2024 工業(yè)大模型行業(yè)發(fā)展研究報告：靡不有初鮮克有終

艾

瑞

咨

詢中國工業(yè)大模型行業(yè)發(fā)展研究報告靡不有初，鮮克有終O2024

iResearch

Inc.工業(yè)大模型伴隨著大模型技術(shù)的發(fā)展，逐漸滲透至工業(yè)，處于萌芽階段。就大模型的本

質(zhì)

而

言

，是由一系列參數(shù)化的數(shù)學(xué)函數(shù)組成的計算系統(tǒng)，且是一個概率模型，其工作機

制是基于概率和統(tǒng)計推動進行的，而非真正的理解和邏輯推理，因此，當(dāng)前大模型具有

不可解釋性和幻覺不可消除等主要特征。就大模型落地工業(yè)的情況而言，工業(yè)互聯(lián)網(wǎng)、等工作已經(jīng)讓部分工業(yè)企業(yè)遍歷了數(shù)據(jù)采集-數(shù)據(jù)存儲-數(shù)據(jù)處理-數(shù)據(jù)分析-數(shù)據(jù)資產(chǎn)沉淀

-數(shù)據(jù)應(yīng)用的過程，部分場景已經(jīng)準(zhǔn)備好了向基礎(chǔ)大模型投喂的“數(shù)據(jù)原料

”,當(dāng)經(jīng)過簡

單數(shù)據(jù)處理、微調(diào)、適配后，可以解決部分垂直細(xì)分場景問題，具有落地可行性。就工

業(yè)大模型的發(fā)展進度而言，工業(yè)大模型與工業(yè)互聯(lián)網(wǎng)一樣，都是要挖掘數(shù)據(jù)資產(chǎn)的價值，

而數(shù)據(jù)準(zhǔn)備的階段性工作在工業(yè)互聯(lián)網(wǎng)時期大部分已經(jīng)準(zhǔn)備好，故我們預(yù)計工業(yè)大模型

的進程在技術(shù)不受限的前提下，可能會快于工業(yè)互聯(lián)網(wǎng)。當(dāng)然，工業(yè)大模型是以大模型

技術(shù)為驅(qū)動，其進程快慢很大程度受限于大模型本身能力的進化。工業(yè)大模型玩家與工業(yè)互聯(lián)網(wǎng)平臺玩家重合度高，其成長路徑目前也表現(xiàn)出高度相似的特征，但目前市場產(chǎn)品、服務(wù)、落地場景都處于探索階段，大家都在同一起跑線。就參

與玩家而言，大模型技術(shù)底蘊、行業(yè)know

how、運維資源等方面是各類玩家主要錨定

的優(yōu)勢，且都是基于自身優(yōu)勢點，圍繞具體應(yīng)用場景摸索大模型在工業(yè)的落地性進行市

場切入的。就具體產(chǎn)品形態(tài)而言，整體還較為稚嫩，目前大模型的能力更多還是依附于

已有產(chǎn)品體系，鮮少有獨立的產(chǎn)品出現(xiàn)，未來隨著大模型流量入口特性明朗，有望獨立

成產(chǎn)品。就應(yīng)用場景而言，當(dāng)前大模型的不可解釋性和幻覺等特性，與工業(yè)“0容錯”的

特性相悖，因此當(dāng)前大模型落地工業(yè)的探索更多聚焦于偏運營的、具有一定容錯能力的

場景(如知識問答、輔助設(shè)計/代碼生成等),而生產(chǎn)制造等核心場景的探索需要靜待模

型進化以及CV

大模型、多模態(tài)大模型的發(fā)展。就發(fā)展挑戰(zhàn)而言，模型、數(shù)據(jù)、應(yīng)用、商

業(yè)變現(xiàn)是無法避開的話題，且各方相互影響，互利共贏。大模型落地工業(yè)的探索中，還處于非常早期的階段，供需雙方都在嘗試，當(dāng)然，也有很多問題值得探討與思考。1)大模型落地工業(yè)的競爭要素：基礎(chǔ)能力、模型能力、模型應(yīng)

用是主要競爭點，且在不同行業(yè)發(fā)展階段，其相對競爭優(yōu)勢有所不同，具體而言：短期

主要看大模型技術(shù)，長期則主要看模型應(yīng)用深度。2)大小模型間的關(guān)系：大小模型間不

存在替代關(guān)系，是并存且是協(xié)同融合賦能的關(guān)系。3)工業(yè)大模型服務(wù)走向平臺化：大模

型落地工業(yè)的服務(wù)平臺化特征以開始顯現(xiàn)，且逐步形成垂直行業(yè)大模型+智能體+小模型

+機理模型為主的平臺化調(diào)用方案。4)產(chǎn)業(yè)數(shù)據(jù)拉通助力工業(yè)大模型能力進化的同時，對大模型落地工業(yè)的廣度、深度都大有裨益。ABSTRACT摘要iResearch艾

瑞

咨

詢201

背景篇大模型落地工業(yè)具有可行性02

市場篇玩家紛紛涌現(xiàn)，但產(chǎn)品和服務(wù)形式尚在摸索中03

思考篇模型能力進化帶來不確定，合作利大于弊04

專家篇一線企業(yè)專家的項目實踐經(jīng)驗分享及前瞻的思考

3CONTENTS目錄iResearch艾

瑞

咨

詢01

/

背景篇-基本概念厘清大模型落地工業(yè)具有可行性

4Al本質(zhì)就是一系列參數(shù)化的函數(shù)所組成的計算系統(tǒng)，并在一定的框架環(huán)境下，進行數(shù)據(jù)計算和參數(shù)調(diào)優(yōu)的過程整體來看，Al

