隨著全球制造業向智能化、服務化、綠色化轉型，制造業正經歷從自動化向智能化的深刻變革，數字化轉型已從單一技術應用升級為全要素、全流程、全生態的系統性變革。傳統工業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理解、知識生成與泛化能力，正成為破解制造業“數據孤島”“場景碎片化決策低效”等痛點的關鍵抓手。前瞻產業研究院發布的《2025—2030年全球及中國大模型產業發展前景與投資戰略規劃分析報告》顯示，大模型在制造業的滲透率已從2022年的7%躍升至2024年的41%，成為數字化轉型的核心動力。

從政策層面看，2025年6月3日，工業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業發展和賦能新型工業化的思路舉措。會議提出要夯實產業基礎；強化算力供給，統籌布局通用大模型和行業專用大模型，注重軟硬件適配，加快建立高質量行業數據集，提升重點產品裝備的智能化水平。2025年政府工作報告明確指出，持續推進“人工智能+”行動，支持大模型廣泛應用，大力發展智能網聯新能源汽車、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。

從產業實踐看，大模型已在研發設計、生產制造、供應鏈等領域展現出顯著價值。然而，當前大模型在制造業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。

圖 1 “核心技術 - 場景應用創新 - 實踐路徑驗證”分析框架

如圖1所示，本文基于技術創新與產業實踐的雙重視角，構建“核心技術-場景應用創新-實踐路徑驗證”的分析框架，系統揭示三者間的內在聯系：核心技術為場景創新提供底層支撐，場景創新驅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，進而推動技術的迭代優化。本文旨在為企業提供從技術選型到場景落地的全流程指引。

一、大模型賦能制造業的核心技術

（一）大小模型協同技術

大小模型協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、領域專用模型等參數規模較小、靈活性高的模型），實現優勢互補，提升整體系統性能的技術體系。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。

針對制造業不同業務場景的特點，借助大小模型之間的協同運作，充分發揮各自的優勢，克服單一模型的局限性。大小模型協同主要有兩種方法：

（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移到小模型中；二是通過數據合成，可以利用大模型生成高質量訓練數據或增強現有數據，提升小模型性能。

（2）小模型增強大模型。一是數據優化，利用小模型對預訓練數據進行篩選和重構，以此提升數據質量；二是弱到強學習，借助小模型對大模型的指導和監督，實現知識從“弱”到“強”的轉移；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，通過模型級聯或路由的方式，將大小模型結合，進而提高推理效率。

（二）模型輕量化技術

大模型參數規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規模、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.動態剪枝

動態剪枝是指在模型訓練或推理過程中，根據實時狀態（如輸入數據特征、計算資源限制）自適應地刪除冗余連接或神經元，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。其核心優勢在于動態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.動態量化

動態量化是大模型輕量化關鍵技術，相較于靜態量化所采用的固定參數，它根據輸入數據的實時分布動態調整量化尺度和零點。這一機制可靈活適應數據激活值的波動，降低靜態參數導致的精度損耗，尤其適合輸入數據動態范圍大、分布不穩定的場景。

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

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構和大量的參數，學習到了數據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同技術

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

云邊端協同通過云端（大規模算力中心）、邊緣端（靠近數據源的分布式節點）、終端（用戶設備）的分工協作，實現云邊端的資源最優配置，通過“云端訓練、邊端推理”提升整體系統的響應速度、可靠性和隱私保護能力。

圖 2 云邊端一體工業算力體系

如圖2所示，在云側，依托云端工業大模型算網資源池為客戶提供獨占式和共享式兩種模式的算網資源，并預先配置工業大模型開發平臺及L0基礎模型，同時提供客戶可選配的L1行業模型及應用；在端側，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，實現大模型在邊緣端的高效部署。

（四）工業多模態技術

工業多模態技術是大模型賦能制造業的關鍵核心技術，它打破單一數據類型的局限，將文本、圖像、音頻、視頻及各類傳感器數據等多模態信息有機融合。在工業場景里，多模態技術融合多源生產數據：設備運行數據，如振動頻率、主軸轉速；生產文本日志，如設備操作記錄、故障維修報告；圖像與視頻數據，如質檢圖像、監控視頻。借助先進的機器學習與深度學習算法，工業多模態技術對這些多元信息進行特征提取、關聯分析，并將其在統一的表征空間內實現融合，將工業知識融入模型訓練，大幅提升對復雜工業場景理解的準確性。

