近年来，以人工智能(AI)为代表的新兴科技不断取得群体性突破，并迅速向制造业渗透，赋予了智能制造新的内涵。在工业AI背景下，智能制造是以AI为代表的现代信息技术与智能制造装备、制造工艺、业务流程等制造场景的深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节。技术软件化是基于工业AI的智能制造的基本特征之一。所谓技术软件化，就是所有的工艺知识、流程经验都被内化为工业软件，在工业AI时代可称之为智能工业软件。工业软件是工业企业数智化转型升级的重要工具，也是我国智能制造的重要基础和核心支撑。大模型是当前全球数字经济发展的热点和趋势，也是AI的核心技术，其出色的上下文理解、指令遵循、内容生成和场景泛化等能力，为工业软件在智能制造领域上的突破应用提供了新的思路。大模型与工业软件的集成应用也为AI与智能制造的深度融合拓展了空间。

一、AI的发展阶段

AI的发展大致经历了5个阶段。一是基于专家知识和规则的推理决策阶段，主要通过计算机自动化等手段，将人类专家的知识和经验转化为计算机能够明确理解和执行的规则，如故障分析溯源、早期自动驾驶等应用；二是基于特征和统计的机器学习阶段，主要利用数理统计等数学方法，通过无监督学习从数据中提取一般性规律，构建机器学习模型，从数据中初步理解规律并按规律执行任务，如用户流量分析、异常行为检测等应用；三是依赖网络结构设计的深度学习阶段，主要通过有监督的深度学习，构建多层神经网络以模拟人脑的信息处理机制，针对确定的任务领域，充分理解其中规律，如图像分析理解、语音识别应用；四是大模型阶段，主要通过Transformer模型结构的创新，提升模型应用场景的泛化能力，实现智能的“涌现”，显著提升模型的通用性、智能化水平和逻辑推理能力；五是通用智能体阶段，其核心目标是构建能够自主完成复杂任务的智能体系统，该系统不仅需要具备感知和推理能力，而且能够完成任务的自主决策和执行，并在动态环境中进行实时学习和自适应优化。当前，AI发展正处于大模型阶段。面向未来，从大模型向通用智能体的演化正在飞速进行，并将进一步借助具身智能等技术，促使AI与现实物理世界发生深度交互，并向真正的通用人工智能(AGI)迈进。

二、国内外行业现状

（一）工业软件领域

目前，全球工业软件市场竞争格局相对稳定，呈现出国外寡头垄断市场的态势，西门子、达索、PTC等巨头占据高端市场。这些企业通过并购整合、技术创新等方式巩固市场地位，构建了较高的行业壁垒。美国在高端研发设计类软件领域占据主导地位，此类软件已广泛应用于航空航天、汽车制造等高端制造业，为美国制造业的智能化升级提供了强大支撑。随着制造业智能化转型的加速，工业软件市场需求将持续旺盛，推动市场规模稳步增长。德国凭借“工业4.0”战略，聚焦生产控制类软件，如SAP、西门子制造执行系统(MES)系统，助力德国制造业实现高效的生产管理和质量控制，提升生产效率和产品质量。日本在嵌入式软件领域的优势显著，在汽车与电子制造领域的应用领先。例如，丰田汽车的嵌入式软件系统提升了汽车的智能化和自动化水平，增强了产品的市场竞争力。

我国制造业在工业软件领域与国际先进水平存在相当大的差距，我国工业领域的高端工业软件几乎都被国外公司垄断。国产工业软件起步较晚，核心技术掌握不足，在性能上相比国外主流产品仍有较大差距，主流软件市场仍由国外软件主导。在高端软件领域，我国长期依赖国外，尤其是在软件创新方面，工业软件的供给和知识产权保护存在短板。其中，研发设计类的计算机辅助设计(CAD)、电子设计自动化(EDA)、计算机辅助工程(CAE)等高端工业软件，具有丰富的应用场景和广泛的应用范围。但是，此类软件的技术壁垒高，其短板最为明显。