通用技術(shù)框架主要分為基礎(chǔ)層、技術(shù)層、應(yīng)用層三層，不同公司，在整體框架上都保持一致，只不過針對基礎(chǔ)層和技

術(shù)層的部分內(nèi)容劃分，略有區(qū)別，但主旨就是為各類函數(shù)組成的計算系統(tǒng)提供環(huán)境、數(shù)據(jù)、算力等支撐，最終達到模型運行并輸出

結(jié)果的目的。具體到不同層級的主要玩家而言：

1)基礎(chǔ)層和技術(shù)層的AI框架和算法/架構(gòu)上，其玩家比較類似，主要是國內(nèi)外領(lǐng)先

的科技巨頭、云廠等參與，如谷歌、

Meta、微軟、亞馬遜、阿里、百度、華為等；2)應(yīng)用層和技術(shù)層的工具組件、通用技術(shù)，其

玩家更加百花齊放，針對行業(yè)、場景、功能等各角度發(fā)力，推動Al工具和應(yīng)用的落地。當(dāng)前，大部分大模型玩家的側(cè)重點更多聚焦

于通用技術(shù)的提升、應(yīng)用的領(lǐng)域的拓展。Al的通用技術(shù)框架情況·

機器學(xué)習(xí)，是核心，包含有監(jiān)督、無監(jiān)督、半監(jiān)督學(xué)習(xí)等類別

·

深度學(xué)習(xí)，包含CNN、RNN、GNN、Transformer等類別

·

其他，如增強學(xué)習(xí)、強化學(xué)習(xí)、回歸、分類等類別·

國外：TensorFlow(Google)、PyTorch(Meta)等

·

國內(nèi)：MindSpore

(華為)、PaddlePaddle

(百度)等通用數(shù)據(jù)

行業(yè)數(shù)據(jù)，包含內(nèi)部數(shù)據(jù)整合、外部合規(guī)數(shù)據(jù)等操作系統(tǒng)

數(shù)據(jù)庫

云計算平臺

大數(shù)據(jù)平臺輸入層中間層簡易的深度學(xué)習(xí)架構(gòu)網(wǎng)絡(luò)資源計算資源，如CPU、GPU、NPU等存儲資源安全資源傳感器·

硬件類：智能汽車、機器人、XR

等智能硬件產(chǎn)品·

軟件類：ChatGPT、智能客服等軟件應(yīng)用·

金融、工業(yè)、教育等行業(yè)解決方案·

智慧城市、自動駕駛等領(lǐng)域或者場景解決方案通過機器學(xué)習(xí)、深度學(xué)習(xí)、NLP、

計算機視覺、語音識別等算法的組合應(yīng)用與優(yōu)化，可以衍生

一些相對通用的技術(shù)，如生成式AI、NLP大模型、CV大模型、多模態(tài)大模型等等全流程開發(fā)工具、可視化分析工具、安全可信組件、預(yù)訓(xùn)練模型應(yīng)用工具、模型評估工具、

云上任務(wù)提交工具、并行及優(yōu)化組件等，目的是便捷Al能力開發(fā)幾點說明·

Al

框架：是

Al領(lǐng)域的“操作系統(tǒng)”

,Al

算法的訓(xùn)練及應(yīng)用等都是通過Al框架進

行，主要提供模型訓(xùn)練和模型推理支撐

能力

。·

算法/架構(gòu)：具體的運算函數(shù)，

一般由

大型公司、學(xué)術(shù)機構(gòu)和研究所、開源社

區(qū)或平臺等提供。·

Al

框架+算法：在Al框架的基礎(chǔ)上，不

同特性算法的組合和變體，在某些能力

上相對更加強大，可稱為不同的模型類

別。如果參數(shù)足夠多，其推理、泛化等

能力更加強，則可以稱為大模型?！?/p>

大模型廠商主要服務(wù)內(nèi)容：通用技術(shù)及相關(guān)工具組件。當(dāng)我們在說Al時，在說什么?本質(zhì)·模型的本質(zhì)是由一系列參數(shù)化的數(shù)學(xué)函

數(shù)組成的計算系統(tǒng)?！つＰ陀?xùn)練是不斷調(diào)整參數(shù)及其權(quán)重的過程，部分可能需調(diào)整算法架構(gòu)。C端產(chǎn)品及

服務(wù)B/G端解決

方案通用技術(shù)工具組件算法/架構(gòu)Al框架數(shù)據(jù)集

軟件設(shè)施

硬件設(shè)施米源：《深度字習(xí)人J》by

-

-O2024.9

iResearch

Inc.

應(yīng)用層

技術(shù)層基礎(chǔ)層Www.iresearch.com.cn

5艾

瑞

咨

詢輸出

層…大模型是從海量數(shù)據(jù)中學(xué)習(xí)并記住泛知識后，在域內(nèi)數(shù)據(jù)+提示數(shù)據(jù)集的修

正

下

，具備在某類具有相對更準(zhǔn)確能力的計算系統(tǒng)，其本質(zhì)是概率模型據(jù)Andrej

Karpathy所言，大模型本質(zhì)由巨大的參數(shù)文件+運行參數(shù)的代碼文件兩大核心組件構(gòu)成。其中：1)參數(shù)文件是通過大量

數(shù)據(jù)訓(xùn)練獲得的，代表從數(shù)據(jù)中提取的有用信息和模式(可稱為“知識”),其參數(shù)量與對知識的記憶能力，與數(shù)據(jù)量、數(shù)據(jù)按照

不同說明進行曝光的次數(shù)有關(guān)。2)代碼文件有點類似“大腦”,主要是指導(dǎo)參數(shù)文件進行推理和產(chǎn)出，其中，可根據(jù)域內(nèi)數(shù)據(jù)、提

示數(shù)據(jù)集等進行調(diào)參，不斷提升模型的準(zhǔn)確性。因此，總結(jié)來看，大模型能力獲得主要有四步：

1)針對大量數(shù)據(jù)進行預(yù)訓(xùn)練，讓大

模型學(xué)習(xí)并記住知識；2)明確大模型能力側(cè)重點，即給一定高質(zhì)量、針對性強的域內(nèi)數(shù)據(jù)集微調(diào)，讓大模型在某些能力更加突出；

