如何認識這一輪AI技術發展影響的深度和廣度？如何判斷這一輪AI技術變革的性質？

AI大模型是通用人工智能發展的重要里程碑。4月28日、5月5日中央會議關于人工智能發展提出三個第一次：第一次提出“通用人工智能”，第一次提出“產業智能化”，第一次提出“把握人工智能等新科技革命浪潮”。

這一輪AI所體現“革命性”特征，不是AI可以生成文字、可以生成圖片，而是AI可以生成代碼，構建人機交互新模式，與產品研發、工藝設計、生產作業、產品運營等制造環節、場景相結合，提升生產效率，形成新生產力，并引發產業競爭格局重構。

AI大模型事關人類生產工具的變革，事關一個國家制造業核心競爭力重塑，事關經濟的長期繁榮和走向。

數實融合是全球制造業競爭格局重構的核心變量

數字化是巨變時代的分水嶺，已成為企業、城市、國家之間競爭急劇分化的催化劑。制造業是數實融合最主要的產業部門，其融合的方式、廣度和深度，能夠直接影響甚至決定制造業的先進水平和全球競爭格局。

1. 數實融合是美國制造業全球領先的根本原因

目前，許多人潛意識里非常認同數字時代德國制造業發展道路和模式，“唱衰”美國制造業。然而事實上，過去十年，美國是全球制造業發展的“樣板間”。

無論是制造業的規模、增速還是競爭力，美國均持續領先德國和日本，并且差距不斷拉大：2011到2021年，美國制造業規模相當于德國的1.5倍擴大到2.4倍，相當于日本的2.5倍擴大到3.1倍。美國制造業仍然以比日本和德國更快的速度發展。

過去10年，美國制造業領先地位的鞏固和確立，是“軟件定義硬件”的結果，是以“云+AI”為代表的數字技術深度、全面融入實體經濟的結果，是向新型數字基礎設施進行遷徙的結果。

2. 數字原生企業涌現是美國制造業升級的重要標志

數字原生企業的涌現是產業升級和經濟繁榮的重要標志。

德國、日本與美國制造業差距的擴大，在微觀上主要表現為制造業領域缺乏一批有競爭力的數字原生企業。

德國“工業4.0”目標并沒有實現，與預期差距較大，中小企業數字化進展緩慢，研究表明只有21%的中小企業在生產中使用了數字技術，也沒有成長出一批數字時代有競爭力的中小企業。

日本的情況與德國類似，日本經歷了“失去的二十年”，同樣沒有培養出一批數字原生企業。

數字技術驅動美國新企業、新產品不斷涌現，以特斯拉、SpaceX、Rivian、OpenAI、Snowflake、Palantir等為代表數字原生企業，不僅成為全球的產業引領者，而且持續構建產品創新的新模式。

特斯特引領全球汽車工業電動化、智能化，正如瓦倫丁在《從豐田主義到特斯拉主義》所描述的，電動車領域的數字原生企業正在重新定義汽車，在個性化、以用戶為中心的萬物互聯、萬物智能時代，新物種為應對不確定性而生，以高頻創新為驅動，基于進化組織的迭代思維，從MVP小步快跑加速商業化。

特斯拉作為一個數字原生企業，具有四個典型特征：軟件定義、高頻創新、客戶運營商、進化型組織。

2010年美國DARPA推出自適應運載器制造（AVM）計劃，提出“重新發明制造業”，通過徹底變革和重塑裝備制造業，將武器裝備研制周期縮短到現在的五分之一。

復雜制造業產品研制生產要像半導體行業一樣，其產品設計、仿真、試驗、工藝、制造等活動，全部都在數字空間完成，待產品迭代成熟后再進入工廠一次制造完成，縮短研制周期、降低研制成本。這一戰略已經開花結果。

2023年11月11日，美國新一代隱形戰略轟炸機首飛，這是全球第一款數字轟炸機-B21，從一開始就采用數字化設計，基于云計算的開發、部署和測試數字孿生，帶來更好的維護性和更長的生命周期，以及更低的基礎設施成本,是最近30年來美軍研發速度最快的機型，還可以像特斯拉汽車不斷下載新軟件一樣，能夠不斷升級產品功能，戰斗力升級將依賴于敏捷軟件迭代。

這一趨勢的本質是：“云+AI”已經不僅是一個商業基礎設施，更是一個創新基礎設施，是新企業、新產品孕育孵化的搖籃。

3. AI大模型是重塑全球制造業競爭格局的新起點

AI大模型正加速第三次“數實融合”浪潮全面到來，智能化是其主要特征。AI大模型將影響制造業發展格局，AI大模型將會融入制造業的研發設計、生產工藝、質量管理、運營控制、營銷服務、組織協同和經營管理的方方面面。

