如何认识这一轮AI技术发展影响的深度和广度?如何判断这一轮AI技术变革的性质?

AI大模型是通用人工智能发展的重要里程碑。4月28日、5月5日中央会议关于人工智能发展提出三个第一次：第一次提出“通用人工智能”，第一次提出“产业智能化”，第一次提出“把握人工智能等新科技革命浪潮”。

这一轮AI所体现“革命性”特征，不是AI可以生成文字、可以生成图片，而是AI可以生成代码，构建人机交互新模式，与产品研发、工艺设计、生产作业、产品运营等制造环节、场景相结合，提升生产效率，形成新生产力，并引发产业竞争格局重构。

AI大模型事关人类生产工具的变革，事关一个国家制造业核心竞争力重塑，事关经济的长期繁荣和走向。

数字化是巨变时代的分水岭，已成为企业、城市、国家之间竞争急剧分化的催化剂。制造业是数实融合最主要的产业部门，其融合的方式、广度和深度，能够直接影响甚至决定制造业的先进水平和全球竞争格局。

1. 数实融合是美国制造业全球领先的根本原因

目前，许多人潜意识里非常认同数字时代德国制造业发展道路和模式，“唱衰”美国制造业。然而事实上，过去十年，美国是全球制造业发展的“样板间”。

无论是制造业的规模、增速还是竞争力，美国均持续领先德国和日本，并且差距不断拉大：2011到2021年，美国制造业规模相当于德国的1.5倍扩大到2.4倍，相当于日本的2.5倍扩大到3.1倍。美国制造业仍然以比日本和德国更快的速度发展。

过去10年，美国制造业领先地位的巩固和确立，是“软件定义硬件”的结果，是以“云+AI”为代表的数字技术深度、全面融入实体经济的结果，是向新型数字基础设施进行迁徙的结果。

2. 数字原生企业涌现是美国制造业升级的重要标志

数字原生企业的涌现是产业升级和经济繁荣的重要标志。

德国、日本与美国制造业差距的扩大，在微观上主要表现为制造业领域缺乏一批有竞争力的数字原生企业。

德国“工业4.0”目标并没有实现，与预期差距较大，中小企业数字化进展缓慢，研究表明只有21%的中小企业在生产中使用了数字技术，也没有成长出一批数字时代有竞争力的中小企业。

日本的情况与德国类似，日本经历了“失去的二十年”，同样没有培养出一批数字原生企业。

数字技术驱动美国新企业、新产品不断涌现，以特斯拉、SpaceX、Rivian、OpenAI、Snowflake、Palantir等为代表数字原生企业，不仅成为全球的产业引领者，而且持续构建产品创新的新模式。

特斯特引领全球汽车工业电动化、智能化，正如瓦伦丁在《从丰田主义到特斯拉主义》所描述的，电动车领域的数字原生企业正在重新定义汽车，在个性化、以用户为中心的万物互联、万物智能时代，新物种为应对不确定性而生，以高频创新为驱动，基于进化组织的迭代思维，从MVP小步快跑加速商业化。

特斯拉作为一个数字原生企业，具有四个典型特征：软件定义、高频创新、客户运营商、进化型组织。

2010年美国DARPA推出自适应运载器制造(AVM)计划，提出“重新发明制造业”，通过彻底变革和重塑装备制造业，将武器装备研制周期缩短到现在的五分之一。

复杂制造业产品研制生产要像半导体行业一样，其产品设计、仿真、试验、工艺、制造等活动，全部都在数字空间完成，待产品迭代成熟后再进入工厂一次制造完成，缩短研制周期、降低研制成本。这一战略已经开花结果。

2023年11月11日，美国新一代隐形战略轰炸机首飞，这是全球第一款数字轰炸机-B21，从一开始就采用数字化设计，基于云计算的开发、部署和测试数字孪生，带来更好的维护性和更长的生命周期，以及更低的基础设施成本,是最近30年来美军研发速度最快的机型，还可以像特斯拉汽车不断下载新软件一样，能够不断升级产品功能，战斗力升级将依赖于敏捷软件迭代。

这一趋势的本质是：“云+AI”已经不仅是一个商业基础设施，更是一个创新基础设施，是新企业、新产品孕育孵化的摇篮。

3. AI大模型是重塑全球制造业竞争格局的新起点

AI大模型正加速第三次“数实融合”浪潮全面到来，智能化是其主要特征。AI大模型将影响制造业发展格局，AI大模型将会融入制造业的研发设计、生产工艺、质量管理、运营控制、营销服务、组织协同和经营管理的方方面面。