3)通過標(biāo)注人員對大模型給出的答案進行排序，給予大模型正向反饋；4)強化學(xué)習(xí)。以上，也說明大模型的能力不是只要參數(shù)量

足夠大就具備涌現(xiàn)能力，是需要逐項優(yōu)化才逐步具備某些能力的。需要注意的是，大模型本質(zhì)是一個概率模型，可從2個角度理解：

1)具有不可解釋性：雖然可以調(diào)參，但是并不知道這些參數(shù)在做什么,如何協(xié)同工作，表示的是什么意思；2)幻覺不可消除：

模

型的工作機制是基于概率和統(tǒng)計推斷進行的，而非真正的理解和邏輯推理，且與預(yù)訓(xùn)練的數(shù)據(jù)量、曝光次數(shù)、微調(diào)數(shù)據(jù)量及數(shù)據(jù)的監(jiān)督微調(diào)范圍比較廣，以模型目的為

主，幾百-數(shù)百萬，甚至上億。

微調(diào)側(cè)重于通過較小但高質(zhì)

量、針對性強的數(shù)據(jù)集來進

一步優(yōu)化模型，使其更好適

應(yīng)特定應(yīng)用場景域內(nèi)數(shù)據(jù)+目標(biāo)答案能力注入-模型能力確認(rèn)，即

主要讓模型完成什么工作?有監(jiān)督微調(diào)大模型情景學(xué)習(xí)模型應(yīng)用大模型是什么?大模型的能力如何獲取?TB級別，來源廣，包括通用數(shù)據(jù)(如書籍、論文、網(wǎng)頁、

新聞等)、開放數(shù)據(jù)集等知識壓縮和知識表示-讓模型

學(xué)習(xí)并記住知識預(yù)訓(xùn)練大模型提示數(shù)據(jù)集，標(biāo)注人員對答案質(zhì)量進行排序類人對齊-目標(biāo)是提升模型的準(zhǔn)確性模型能力提升選擇、獎勵函數(shù)偏好等息息相關(guān)。預(yù)訓(xùn)練范圍比較廣，幾千-數(shù)億不等，

一般數(shù)十萬條任務(wù)用戶指令

較為常見不固定，主要依據(jù)應(yīng)用場景

和任務(wù)的復(fù)雜度，一般百萬

個任務(wù)用戶指令大概操作操作目的最終

結(jié)果來源：Andrej

Karpathy、張的

O2024.9iResearch

Inc.大模型能力獲取的流程概覽獎勵函數(shù)

強化學(xué)習(xí)iResearchWww.iresearch.艾

瑞咨詢6大模型相關(guān)概念梳理從基礎(chǔ)大模型到領(lǐng)域/業(yè)務(wù)垂直大模型的簡單路徑微調(diào)基礎(chǔ)大模型

領(lǐng)域/業(yè)務(wù)垂(參數(shù)量大、泛化能力強)

直大模型應(yīng)用i---AIGC、生成式AI、ChatGPT等融合算法應(yīng)用的具體產(chǎn)品算法能力體現(xiàn)，經(jīng)過海量數(shù)據(jù)訓(xùn)練后，形成的具有大量參數(shù)規(guī)模的、具備一定通用、涌現(xiàn)能力的大模型，大模型又可分為基礎(chǔ)大模型和領(lǐng)域/業(yè)務(wù)垂直大模型。具有不同功能的算法，不同算法可進行自由組合，經(jīng)過訓(xùn)練、調(diào)整后，可形成具有一定側(cè)重功能的模型。

模型根據(jù)參數(shù)量、泛化能力等不同，可以分為大模型、小模型。大模型及其相關(guān)概念的關(guān)系是什么?

e

ch詢Al是泛技術(shù)的統(tǒng)稱，機器學(xué)習(xí)、深度學(xué)習(xí)是各類算法，大模型、生成式AI等是對各類算法組合運用的能力的體現(xiàn)，而ChatGPT

則是算法應(yīng)用的具體產(chǎn)品。通常說的大模型是已經(jīng)預(yù)訓(xùn)練完成的具有一定泛化能力的基礎(chǔ)模型咨ar艾

瑞iRes大

模

型

和

小

模

型

對

比大模型小模型/傳統(tǒng)Al能力算法均以機器學(xué)習(xí)和深度學(xué)習(xí)相關(guān)算法為主，但大模型通常采用transformer架構(gòu)，尤其是處理NLP任務(wù)時；而小模型沒有統(tǒng)一的架構(gòu)，主要取決于任務(wù)需求、數(shù)據(jù)量等訓(xùn)練數(shù)據(jù)量高，避免過度擬合可以在較少數(shù)據(jù)上訓(xùn)練參數(shù)規(guī)模數(shù)億到數(shù)千億參數(shù)幾千到數(shù)百萬參數(shù)算力需求高，需要高性能GPU/TPU和大量內(nèi)存可在普通計算機上運行泛化能力相對較好，但可解釋性相對低相對受限，但可解釋性相對高目的：在已經(jīng)訓(xùn)練好的基礎(chǔ)大模型的基礎(chǔ)

上，結(jié)合具體應(yīng)用場景的特點對其進行調(diào)整和優(yōu)化，以適應(yīng)特定的任務(wù)或特定領(lǐng)域，通常會形成領(lǐng)域/業(yè)務(wù)垂直大模型?！?/p>

內(nèi)容：一般，主要聚焦于權(quán)重更新、神經(jīng)網(wǎng)絡(luò)層數(shù)調(diào)整、損失函數(shù)調(diào)整等方面?！?/p>

特點：具有訓(xùn)練數(shù)據(jù)需求少、參數(shù)更新有限、訓(xùn)練時間短等特點。針對微調(diào)的幾點說明來源：艾瑞咨詢研究院

究院

自主O2024.9

iResearch

Inc.