（二）工业大模型领域

当前，国内外的相关研究主要是利用已有的通用大模型，尤其是大语言模型，尝试解决工业制造业的具体问题。在智能制造领域，工业大模型由通用大模型和特定工业场景的专有数据融合形成，具有垂直化、场景化、专业化的特征，可实现对传统工业领域的赋能。国内外部分企业已崭露头角，如国外的Salesforce、Authentise，国内的华为、百度、中工互联等，竞争格局初步形成，涵盖了研发、设备、生产、管理等不同工业环节，涉及制造、矿山、能源、航天等多个领域。

在国外，美国和欧洲凭借其在技术、资金和数据资源方面的优势，占据了工业大模型全球市场的主导地位。美国的科技巨头如谷歌、微软、IBM等，通过云计算平台和工业物联网技术，为制造业提供智能化解决方案。欧洲则通过政策支持和国际合作，推动本土创新，防止被美国垄断技术输出。

在国内，工业大模型市场呈现快速发展的态势。以华为、百度、阿里为代表的科技巨头凭借其在AI领域的深厚积累，占据了国内市场的主导地位，在工业大模型应用方面取得了显著成果。国内工业大模型呈现百家争鸣的态势，其应用案例已经渗透到工业的多个环节，在众多业务流程的功能点上形成了一些应用，相比传统AI场景，显得更加碎片化。其中，知识管理/知识问答、数据助手/数据问答、专业内容生产以及视觉安监4个方向是目前应用探索最多的方向。虽然探索的场景众多，但碎片化特征明显，而且碎片化场景逐步成熟需要一定的时间打磨，且未来可能只有部分场景能够规模化落地。

凯捷的统计数据显示，工业大模型的整体普及率十分低，在美国和欧洲等国家和地区的顶级制造企业中，AI应用的普及率仅超过30%，而中国制造业企业的AI普及率不足11%。这些数据反映出未来各国在推动工业大模型应用普及方面存在的巨大潜力和空间。

三、大模型赋能工业软件

（一）大模型和工业软件内涵

1.大模型内涵

大模型的构建可以分为两个关键阶段，包括预训练阶段和微调阶段。预训练是指主要基于大量无标注的数据进行训练，微调是指在已经预训练好的模型基础上，使用特定的数据集进行进一步的训练，以使模型适配特定任务或领域。

针对工业大模型，一是可以基于大量工业数据和通用数据打造预训练工业大模型，加强模型对工业通用知识的理解，以支持各类工业应用的开发。二是可以在基础大模型上通过对标注的工业数据集进行微调，使其适配特定的工业任务，其中的基础大模型是通过现有公共数据集训练出来的通用大模型。三是可以在不改变通用大模型参数的情况下，通过工业检索增强生成(RAG)为通用大模型提供额外的数据，具体为将通用大模型接入特定行业或企业的私有知识库，并支持工业知识的获取和生成。

面向智能制造的工业大模型是指在智能制造领域中，面向工业产品全生命周期应用的、具有大规模参数的深度学习模型体系。该模型体系具有工业数据和机理知识融合驱动、工业专业化内容生成、工业多场景跨域任务学习、工业多模态融合交互等主要特征，具备为智能制造提供问答内容生成、专业知识迁移、智能辅助决策、泛化场景支撑、多模数据处理、装备感知规划等核心任务的能力，旨在处理和分析工业生产过程中的大量数据，以实现生产流程的优化、产品质量的提升、资源利用的高效以及维护成本的降低。面向智能制造的工业大模型在通用大模型所具备的涌现能力、通用性和大参数规模的基础上，还需要进一步满足产品研发设计、生产制造、经营管理、运维服务等全业务域专业场景的应用需求，为其提供全流程、多要素、多场景的智能化能力。

2.工业软件内涵

工业软件是工业知识的数字化载体，将工业领域长期积累的技术、工艺、经验等转化为可执行的代码和算法，是将工业知识、制造经验、工艺技巧等通过编程和算法进行系统化、规范化封装，并能在产品研发设计、生产制造、经营管理、运维服务等环节中重复应用的软件集合。