（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、應用開發于一體的大模型工具平臺，提供從模型匯聚接入、數據清洗標注、模型訓練微調、模型推理加速到知識庫、提示詞、插件、流程、協議適配等最終實現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應用開發效率。

圖 3 全鏈路 AI 工具鏈整體架構

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、模型監控、模型上架及下線等功能，實現一站式大小模型構建，涵蓋開發、訓練、微調全流程；模型訓練推理平臺具備數據清洗、數據標注、模型訓練、增量訓練、模型微調及推理加速功能，助力模型優化；智能體開發平臺聚焦知識管理、提示詞工程、插件管理、協議適配、流程編排與應用構建，適配行業需求。行業應用層針對離散制造、鋼鐵冶金等千行百業，提供知識管家、文檔生成、培訓助手、安全生產、設備管家、運行預測等場景化應用。

二、大模型在制造業關鍵場景的創新應用

大模型在制造業的應用還處于發展初期，但憑借通用性強、適應多場景、具備強大的數據處理和分析能力等優勢，已經在研發設計、生產制造、設備運維、經營管理、供應鏈管理等核心關鍵場景進行應用落地。大模型在制造業全流程應用的全景如圖4所示。

圖4 大模型在制造業全流程的應用全景

（一）研發設計

在研發設計環節，大模型通過知識推理與生成能力，可以實現產品外觀設計、研發設計軟件輔助等功能，有效縮短研發設計周期，降低研發設計成本。

工業產品設計包含外觀設計與結構設計兩大關鍵環節。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產品或零件提供多種設計方案，縮短產品開發時間并提供多種創造性的產品選項，讓設計師專注于產品設計的核心工作。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化。

在研發設計軟件輔助方面，大模型可以與CAD、CAE、Ansys、Cadence等工業設計、仿真軟件結合，通過連接相關數據庫，更好地調用相關的設計模塊，提升研發設計的效率。以CAD為例，現有的海量標準化素材庫提供了大量工程制圖、布局規劃等數據，大模型可以利用這些數據，結合設計者的創意思路和特殊需求，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化調整，幫助工程師以更快的速度和更少的錯誤創建布局。

（二）生產制造

生產制造環節是工業生產的核心場景，對安全性和穩定性的要求較高。目前，大模型在該環節的滲透率整體不高，主要集中在車間和設備管理、工藝優化、工業機器人控制等環節。在車間管理方面，大模型能夠協助監控生產線，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，并通過精準的數據分析指導維護決策，一旦設備出現異常振動、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據和機器學習算法，判斷故障類型與可能發生的位置，并提前發出預警，避免設備突發故障導致的生產停滯，降低設備維修成本與生產延誤帶來的損失。

（三）設備運維

在設備運維領域，大模型正在顛覆傳統的“故障-響應”模式，構建起“預測-診斷-修復”的智能閉環體系，通過遠程診斷、預測性維護等應用，實現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定運行。大模型的引入使運維服務邁向預測性階段。它持續匯聚設備運行數據、環境數據以及過往維修記錄等多源信息，利用深度學習算法構建精確的設備健康模型。通過對該模型的實時監測與深入分析，大模型能夠提前預判設備可能出現的故障風險，及時提醒企業安排維護保養，實現從被動維修到主動預防的轉變，大大提高了設備的可用性與使用壽命。當設備發生故障時，技術人員只需向大模型描述故障現象，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）經營管理

在制造業經營管理領域，通過多模態數據融合與認知智能突破，大模型協助企業構建“全域數據貫通-智能決策生成-業務閉環執行”的新體系，實現從數據割裂到全局洞察，推動企業從經驗驅動向數據驅動轉型。

（五）供應鏈管理

在供應鏈管理環節，大模型重構了供應鏈協同機制，實現了需求預測、庫存管理、物流優化的全局最優。

在物流配送路線規劃方面，受交通路況、天氣變化、訂單分布等多種動態因素的影響，傳統的物流配送線路規劃往往很難計算出最佳方案。大模型基于實時路況信息、歷史物流配送數據以及訂單的實時變化情況，能夠快速運算規劃出最優配送路線。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，大模型依據市場銷售數據、季節波動規律、產品生命周期等多維度信息，精準預測產品需求，幫助企業優化庫存水平，避免庫存積壓或缺貨現象的發生。通過與供應商的協同合作，大模型還能實時跟蹤原材料供應狀態，提前應對可能出現的供應中斷風險，保障企業生產與供應鏈管理的順暢銜接，構建高效、智能、穩定的供應鏈體系，提升制造業企業的整體運營效率與市場響應能力。