具體應(yīng)用產(chǎn)品，如ChatGPT、文心一言、通義千問、Kimi、CodeGeeX等算法的組合或者變體，即算法的應(yīng)用大模型

生成式AI機器學(xué)習(xí)深度學(xué)習(xí)Al技術(shù)統(tǒng)稱(transformer架構(gòu))海量數(shù)據(jù)算力深度

學(xué)習(xí)LLM(GPT各類算法機器學(xué)習(xí)ChatGPT預(yù)訓(xùn)練加持AI7數(shù)據(jù)積累、數(shù)據(jù)資產(chǎn)沉淀等基礎(chǔ)以具備，大模型落地工業(yè)領(lǐng)域成為可能大模型的本質(zhì)是由一系列參數(shù)化的數(shù)學(xué)函數(shù)組成的計算系統(tǒng)，是人工智能系統(tǒng)對知識的一種表示和處理方式，本身就具備“數(shù)據(jù)喂

養(yǎng)一認(rèn)知構(gòu)建”的“學(xué)習(xí)”能力。因此，在已經(jīng)學(xué)習(xí)海量通用數(shù)據(jù)、具備一定泛化能力的基礎(chǔ)模型的基礎(chǔ)上，向其“喂養(yǎng)”特定行

業(yè)/場景的數(shù)據(jù)及規(guī)則，經(jīng)過定制開發(fā)、調(diào)整、訓(xùn)練、調(diào)優(yōu)等操作后，該基礎(chǔ)模型將獲得特定行業(yè)/場景能力的“認(rèn)知能力”,在一定

程度上可稱為特定行業(yè)/場景大模型。就工業(yè)領(lǐng)域而言，工

業(yè)

互聯(lián)網(wǎng)、工業(yè)智能制造等工作，已經(jīng)讓部分工業(yè)領(lǐng)域企業(yè)遍歷了數(shù)據(jù)采集-數(shù)據(jù)存儲-數(shù)據(jù)處理-數(shù)據(jù)分析-數(shù)據(jù)

資產(chǎn)沉淀-數(shù)據(jù)應(yīng)用的過程，部分場景已經(jīng)準(zhǔn)備好了向基礎(chǔ)大模型投喂的“數(shù)據(jù)原料”,當(dāng)經(jīng)過數(shù)據(jù)處理、適配、微調(diào)，甚至是訓(xùn)練

后，逐步演進為工業(yè)大模型，可以解決部分垂直細(xì)分場景問題，大模型落地工業(yè)成為可能。數(shù)據(jù)沉淀知識圖譜知識工程9%4%43%45%正在積極應(yīng)用正在探索未應(yīng)用也未探索不知道/不確定工業(yè)適配·

特定領(lǐng)域優(yōu)化·

數(shù)據(jù)適配·

系統(tǒng)集成·

性能調(diào)優(yōu)●數(shù)據(jù)采集數(shù)據(jù)處理數(shù)據(jù)分析工業(yè)大模型落地應(yīng)用·

研發(fā)設(shè)計·

生產(chǎn)制造·

經(jīng)營管理·

安全服務(wù)軟

件硬

件工業(yè)大模型通常需要的參數(shù)量

大概是多少?---工業(yè)大模型進行應(yīng)用時，參數(shù)量要求通常

與應(yīng)用場景、企業(yè)規(guī)模等有關(guān)，

通常8-10億左右是平衡點，

企業(yè)基本上可以用了。是否存在萬金油的大模型?--大

目

前

來

看

，沒有萬金油的

大

模

型

，脫離場景/問題的大

模型暫時不成立。但市場各供

給方在追求通過Agent的

組

合方案去適應(yīng)不同的場景需求。大模型在工業(yè)應(yīng)用是否具有可行性?·

工業(yè)物聯(lián)網(wǎng)平臺·

工業(yè)互聯(lián)網(wǎng)平臺·

工業(yè)數(shù)據(jù)智能平臺·

工業(yè)Al平臺·

工業(yè)視覺平臺●··

·

·

·●研發(fā)設(shè)計設(shè)

備排產(chǎn)質(zhì)檢供應(yīng)鏈及倉儲物流…....大模型落地工業(yè)領(lǐng)域的可行性RAG

微調(diào)

預(yù)訓(xùn)練工業(yè)大模型工業(yè)大模型的難點?---工業(yè)里面的數(shù)據(jù)通常不具備出現(xiàn)次

數(shù)多的條件，且這些數(shù)據(jù)還要

以多次不同的說法進行大量曝

光

。通常需要模型服務(wù)提供方

基于自己積累的數(shù)據(jù)訓(xùn)練集去

做一些調(diào)優(yōu)或者優(yōu)化，此時，

行業(yè)積累就尤為重要?；A(chǔ)大模型(

如NLP大模型、CV

大模型、多模態(tài)大模型等)行業(yè)know

how積累項目服務(wù)難點處理經(jīng)驗行業(yè)自動化、數(shù)字化、智能化(積累行業(yè)、場景等數(shù)據(jù))工業(yè)機理模型工業(yè)APPi

Research來源：企業(yè)訪談，《2023年O2024.9

iResearch

Inc.W.cn8艾

瑞

咨

詢?··02

/市場篇-初期的產(chǎn)品和服務(wù)玩家涌現(xiàn)，但產(chǎn)品和服務(wù)形式尚在摸索中

9

Research

瑞

咨

詢

廠商類型多樣，覆蓋軟硬件廠商，基因不同所形成的優(yōu)勢各有側(cè)重，但切入市場的角度類似，在市場競爭打法、客戶選擇、市場策略等方面趨同根據(jù)基因不同可將工業(yè)大模型廠商分為8類：1)互聯(lián)網(wǎng)大廠、ICT

企

業(yè)