（二）面向智能制造的工业软件分类

工业软件的种类很多，依据其在智能制造流程中的作用和应用场景，可大致分为研发设计类、生产制造类、经营管理类以及运维服务类等。每一类软件都有独特的功能，研发设计类对应产品的设计构思阶段，生产制造类对应产品的实际生产阶段，经营管理类对应产品的经营发展阶段，运维服务类对应产品的售后服务阶段。它们相互协作，共同推动智能制造的高效运行。

1.研发设计类软件

研发设计类工业软件是在产品创新中，将创意转化为详细设计方案的关键工具，在产品研发的起始阶段发挥核心作用。

CAD软件能够使研发设计人员将脑海中的创意转化为精确的数字模型，实现产品的可视化设计；CAE软件专注于对产品进行复杂的工程分析，能够模拟产品在各种实际工况下的性能表现，提前发现设计中的潜在问题，优化产品性能；计算机辅助工艺规划(CAPP)软件能够根据产品设计信息，自动生成合理的工艺路线和工艺参数，提高工艺设计的数字化和标准化水平；计算机辅助制造(CAM)软件侧重于将设计模型转化为实际的加工指令，控制加工设备进行产品制造，实现制造过程的自动化和智能化；产品生命周期管理(PLM)软件对产品从概念设计、研发、生产、销售到售后服务的整个生命周期进行管理，实现产品数据的集中存储、共享和协同，确保产品信息的一致性和完整性。

2.生产制造类软件

生产制造类工业软件负责把控生产过程的各个环节，是实现生产自动化、提高生产效率和产品质量的关键支撑。

集散控制系统(DCS)软件主要应用于流程工业，能够对生产过程中的各种参数进行实时监测和控制，实现对生产设备的集中管理和分散控制，确保生产过程的稳定运行；数据采集与监控系统(SCADA)软件用于对远程设备的监控和管理，能够实时采集现场设备的数据，实现对设备运行状态的实时监控、报警和远程控制；MES软件是生产制造类软件的核心，能够实时监控生产现场的情况，收集、分析和处理生产过程中的各种数据，如设备状态、生产进度、质量数据等，实现对生产过程的优化管理；高级计划与排程(APS)软件专注于生产计划的优化和排程，综合考虑企业的生产能力、订单需求、物料供应、设备维护等多种因素，运用先进的算法实现生产资源的合理优化配置和排程；质量管理系统(QMS)软件主要用于对产品质量的全面管理，从原材料采购、生产过程控制到产品检验和售后服务，可以帮助企业实时采集和分析质量数据，及时发现质量问题，优化产品质量。

3.经营管理类工业软件

经营管理类工业软件是企业运营的大脑，对企业的资源、设备、供应链等进行全面管理，实现企业运营的高效协同和优化。

企业资源计划(ERP)软件是经营管理类软件的核心，它对企业的物流、资金流、信息流进行集成管理，涵盖了企业的财务、采购、销售、生产、库存等各个业务环节，有利于企业管理者实时掌握企业的经营状况，做出科学的决策；能源管理系统(EMS)软件主要用于对企业的能源消耗进行监测、分析和管理，通过数据分析找出能源消耗的关键点和潜在的节能空间，帮助企业实现能源的合理利用；供应链管理(SCM)软件专注于企业供应链的优化管理，通过整合供应商、制造商、分销商、客户等供应链上的各个环节，实现信息共享和协同运作，提高供应链的整体效率和响应速度；仓库管理系统(WMS)软件用于对仓库的货物存储、出入库、库存盘点等进行管理，实现仓库作业的自动化和信息化，有利于企业实时掌握仓库的库存情况，提高仓库管理效率和库存准确率；供应商关系管理(SRM)软件主要用于管理企业与供应商之间的关系，通过建立供应商信息库、评估供应商绩效、开展采购谈判等功能，帮助企业选择优质的供应商，建立长期稳定的合作关系，提高采购质量和效率。

