隨著全球制造業(yè)向智能化、服務化、綠色化轉(zhuǎn)型，制造業(yè)正經(jīng)歷從自動化向智能化的深刻變革，數(shù)字化轉(zhuǎn)型已從單一技術應用升級為全要素、全流程、全生態(tài)的系統(tǒng)性變革。傳統(tǒng)工業(yè)模式受限于小模型泛化性差、跨場景遷移成本高、復雜問題分析能力不足等能力瓶頸，亟須新型技術引擎突破發(fā)展邊界。大模型作為人工智能領域的最新突破，憑借其強大的跨模態(tài)理解、知識生成與泛化能力，正成為破解制造業(yè)“數(shù)據(jù)孤島”“場景碎片化決策低效”等痛點的關鍵抓手。前瞻產(chǎn)業(yè)研究院發(fā)布的《2025—2030年全球及中國大模型產(chǎn)業(yè)發(fā)展前景與投資戰(zhàn)略規(guī)劃分析報告》顯示，大模型在制造業(yè)的滲透率已從2022年的7%躍升至2024年的41%，成為數(shù)字化轉(zhuǎn)型的核心動力。

從政策層面看，2025年6月3日，工業(yè)和信息化部黨組書記、部長李樂成主持召開會議，深入學習貫徹習近平總書記關于人工智能的重要指示批示精神，落實黨中央、國務院重大決策部署，研究推動人工智能產(chǎn)業(yè)發(fā)展和賦能新型工業(yè)化的思路舉措。會議提出要夯實產(chǎn)業(yè)基礎；強化算力供給，統(tǒng)籌布局通用大模型和行業(yè)專用大模型，注重軟硬件適配，加快建立高質(zhì)量行業(yè)數(shù)據(jù)集，提升重點產(chǎn)品裝備的智能化水平。2025年政府工作報告明確指出，持續(xù)推進“人工智能+”行動，支持大模型廣泛應用，大力發(fā)展智能網(wǎng)聯(lián)新能源汽車、人工智能手機和電腦、智能機器人等新一代智能終端以及智能制造裝備，為大模型技術落地提供了頂層設計保障。

從產(chǎn)業(yè)實踐看，大模型已在研發(fā)設計、生產(chǎn)制造、供應鏈等領域展現(xiàn)出顯著價值。然而，當前大模型在制造業(yè)的應用仍面臨技術落地難度大、場景適配性不足、落地路徑不明確等挑戰(zhàn)。

圖 1 “核心技術 - 場景應用創(chuàng)新 - 實踐路徑驗證”分析框架

如圖1所示，本文基于技術創(chuàng)新與產(chǎn)業(yè)實踐的雙重視角，構(gòu)建“核心技術-場景應用創(chuàng)新-實踐路徑驗證”的分析框架，系統(tǒng)揭示三者間的內(nèi)在聯(lián)系：核心技術為場景創(chuàng)新提供底層支撐，場景創(chuàng)新驅(qū)動實踐路徑的探索與落地，而實踐案例則驗證技術效能并揭示挑戰(zhàn)，進而推動技術的迭代優(yōu)化。本文旨在為企業(yè)提供從技術選型到場景落地的全流程指引。

一、大模型賦能制造業(yè)的核心技術

（一）大小模型協(xié)同技術

大小模型協(xié)同技術是指通過合理組合大模型（如GPT、LLaMA等具備強大通用能力但資源消耗較高的模型）與小模型（如輕量級NLP模型、領域?qū)Ｓ媚Ｐ偷葏?shù)規(guī)模較小、靈活性高的模型），實現(xiàn)優(yōu)勢互補，提升整體系統(tǒng)性能的技術體系。其核心目標是在保證效果的前提下，降低計算成本、優(yōu)化響應效率，并增強模型在特定場景下的適應性。

針對制造業(yè)不同業(yè)務場景的特點，借助大小模型之間的協(xié)同運作，充分發(fā)揮各自的優(yōu)勢，克服單一模型的局限性。大小模型協(xié)同主要有兩種方法：

（1）大模型增強小模型。一是通過知識蒸餾，可以將大模型的知識轉(zhuǎn)移到小模型中；二是通過數(shù)據(jù)合成，可以利用大模型生成高質(zhì)量訓練數(shù)據(jù)或增強現(xiàn)有數(shù)據(jù)，提升小模型性能。