、AI廠商，強調(diào)Al原生能力和基礎(chǔ)大模型能力；2)傳統(tǒng)軟件廠

商凸顯客戶服務(wù)經(jīng)驗、運營資源優(yōu)勢；3)制造大廠、機器人廠商彰顯行業(yè)know

how、行業(yè)數(shù)據(jù)、設(shè)備應(yīng)用等優(yōu)勢；4)安全廠商側(cè)

重在企業(yè)全局運維中的安全保障。綜合來看，雖然各家優(yōu)勢有異，但切入市場的策略相似，即：

錨定自身優(yōu)勢點，圍繞具體應(yīng)用場景

摸索大模型在工業(yè)的落地性，且目標(biāo)都是有錢、技術(shù)底蘊、有意愿的頭部客戶。當(dāng)前，對比國內(nèi)外企業(yè)的市場切入思路，主要差異有

二

：

1

)

在

合

作

方

上

，國外企業(yè)具有資源頂端優(yōu)勢，強調(diào)從算力底層出發(fā)，構(gòu)建算力-推理的能力地圖，而國內(nèi)企業(yè)則強調(diào)底層大模型

的能力與豐富性；2

)

在

服

務(wù)

思

路

上

，國外企業(yè)相對更強調(diào)將數(shù)據(jù)鏈路服務(wù)體系做深，而國內(nèi)企業(yè)更強調(diào)各功能模塊間的組合。·

大模型技術(shù)積累深、資金雄厚、人才充

足，品牌影響力強大●

算力、網(wǎng)絡(luò)能力、聯(lián)網(wǎng)能力、整合集成

能力強大·

有一定行業(yè)know

how積淀，并積累部

分?jǐn)?shù)據(jù)，對大模型的能力理解相對深刻·

多樣化的客戶資源和服務(wù)經(jīng)驗，交付靈

活，運維資源強大·

數(shù)據(jù)連接、管理、分析能力強大，對特

定場景的分析挖掘經(jīng)驗豐富·

行

業(yè)knowhow、工業(yè)機理積淀深厚，

工業(yè)領(lǐng)域相關(guān)數(shù)據(jù)豐富，品牌影響力大·

對具體場景對設(shè)備的需求了解深，與大

模型能力結(jié)合時相對更了解其應(yīng)用范疇·

安全服務(wù)經(jīng)驗豐富，能更好的從安全運

維的角度思考系統(tǒng)安全問題·

非常重視人機交互方式、知識問答等基礎(chǔ)能力·

圍繞數(shù)據(jù)的服務(wù)關(guān)注輔助代碼的能力1

-

合作方：多

與

微

軟/OpenAl、

英

偉

達

合

作

，

重

視算力能力+推理能力構(gòu)建，如西門子、倍福、施耐德等2

-

服

務(wù)

思

路

：更

多

從

數(shù)

據(jù)

采

集

出發(fā)，圍繞數(shù)據(jù)價值挖掘提供

服務(wù)，但是重視的是數(shù)據(jù)完整

性的服務(wù)，即從數(shù)據(jù)收集

-

分析

-

應(yīng)用的完美閉環(huán)，且

重

視IT和OT

的結(jié)合，希望能將數(shù)

據(jù)鏈路服務(wù)做深，如SightMachine、SymphonyAl1

-

合作方：多與國內(nèi)多家基礎(chǔ)

大模型廠商合作，如百度、智

譜Al等2

-

服務(wù)思路：更多的是各能力

模塊服務(wù)平臺方的聚合，涉及

物聯(lián)網(wǎng)平臺、數(shù)據(jù)平臺、Al

平

臺、大模型廠商等多方www.irese

101

-

具有通用基礎(chǔ)模型的廠商：以

技

術(shù)

為

切

入

，強調(diào)自身大模

型

的

能

力

，如

微

調(diào)

能

力、

prompt

工程能力等。2-不具有通用基礎(chǔ)模型的廠商：多會引入多種通用基礎(chǔ)大模型，他們主要強調(diào)自己工業(yè)領(lǐng)域的

客戶服務(wù)經(jīng)驗，主要分為2類

其

一

，以RAG

服務(wù)為切入；其

二，自身產(chǎn)品+大模型，為自

身產(chǎn)品的性格、功能、效率等

賦能，如質(zhì)檢、安全等廠商。客

戶

選

擇

：數(shù)字化程度高的、

引入新技術(shù)意愿強的、有資金

預(yù)算的大客戶是供給方的共同

選擇，也是爭相合作的對象，

打造標(biāo)桿案例是首選。市

場

策

略

：從具體應(yīng)用場景出

發(fā)，探索大模型+具體應(yīng)用場

景的落地是共性，市

場

整

體

更

多聚焦于某個點的解決方案，

尚未出現(xiàn)同一套解決方案覆蓋

不同場景、不同行業(yè)的現(xiàn)象代表企業(yè)阿里云、百度云等華為、浪潮、移動等智譜AI、創(chuàng)新奇智、思謀科技、梅卡曼德等中工互聯(lián)、朗坤蘇暢、

達觀數(shù)據(jù)、中控技術(shù)等研華科技、寄云科技、

雪浪云、蘑菇物聯(lián)等卡奧斯、格創(chuàng)東智等達闥機器人、拓斯達等天融信、啟明星辰等工業(yè)大模型主要玩家有誰?如何切入市場基因互聯(lián)網(wǎng)大廠ICT

企

業(yè)AI廠商傳統(tǒng)軟件廠

商數(shù)據(jù)及物

聯(lián)廠商制造業(yè)

大廠機器人

廠

商安全廠商企業(yè)產(chǎn)品場景挑戰(zhàn)工業(yè)大模型主要玩家類型及市場切入點共性

差

異

性

，

國

外

差

異

性

：

國

內(nèi)來源：艾瑞咨詢研究院自主礦宀

O2024.9

iResearch

Inc.主要切入點

國

內(nèi)外企業(yè)切入點對比兩

類

打

法

一

種

選

擇

種

策

略數(shù)據(jù)基礎(chǔ)