4.运维服务类软件

运维服务类软件关注产品交付后的阶段，通过客户关系管理(CRM)软件维护客户关系，提高客户满意度，促进产品的二次销售和品牌口碑的传播。

CRM软件专注于客户关系的管理与维护，通过收集、分析客户信息，实现对客户的全方位管理，涵盖客户信息管理、销售管理、市场营销自动化、客户服务和支持以及数据分析与报告等功能。通过CRM软件，企业能够深入洞察客户需求、行为和偏好，进而提供更贴合客户期望的产品与服务。在提升客户满意度方面，CRM软件助力企业全面了解客户需求，及时响应客户问题。在销售业绩提升上，通过对销售数据的分析，精准预测销售趋势，制定更有效的销售策略。

（三）大模型赋能智能制造全生命周期

随着AI技术的跃迁式发展，大模型与工业领域加速融合，为工业软件创新发展提供了重要实现路径。基于自身的自动识别、模型优化和推理决策三大核心能力，大模型可实现对研发设计、生产制造、经营管理和运维服务等智能制造全生命周期的赋能。大模型赋能各类工业软件如下：

1.研发设计赋能

在研发设计方面，工业大模型通过学习大量工业知识和设计理论，能够根据需求辅助设计文件，自动生成或优化设计方案，提高CAD、CAE等软件设计效率和精度。

在CAD辅助设计方面，大模型通过对企业沉淀方案库的持续学习，可以快速匹配最合适的方案，以满足客户新的需求，且经过大量需求与设计方案之间的潜在逻辑关系的学习，建立全局模型，直接针对新需求生成合适的设计方案，从而更好地辅助技术人员快速将设计构思和意图转化为具体实施方案。

在CAE辅助工程方面，大模型通过高精度的数字建模，实现高仿真的虚拟设计环境，能够从微观层面探究产品的复杂构型和机理，并通过其涌现能力生成具有新结构、新特性的工程产品。

2.生产制造赋能

在生产制造方面，工业大模型主要针对加工工艺生成、生产设备控制、生产计划安排、产品质量控制等方面进行流程辅助。

在加工工艺生成方面，利用自然语言处理和计算机视觉等算法，大模型基于工业知识和设计文档以对话问答形式实现与人类的自然交互和协作，根据对工业机器的控制需求生成对应的机器操作指令，实现对加工过程的动态调整，提高生产效率和质量。

在生产设备控制方面，大模型通过传感器收集设备运行数据并对其进行深度学习和建模，能够精确预测设备存在的潜在故障和维护需求，制定针对性的维护计划，降低设备停机和生产中断的风险。

在生产计划安排方面，大模型在大型现代化产线中基于多样化的历史数据，通过数据驱动和算法优化，能够更深入地理解诸如生产需求、资源可用性、任务优先级等工业调度任务中的复杂关系，从而优化关键节点的任务分配和调度，实现快速、准确的决策。

在产品质量控制方面，利用大模型的决策与生成能力，可以帮助企业在工业场景中基于视觉、传感器等多模态数据，构建高精度模型，以便对产品瑕疵进行智能分析与检测。

3.经营管理赋能

在经营管理方面，工业大模型通过迁移学习和模型微调，能够快速掌握垂直领域知识，提高ERP、SCM、WMS等软件的管理效率和水平。

在ERP资源计划方面，大模型可以通过自身强大的推理能力实现对生产经营过程中各类数据的监测、分析和预测，以智能问答的形式使管理人员实时掌握企业目前的经营状况，给出潜在的经营风险预警，从而提升企业的智能化管理水平，完善经营管理机制。

在SCM供应链管理方面，大模型可以深入把控供应链各环节数据之间的相互影响规律，通过决策支持的动态优化能力，根据订单插单情况实时调整生产过程中的资源分配，优化供应链整体效率。

在WMS仓库管理方面，大模型结合历史库存数据、实时监测数据以及生成的大规模数据，建立相应的库存预测模型，对库存进行实时预测，并制定相应合理的补货策略，不仅能避免因库存短缺而影响销售，也能避免过度补货造成的库存积压和资金占用问题。

4.运维服务赋能

在运维服务方面，工业大模型可以提供企业客服、售后服务、精准营销等多种售后环节支持，有效提升客户定制化服务、售后服务和销售预测等能力，持续优化CRM等软件性能，满足不同用户需求的定制化售后服务，降低企业的人力成本和时间成本。