（2）小模型增強大模型。一是數(shù)據(jù)優(yōu)化，利用小模型對預訓練數(shù)據(jù)進行篩選和重構(gòu)，以此提升數(shù)據(jù)質(zhì)量；二是弱到強學習，借助小模型對大模型的指導和監(jiān)督，實現(xiàn)知識從“弱”到“強”的轉(zhuǎn)移；三是能力擴展，依托小模型或外部工具，拓展大模型的能力邊界；四是推理效率提升，通過模型級聯(lián)或路由的方式，將大小模型結(jié)合，進而提高推理效率。

（二）模型輕量化技術

大模型參數(shù)規(guī)模的不斷增長和算力需求的提升，衍生了推理效率低、算力資源消耗大、應用成本高等問題。模型輕量化是大模型在制造業(yè)高效率、低成本落地的核心技術之一，它是指通過剪枝、量化、知識蒸餾等技術手段，在盡可能保持模型性能的前提下，顯著減少大模型的參數(shù)規(guī)模、計算復雜度和存儲需求，使其能夠在算力有限的情況下高效運行的過程。

1.動態(tài)剪枝

動態(tài)剪枝是指在模型訓練或推理過程中，根據(jù)實時狀態(tài)（如輸入數(shù)據(jù)特征、計算資源限制）自適應地刪除冗余連接或神經(jīng)元，從而在不顯著損失性能的前提下降低模型計算開銷，進而提升模型推理速度。其核心優(yōu)勢在于動態(tài)適配不同場景的資源約束，尤其適用于大模型（如Transformer、GPT系列）在邊緣設備、實時推理等場景的輕量化需求。

2.動態(tài)量化

動態(tài)量化是大模型輕量化關鍵技術，相較于靜態(tài)量化所采用的固定參數(shù)，它根據(jù)輸入數(shù)據(jù)的實時分布動態(tài)調(diào)整量化尺度和零點。這一機制可靈活適應數(shù)據(jù)激活值的波動，降低靜態(tài)參數(shù)導致的精度損耗，尤其適合輸入數(shù)據(jù)動態(tài)范圍大、分布不穩(wěn)定的場景。

動態(tài)量化運行時需計算量化參數(shù)，會產(chǎn)生少量額外開銷，但它在精度方面展現(xiàn)出優(yōu)勢顯著，能在INT4/INT8等低精度量化下保留模型性能。實際中常結(jié)合混合精度策略，在邊緣設備算力、內(nèi)存受限場景實現(xiàn)高效推理，兼顧準確性與可靠性，廣泛應用于智能終端、物聯(lián)網(wǎng)設備等領域。

3.知識蒸餾

知識蒸餾是一種將復雜大模型（稱為教師模型）學習到的知識遷移到輕量級小模型（稱為學生模型）的模型壓縮技術，使小模型在保持高性能的同時減少參數(shù)量和計算開銷。

蒸餾技術的核心在于知識的傳遞和壓縮。具體來說，教師模型通過其復雜的結(jié)構(gòu)和大量的參數(shù)，學習到了數(shù)據(jù)中的復雜模式和特征。學生模型則通過模仿教師模型的輸出，學習這些模式和特征，從而獲得類似的性能。

（三）模型邊緣適配與云邊端協(xié)同技術

模型邊緣適配指對大模型進行優(yōu)化，使其能在邊緣設備（如工業(yè)控制器、智能終端等）上高效運行，解決邊緣端算力、內(nèi)存、功耗受限的問題。

云邊端協(xié)同通過云端（大規(guī)模算力中心）、邊緣端（靠近數(shù)據(jù)源的分布式節(jié)點）、終端（用戶設備）的分工協(xié)作，實現(xiàn)云邊端的資源最優(yōu)配置，通過“云端訓練、邊端推理”提升整體系統(tǒng)的響應速度、可靠性和隱私保護能力。

圖 2 云邊端一體工業(yè)算力體系

如圖2所示，在云側(cè)，依托云端工業(yè)大模型算網(wǎng)資源池為客戶提供獨占式和共享式兩種模式的算網(wǎng)資源，并預先配置工業(yè)大模型開發(fā)平臺及L0基礎模型，同時提供客戶可選配的L1行業(yè)模型及應用；在端側(cè)，針對客戶不同的時延、成本及算力需求，為客戶提供算力一體機，將大模型能力下沉到邊緣計算設備，實現(xiàn)大模型在邊緣端的高效部署。