算法基礎(chǔ)

基礎(chǔ)大模型廠商模型服務(wù)Al基礎(chǔ)數(shù)據(jù)服務(wù)百度智能云數(shù)據(jù)眾包M]

昇思海天瑞聲appenWeaviate標(biāo)貝科技數(shù)據(jù)堂

Stardust云測數(shù)據(jù)MAic

OATASOpenAI|GPTXMeta

|Llama百度智能云

|文心阿里云|

通

義騰訊云|混元華為云|盤古X

愁蟹|星火·

|

MOSS阿里云百度智能云火山引擎iSoFTSTONE一銷

動力-

FINIEDUSTtrescaleKYLAND

MOx^工業(yè)安全了天超信大模型落地工業(yè)領(lǐng)域的服務(wù)層互聯(lián)網(wǎng)大廠I

C

T

企

業(yè)傳統(tǒng)軟件廠商AI廠商數(shù)據(jù)及物聯(lián)廠商安全廠商機器人廠商大

模

型

工

具

服

務(wù)-阿里云騰訊云百度智能云cloud.baidu.com字節(jié)跳動HUAWelnspur浪潮旨ZTE中興中國移動ChinaMobile中國電信科大國創(chuàng)

中控

·SUPCONGUOCHUANG

朗坤蘇暢SuSHIN∈創(chuàng)新奇智SmartMoreLE深勢科技OPTECHOLO5YXXRAYBOTRetrocausalSymphonyAl

商湯雪浪云鄉(xiāng)寄云科技NeuCloudADANTECH研華科技

m聯(lián)拓爾思TRSS

天融信NSFOCUS

啟明星辰+360達

闥ATOPSTR

②網(wǎng)易伏羲拓期達AI

Agents企業(yè)及智能體商店百度智能云心羚數(shù)智能山瀾碼科技BONC東方國信ISo

O-NE立

忠干耳北

通

答

A

l

用友

O

BaR

歐軟云模

型

服

務(wù)

及

A

I

開

源

社

區(qū)卡奧斯coSMopat格東智一阿里云

百度智能云ThunderEoftBECKHOFF我羊工業(yè)互

I

M

NS臺CISDI

in

f◎oMCHINE達觀數(shù)據(jù)

慧之安…軟四刀FTSTerco物ulnk菇上游服務(wù)方整體集中，且頭部效應(yīng)明顯；中游市場參與玩家眾，雖服務(wù)

能力各有側(cè)重，但結(jié)合行業(yè)know

how/行業(yè)數(shù)據(jù)積累進行基礎(chǔ)大模型微

調(diào)、RAG

是主要服務(wù)思路；下游市場需求廣闊，但尚處于探索階段2024年大模型落地工業(yè)領(lǐng)域的產(chǎn)業(yè)鏈及圖譜銷售管理訂單管理

營銷獲客知識問答研發(fā)場景輔助設(shè)計/驗證

工藝流程優(yōu)化工業(yè)模擬/驗證產(chǎn)線布局優(yōu)化大模型落地工業(yè)領(lǐng)域的應(yīng)用層安全場景信息安全

設(shè)備安全客戶服務(wù)

銷售預(yù)測注釋：1)每個類別企業(yè)并未詳盡；2)企業(yè)排名不分先后。來源：《2023年中國AIGC產(chǎn)

O2024.9

iResearch

Inc.

W

11工業(yè)大模型的產(chǎn)業(yè)價值流轉(zhuǎn)情況如何?inspUrIIUEI智能云服務(wù)-

阿

里

云

華為云

騰訊云C

天翼云

awS

百度智能云G

浪潮云5

移

動

云

金山云C

聯(lián)通云C

京東云Azure企業(yè)自建智算中心

城市智算中心供應(yīng)鏈場景采購管理物料管理庫存管理布局優(yōu)化米zillizPineconeT三ns

or

DB

drant柏

睿

數(shù)

據(jù)nVIDIA

AMDA

intel.

CHSnLICON昆侖芯

[ambricon

地平線

《Enlame數(shù)據(jù)集公共開源數(shù)據(jù)集高校數(shù)據(jù)集企業(yè)私有數(shù)據(jù)集政府?dāng)?shù)據(jù)集企業(yè)產(chǎn)品場景挑戰(zhàn)下

游

中游

上

游生產(chǎn)制造設(shè)備管理機器人管理排產(chǎn)管理/優(yōu)化

質(zhì)量檢測算力基礎(chǔ)iResearch智譜

·AI開普云LUSTER凌云光MECH

MIND云

騰訊云訊飛開放平臺OPENPLATFOR合同合規(guī)JDT

京東科技

HIKVISION大腦〔阿里火山引擎艾

瑞

咨詢作

TensorFlow

PyTorch

K

Keras●●●其他sparkMLib

Caffe2智譜A|

ChatGLMAL

開

發(fā)

平

臺制造業(yè)大廠傳感器向量數(shù)據(jù)庫AL

框

架Al

芯

片浪潮C15/5飛槳mxnet曠視天元

MegEngine華院計算Baid定制化的綜合解決方案是當(dāng)前核心收費模式，更多收費模式可能需探索大模型落地于工業(yè)領(lǐng)域尚處于萌芽期，其產(chǎn)品形態(tài)、服務(wù)內(nèi)容都還在逐步摸索中，其變現(xiàn)方式雖有一些相近服務(wù)或行業(yè)可以參考，

整體不確定性非常高，但一切嘗試也都有意義。工業(yè)大模型供給方常規(guī)的做法是：與基礎(chǔ)大模型廠商合作-測試大模型特點、性能-結(jié)合自身產(chǎn)品/能力進行微調(diào)-根據(jù)客戶需求進行客