在企业客服方面，大模型基于认知能力实时感知客户需求、行为和偏好，发现客户潜在的期望产品与服务，通过智能问答的方式向客户推荐相关产品和服务建议。

在售后服务方面，大模型还可以通过生成客户需求样本和客户问题预测模型辅助售后服务，快速响应客户的咨询和投诉。

在精准营销方面，大模型通过分析历史退化数据、实时销售数据，结合用户预测需求，生成相应的销售时序预测模型，精准预测销售趋势，辅助销售决策。

四、大模型赋能的工业智能问答助手软件探索实例

（一）功能架构

工业智能问答助手软件功能架构如图1所示，该架构整体分为数据层、智能模型层、引擎层、知识库层以及功能呈现层5部分。

图1 工业智能问答助手软件功能架构

数据层主要包括各类工业领域数据，包括情报、装备、理论成果、法律法规制度、网络信息、历史知识等。

智能模型层包括基于开源模型的模型训练、模型部署和模型管理。

引擎层主要由图数据库和向量数据库构成，将用户的结构化数据、半结构化数据以及非结构化数据，通过实体识别、关系抽取以及向量化操作，分别存入图数据库和向量数据库，以便为上层构建知识库以及开展智能问答时进行查询召回并提供数据支持。

知识库层利用解析好的图数据库及向量数据库内各类数据构建工业文档库、工业问答库等工业知识库，供上层模型开展问答时进行信息召回。

最上层功能呈现层提供工业领域知识库构建、模型训练与管理、智能知识问答以及知识运营等功能。

（二）软件组成

工业智能问答助手软件主要由工业知识库构建与管理、工业智能问答模型训练以及工业知识问答服务应用3部分模块组成。

图 2 工业智能问答助手软件模块组成示意

工业知识库构建与管理模块主要是基于模型、向量数据库和图数据库能力，对工业用户文档信息进行解析，并将其切片后纳入图库、数据库；系统提供辅助用户设计并构建工业问答知识库谱系的功能，可辅助用户快速构建工业问答知识库。同时，系统具备工业知识库管理功能，包括版本化管理功能以及对工业问答知识库模型构建过程的追溯查询功能。

工业智能问答模型训练模块主要是基于工业用户提供的工业文档数据构建工业训练数据集，在前端通过代码提交的方式向平台发起可调度的训练任务，实现基于工业用户专有领域数据的智能问答模型训练，逐步提升智能问答助手回答的准确率，减少模型幻觉问题。

工业知识问答服务应用模块基于工业领域智能问答模型以及知识库、关联训练数据、情报数据、装备数据、历史知识、理论成果、法规制度、网络信息等多源异构数据，以自然语言咨询问答的形式提供智能制造领域问题的知识问答功能。该模块通过工业智能问答模型理解用户意图，结合多元异构数据，通过自然语言对话的形式提供引导式咨询，并自动推荐问题答案。

（三）模块功能

1.工业知识库构建与管理模块

工业知识库构建子模块，以支持按照问答的形式组织信息，供模型对其进行分析并提供问答服务；支持注册数据库的连接信息，供模型对其进行分析并提供问数服务；支持将开放应用程序编程接口(OpenAPI)格式的应用程序编程接口(API)注册至平台，供模型对其进行分析并提供API调用服务。

工业知识库管理子模块，支持按照层级目录，对10多种格式的文件进行解析、存储与管理，供模型对其进行分析并提供问答服务。

2.工业智能问答模型训练模块

工业智能问答模型训练子模块，支持通过代码提交的方式向平台发起可调度的训练任务，可通过远程代码仓库或本地上传的方式提交训练代码，支持通过平台对代码中的训练脚本进行再次编辑、配置环境变量，支持对训练过程的监控，支持基于训练指标选择最优的checkpoint并保存为模型。此外，可批量选择多个无代码模型训练任务并对其配置参数、校验指标集、训练集指标等进行对比，支持列表式和参数图两种模式。

