扩展模块 1734-IT2I 嵌入式操作视频

扩展模块 1734-IT2I 嵌入式操作

1756-PB72	1769-ADN	1734-IV4	1746-IV16	1761-CBL-PM02
1756-OA16I	1769-SM2	1734-IV8	1746-IV32	1761-NET-AIC
1756-OB16E	1769-OF4CI	1734-MB	1746-NI4	1762-IQ8
1756-OW16I	1769-DPS	1734-OA4	1746-NI04I	1768-CNBR
1756-L71	1769-OB16	1734-AENT	1746-NI04V	1762-L24BWA
1756-OX8I	1769-OB16P	1734-OB4	1746-NO4V	1762-OB16
1756-PA72	1769-L35E	1734-TBS	1746-NT4	1763-BA
1756-PLS	1769-0A8	1734-OB4E	1746-OA16	1764-24BWA
1756-PSCA2	1769-OB16	1734-OB8	1746-P1	1764-LRP
1756-RM	1769-OB32	1734-OB8S	1746-P3	1764-LSP
1756-RMC1	1769-OB8	1734-OE2V	1746-A10	1768-PB3
1756-PA75R	1769-OF2	1756-L72	1746-A7	1768-CNB
1756-OB16E	1769-ASCII	1734-OW2	1746-OB16	1768-L43
1756-A10	1769-OV16	1734-TBCJC	1746-OB16E	1768-ENBT
1756-A13	1769-OW16	1734-ACNR	1746-OB32	1768-EWEB
1756-A17	1769-OW8	1734-AENTR	1746-BAS	1768-MI04SE
1756-PA75	1769-QWBT	1734-ARM	1746-TM16	1771-OBN
1756-TBS6H	1769-IQ32	1734-AFM	1746-IB32	1771-ASB
1756-IB16I	1769-IQ6X0W4	1734-EP24DC	1746-OBP8	1771-IBD
1756-OF4	1769-I6X0W4	1734-EPAC	1746-OW16	1771-OAN
1756-CN2R	1769-IQ620W4	1734-FPD	1746-HSCE	1771-CFM
1756-CN2RXT	1769-L30	1734-IB2	1746-HSRV	1783-BMS10CGP
1756-OB32	1769-L30ERMS	1734-IB4	1746-IA16	1783-EMS08T
1756-OB8	1769-L32C	1734-IT2I	1746-IO12DC	1783-MEKO8T
1756-A7	1769-L33ER	1794-OF4I	1746-OW8	1783-SFP1GLX
1756-CN2	1769-IF4X0F2	1794-OF4IXT	1747-ASB	1783-US05T
1756-CNB	1769-IF8	1794-OW8	1747-L524	1783-USO8T
1756-CNBR	1769-IQ16	1794-TB3	1747-L532	1784-CF64
1756-OF6CI	1769-PA2	1794-PS13	1747-L542	1784-KT
1756-RM2	1769-PB2	1794-PS3	1747-L543	1784-SD1
1756-OF6VI	1769-BA	1794-TB32	1747-L552	1786-RPA
1756-CPR2	1769-ECL	1794-TB3TS	1747-SDN	1786-RPCD
1756-DHRI0	1769-ECR	1794-TBNF	1747-SN	1786-RPFM
1756-OB16I	1769-IA16	1794-TB32S	1757-SRM	1787-MCABL

扩展模块 1734-IT2I 嵌入式操作

生成式AI大模型

在制造业领域仍需克服三大挑战

人工智能在工业领域的应用仍具备非常广阔的空间，根据凯捷统计，只有欧洲制造企业AI 应用普及率超过30%，日本制造企业AI 应用率达到30%；美国制造企业AI 应用率达到28%;中国制造企业普及率达到11%，这个调查表明人工智能在工业领域的普及率仍有很高的空间。但是生成式AI大模型的应用仍需面临一些挑战：

图6 人工智能在制造业渗透率对比

一是尚未出现投入产出比非常明确的场景。在ChatGPT爆发之前，人工智能虽然在制造业拥有很多场景的探索，但是较为认可的领域仍然聚焦于的质量检测和设备预测性维护，这两种场景被认可的核心原因就是在项目实施后的效果较为明显，例如产品表面缺陷检测能够同过人力成本的节省来计算明确的ROI，设备预测性维护能够基于设备故障发现的时间节点来衡量效果，但是在生成式AI的应用，尚未出现类似以上两种经济效应较为明显的场景，大多数场景的探索处于试点和探索阶段。

二是面向领域的基础模型缺乏。目前面向工业领域大模型的做法，大多都是从精调做起，并没有经过预训练阶段，而预训练才是真正知识灌输阶段，让模型真正学习领域数据知识，做到适配领域。从精调做起或者直接集成大模型只是激发原有大模型的能力，并没有从实现对领域知识的理解和推理。而当前的基础模型发展仍处于通用大模型竞争的白热化阶段，对面向行业的基础模型关注较少，目前也仅有少数的企业开始从预训练阶段构建制造业领域的生成式大模型应用。

三是制造业领域场景高度碎片化。碎片化的场景对大模型这种对数据、算力要求较高的范式也提出了挑战。工业数字化领域经常流传一个逻辑，“工业数字化是万亿级的市场，但其是一万个亿级市场的组合”，对于细分领域来说，很难有足够多可用的数据来从预训练阶段开始训练大模型，通用的大模型又无法适配聚焦细分领域的场景需求，这种天然的矛盾会阻碍大模型的发展。图片

备注：斯坦福大学用基础模型来泛指通过自监督学习在超大规模数据上训练并且可以适配（例如，微调）各种下游任务的模型，这些模型包含但不限于ChatGPT、Llama等。在我国伴随着产业发展，通常用大模型来泛指ChatGPT、Llama等生成式模型，本文撰写过程中对语言、图像、多模态等各类生成式AI沿用了目前我国产业界形成的共识。

扩展模块 1734-IT2I 嵌入式操作

展开全文

相关产品