制化服務(wù)。因此，目前相對比較確定的變現(xiàn)方式是類似于“保姆式”的針對某個場景/具體功能的綜合解決方案服務(wù)收費。除了定制

化的解決方案收費外，部門供給方也開始嘗試通過軟硬件一體產(chǎn)品進行補充收費。雖然

一

些基礎(chǔ)大模型的廠商API

調(diào)用是目前較為普遍的變現(xiàn)方式，但深入到工業(yè)大模型服務(wù)領(lǐng)域，APIl

調(diào)用、智能體調(diào)用及分發(fā)抽傭

等方式的變現(xiàn)還處于積累階段，目前市場還需要驗證。值得注意的是，大模型的能力具有很強的進化性，2024年9月OpenA推出的最新的o1版本，表現(xiàn)出比較強的復(fù)雜推理能力，這又是

扔工智能新水平的一個重要進展。因此大模型未來的能力極限在哪里，我們尚未可知，大模型能為工業(yè)領(lǐng)域帶來哪些類型的賦能和

服務(wù)，同樣也未知。正是這份未知，未來工業(yè)大模型的變現(xiàn)將存在諸多可能。工業(yè)大模型企業(yè)盈利變現(xiàn)可能·

大模型能力調(diào)用收費，

如API調(diào)用等，可按調(diào)用

次數(shù)、調(diào)用量收費，也

可按年/月訂閱套餐收費·

部分智能體調(diào)用及訂閱·

云資源訂閱·

應(yīng)用商店分發(fā)抽傭·

測試/認(rèn)證/培訓(xùn)·

Prompt工程·

模型訓(xùn)練收費，如針對某些特定領(lǐng)域進行針對性模型訓(xùn)練●·

大模型具有持續(xù)進化性，當(dāng)前表現(xiàn)出來的能力還是

只是冰山一角，其未來能

力有非常強的想象力，對

應(yīng)的服務(wù)和潛在的收費模

式也有非常強的不確定性功能訂閱服務(wù)

平臺其他服務(wù)收費

收費尚未可知的收費方式·

根據(jù)需求提供整體解決方案(如工藝優(yōu)化、工

業(yè)質(zhì)檢、智能集控等),統(tǒng)一進行報價·

一般還會包含咨詢費用·

軟硬件一體功能產(chǎn)

品的銷售費用，目

前多集中在視覺監(jiān)

測設(shè)備、邊緣盒子

等方面工業(yè)大模型玩家將如何掙錢?綜合解決方案服務(wù)收費軟硬件一體產(chǎn)

品收費產(chǎn)品場景挑戰(zhàn)新功能新場景開發(fā)可能帶來

新的變現(xiàn)可能米源：《2023年中國工業(yè)與O2024.9iResearch

Inc.企業(yè)積累探索期，尚待驗證的變現(xiàn)方式艾

瑞

咨

詢Www.iresearch.com.cn目前主要收費方式補充收費方式12.....目前尚處于產(chǎn)品雛形期，探討成長路徑為時過早，但很大可能會借鑒工業(yè)互聯(lián)網(wǎng)平臺產(chǎn)品-項目-平臺的成長路徑工業(yè)大模型市場還處于非常初期的階段，大模型能力更新迭代快，還有非常多尚未可知的潛力，故工業(yè)+大模型的應(yīng)用可能也有無限

想象空間。工業(yè)大模型的成長路徑可借鑒與參考工業(yè)互聯(lián)網(wǎng)平臺的，主要原因有2點：1)二者在客戶定位、服務(wù)內(nèi)容、服務(wù)目標(biāo)等

各方面的重合度比較高：2)當(dāng)前階段，工

業(yè)大模型表現(xiàn)出來的能力，更像是在工業(yè)互聯(lián)網(wǎng)平臺的基礎(chǔ)上，對數(shù)據(jù)信息價值的挖掘進

一步深入和易用化，服務(wù)思路是一致的。但大模型的成長路徑也具有極強的不確定性，因為：1)大模型能力具有進化性；2)工業(yè)

大模型市場仍處于產(chǎn)品雛形期，很多能力仍然停留在產(chǎn)品設(shè)想與理論實驗階段，尚未進入真正的工業(yè)實踐。因此目前急需解決的是

產(chǎn)品-項目的積累與閉環(huán)鏈路構(gòu)建，打牢基礎(chǔ)后，項目-平臺及生態(tài)才有機會逐步驗證。工業(yè)大模型企業(yè)可能的成長路徑情況工藝、方法、落地等經(jīng)驗反饋工藝、方法、落地等經(jīng)驗反饋產(chǎn)品

項目

平臺及生態(tài)·

產(chǎn)品形態(tài)、應(yīng)用場景仍在探索

·

有錢、有意識、有信息化基礎(chǔ)

、

個，

索，

·

積累項目服務(wù)經(jīng)驗，尋找落地

·

用商店，且品類較少·

軟硬一體產(chǎn)品·

工業(yè)大模型的平臺化將是什么樣的?

---除了供大模型運轉(zhuǎn)的基礎(chǔ)底座能力外，可能出現(xiàn)自主研發(fā)+第三方上傳的不同功能模塊方

案，通過模塊方案組合+一定調(diào)整，可至少解決同類型企業(yè)、通過類型場景60%-70%左右的需求?！?/p>

工業(yè)大模型的進程會更快嗎?