工业智能问答模型管理子模块可支持查看平台训练产生的模型所对应的训练任务来源、关联服务，支持对外部模型进行上传纳管，还支持模型的一键部署。

工业智能问答模型部署子模块可支持模型的离线部署，可对服务基础信息、运行时间、模型来源和API参数进行定义，支持服务选择不同资源组进行发布，以保障资源的隔离。该子模块还具备版本化管理功能，可支持对工业问答知识库模型构造过程的追溯查询，可对模型进行版本管理，可查看模型的版本以及上下架记录，支持对模型进行回滚操作。

3.工业智能问答服务应用模块

工业智能问答服务配置子模块，支持对工业智能问答应用的基础信息、功能配置、策略配置进行设置。

工业智能问答服务应用子模块，具备智能制造领域问题知识问答功能，支持用户以自然语言进行咨询，能够理解用户意图并通过自然语言对话的形式提供引导式咨询，并可构建一个对话类型的应用，结合模型原生知识与提示词进行问答，能够基于工业领域文档库、问答库与知识图谱库，关联训练数据、情报数据、装备数据、历史知识、理论成果、法规制度、网络信息等多源异构数据，自动推荐问题答案，支持文本输入和语音输入两种交互方式。

（四）系统设计

软件系统整体基于“RAG+微调”方案，即检索增强生成结合模型微调，同时在传统RAG基础上，通过知识图谱对RAG各个环节进行增强，最终实现高准确率的智能问答。

通用语言模型(GLM)等生成式人工智能在文本生成、从文本到图像的生成等任务中表现出令人印象深刻的性能。但它们也存在固有局限性，包括对生成内容产生幻觉、缺乏对生成文本的可解释性、对专业领域知识的理解较差以及对最新知识的了解有限。克服这些限制、提升模型能力的途径主要有两种：一种是通过微调更新模型，另一种是让模型能够与外部世界互动，以不同形式和方式获取知识。

RAG为生成式模型与外部世界互动提供了一个很有前景的解决方案。RAG的主要功能类似于搜索引擎，它会找到与用户提问最相关的知识或者对话历史，并结合原始提问(查询)，创造信息丰富的提示，指导模型生成准确输出。这在本质上是应用了情境学习(In-Context Learning)的原理。

五、发展对策建议

（一）开展智能制造领域典型业务场景设计

工业AI赋予了智能制造新的内涵，它以数据要素为驱动，以智能技术为核心，覆盖研发设计、生产制造、经营管理和运维服务等工业制造全生命周期，旨在优化资源配置、提高生产效率、降低运营成本，满足多元化、个性化的市场需求，为经济产业注入活力。大模型因其出色的知识迁移、辅助决策、场景泛化、多模数据处理和感知规划等能力，已成为推动智能制造发展的重要赋能方向。大模型与工业制造、工业软件的集成应用也为AI与智能制造的深度融合拓展了应用空间。以市场需求为导向，鼓励行业龙头企业提炼并共享其在研发设计、生产制造、经营管理等关键环节深度应用AI大模型的应用场景案例。借助聚类分析方法，可以将无限多的应用场景归纳为若干类典型业务场景，使同类业务具备较高的能力相似度，使不同类业务具备较低的能力相似度，进而从另一个维度将近乎无限的应用场景转变为相对有限的典型业务场景。此后，按照“突出重点、聚焦有限目标、把握节奏、分期推进”的思路，优先满足急切需求和共性需求，视情况满足个性需求，渐进地满足拓展需求。

（二）夯实知识增强的工业大模型应用建设

将智能制造领域知识集成到生成式大模型，使工业大模型能够深入学习特定细分工业场景的数据和工作流程，理解庞大的工业数据集，模拟专家的决策过程，在细分工业场景中能够针对特定作业领域的问题提供专业的建议和解决方案，并能够在变化的环境做出高效准确的响应。一方面，引导企业加大在智能制造领域数据集建设方面的投入，鼓励智能制造企业，特别是链主企业结合行业智能化转型工作，加大对相关工业数据集建设的投入，实现研发设计、生产制造、经营管理、运维服务等细分场景数据集的收集与清洗，形成高质量数据集，持续向工业大模型注入行业领域的专业知识。另一方面，基于基础大模型底座和海量行业数据，通过模型微调、蒸馏等方式，形成面向各个细分场景的行业大、中、小模型，实现工业知识和专家经验的沉淀。同时，基于大小模型协同的方式，快速、高效地开发面向特定行业场景的各类工业软件，以大赛、案例遴选等为抓手，引导智能制造领域向大模型企业开放有价值的工业典型业务场景，打造“场景分析-方案设计-产品开发-用户交付-常态服务-规模推广”的工业大模型落地应用标杆案例。