（四）工業(yè)多模態(tài)技術

工業(yè)多模態(tài)技術是大模型賦能制造業(yè)的關鍵核心技術，它打破單一數(shù)據(jù)類型的局限，將文本、圖像、音頻、視頻及各類傳感器數(shù)據(jù)等多模態(tài)信息有機融合。在工業(yè)場景里，多模態(tài)技術融合多源生產(chǎn)數(shù)據(jù)：設備運行數(shù)據(jù)，如振動頻率、主軸轉(zhuǎn)速；生產(chǎn)文本日志，如設備操作記錄、故障維修報告；圖像與視頻數(shù)據(jù)，如質(zhì)檢圖像、監(jiān)控視頻。借助先進的機器學習與深度學習算法，工業(yè)多模態(tài)技術對這些多元信息進行特征提取、關聯(lián)分析，并將其在統(tǒng)一的表征空間內(nèi)實現(xiàn)融合，將工業(yè)知識融入模型訓練，大幅提升對復雜工業(yè)場景理解的準確性。

（五）全鏈路AI工具鏈

全鏈路AI工具鏈是集匯聚管理、訓練推理、應用開發(fā)于一體的大模型工具平臺，提供從模型匯聚接入、數(shù)據(jù)清洗標注、模型訓練微調(diào)、模型推理加速到知識庫、提示詞、插件、流程、協(xié)議適配等最終實現(xiàn)大模型工程化應用落地的全鏈路工具服務，可以大幅提高大模型訓推效率及AI應用開發(fā)效率。

圖 3 全鏈路 AI 工具鏈整體架構(gòu)

如圖3所示，全鏈路AI工具鏈包含模型匯聚管理、模型訓練推理、智能體開發(fā)平臺。模型匯聚管理平臺提供模型部署、API服務、版本控制、模型監(jiān)控、模型上架及下線等功能，實現(xiàn)一站式大小模型構(gòu)建，涵蓋開發(fā)、訓練、微調(diào)全流程；模型訓練推理平臺具備數(shù)據(jù)清洗、數(shù)據(jù)標注、模型訓練、增量訓練、模型微調(diào)及推理加速功能，助力模型優(yōu)化；智能體開發(fā)平臺聚焦知識管理、提示詞工程、插件管理、協(xié)議適配、流程編排與應用構(gòu)建，適配行業(yè)需求。行業(yè)應用層針對離散制造、鋼鐵冶金等千行百業(yè)，提供知識管家、文檔生成、培訓助手、安全生產(chǎn)、設備管家、運行預測等場景化應用。

二、大模型在制造業(yè)關鍵場景的創(chuàng)新應用

大模型在制造業(yè)的應用還處于發(fā)展初期，但憑借通用性強、適應多場景、具備強大的數(shù)據(jù)處理和分析能力等優(yōu)勢，已經(jīng)在研發(fā)設計、生產(chǎn)制造、設備運維、經(jīng)營管理、供應鏈管理等核心關鍵場景進行應用落地。大模型在制造業(yè)全流程應用的全景如圖4所示。

圖4 大模型在制造業(yè)全流程的應用全景

（一）研發(fā)設計

在研發(fā)設計環(huán)節(jié)，大模型通過知識推理與生成能力，可以實現(xiàn)產(chǎn)品外觀設計、研發(fā)設計軟件輔助等功能，有效縮短研發(fā)設計周期，降低研發(fā)設計成本。

工業(yè)產(chǎn)品設計包含外觀設計與結(jié)構(gòu)設計兩大關鍵環(huán)節(jié)。在外觀設計方面，大模型憑借強大的生成能力可以快速為工業(yè)產(chǎn)品或零件提供多種設計方案，縮短產(chǎn)品開發(fā)時間并提供多種創(chuàng)造性的產(chǎn)品選項，讓設計師專注于產(chǎn)品設計的核心工作。在外觀設計方面，設計師只需提供簡短的文字描述或草圖，大模型便能迅速生成多張高保真度的設計效果圖。這些效果圖不僅滿足了設計師的個性化需求，還為他們提供了豐富的選擇空間，方便進一步修改與優(yōu)化。

在研發(fā)設計軟件輔助方面，大模型可以與CAD、CAE、Ansys、Cadence等工業(yè)設計、仿真軟件結(jié)合，通過連接相關數(shù)據(jù)庫，更好地調(diào)用相關的設計模塊，提升研發(fā)設計的效率。以CAD為例，現(xiàn)有的海量標準化素材庫提供了大量工程制圖、布局規(guī)劃等數(shù)據(jù)，大模型可以利用這些數(shù)據(jù)，結(jié)合設計者的創(chuàng)意思路和特殊需求，生成多樣化的設計方案，供設計者進行參考。此外，還可對設計方案進行快速優(yōu)化調(diào)整，幫助工程師以更快的速度和更少的錯誤創(chuàng)建布局。