在研發設計領域，AI革新傳統的科研范式。

在生物醫藥領域，2022年，DeepMind開發的AlphaFold2模型幾乎預測了所有的蛋白質結構。如今AI模型不僅能“預測”、還可以“生成”蛋白質，為未來的藥物生產研發創造新的可能。例如由Salesforce Research公司開發的ProGen系統成功從零生成全新的蛋白質。

RNA（核糖核酸）病毒研究計算效率低、不精準，中山大學基于Transformer架構的“LucaProt”深度學習模型，訓練了大型蛋白質語言模型，將病毒發現周期從過去2-3個月時間縮短為一周，發現了數萬種依賴傳統人工比對方法無法識別的新型病毒，將全球RNA病毒多樣性擴充了近30倍。這將會將縮短疫苗研制周期、降低研制成本。

在生產制造環節，AI大模型可以直接服務智能汽車、機器人、芯片、服裝等產品的研發創新，例如工程師可通過大模型自動生成代碼指令，完成機器人功能的開發與調試，甚至還能為機器人創造一些全新的功能。

在設備運維環節，AI大模型大幅增強了傳統垂直模型的能力。AI大模型具備了理解能力，電力行業無人機在山區電力設備上采集信息后，傳統垂直小模型給出的判斷：“銷子不規范”，而大模型能夠基于多模態發展出圖像認知能力，給出的結論是：“高速公路附近上空，紅色涂裝的絕緣子左側連接桿塔金件上，有10個螺栓，其中3個存在銷子不規范，包括1個脫銷、1個未插緊、1個損毀，已生成異常說明，建議盡快現場確認發起檢修。”

AI大模型賦能制造業的四個基本趨勢

在“軟件定義一切”的時代，AI大模型作為新的生產力工具，必將從內容領域（文生文、文生圖等）深度擴張到生產實體領域，在制造業的各個環節中引發新的效率革命，加速制造業走向智能化。

1. AI驅動軟件升級是大模型賦能制造業的主要途徑

工業軟件是制造業數字化轉型的靈魂和關鍵。

AI大模型如何支持賦能制造業，有多種方式和途徑，可預期的重要方式是：AI將重構軟件開發模式、交互方式、使用流程和商業模式，無論是研發類、管理類、生產類還是后服務類工業軟件，都將用大模型重新升級一遍，越是復雜的軟件系統，未來改造的空間越大。

基于代碼大模型打造的新一代AI編碼平臺產品，具備強大的代碼理解與生成能力，支持代碼補全、測試單元生成、代碼解釋、代碼查錯等核心場景。隨著MaaS（模型即服務）的崛起，以模型為中心的開發范式將降低工業軟件開發門檻，提高開發效率。

根據CSDN在2023年初的評估，GPT4的軟件編程能力相當于國內月薪3萬元的軟件工程師能力，相當于谷歌年薪18萬美元L3級工程師。美國一個軟件崗位招聘做了一個測試：一個只有4年編程經驗的工程師借助AI工具，其軟件開發效率相當于19年編程經驗的5倍。

在工業軟件開發層面，AI大模型正在革新軟件開發范式。AI將與人類共同協作開發，倍數級提升軟件研發的效率，例如服務于一線研發人員的內容生成工具（文檔、編碼、測試、發布、運維），可以大幅提升生產力。同時“代碼大模型”的研究和應用，正在引發AI編碼的革命。

AI成為芯片設計新工具，AI與EDA的雙向奔赴，將開啟芯片設計的下一場革命，Synopsys和Cadence等傳統芯片設計公司也在積極擁抱AI設計。

英偉達Hopper架構H100擁有13000個AI設計電路，用AI設計GPU比傳統EDA減少25%芯片面積，功耗更低。谷歌開始使用強化學習（RL）技術設計自己的TPUAI加速器布局。

在工業軟件性能層面，AI大模型會推動軟件智能升級。例如在研發設計場景中，Back2CAD基于ChatGPT等推出CADGPT，支持智能推薦、文檔生成、代碼生產等功能，能夠有效輔助產品的研發設計。

2. 彌合數據流斷點是AI大模型賦能制造業的重要價值

每一次人機交互技術的突破，都將帶來一次產業重構。AI大模型帶來了新的“人機交互”革命，未來自然語言將能操控一切，深刻改變人們使用搜索引擎、消費購物、生產制造等的方式，并深刻影響未來的產業競爭格局。

制造業數字化的核心是，以數據的自動流動化解復雜系統的不確定性，將正確的數據、以正確的方式、在正確的時間傳遞給正確的人和機器，提高資源配置效率。

但企業實際的運營狀態是：多個環節中存在數據流的斷點，需要工程師開發各種工藝軟件和流程軟件。AI大模型為改變這一現狀找到了新路。

這條新路是，基于AI大模型的自然語言交互能力，為制造業企業內部、產業上下游之間的實時、泛在的連接提供了軟件開發、交互的新方式，降低了工藝和流程的軟件開發門檻、提高了效率，彌合了企業數據流動過程中的無數個斷點。

