全系列现货出售1762-OB16 低速高转矩输出

全系列现货出售1762-OB16 低速高转矩输出

全系列现货出售1762-OB16 低速高转矩输出

洞察4：“5G+工业互联网”发展驶入快车道

5G是驱动工业互联网发展的关键技术，工业互联网是5G规模化应用的主阵地。近年来，“5G+工业互联网”发展驶入快车道。

从产业规模来看：5G正式商用近四年以来，中国在5G网络建设方面取得举世瞩目的成就。工信部数据显示，截至2023年3月底，我国累计建成5G基站超过264万个，5G移动电话用户达6.2亿户，移动物联网用户达19.84亿户，5G应用已覆盖52个国民经济大类。与此同时，我国工业互联网产业规模已超过1.2万亿元，较上年增长了15.5%。工业互联网标识解析体系覆盖31个省（区、市）和40个行业，服务企业超过了25万家；形成综合型、特色型、型的多层次工业互联网平台体系，重点平台连接设备超过了8100万台（套）。工业互联网已覆盖45个国民经济大类、166个中类，覆盖工业大类的85%以上。

图表 5  中国5G和工业互联网发展概况（截止2023年Q1）

数据来源：工信部

从技术标准来看：2020年7月3日，3GPP官宣了5G R16标准的冻结，定义了5G LAN这一推动5G向垂直行业扩展的重要加速剂，拉开了“工业5G时代”的大幕。在此之前，工厂的网联化、数字化转型大多依赖“有线+WiFi”的组合来为终端设备提供通信保障，其局限性也显而易见——一方面是工厂环境复杂，有线网络路由难规划、部署成本高，而且易造成线缆过多、混乱；另一方面是WiFi网络抗干扰性与移动性差，同时基于WiFi的网络环境也不具备边缘能力，无法承担部署在边缘节点的潜在故障分析、数据快速回传等工作。而5G则像是一把锋利的剪刀，成功为工业制造完成了“剪辫子”的转变。在进入R16时期后，5G LAN一举打通了工业IT与OT融合的“任督二脉”，使5G直接进入到工厂内网，跟工业网络之间形成融合。2022年6月，5G R17标准冻结，在uRLLC（超可靠低延迟通信）增强项目中，对时延敏感的工业控制网络的空口同步精度在R16的±540纳秒，进一步提升到R17的±145纳秒至±275纳秒，可有效解决工业控制的同步精度问题。同时，轻量级5G RedCap的冻结则为工业传感器连接场景提供了支撑。

从顶层设计来看：“5G+工业互联网”相关政策呈现出逐年清晰、完善、具体的趋势。自2019年我国正式商用5G后，工业和信息化部便出台了《“5G+工业互联网”512工程推进方案》，有针对性地推进5G和工业互联网融合发展。2021年7月，十部委联合颁布《5G应用“扬帆”行动计划（2021-2023年）》，在行业融合应用深化行动中将“5G+工业互联网”作为重点，提出要聚焦“5G+工业互联网”发展重点行业，打造典型应用场景，持续开展“5G+工业互联网”试点示范，支持5G在质量检测、远程运维、多机协同作业、人机交互等智能制造领域的深化应用。2022年9月，工信部印发《5G全连接工厂建设指南》，提出“十四五”时期，主要面向原材料、装备、消费品、电子等制造业各行业以及采矿、港口、电力等重点行业领域，推动万家企业开展5G全连接工厂建设，建成1000个分类分级、特色鲜明的工厂，打造100个工厂，推动5G融合应用纵深发展。

智次方研究院汇总了部分企业的5G全连接工厂案例，如下所示：

中国信息通信研究院发布的《2022中国“5G+工业互联网”发展成效评估报告》显示，全国4000余个“5G+工业互联网”项目已覆盖41个国民经济大类，5G全连接工厂种子项目中，工业设备5G连接率超过60%的项目占比超一半，5G技术与工业融合的广度和深度不断拓展。“5G+工业互联网”创新发展，不仅带动了企业提质、降本、增效、绿色、安全发展，而且开辟了传统工业技术升级换代的新路径，加速人、机、物全面连接的新型生产方式落地普及，成为推动制造业高端化、智能化、绿色化发展的重要支撑。

洞察5：生成式AI在工业互联网领域的落地尚存争议

2022年11月，美国人工智能公司Open AI推出ChatGPT对话模型，迅速并快速迭代，在不到4个月后发布能力更强大的GPT-4，随后又推出了联网和第三方应用插件功能，不断刷新生成式AI带来的变革。目前，国内外已经涌现了部分关于生成式 AI应用于智能家居、流程自动化、智慧安防、机器人等领域的思考和初期实践，但由于工业领域的特殊性，生成式AI在工业互联网的落地尚存争议。

在接受智次方研究院调研的企业中，接近30%是生成式AI技术的坚定“支持者”，他们认为虽然生成式AI在工业制造领域的应用还不成熟，但其改变传统生产方式、推动制造业未来数字化转型的趋势已经势不可挡。

过去，工业AI通常着重于故障检测、预测性维护等用例，但2023年的一个新趋势是生成式AI将深入制造企业的流程优化。尤其是在产品开发阶段，生成式AI能够压缩设计和迭代的过程，从而带来显著的效率提升。初创公司Divergent 3D使用生成式AI为英国的豪华跑车制造商阿斯顿·马丁设计的概念车打造后车架，从设计的提出、对比分析，到评估其可制造性，在短短一个小时之内就可进行30~40次迭代。无独有偶，Monolith AI公司在2023年工博会上带来其机械工程仿真解决方案，基于该方案，创建者依靠实时数据每次进行仿真都会开发一个模型，省去许多测试程序，该公司的目标是到2026年将100000名工程师的产品开发时间缩短50％。

除了研发，数据追踪和分析的流程或许也将被重塑。对制造业管理者而言，实时了解生产进度是重中之重。在一些比较传统的中小制造企业车间里，生产流程的记录往往依靠纸质单据或者Excel表格，生产信息整体传递滞后。为了解决这类问题，不少企业开始部署数字化系统，但却存在周期长、成本高等痛点。而生成式AI可以使用自然语言处理和机器学习技术从工业现场的仪表板上，甚至纸质数据和表格中读取数据（GPT-4已经具备了识图能力），并快速提取有用的特征和信息。国外的一位博主进行了这样的尝试，他为ChatGPT提供了Zerynth 仪表板的链接，生成式AI立即就读取了仪表板中的数据和图表，实时提供了正在发生的事情的概览。虽然分析结果很肤浅，但这的确有助于初步分析和了解工厂的运行情况，包括哪些机器运行情况良好，哪些指标值得关注等。

在接受智次方研究院调研的企业中，超过70%是生成式AI技术的“观望者”，在他们看来，生成式AI在工业领域的应用落地还很遥远，甚至可能是个“伪命题”。

首先，当前大多数生成式AI模型主要关注文本和图像，只有非常少量的模型关注将传感器数据作为输入，同时，工业场景中的很多数据是不可读取的，或者即使读取了也需要一个翻译和解读的过程才能理解；第二，工业领域对安全、稳定、可靠有着非常严苛的追求，而生成式AI的技术原理往往是寻找一种“有可能”的答案，相关结果并不一定能够应用于生产经营场景；第三，工业制造细分领域众多，各领域在生产流程、工艺、生产线配置、原材料及产品类型上均具有较大差异，强调的是细分行业的机理融合和行业知识，没有海量数据标签，因此工业领域基本上不可能形成类似GPT这样的通用大模型。

全系列现货出售1762-OB16 低速高转矩输出