最终在一年后纠正。7 随着最近对人工智能 (AI) 的兴趣激增 ， 人们 再次提出了关于新兴能源使用的问题 技术。在这种情况下 ， 批评家推测 AI 的快速采用 数据创新中心 1 再加上深度学习模型规模的增加将导致 能源使用的大量增加 ， 具有潜在的破坏性 环境影响。8 然而 ， 与过去的技术一样 ， 许多 关于人工智能消耗能源的早期说法已被证明是 夸大和误导。本报告概述了辩论 ， 包括一些早期的失误以及它们是如何形成的 政策对话 ， 并澄清人工智能能源的记录 足迹以及未来几年可能会如何发展。它建议 政策制定者通过以下方式解决对人工智能能源消耗的担忧 采取以下步骤 ： . . 为 AI 模型制定能源透明度标准。 寻求关于能源透明度的自愿承诺 基础模型。 . . 考虑 AI 法规对 能源使用。 使用 AI 使政府运营脱碳。 关于 AI 的能量使用和碳排放的事实 准确估算 AI 的能源使用和碳排放 系统在其生命周期中具有挑战性 系统在其生命周期中分为两个阶段 ： 1) 训练 AI 模型 ； 以及 2) 使用 AI 模型来响应特定的查询 - 这个过程称为 “推理 ” 。 训练 AI 模型 马萨诸塞州阿默斯特大学的研究人员估计 2019 年几个 AI 模型的碳排放 ， 第一个主要模型之一 同类研究。10 研究发现 BERT - 当时是 Google 最先进的大型语言模型 （ LLM ） - 发出 数据创新中心 2

........10 （一）设备边缘层提供物联设备接入和边缘计算能力 ...... 10 （二）资源层提供底层基础设施支撑能力 .................12 （三）平台层提供基于数据模型贯通的技术服务能力 ...... 14 （四）应用层提供场景化解决方案服务能力 .............. 16 四、工业互联网赋能能源化工行业作用价值 .............. 17 （一）基于平台化的新型研发设计创新范式 了前所未 有的密集活跃期，人工智能技术的崛起，特别是大模型的广泛 应用为传统工业发展带来全新范式。汇聚了算力、数据、算法 及知识的工业互联网，已经成为人工智能技术落地的重要载体。 通过工业知识注入，实现工业机理与通用人工智能大模型的有 机结合，一系列具备工业文本生成、知识问答、理解计算、代 码生成及多模态处理等核心能力的工业大模型不断涌现，进一 步助力实体经济的数字化转型。 （二）全球工业互联网的发展 国内外工业软件巨头已依托平台开展全链条工业软件云化重构， 加快上云迁移，变革型技术产品不断涌现，并持续向高价值场 景适配验证。数据集成能力进一步加强，工业互联网集成技术 向更深层次的模型集成和更广范围的数据主线演进，为数据和 模型融合决策提供底座支撑，使更深层次的互联互通互操作成 为可能。识别类、数据建模类、知识推理决策类以及组合优化 类等传统工业智能由简单感知识别向深度认知演进，随着应用 认知水

网络化协同、智能化变革。到2025年， 规模以上制造业企业大部分实现数字 化网络化，重点行业骨干企业初步应用 智能化。到2035年，规模以上制造业企 业全面普及数字化网络化，重点行业骨 干企业基本实现智能化。近两年，国产 生成式AI大模型的全面突破，更是为行 业加速发展提供了新契机。 同时，全球制造业及其供应链也面临前 所未有的风险。一方面，贸易摩擦和关 税政策急剧变化，给全球化企业依赖已 久的跨国贸易和供应链体系带来巨大不 确定性。很多高端制造企业更是处于风 国产化替代加速等多重因素影响，全球 及中国智能制造和自动化行业有望在 2030年进入高增长时代。其次，“平台 化、敏捷化、智能化”三大技术趋势将 驱动行业发展，工业互联网平台、虚拟 化PLC、人工智能、工业大模型等多项 创新技术令更多自动化、智能化场景成 为可能。制造业企业应全面拥抱“开放、 智能、融合”的智能制造软硬件平台， 选择开放融合的合作伙伴，抓住工业自 动化行业技术变革带来的效率提升机 会。 融合生态 程，以适应不同的生产任务和环 境变化，提高生产质量和效率， 降低次品率。 （三） 提升运动控制精度：人工智能 技术可优化工业自动化系统及 工业机器人的运动控制。例如， 利用神经网络算法对机器人的 运动模型进行建模和预测，能够 实现更精确的运动轨迹控制，提 高机器人在高速运动和复杂动 作下的控制精度，使其能够完成 更加精细和复杂的任务，如高精 度的焊接、打磨等。 （四） 增强人机交互的易用性：自然语

船舶数字孪生系统是指基于数字孪生构建的新型智能船舶系统，其核心是通过构建与物理船舶同步映 射的虚拟船舶模型，并借助物理船舶与虚拟船舶模型的虚实数据交互，实现模型与数据共同驱动的各类应 用。借助数字孪生跨时空的特性，船舶数字孪生系统可以更快、更全、更优地监控、分析、预测、优化、 控制物理船舶。船舶数字孪生系统相关技术包括船舶全要素感知技术、虚拟船舶模型构建与迭代技术、船 舶孪生数据处理与管理技术、智能化船舶应用开发与服务技 命周期，目前相关研究主要集中在数字孪生驱动的船舶设计、建造、故障预测与健康管理、运营管理等。 未来具体的技术发展趋势包括基于数字孪生的船舶设计建造一体化、基于数字孪生的船舶虚实融合试验、 多学科船舶数字孪生模型精准构建与同步演化、船岸虚实平行运维管控等。 表 2.1 机械与运载工程领域 Top 10 工程研究前沿 序号 工程研究前沿 核心论文数 被引频次 篇均被引频次 平均出版年 1 船舶数字孪生系统 结构、孪生网络结构、长短时记忆网络结构等。常用的学习技巧包括注意 力机制、深度显著性图引导分割、使用跨模态互补信息、使用跨层级互补信息等。结合视觉大模型的先验 知识和弱监督学习的数据优势是该领域未来的发展方向。具体的技术发展趋势包括基于视觉大模型的语义 分割修正技术、基于先验知识的弱监督语义分割技术、基于剪枝的网络轻量化技术、基于增量学习的语义 分割技术、基于时域关联性的视频语义分割技术等。