（三）加强大模型赋能的工业软件能力建设

聚焦通用人工智能和工业软件的融合创新，推动大模型在研发设计、生产制造、经营管理和运维服务等环节的深度融合能力建设。一方面，鼓励工业软件进行云化部署，支持企业开放算法、算力、数据等资源，通过共享资源的方式降低开发和应用成本，通过将物理上分散的业务数据汇聚到云上，抽取实体、关系构建关系图谱，为业务知识管理提供关系挖掘、关联搜索、知识推理等服务，持续积累样本数据资源，迭代训练智能算法模型，形成完整高效的开源算法模型，助力构建“算力支撑、数据驱动、知识主导、智能引擎”的工业软件体系，为智能制造领域提供完整的解决方案。另一方面，构建智能制造领域全栈数据AI能力生成的智能支撑平台，贯通数据标注、模型生产、分布式训练、模型优化、模型部署与推理全流程，实现对相关领域各类信息资源、业务知识、智能算法的统一纳管、服务封装和能力供给，支撑各类服务、数据、算法、知识等不断集成生长，形成可视化、高效灵活的AI赋能体系。

（四）构建工业软件领域的大模型评测环境

一是依照智能制造领域相关细分场景的数据标准规范体系，进行数据清洗转换、质量校验、标注编目，形成规则有序、完整正确、分门别类的高质量工业数据集，并确保工业数据来源可靠，在数据标准、数据质量、数据安全和隐私保护等方面合法合规，保障大模型输出结果具备高的质量并符合监管要求。

二是利用对比学习技术解决多模态工业知识抽取问题，将内容相似的不同模态数据在公共表征空间中形成聚类，将内容不相似的进行区分，以增强各模态数据对相关知识的表达能力，实现多模态工业知识的快速精准抽取。

三是构建工业软件领域的大模型评测标准体系，研究多模态、多维度的基础模型评测基准及评测方法，开发基础模型评测工具集，从神经覆盖率、智能软件确定性、安全度量方面，利用黑白盒软件评测手段，开展智能模型结构安全性、输入输出鲁棒性、行为安全性等方面评测工作。

四是针对大模型赋能的工业软件开展覆盖功能、性能、兼容性、安全等多维度的测试认证，支持单元级、模块级软件测试与管理，通过提前验证软件可靠性，降低后期维护成本，为后续大模型赋能的工业软件规模化部署奠定基础。

六、结论

面向“工业5.0”时代，大模型作为核心技术要素，赋予了智能制造新的内涵，可实现对研发设计、生产制造、经营管理和运维服务等工业制造全生命周期的AI赋能。展望未来，为推动我国AI高水平赋能新型工业化进程，在全球AI科技竞争中形成优势，建议从多个维度完善政策支持体系，在业务场景方面，以市场需求为导向，设计若干类智能制造领域典型业务场景，优先满足急切需求和共性需求，视情况满足个性需求，渐进地满足拓展需求；在模型应用方面，夯实知识增强建设，打造工业大模型落地应用标杆案例；在能力建设方面，构建“算力支撑、数据驱动、知识主导、智能引擎”的工业软件体系和全栈数据AI能力生成的智能支撑平台，实现通用人工智能和工业软件的融合创新；在评测环境方面，从高质量工业数据集，对比学习技术引入，评测标准体系构建和多维度测试验证方面发力，确保大模型赋能的工业软件在实际应用中的可靠性。

原文刊载于《数字化转型》2025年第11期 作者：芦存博 左璇 金博 李航 毛亿 干红平