例如國內機器人公司，借助通義大模型開發機器人行業模型，基于自然語言，可以實現人和機器的互動。如機器人收到了人的指令后，可以進行理解、推理和分析，并自動生成軟件代碼，組織協調不同智能體完成不同場景下的任務。

這一功能大大降低了工藝開發人員的門檻，提高了開發效率和質量。從全局來看，不僅能避免出現數據斷點，減少人工干預帶來的影響，從而提高產品的穩定性和可靠性，促進了數據在多個環節的自動流動，提高了整個系統的智能化水平。

進入數字時代，以往高度一體化、集中化的制造業體系，逐漸走向生產分散化和組織靈活化。

AI大模型+智能協同辦公平臺，有助于打通制造業的一個個數據斷流節點，推動數據在研發、生產、配送、服務等環節高效流動，從而提升制造企業內部、甚至產業上下游之間的協同效率，推動制造業走向“智能協同生產”。

“融合”是半個世紀以來技術演進的基本規律，信息技術（IT）、通信技術（CI）、控制技術（OT）和以云計算、AI為代表的DT技術加速融合。

展望未來10年，AI大模型將會賦能每個智能終端、智能單元和智能系統，AI大模型驅動的智能在云邊端實時協同成為基本趨勢，被AI大模型賦能的智能體將無所不在，設備、產線、工廠、企業中的智能體將無所不在，數據流的核心價值將從描述信息走向決策流和控制流。

無數個智能體在AI大模型的驅動下，實現決策智能與控制執行，走向自決策、自控制，人們將面對一個智能聯合體的崛起。

3. 進入控制環節是AI大模型賦能制造業的關鍵標志

AI大模型進入制造業的核心價值不是在營銷和管理等環節，而是要進入生產控制環節。

AI大模型的通用性、泛化性，以及基于“預訓練+精調”的新開發范式，將從研發設計、生產工藝、運維質控、銷售客服、組織協同等各個環節賦能制造業。

其中，我們認為進入生產環節最核心的控制系統，例如PLC、MES、SCADA等等，提升工藝生產流程的智能化，是AI大模型應用制造業的關鍵標志。

西門子和微軟在今年4月宣布合作，基于GPT推動下一代自動化技術變革，合作開發PLC的代碼生成工具，將AI大模型融入控制環節。

目前，在電力調度領域，AI大模型可以深入新型電力系統復雜調度控制核心業務環節，成為調度業務“專家助手”，可以為電力調度員提供電網調控策略，優化線路負載均衡，從而降低電網損耗等。

目前，企業正探索利用AI大模型能力，驅動工業軟件SCADA智能化。

SCADA系統（數據采集與監視控制系統）可以應用于電力、冶金、石油、化工、燃氣、鐵路等領域的數據采集與監視控制以及過程控制等諸多領域。

在SCADA場景下，典型做法是利用大模型在特定行業場景下的編程接口和生態庫，產生工業邏輯代碼（交互、建模、SQL開發），自動集成到工業軟件中，基于結果閉環優化模型。

在汽車行業，近幾十年來，汽車工業的轉型，不僅是一場動力革命，也是一次控制革命。

傳統汽車向智能汽車演進最大的技術變革在于汽車控制系統的創新，從傳統汽車80多個ECU等電子控制單元，轉向類似于智能手機的集中式架構（底層操作系統+芯片SOC+應用軟件）。

今天，自動駕駛成為汽車工業轉型的又一個重大方向。

目前大模型對自動駕駛的改變主要有兩個方向：一是大模型作為賦能工具，輔助自動駕駛算法的訓練和優化；二是大模型進入決策控制環節，作為“控制者”直接駕駛車輛。

2023年8月公開報道顯示，特斯拉“端到端”AI自動駕駛系統FSD Beta V12首次公開亮相，完全依靠車載攝像頭和神經網絡來識別道路和交通情況，并做出相應的決策。

當然，目前AI大模型進入控制環節，實際的應用和落地過程仍然面臨著許多問題，有待科研人員進一步探索解決。

4. 大小模型協同是AI大模型賦能制造業的重要趨勢

AI大模型本身需要找到具體落地場景，離解決千行百業的實際場景問題，還有距離。從實際的產業發展看，一個重要的趨勢是：通用與專用、開源與閉源、大模型與現存軟硬件系統的協同配合，是產業落地的必經階段，而且在這一階段，大小模型高度協同的重要載體——AI智能體（AI Agent）將成為新的生產工具。