（二）生產(chǎn)制造

生產(chǎn)制造環(huán)節(jié)是工業(yè)生產(chǎn)的核心場景，對安全性和穩(wěn)定性的要求較高。目前，大模型在該環(huán)節(jié)的滲透率整體不高，主要集中在車間和設備管理、工藝優(yōu)化、工業(yè)機器人控制等環(huán)節(jié)。在車間管理方面，大模型能夠協(xié)助監(jiān)控生產(chǎn)線，確保工藝流程的順暢與高效；在設備管理方面，大模型通過支持預測性維護減少停機時間，并通過精準的數(shù)據(jù)分析指導維護決策，一旦設備出現(xiàn)異常振動、溫度異常升高等細微變化，大模型能夠迅速基于大量歷史數(shù)據(jù)和機器學習算法，判斷故障類型與可能發(fā)生的位置，并提前發(fā)出預警，避免設備突發(fā)故障導致的生產(chǎn)停滯，降低設備維修成本與生產(chǎn)延誤帶來的損失。

在工藝優(yōu)化方面，大模型依據(jù)海量的生產(chǎn)數(shù)據(jù)與工藝知識，經(jīng)過復雜運算找出最適配的工藝參數(shù)組合，從而提升產(chǎn)品質(zhì)量與生產(chǎn)效率。在工業(yè)機器人控制方面，大模型主要通過兩個層面對工業(yè)機器人進行輔助，一是作為預訓練語言模型，大模型可以被應用于人類與工業(yè)機器人的自然語言交互，工業(yè)機器人通過ChatGPT理解人類的自然語言指令，并根據(jù)指令進行相應的動作；二是大模型可以幫助工業(yè)機器人在執(zhí)行路徑規(guī)劃、物體識別等任務時作出相應的決策。

（三）設備運維

在設備運維領域，大模型正在顛覆傳統(tǒng)的“故障-響應”模式，構(gòu)建起“預測-診斷-修復”的智能閉環(huán)體系，通過遠程診斷、預測性維護等應用，實現(xiàn)從被動響應到主動預測，推動運維效率量級提升。

在大模型技術應用前，設備運維多是在故障發(fā)生后進行被動維修，這不僅要耗費大量時間排查故障，還難以保障設備長期穩(wěn)定運行。大模型的引入使運維服務邁向預測性階段。它持續(xù)匯聚設備運行數(shù)據(jù)、環(huán)境數(shù)據(jù)以及過往維修記錄等多源信息，利用深度學習算法構(gòu)建精確的設備健康模型。通過對該模型的實時監(jiān)測與深入分析，大模型能夠提前預判設備可能出現(xiàn)的故障風險，及時提醒企業(yè)安排維護保養(yǎng)，實現(xiàn)從被動維修到主動預防的轉(zhuǎn)變，大大提高了設備的可用性與使用壽命。當設備發(fā)生故障時，技術人員只需向大模型描述故障現(xiàn)象，大模型便能迅速從龐大的知識庫中匹配相似案例與解決方案，提供詳細的維修指導步驟，即便是經(jīng)驗欠缺的技術人員也能借此高效完成維修任務。這能提升故障解決效率，降低運維難度與成本。

（四）經(jīng)營管理

在制造業(yè)經(jīng)營管理領域，通過多模態(tài)數(shù)據(jù)融合與認知智能突破，大模型協(xié)助企業(yè)構(gòu)建“全域數(shù)據(jù)貫通-智能決策生成-業(yè)務閉環(huán)執(zhí)行”的新體系，實現(xiàn)從數(shù)據(jù)割裂到全局洞察，推動企業(yè)從經(jīng)驗驅(qū)動向數(shù)據(jù)驅(qū)動轉(zhuǎn)型。

