3 产品质量检测场景.......................................................................... 74 4.2.4 设备预测性维护场景...................................................................... 75 4.3 工业大模型应用当前问题.. 产业发展面临的挑战.................................................................... 112 6.1.3 全球产业布局与预测.................................................................... 116 6.1.4 中国产业布局特点......... 1 全球产业的发展趋势.................................................................... 128 6.3.2 全球市场容量预测........................................................................ 130 6.3.3 全球产业的竞争态势....

的运营和自动化高管表示，到 2025 年，AI 助手将接管大部分常规和事务性工作。 自动化决策的比例将进一步上升。运营和自动化高管们表示，生成式 AI 将在未来两年内将数字助理的决策量增加 21%。 预测能力提升并推动可持续创新。76% 的供应链和运营高管认为，生成 式 AI 将优化产品设计，并推动产品生命周期的可持续发展。 生成式 AI 能够防范供应链中断， 并驱动业务增长。 摘要 智能供应链洞察变革，驱动增长 同行竞争者。 72% 供应链的稳定性始终难以把握。商业环境中 的各种潜在风险让我们很难预测未来的变化。 面对不确定的环境，供应链高管往往要采取 “围城心态”，迅速调整策略，从计划 B 转 向计划 C、D 甚至 E ，以减少损失。 但是，如果你能把精力投入到推动业务增长， 而不是应对危机呢？如果你能够精准预测未 来，从而获得竞争优势呢？ 生成式 AI 与云计算的强大结合，能够让这一 与云计算的强大结合，能够让这一 设想成为现实。通过结合机器学习、自动化 和高级数据分析，组织能够在混合云环境下 精准预测需求变化和采购延误等各类情况。 凭借预测，组织将能够变革供应链战略，从 事后被动应对转变为事前主动调整。 领先采纳生成式 AI 和数据创新的组织，特别是将 AI 能力视作自动化投资核心的组织，已获得显著回报。 智能供应链洞察变革，驱动增长 4 目前，领先采纳生成式 AI 和数据创新的组织，

…… 石化循环经济发展 废物与污染物管理 可再生能源使用 能源利用效率提升 ……. 生产管控一体化 研发辅助设计 井下工况检查 现场培训模拟 调度与智慧智能 智能库存管理 资产预测性维护 ……. 高端化 智能化 绿色化 �� 智能化 面向石油石化全产业链发展，全面融入人工智能和自动化技术，用智能化加速产业升级进 程。在企业经营中逐步推进数字化、数智化应用，利用定制化解决方案和服务帮助企业提升 一步推动了工程的智能化进阶发展。 来源: 石化盈科&IDC ����年 图�. 石油石化产业人工智能技术演进路线 业务价值 时间 智能供应优化 智能研发模拟 风险智能预测 湖仓智能管理 智能营销预测 智能无废生产 智能无废生产 巡检智能 智能仓储管理 智能调度 调度管理 地震解释 工程虚拟测量 数字绩效管理 可视化监控 地震解释 无废生产管理 管网调度优化 FutureScape报告预测：在未来两年内，��%的油气中下游企业将部署AI技术以实 现自动化数据分析；到����年，��%的油气田企业将投资GenAI，提高现场技术人员生产 力，并以数字化方式沉淀现场技术人员知识来构建知识管理平台；为实现净零承诺，到���� 年，��%的油气产业上下游企业将采用AI驱动的碳数据平台，实现碳捕获和数据披露自动 化，并使用AI技术来实时预测净零计划的履约情况。

术通过试点应用发 现 Nyx 可以深度融合 Al 技术，基于 GPU 赋能的控制引擎，提供组态自动生成、Al 融合 PID 等功能，从而实现数据预测和自适应控制等，提升装置运行的效益。2）TPT：将模拟 与预测能力融于一体，能支撑多种任务，通过长短周期预测、动稳态模拟等，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。 ⚫ 全球顶 万华化学：蓬莱基地率先使用中控 i-OMC，未来，将通过生成式人工智能技术，比如大型 语言模型、中控 AI 时序大模型 TPT 及预测大型模型等，为其工厂和园区创建一个超级大 脑。全球顶级客户与中控技术的合作充分体现了公司产品的有效性和竞争力。 ⚫ 维持盈利预测，维持“买入”评级。预计 24-26 年归母净利润分别为 12.56、16.06、20.11 亿元，对应 24-26 年 PE 为 A0230521120002 wangke@swsresearch.com 联系人 刘建伟 (8621)23297818× liujw@swsresearch.com 财务数据及盈利预测 2023 2024Q1 2024E 2025E 2026E 营业总收入（百万元） 8,620 1,738 10,707 13,242 16,077 同比增长率（%）

2 生产调度智能化................................................................................104 7.2.1 预测性维护...............................................................................106 7.2.2 生产计划优化 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、 图像识别和时间序列分析等技术，模型能够更好地理解和模拟复杂 系统的行为。这种能力使得 AI 大模型在数据分析、预测维护及智 能生产等方面得到了广泛应用。 随着计算能力的提升和算法的不断优化，AI 大模型的推理效率 和准确性也在不断提高。例如，目前主流的大模型如 GPT- 3、BERT 和 T5 等，展示了在语言理解、生成和对话等任务上的卓 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 流程，实现大规模定制的目标。  供应链管理：利用模型进行需求预测和库存优化，提升供应链 的响应速度和灵活性。