三、典型行業實踐案例

大模型技術已在裝備制造、石化、鋼鐵、礦山、電力等多個行業得到了廣泛應用。本章將重點闡述中國移動九天工業大模型在石化、礦山、汽車制造三個行業的典型案例，剖析大模型在制造業具體的落地路徑。

（一）某石油龍頭央企L1垂類大模型案例

1.項目背景

某石油龍頭央企大力推進“人工智能+”戰略，積極推動大模型在生產制造領域落地應用。該企業旗下的石油煉化子公司中，常減壓裝置作為石油煉化領域的核心裝置，具有規模龐大、流程漫長、物料種類繁多、能耗較高以及產品與操作條件多樣等特點。常減壓裝置的日常操作、運維存在兩大核心痛點：（1）操作人員在日常生產過程中應對裝置基礎性問題和應急處置時，需手動查閱紙質文檔，無法快速獲取解決方案和處置建議，影響生產連續性和安全性；（2）常減壓裝置運行狀態、能耗數據難以實時感知，很難在應急事故發生前進行及時糾偏。

2.解決方案

為應對這一挑戰，該企業構建全鏈路智能化解決方案，通過多模態數據分析、自然語言交互、智能診斷等前沿技術，在知識庫構建、模型調優、系統集成等環節提供關鍵技術支撐，打造常減壓裝置的AI+工藝操作智能輔助應用和AI+生產運行診斷應用。

圖 5 AI+ 工藝操作智能輔助實施路徑

3.實施效果

圖 6 AI+ 工藝操作智能輔助的系統界面

AI+生產運行智能化診斷與優化應用基于L1垂類多模態大模型，結合常減壓裝置文本、結構化數據等場景數據微調形成L3生產運行診斷大模型，集成分布式控制系統（DCS）、制造執行系統（MES）、能源管控平臺等系統，聚焦生產運行智能化升級。在運行狀態診斷方面，模型通過實時分析DCS數據實現裝置工況評級判別、工藝異常預警及參數優化建議，顯著降低系統誤報率，并將經濟指標與工藝參數融合，為裝置經濟運行提供歷史最優指標參考，輔助班組長與高級工程師提升能效。針對安全生產，系統依托大模型實時監控裝置運行參數，預測應急事故可能性及關鍵影響因素，結合預案與資源快速生成糾偏處置措施，助力班組長快速響應潛在風險，提升應急預防與處置能力。該場景通過智能化診斷與優化管理，全面支撐生產運行的穩定性、經濟性與安全性提升。

（二）鄂爾多斯文玉煤礦工業安監大模型案例

1.項目背景

鄂爾多斯市宏河能源的文玉煤礦年產300萬噸，為內蒙古自治區質量標準化二級礦井。在傳統煤礦安全管理中，監管工作高度依賴人工，存在以下問題：（1）安全監管成本較高，難以全面覆蓋各類安全場景；（2）人員安全意識普遍薄弱，違規追查漏檢情況多；（3）系統智能化程度低，無法主動預防事故發生。

2.解決方案

為解決客戶痛點，文玉煤礦打造了一套工業安監大模型解決方案（圖7）。該模型主要包含AI增強安全感知、自定義特征檢索、AI智能統計分析、工業安監等四個系統，全面提升了礦山安全生產監管能力。

圖 7 工業安監大模型解決方案

AI智能統計分析系統借助中國移動九天工業大模型強大的數據統計和分析能力，實現快速的數據分析及報表功能。工廠的安全管理員只需通過語言對話，即可完成廠區安全統計報表自動生成任務，獲得安全趨勢分析報告。該報表從各類違規數量、違規地點和違規發生時間等維度全面分析當月的安全情況。安全報告整理時間從1h縮短至1min，人力成本降低20%以上。