在生物医药领域，2022年，DeepMind开发的AlphaFold2模型几乎预测了所有的蛋白质结构。如今AI模型不仅能“预测”、还可以“生成”蛋白质，为未来的药物生产研发创造新的可能。例如由Salesforce Research公司开发的ProGen系统成功从零生成全新的蛋白质。

RNA(核糖核酸)病毒研究计算效率低、不精准，中山大学基于Transformer架构的“LucaProt”深度学习模型，训练了大型蛋白质语言模型，将病毒发现周期从过去2-3个月时间缩短为一周，发现了数万种依赖传统人工比对方法无法识别的新型病毒，将全球RNA病毒多样性扩充了近30倍。这将会将缩短疫苗研制周期、降低研制成本。

在生产制造环节，AI大模型可以直接服务智能汽车、机器人、芯片、服装等产品的研发创新，例如工程师可通过大模型自动生成代码指令，完成机器人功能的开发与调试，甚至还能为机器人创造一些全新的功能。

在设备运维环节，AI大模型大幅增强了传统垂直模型的能力。AI大模型具备了理解能力，电力行业无人机在山区电力设备上采集信息后，传统垂直小模型给出的判断：“销子不规范”，而大模型能够基于多模态发展出图像认知能力，给出的结论是：“高速公路附近上空，红色涂装的绝缘子左侧连接杆塔金件上，有10个螺栓，其中3个存在销子不规范，包括1个脱销、1个未插紧、1个损毁，已生成异常说明，建议尽快现场确认发起检修。”

在“软件定义一切”的时代，AI大模型作为新的生产力工具，必将从内容领域(文生文、文生图等)深度扩张到生产实体领域，在制造业的各个环节中引发新的效率革命，加速制造业走向智能化。

1. AI驱动软件升级是大模型赋能制造业的主要途径

工业软件是制造业数字化转型的灵魂和关键。

AI大模型如何支持赋能制造业，有多种方式和途径，可预期的重要方式是：AI将重构软件开发模式、交互方式、使用流程和商业模式，无论是研发类、管理类、生产类还是后服务类工业软件，都将用大模型重新升级一遍，越是复杂的软件系统，未来改造的空间越大。

基于代码大模型打造的新一代AI编码平台产品，具备强大的代码理解与生成能力，支持代码补全、测试单元生成、代码解释、代码查错等核心场景。随着MaaS(模型即服务)的崛起，以模型为中心的开发范式将降低工业软件开发门槛，提高开发效率。

根据CSDN在2023年初的评估，GPT4的软件编程能力相当于国内月薪3万元的软件工程师能力，相当于谷歌年薪18万美元L3级工程师。美国一个软件岗位招聘做了一个测试：一个只有4年编程经验的工程师借助AI工具，其软件开发效率相当于19年编程经验的5倍。

在工业软件开发层面，AI大模型正在革新软件开发范式。AI将与人类共同协作开发，倍数级提升软件研发的效率，例如服务于一线研发人员的内容生成工具(文档、编码、测试、发布、运维)，可以大幅提升生产力。同时“代码大模型”的研究和应用，正在引发AI编码的革命。

AI成为芯片设计新工具，AI与EDA的双向奔赴，将开启芯片设计的下一场革命，Synopsys和Cadence等传统芯片设计公司也在积极拥抱AI设计。

英伟达Hopper架构H100拥有13000个AI设计电路，用AI设计GPU比传统EDA减少25%芯片面积，功耗更低。谷歌开始使用强化学习(RL)技术设计自己的TPUAI加速器布局。

在工业软件性能层面，AI大模型会推动软件智能升级。例如在研发设计场景中，Back2CAD基于ChatGPT等推出CADGPT™，支持智能推荐、文档生成、代码生产等功能，能够有效辅助产品的研发设计。

2. 弥合数据流断点是AI大模型赋能制造业的重要价值

每一次人机交互技术的突破，都将带来一次产业重构。AI大模型带来了新的“人机交互”革命，未来自然语言将能操控一切，深刻改变人们使用搜索引擎、消费购物、生产制造等的方式，并深刻影响未来的产业竞争格局。

制造业数字化的核心是，以数据的自动流动化解复杂系统的不确定性，将正确的数据、以正确的方式、在正确的时间传递给正确的人和机器，提高资源配置效率。

但企业实际的运营状态是：多个环节中存在数据流的断点，需要工程师开发各种工艺软件和流程软件。AI大模型为改变这一现状找到了新路。

这条新路是，基于AI大模型的自然语言交互能力，为制造业企业内部、产业上下游之间的实时、泛在的连接提供了软件开发、交互的新方式，降低了工艺和流程的软件开发门槛、提高了效率，弥合了企业数据流动过程中的无数个断点。