AI Agent一般是指基于LLM、能夠使用工具自主完成特定任務的智能體。AI Agent將LLM與其他模型、軟件等外部工具協同，能夠處理真實世界中的各種復雜任務。

2023年7月，阿里云推出了一款智能工具魔搭GPT（ModelScopeGPT），它能接收用戶指令，通過“中樞模型”一鍵調用魔搭社區其他的AI模型，大小模型協同完成復雜任務，降低大模型使用門檻。

未來，AI Agent將主要由“感知系統+控制系統+執行系統”組成，不僅具有生成能力，還將同時具備任務理解、任務拆解、任務調度、執行規劃、鏈條協同等能力。

其中LLM將主要承擔指揮中心角色，類似人類“大腦”的角色，對接入AI Agent的數字化工具（比如SaaS軟件、工業機器人、數字人等）進行統一智能調度管理，實時在生產、管理、服務等場景中，由不同組合的數字化工具協同完成具體場景中的實際問題。

打造“公共云+AI”體系化能力，推動智能制造邁向“新階段”

今天的制造業轉型升級，已經不再是單一技術的賦能，而是以“公共云+AI”為代表的技術體系的全方位賦能和支撐。

當前，必須把握好以AI大模型為代表的新一代人工智能技術發展的歷史機遇，加速推動智能制造邁向“新階段”。

1. 實施“公共云優先”戰略，把公共云作為推動“制造業+AI大模型”融合創新的關鍵力量

公共云的大規模、高可用、低成本算力基礎設施，成為產業智能化的關鍵基礎。

特別是美國升級芯片管制后，公共云是緩解高端芯片瓶頸的最優路徑，通過高效連接異構計算資源，突破單一性能芯片瓶頸，協同完成大規模智能計算任務，可以有效降低對海外高端芯片的依賴。

一是要將“公共云優先”戰略作為制造業數字化轉型相關政策規劃的重要內容，明確中長期發展目標、重點任務和保障措施等；

二是要避免芯片“擠兌”現象，警惕各地“小散多”一哄而上地建設算力中心，造成統一算力市場得“碎片化”，避免出現建得多、用不好、用不起的現象；

三是將數據中心利用效率作為數據中心建設考核指標，扭轉數據中心建設“重建設、輕運營”“重投入、輕績效”的模式。

2. 鼓勵模型開源開放，支持科技平臺企業做大做強模型開源社區，繁榮AI產業技術生態

AI的競爭既是一場技術戰，也是一場商業戰，核心是生態戰，關鍵在于開源開放。開源開放可以降低研發成本和應用門檻，是創新到商業閉環的“助推器”。

一是做好AI開源開放生態的頂層設計，將AI開源開放生態建設納入國家規劃、抓好落地實施；

二是鼓勵地方政府聯合AI開源社區頭部平臺建設AI賦能中心，依托海量開源模型和模型即服務平臺（MaaS平臺）加速制造業數智化創新應用；

三是鼓勵應用牽引，加快產業落地，支持制造企業加速應用基礎大模型、研發應用行業模型和企業專屬模型，通過“用模型”反哺技術創新。

3. 啟動工業軟件AI驅動升級工程，加快制造業全環節全鏈條智能化升級

作為智能制造的關鍵支撐，工業軟件對推動制造業轉型升級具有重要戰略意義。AI時代，所有工業軟件都值得用大模型重新升級一遍。

一是要大力發展基于AI的工業軟件，推動“工業軟件+AI大模型”技術研發，增強工業軟件在智能化時代的自主創新能力，積極推動工業軟件標準研制工作；

二是要充分發揮工業軟件相關聯盟的溝通橋梁作用，發揮AI企業、工業軟件企業、科研院所和制造業企業各自優勢，構建合作共贏、具有核心競爭力的AI驅動的工業軟件產業生態。

4. 聚焦制造業重點產業鏈，分環節分場景打造標桿，示范推動大模型在制造業的規模化應用

制造業重點產業鏈是加快建設現代化產業體系的重要支撐，要找準關鍵環節、集中優質資源，搭建以“算力+算法+數據”為核心的要素體系，提升制造業的數實融合程度，促進制造業產業鏈安全和智能化升級。

一是啟動大模型支撐新型工業化示范工程，以AI大模型為抓手，推進AI全方位、深層次賦能新型工業化，加快探索新型工業化“新模式”；

二是在產業基礎好、創新能力強的制造業產業帶、優勢開發區、產業園區的等，率先開展“制造業+AI大模型”融合創新發展示范工程；

三是通過“創新平臺+數字工廠”等模式，針對感知、控制、決策、執行等關鍵環節的短板弱項，分場景加強產學研用聯合創新，打造創新應用標桿，推動大模型規模化應用。