工業安監百事通采用外掛知識庫的方式提升安監大模型專業性；通過特征詞工程和優化檢索技術實現安全考題生成、面試問題生成和員工培訓建議生成等功能，全面助力員工的個人成長和職業發展；通過定期的在線測試，加強員工的安全意識和應急處理能力，降低企業的安全運營成本。安監大模型 -AI 增強安全感知功能示例如圖8所示。

圖 8 安監大模型 -AI 增強安全感知功能示例

3.實施成效

（三）東風汽車大模型智能焊接質檢項目案例

1.項目背景

作為傳統汽車制造龍頭企業，東風汽車年產整車超百萬輛，焊裝車間每日產生超65GB焊接數據。傳統人工抽檢模式存在質檢效率低、質量波動大、數據利用率低等痛點。為突破這些瓶頸，東風汽車打造了大模型智能質檢系統，實現了焊接全流程數字化閉環管理。

2.解決方案

大模型智能質檢系統采用“云邊端協同+多模態融合”架構（圖9），其核心模塊如下。（1）邊緣感知層：部署128臺工業相機+64個電流傳感器，實時采集焊接飛濺、熔池形態、電流波形等多模態數據，通過5GMEC實現數據本地預處理，將延遲控制在20ms內。（2）云端大模型：基于1.2億條歷史焊接數據（含10萬+缺陷樣本），訓練焊接專用大模型，融合Transformer架構與視覺Transformer（ViT），參數量達2.3B。（3）智能應用層：打造質檢閉環、工藝優化、知識沉淀等應用，實現全流程質檢管理、工藝參數優化、焊接工藝經驗庫等功能。

圖9 大模型智能質檢系統技術架構

3.實施成效

項目的實施后實現了質量、效率、成本的系統性提升：焊點缺陷率從3%大幅降至0.3%，整車可靠性提升2個星級，年返工成本從2000萬元降至200萬元，客戶投訴率下降75%；質檢效率提升24倍，單臺檢測耗時從2h縮短至30s，工藝優化周期從3個月壓縮至7d，新品上市速度加快40%；年節約人工成本1200萬元，設備能耗下降15%，焊接材料損耗減少8%，年綜合降本超800萬元。通過大模型智能質檢系統的全量檢測與智能分析，企業構建了檢測-分析-優化的質量管控閉環，使核心指標達到行業領先水平，為汽車制造的高精度、高效率生產提供了標桿示范，并入選了工信部“智能制造試點示范項目”。

綜合分析大模型在石化、礦山、汽車制造等行業的案例得出：在大模型實際落地過程中，首先，場景選擇至關重要，要選擇有明確業務痛點且高質量語料數據充足的業務場景；其次，具體的落地過程需要依次經過數據收集及處理、算力資源準備、模型訓練微調、大模型部署應用等階段。大模型完整的落地過程如圖10所示。

圖 10 大模型落地路徑

不同行業的制造業企業在推進大模型項目時，首先要根據業務場景需求、數據完備情況，確定大模型的能力邊界，再逐步推進從數據準備、模型訓練部署、系統集成到持續優化的各個具體實施路徑與關鍵環節（如數據攻堅、模型壓縮、邊緣部署、人機協同、持續迭代優化）。

四、結論與展望

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

展望未來，大模型賦能數字化轉型將呈現三大趨勢：（1）技術融合深化。與數字孿生、數字線程、6G等技術結合，構建“物理世界-數字世界-智能世界”的三元融合體系。（2）生態角色升級。從技術提供者轉變為生態構建者，通過開源開放、開發者社區建設，激發海量場景創新；（3）價值邊界拓展。從制造業向農業、服務業滲透，形成“大模型+千行百業”的全域賦能格局。

制造業企業須把握大模型發展機遇，聚焦“場景定義技術”，通過“引進外部能力+培育內生動力”雙輪驅動，構建“數據驅動-模型支撐-生態協同”的數字化轉型新范式。政府層面，應加強算力基礎設施布局、行業數據共享機制建設、標準規范制定，為大模型發展營造良好生態。唯有技術、產業、政策同向發力，才能充分釋放大模型的乘數效應，加速新型工業化進程，為全球數字化轉型貢獻中國方案。

原文刊載于《數字化轉型》2025 年第 8 期 作者：中移（上海）信息通信科技有限公司 陳飛 李騰達 周威

申報輔導

歡迎咨詢洽談，合作共贏