例如国内机器人公司，借助通义大模型开发机器人行业模型，基于自然语言，可以实现人和机器的互动。如机器人收到了人的指令后，可以进行理解、推理和分析，并自动生成软件代码，组织协调不同智能体完成不同场景下的任务。

这一功能大大降低了工艺开发人员的门槛，提高了开发效率和质量。从全局来看，不仅能避免出现数据断点，减少人工干预带来的影响，从而提高产品的稳定性和可靠性，促进了数据在多个环节的自动流动，提高了整个系统的智能化水平。

进入数字时代，以往高度一体化、集中化的制造业体系，逐渐走向生产分散化和组织灵活化。

AI大模型+智能协同办公平台，有助于打通制造业的一个个数据断流节点，推动数据在研发、生产、配送、服务等环节高效流动，从而提升制造企业内部、甚至产业上下游之间的协同效率，推动制造业走向“智能协同生产”。

“融合”是半个世纪以来技术演进的基本规律，信息技术(IT)、通信技术(CI)、控制技术(OT)和以云计算、AI为代表的DT技术加速融合。

展望未来10年，AI大模型将会赋能每个智能终端、智能单元和智能系统，AI大模型驱动的智能在云边端实时协同成为基本趋势，被AI大模型赋能的智能体将无所不在，设备、产线、工厂、企业中的智能体将无所不在，数据流的核心价值将从描述信息走向决策流和控制流。

无数个智能体在AI大模型的驱动下，实现决策智能与控制执行，走向自决策、自控制，人们将面对一个智能联合体的崛起。

3. 进入控制环节是AI大模型赋能制造业的关键标志

AI大模型进入制造业的核心价值不是在营销和管理等环节，而是要进入生产控制环节。

AI大模型的通用性、泛化性，以及基于“预训练+精调”的新开发范式，将从研发设计、生产工艺、运维质控、销售客服、组织协同等各个环节赋能制造业。

其中，我们认为进入生产环节最核心的控制系统，例如PLC、MES、SCADA等等，提升工艺生产流程的智能化，是AI大模型应用制造业的关键标志。

西门子和微软在今年4月宣布合作，基于GPT推动下一代自动化技术变革，合作开发PLC的代码生成工具，将AI大模型融入控制环节。

目前，在电力调度领域，AI大模型可以深入新型电力系统复杂调度控制核心业务环节，成为调度业务“专家助手”，可以为电力调度员提供电网调控策略，优化线路负载均衡，从而降低电网损耗等。

目前，企业正探索利用AI大模型能力，驱动工业软件SCADA智能化。

SCADA系统(数据采集与监视控制系统)可以应用于电力、冶金、石油、化工、燃气、铁路等领域的数据采集与监视控制以及过程控制等诸多领域。

在SCADA场景下，典型做法是利用大模型在特定行业场景下的编程接口和生态库，产生工业逻辑代码(交互、建模、SQL开发)，自动集成到工业软件中，基于结果闭环优化模型。

在汽车行业，近几十年来，汽车工业的转型，不仅是一场动力革命，也是一次控制革命。

传统汽车向智能汽车演进最大的技术变革在于汽车控制系统的创新，从传统汽车80多个ECU等电子控制单元，转向类似于智能手机的集中式架构(底层操作系统+芯片SOC+应用软件)。

今天，自动驾驶成为汽车工业转型的又一个重大方向。

目前大模型对自动驾驶的改变主要有两个方向：一是大模型作为赋能工具，辅助自动驾驶算法的训练和优化;二是大模型进入决策控制环节，作为“控制者”直接驾驶车辆。

2023年8月公开报道显示，特斯拉“端到端”AI自动驾驶系统FSD Beta V12首次公开亮相，完全依靠车载摄像头和神经网络来识别道路和交通情况，并做出相应的决策。

当然，目前AI大模型进入控制环节，实际的应用和落地过程仍然面临着许多问题，有待科研人员进一步探索解决。

4. 大小模型协同是AI大模型赋能制造业的重要趋势

AI大模型本身需要找到具体落地场景，离解决千行百业的实际场景问题，还有距离。从实际的产业发展看，一个重要的趋势是：通用与专用、开源与闭源、大模型与现存软硬件系统的协同配合，是产业落地的必经阶段，而且在这一阶段，大小模型高度协同的重要载体——AI智能体(AI Agent)将成为新的生产工具。