根据世界经济论坛的数据，到2025年底，超过 50%的制造商将采用人工智能5。国际数据公司 （IDC）预测，到2026年，全球物联网领域的支出将 达到1万亿美元6。人工智能和机器人在制造业有巨 大的增长潜力，预计到2027年全球市场规模将达到 1,820亿美元7。 综合来看，这些调查结果和预测突显了这一领域存 在的巨大商机，同时表明市场格局正在快速演变。 随着智慧工厂成为主流，未采用人工智能等技术的 实现生产过程自动化，从而提高精确度和速度。联 网设备生成的实时数据有助于优化生产计划，减少 浪费并提高整体生产效率。 设备维护成本高：设备故障导致维护成本和停机时 间增加。物联网支持预测性维护，可以在故障出现 之前做出预测，并更及时地安排维修。这样不仅能 减少停机时间，还能延长设备使用寿命，从而节省 成本。 质量控制问题：在不同生产线上保持产品质量一致 颇具挑战性。物联网系统支持实时质量监控和分析， TELENOR IoT | 物联网赋能制造业数字化转型 | 9 人工智能和机器学习：在物联网系统中集成人工智 能和机器学习（ML），可实现预测性维护、优化生 产计划以及加强质量控制。人工智能赋能的分析可 以在设备故障发生之前做出预测，从而缩短停机时 间并降低维护成本。机器学习算法可以优化生产流 程，从而提高效率和产品质量。德勤开展的一项调 查显示，制造业的数据生成量位居前列，海量数据

定制化需 求，或能够根据变化快速重新配置 • 动态排产能力 • 库存优化模型 • 在资本支出中纳入可持续相关的考量 需求预测 能够预见和预测业务需求及客户需求的变化，以及更广泛的社会 和文化转变。 • （在利用客户的历史数据进行预测之外）利用结构化分析工 具，提前判断需求的上升或下降 • 前瞻性地进行客户细分，在出现短缺时权衡需求的紧迫程度 • 建立客户趋势控制塔来收集数据洞见（市场、互联产品、客户 建立客户趋势控制塔来收集数据洞见（市场、互联产品、客户 旅程、情感分析），据此设计新产品并为其定价 端到端智能控制塔 运用可视化解决方案，贯穿整条价值链更迅速地预测和识别风险、 管理冲击，并分析原因。 • 具备“what-if”（如果……将会怎样）的情境模拟能力、动态化 数据驱动型的计划 • 预测性地识别运营问题（质量缺陷、故障、维护需求、不合格） • 可支持端到端运营实时可视的数字驾驶舱 • 运用数字工具，快速了解供应短缺、生产或运输延迟对销售及 常有限，成熟度止步不前。 韧性得分：0~100 试点 部分部署 转型正在进行 中国 全球 完成转型 100 90 80 70 60 50 40 30 20 10 0 需求预测 动态化、可持续的产品开发 自主生产 本地化、可灵活调整的供应链 端到端智能控制塔 灵活的员工队伍 敏捷组织 后25%平均值 前25%平均值 图三 企业韧性成熟度 10

资料来源：华泰研究 图表2： 算力基础设施板块&多模态 AI 板块相关公司估值表 注：收盘价、市值截至 2023 年 3 月 22 日，美元兑港币数据截至 2023 年 3 月 21 日，预测数据为 Wind 一致预期。 资料来源：Wind，华泰研究 2022E 2023E 2024E 2022E 2023E 2024E 中芯国际 688981 CH CNY 52.30 数据集的 GPT-3 模型，在 1024 块英伟达 A100 上，当 batch size=1536 时，每 GPU 实际算力能够达到 140 teraFLOP/s，训练时间为 34 天。 华泰预测：需要近 2000 张 A100。我们也对一次训练 Chatgpt 需要的成本和 GPU 数量进 行了测算，根据公式所需硬件数等于训练所需浮点运算次数（模型参数 1750 亿*训练集大 小 300 亿*每单词训练所需浮点数 技术发展 资料来源：Efficient Large-Scale Language Model Training on GPU Clusters Using Megatron-LM，华泰研究预测 训练时间 （天） 实际每GPU吞吐 量（teraFIOP/s） Microbatch size GPU数量 Batch size 模型并行 规模 参数量 （十亿）

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 决策，减少生产风险。 二、智能化生产与机器人技术 技术可以通过视觉识别、图像处理等方法实现对产品质量缺陷的快速检测 和分类。智慧工厂中的智能质检系统可以大大简化产品质量控制流程，提高产品一 致性和产品合格率。 4.2 预防性维护 采用基于 AI 算法的预测性分析模型，智慧工厂可以在设备故障之前预测出潜 在问题，并提前进行维护。这有助于企业减少因机器停机带来的损失，并延长设备 使用寿命，降低维修成本。 结论： AI 技术在智慧工厂建设中具有广泛应用和巨大潜力。通过数据采集与分析、

质量检测、预测性维护等单一功 能，这形成了人工智能应用上“一场景一训练一模型”的局限，尚未形成大规模的应用。 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 等的不理解，导致生成的解决方案与实际需求存在偏差，这主要是由于大模型在训练 过程中缺乏特定行业的数据和知识，难以覆盖各个行业的专业细节。这种行业知识的 匮乏使得大模型在应对工艺流程优化、设备故障预测等专业问题时有所缺陷，难以提 供精确、可靠的解决方案，无法满足工业现场的个性化要求。 不熟企业：当大模型接入企业系统时，往往难以全面理解企业的业务流程、数据 结构和运营模式，导致生成的解决方 现象。这主要是由于模型在训练过程中受到了噪声数据、偏差样本等因素的影响，或 者由于模型的复杂性和数据维度过高导致过拟合。这种幻觉现象对工业领域的影响是 全方位的，无论是生产过程中的质量控制、设备维护，还是供应链管理、市场预测等 环节，错误的输出都可能导致严重的决策失误和经济损失。特别是在对安全性、可靠 性要求极高的工业场景中，如航空航天、核能等领域，幻觉现象可能带来灾难性的后 果。 6