态数据融合特性 工业场景中数据源呈现多维异构特征，包括： ➢ 9%，异常样本获取成本高 ➢ 新设备数据积累不足：产线升级导致的数据分布偏移问题 ➢ 标注质量要求高：需领域专家参与标注，人工成本是通用领域的 5-8 倍 ◼ 数据物理约束特性 工业数据受制于物理规律约束： ➢ 守恒定律：能量、质量等物理量的守恒关系 ➢ 因果时序：设备退化过程的不可逆特性 ➢ 边界条件：工艺参数的安全阈值限制 ➢ 不确定性传播：测量误差的链式传导效应 1.2.2 模型架构 理规律和机理模型融入到大模型中，显著提升了其对复杂工业问题的理解能力 和解决能力。工业场景中，许多问题具有高度的专业性和复杂性，例如流体动 力学、热力学、电磁学等领域的物理规律，往往是工业生产过程中的核心要素。 基座层通过工业机理嵌入，将这些专业知识直接融入大模型的训练和推理过程 中，使模型在解决实际问题时能够遵循工业领域的基本原理。例如，在能源行 业中，嵌入电力系统的物理规律后，模型可以更精准地优化电网调度方案，从

智慧园区的资产数据包括园区档案 数据和企业档案数据两部分。 > 数据开发 数据开发应提供有效的存储、索引和查询的数 据库系统，对园区产生的海量数据进行共享、 分析、挖掘、集成，找出其内在规律并进行可 视化的应用展示。 支撑平台 包括数据服务、数据分发、数据治理、数据安全、 日志统一管理、综合一张图显控等软件模块。 03 数据 资源 六、数据资源 01 02 数据资源：数据资产一体化、

要指示指出，新时代新征程，以中国式现代化全面推进强国建设、民族复兴伟业，实现新型工业 化是关键任务。要完整、准确、全面贯彻新发展理念，统筹发展和安全，深刻把握新时代新征程 推进新型工业化的基本规律，积极主动适应和引领新一轮科技革命和产业变革，把高质量发展的 要求贯穿新型工业化全过程，把建设制造强国同发展数字经济、产业信息化等有机结合，为中国 式现代化构筑强大物质技术基础。 从国家发展大 成（RAG）技术，为大模型外挂知识库和知识图谱，让大模型基于知识库的知识对问题进行回 答，提升企业员工知识获取和共享效率。大模型还可以全面洞察石油石化产业的运营特征，赋能 企业精细化管理，揭示生产、经营数据背后隐藏的规律，为企业发展和转型升级带来新的智慧源 泉。 企业需要通盘考虑如何搭建生成式人工智能的能力体系，包括对算力基础设施、人工智能工 具平台以及数据治理等关键环节的规划、设计和建设。企业可以根据自身实际情况选择订阅模式

等，统一分析类、优化类、控制类、培训类等工业应用，统一传统的建模过程，全面简化 技术体系，有效应对复杂工业场景；2）跨装置：TPT 汇集不同装置的海量数据进行联合预 训练，学习了工业装置运行的通用规律。通过少量微调或零微调，即可在不同装置和工况 间复用，表现出惊人的跨装置、跨工况的适配能力；3）高可靠：TPT 相较于传统 AI 模型， 更能精确匹配生产现状，包容性更强、可靠性更高，可直接控制装置实现闭环运行，保障

产业发展的压舱石，网络必须具备高安全防护能力，确保数据传输安 全与系统运行可靠。 从发展模式来看，与移动通信网络的迭代发展周期相类似，服务 于车辆的网联通信技术发展也同样遵循“布局一代、应用一代”的内在 7 规律；与此同时，汽车网联通信技术的规模化应用通常滞后于网络基 础设施的部署和消费电子产品的应用，例如 5G 在车端的应用普及相 比于手机等移动终端存在一定的滞后性。因此，汽车网联通信技术应 采取分阶段、差异化的推进策略。对于

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 设备利用率、产品合格率等，为管理层提供直观的信息支持。 分类算法（如决策树、随机森林）  回归算法（如线性回归、支持向量机）  聚类算法（如 K-means、DBSCAN） 此外，在整个数据处理过程中，我们需要实现数据可视化，以 便于决策者理解数据和洞察规律。在此过程中，我们可以使用 Tableau、Power BI 等可视化工具，将处理后的数据以图表和报告 的形式呈现。 数据处理技术的最终目的是将所有的原始数据转化为有价值的 信息，驱动智慧工

主要 挑战 工业知识库是结构化和非结构化数据的融合，面临着： • 需要考虑如何将隐性知识精准显性化； • 不仅需要解决多模态数据的统一表征问题，还需要克服大模型基于 统计关联的推理可能VS客观物理规律、实际现状因果链脱节的问题 近几年，数字化转型市场持续存在数据的争夺和数据开放流通并行的特点，即供给方力求通过产品掌握更多的企业需求和企业数据 流转路径、国家层面也在不断完善数据交易的合法合规。而