AI Agent一般是指基于LLM、能够使用工具自主完成特定任务的智能体。AI Agent将LLM与其他模型、软件等外部工具协同，能够处理真实世界中的各种复杂任务。

2023年7月，阿里云推出了一款智能工具魔搭GPT(ModelScopeGPT)，它能接收用户指令，通过“中枢模型”一键调用魔搭社区其他的AI模型，大小模型协同完成复杂任务，降低大模型使用门槛。

未来，AI Agent将主要由“感知系统+控制系统+执行系统”组成，不仅具有生成能力，还将同时具备任务理解、任务拆解、任务调度、执行规划、链条协同等能力。

其中LLM将主要承担指挥中心角色，类似人类“大脑”的角色，对接入AI Agent的数字化工具(比如SaaS软件、工业机器人、数字人等)进行统一智能调度管理，实时在生产、管理、服务等场景中，由不同组合的数字化工具协同完成具体场景中的实际问题。

今天的制造业转型升级，已经不再是单一技术的赋能，而是以“公共云+AI”为代表的技术体系的全方位赋能和支撑。

当前，必须把握好以AI大模型为代表的新一代人工智能技术发展的历史机遇，加速推动智能制造迈向“新阶段”。

1. 实施“公共云优先”战略，把公共云作为推动“制造业+AI大模型”融合创新的关键力量

公共云的大规模、高可用、低成本算力基础设施，成为产业智能化的关键基础。

特别是美国升级芯片管制后，公共云是缓解高端芯片瓶颈的最优路径，通过高效连接异构计算资源，突破单一性能芯片瓶颈，协同完成大规模智能计算任务，可以有效降低对海外高端芯片的依赖。

一是要将“公共云优先”战略作为制造业数字化转型相关政策规划的重要内容，明确中长期发展目标、重点任务和保障措施等;

二是要避免芯片“挤兑”现象，警惕各地“小散多”一哄而上地建设算力中心，造成统一算力市场得“碎片化”，避免出现建得多、用不好、用不起的现象;

三是将数据中心利用效率作为数据中心建设考核指标，扭转数据中心建设“重建设、轻运营”“重投入、轻绩效”的模式。

2. 鼓励模型开源开放，支持科技平台企业做大做强模型开源社区，繁荣AI产业技术生态

AI的竞争既是一场技术战，也是一场商业战，核心是生态战，关键在于开源开放。开源开放可以降低研发成本和应用门槛，是创新到商业闭环的“助推器”。

一是做好AI开源开放生态的顶层设计，将AI开源开放生态建设纳入国家规划、抓好落地实施;

二是鼓励地方政府联合AI开源社区头部平台建设AI赋能中心，依托海量开源模型和模型即服务平台(MaaS平台)加速制造业数智化创新应用;

三是鼓励应用牵引，加快产业落地，支持制造企业加速应用基础大模型、研发应用行业模型和企业专属模型，通过“用模型”反哺技术创新。

3. 启动工业软件AI驱动升级工程，加快制造业全环节全链条智能化升级

作为智能制造的关键支撑，工业软件对推动制造业转型升级具有重要战略意义。AI时代，所有工业软件都值得用大模型重新升级一遍。

一是要大力发展基于AI的工业软件，推动“工业软件+AI大模型”技术研发，增强工业软件在智能化时代的自主创新能力，积极推动工业软件标准研制工作;

二是要充分发挥工业软件相关联盟的沟通桥梁作用，发挥AI企业、工业软件企业、科研院所和制造业企业各自优势，构建合作共赢、具有核心竞争力的AI驱动的工业软件产业生态。

4. 聚焦制造业重点产业链，分环节分场景打造标杆，示范推动大模型在制造业的规模化应用

制造业重点产业链是加快建设现代化产业体系的重要支撑，要找准关键环节、集中优质资源，搭建以“算力+算法+数据”为核心的要素体系，提升制造业的数实融合程度，促进制造业产业链安全和智能化升级。

一是启动大模型支撑新型工业化示范工程，以AI大模型为抓手，推进AI全方位、深层次赋能新型工业化，加快探索新型工业化“新模式”;

二是在产业基础好、创新能力强的制造业产业带、优势开发区、产业园区的等，率先开展“制造业+AI大模型”融合创新发展示范工程;

三是通过“创新平台+数字工厂”等模式，针对感知、控制、决策、执行等关键环节的短板弱项，分场景加强产学研用联合创新，打造创新应用标杆，推动大模型规模化应用。