报告背景 - 大模型是由一系列参数化的数学函数组成的计算系统,是一个概率模型,其工作机制是基于概率和统计推动进行的,而非真正的理解和逻辑推理,因此具有不可解释性和幻觉不可消除等主要特征 [8] - 工业互联网、工业智能制造等工作已经让部分工业企业遍历了数据采集-数据存储-数据处理-数据分析-数据资产沉淀-数据应用的过程,部分场景已经准备好了向基础大模型投喂的"数据原料" [18] - 工业大模型与工业互联网一样,都是要挖掘数据资产的价值,而数据准备的阶段性工作在工业互联网时期大部分已经准备好,故预计工业大模型的进程在技术不受限的前提下,可能会快于工业互联网 [18] 市场现状 - 工业大模型玩家与工业互联网平台玩家重合度高,其成长路径目前也表现出高度相似的特征,但目前市场产品、服务、落地场景都处于探索阶段 [23] - 大模型技术底蕴、行业know how、运维资源等方面是各类玩家主要锚定的优势,且都是基于自身优势点,围绕具体应用场景摸索大模型在工业的落地性进行市场切入 [23] - 目前大模型的能力更多还是依附于已有产品体系,鲜少有独立的产品出现,未来随着大模型流量入口特性明朗,有望独立成产品 [23] - 当前大模型落地工业的探索更多聚焦于偏运营的、具有一定容错能力的场景,而生产制造等核心场景的探索需要静待模型进化以及CV大模型、多模态大模型的发展 [53] 挑战与思考 - 模型、数据、应用、商业变现是大模型落地工业的主要挑战,各方相互影响,互利共赢 [79] - 模型本身存在可靠性、可解释性、实时性、成本等问题,数据方面存在数量、质量、安全等问题,应用方面存在ROI和应用场景的局限性,商业化方面存在生态和变现模式的不确定性 [80][81][82][83] - 大模型技术与行业know how缺一不可,短期看具有技术优势的企业占优,长期看具有行业积累的企业有望后来居上 [85][90] - 大小模型并存,是协同融合赋能工业应用的关系,大模型可促进小模型性能提升,小模型可促进大模型应用 [93][94] - 工业大模型的服务将走向平台化,逐步形成垂直行业大模型+智能体+小模型+机理模型为主的平台化调用方案 [96][97][98] - 产业数据拉通有利于产业数据资产化,助力工业大模型能力进化,对大模型落地工业的广度、深度都大有裨益 [100][101]