企業(yè)日常運營會產(chǎn)生海量且繁雜的數(shù)據(jù)，涵蓋財務、銷售、庫存、人力等各個領域。大模型能夠?qū)@些數(shù)據(jù)進行深度挖掘與整合分析，為企業(yè)決策提供精準有力的依據(jù)。在制定生產(chǎn)計劃時，大模型綜合市場需求預測、原材料供應狀況、設備產(chǎn)能利用率等多方面信息，生成最優(yōu)化的生產(chǎn)方案，避免生產(chǎn)過剩或不足，實現(xiàn)資源的高效配置。在財務管理上，大模型通過對財務報表數(shù)據(jù)的深入分析，預測資金流動趨勢，精準識別潛在財務風險，幫助企業(yè)合理規(guī)劃資金使用，優(yōu)化財務決策，提升財務管理水平。此外，在人力資源管理方面，大模型分析員工績效數(shù)據(jù)、培訓需求以及職業(yè)發(fā)展意向等，為員工量身定制個性化發(fā)展規(guī)劃，提高員工滿意度與忠誠度，進而提升企業(yè)整體績效，全方位提升企業(yè)經(jīng)營管理的智能化水平。

（五）供應鏈管理

在供應鏈管理環(huán)節(jié)，大模型重構(gòu)了供應鏈協(xié)同機制，實現(xiàn)了需求預測、庫存管理、物流優(yōu)化的全局最優(yōu)。

在物流配送路線規(guī)劃方面，受交通路況、天氣變化、訂單分布等多種動態(tài)因素的影響，傳統(tǒng)的物流配送線路規(guī)劃往往很難計算出最佳方案。大模型基于實時路況信息、歷史物流配送數(shù)據(jù)以及訂單的實時變化情況，能夠快速運算規(guī)劃出最優(yōu)配送路線。它不僅能避開擁堵路段，合理安排配送順序，還能根據(jù)車輛載重、行駛速度等因素進行綜合考量，提高配送效率，降低物流成本。

在庫存管理方面，大模型依據(jù)市場銷售數(shù)據(jù)、季節(jié)波動規(guī)律、產(chǎn)品生命周期等多維度信息，精準預測產(chǎn)品需求，幫助企業(yè)優(yōu)化庫存水平，避免庫存積壓或缺貨現(xiàn)象的發(fā)生。通過與供應商的協(xié)同合作，大模型還能實時跟蹤原材料供應狀態(tài)，提前應對可能出現(xiàn)的供應中斷風險，保障企業(yè)生產(chǎn)與供應鏈管理的順暢銜接，構(gòu)建高效、智能、穩(wěn)定的供應鏈體系，提升制造業(yè)企業(yè)的整體運營效率與市場響應能力。

結(jié)論與展望

大模型作為數(shù)字化轉(zhuǎn)型的核心使能技術，正從單一工具升級為驅(qū)動產(chǎn)業(yè)變革的基礎設施。本文通過理論分析與實踐驗證，剖析了大模型賦能制造業(yè)的核心技術、場景應用，并通過石化、礦山、汽車制造三個行業(yè)的落地案例展示了大模型賦能制造業(yè)的具體實踐，為行業(yè)提供了可復制的產(chǎn)業(yè)升級路徑。

展望未來，大模型賦能數(shù)字化轉(zhuǎn)型將呈現(xiàn)三大趨勢：（1）技術融合深化。與數(shù)字孿生、數(shù)字線程、6G等技術結(jié)合，構(gòu)建“物理世界-數(shù)字世界-智能世界”的三元融合體系。（2）生態(tài)角色升級。從技術提供者轉(zhuǎn)變?yōu)樯鷳B(tài)構(gòu)建者，通過開源開放、開發(fā)者社區(qū)建設，激發(fā)海量場景創(chuàng)新；（3）價值邊界拓展。從制造業(yè)向農(nóng)業(yè)、服務業(yè)滲透，形成“大模型+千行百業(yè)”的全域賦能格局。

制造業(yè)企業(yè)須把握大模型發(fā)展機遇，聚焦“場景定義技術”，通過“引進外部能力+培育內(nèi)生動力”雙輪驅(qū)動，構(gòu)建“數(shù)據(jù)驅(qū)動-模型支撐-生態(tài)協(xié)同”的數(shù)字化轉(zhuǎn)型新范式。政府層面，應加強算力基礎設施布局、行業(yè)數(shù)據(jù)共享機制建設、標準規(guī)范制定，為大模型發(fā)展營造良好生態(tài)。唯有技術、產(chǎn)業(yè)、政策同向發(fā)力，才能充分釋放大模型的乘數(shù)效應，加速新型工業(yè)化進程，為全球數(shù)字化轉(zhuǎn)型貢獻中國方案。