---工業(yè)大模型本質(zhì)還是圍繞數(shù)據(jù)價值挖掘的工作，在易用性、自動化屬性等方面更有優(yōu)勢。而工業(yè)

互聯(lián)網(wǎng)平臺在很大程度上已經(jīng)完成了大部分的數(shù)據(jù)準(zhǔn)備工作，故工業(yè)大模型的發(fā)展進度有可能更快。并通在逐步摸具體場景式某方對作等針過自研模型微調(diào)工業(yè)大模型玩家的成長路徑為何?產(chǎn)品●

具備核心平臺能力·具有成熟解決方案框架·

在某些軟件、硬件產(chǎn)品能力非常突出

·

在某些應(yīng)用場景的落地能力非常突出

·

軟硬一體產(chǎn)品項目·

基本覆蓋了政府/國企項目、高校、園區(qū)等各個領(lǐng)域的客戶·

部分企業(yè)在某些行業(yè)和場景進

行深耕平臺及生態(tài)·

積極探索生態(tài)建設(shè)，逐步形成銷售平臺、撮合平臺，并為同

行業(yè)生態(tài)和產(chǎn)業(yè)鏈生態(tài)積極賦

能，如金融貸款服務(wù)等企業(yè)產(chǎn)品場景挑戰(zhàn)VS天模型廠商?兩點討論的頭部客戶還在影響和滲透中·

只有非常少的企業(yè)有智能體應(yīng)可能性是當(dāng)前重點，也是未來

生態(tài)理念尚未明確米源：《2023年中國工業(yè)與◎2024.9

iResearch

Inc.iResearch工業(yè)

互聯(lián)

嚴(yán)商·

RAG技術(shù)應(yīng)用較多www.iresearch.艾

瑞咨

詢確定解決方案的長期重點·13大模型落地工業(yè)的產(chǎn)品服務(wù)架構(gòu)是怎樣的模型及服務(wù)是大模型落地工業(yè)的核心，也是大部分工業(yè)大模型廠商對外賦能的基礎(chǔ)大模型落地工業(yè)領(lǐng)域的服務(wù)框架依然分為基礎(chǔ)底座-模型及服務(wù)-模型應(yīng)用三層。其中，模型及服務(wù)是核心，主要提供兩大類型的服務(wù)

：1)提供預(yù)訓(xùn)練模型，可供其他企業(yè)通過調(diào)用/部署，提供基礎(chǔ)的大模型能力；2)提供預(yù)訓(xùn)練模型后服務(wù)，如輔助微調(diào)、提示工

程、訓(xùn)練、壓縮、優(yōu)化等，可供模型能力進一步適配與適用。當(dāng)前，工業(yè)大模型市場的模型應(yīng)用都是在大模型的基礎(chǔ)能力+模型的適

配與適用的基礎(chǔ)上進行定制衍生的。2024年大模型落地工業(yè)領(lǐng)域的服務(wù)體系架構(gòu)圖主要提供工業(yè)數(shù)據(jù)清洗/轉(zhuǎn)換、分析、擴充、標(biāo)注等服務(wù)主要提供模型訓(xùn)練、推理、評估、調(diào)優(yōu)、部署、壓縮、調(diào)用等服務(wù)主要提供開發(fā)套件(如語義理解、圖像分割等)、工具組件(如預(yù)訓(xùn)練模型

應(yīng)用工具、聯(lián)邦學(xué)習(xí))等服務(wù)主要提供智能體開發(fā)、智能體應(yīng)用集成、分發(fā)等服務(wù)主要提供大模型相關(guān)的學(xué)習(xí)交流與實訓(xùn)社區(qū)、模型安全等服務(wù)通用Al架構(gòu)Al

開發(fā)平臺企業(yè)私有高校數(shù)

政府?dāng)?shù)

向量數(shù)

Al基礎(chǔ)數(shù)數(shù)據(jù)集

據(jù)集

據(jù)集

據(jù)庫

據(jù)服務(wù)智能服務(wù)器

智算中心智能云服務(wù)

●●●具體應(yīng)用場景，如產(chǎn)品賦能、交互體驗

提升提供訓(xùn)練好的

模型，也可根

據(jù)需求重新定

制，是重資產(chǎn)

服務(wù)在預(yù)訓(xùn)練模型的基礎(chǔ)上：1-進行微調(diào)、訓(xùn)練、壓

縮等處理，形

成垂直應(yīng)用；

2-處理并優(yōu)化模型輸出的

內(nèi)

容

；提供模型能力的基礎(chǔ)，吃技

術(shù)資源積累與

頭部集中效應(yīng)

紅利研發(fā)設(shè)計產(chǎn)品、工藝、產(chǎn)線等設(shè)計、驗證、優(yōu)化生成制造生產(chǎn)排產(chǎn)、質(zhì)檢、設(shè)備、機

器人、自動化等管理優(yōu)化經(jīng)營管理銷售及售后、知識問答、智

能客服等安全運維信息安全、生產(chǎn)安全等通用基礎(chǔ)大模型NLP大模型CV

大模型多模態(tài)大模型預(yù)訓(xùn)練模型

垂直任務(wù)大模型科學(xué)計算生物計算代碼生成模型服務(wù)Al相關(guān)服務(wù)

數(shù)據(jù)基礎(chǔ)算力基礎(chǔ)模型應(yīng)用模型

及服務(wù)基礎(chǔ)

底座企業(yè)產(chǎn)品場景挑戰(zhàn)數(shù)據(jù)相關(guān)模型相關(guān)工具相關(guān)智能體相關(guān)

其他Al框架一般由

基礎(chǔ)的

通用大

模型廠

商提供提供模

型應(yīng)用

服務(wù)的

企業(yè)或多或少

會提供

部分模

型服務(wù)

的內(nèi)容行業(yè)垂直大模型

石化汽車

鋼鐵來源：艾瑞咨詢研究院自主砰空刀個生O2024.9

iResearch

Inc.數(shù)據(jù)集Al芯片www.iresearch.com.cn

14公共開源

數(shù)據(jù)集應(yīng)用思路1:純粹prompt

提示詞法應(yīng)用程序Prompt應(yīng)用思路2:RAG

(檢索增強)應(yīng)用程序Prompt

函數(shù)調(diào)用ResponseAgent基礎(chǔ)大模型內(nèi)部/外部

APIRAG目前工業(yè)領(lǐng)域較為

常見的應(yīng)用思路特點：結(jié)合向量數(shù)

據(jù)庫進行檢索，生

成優(yōu)化特點：與大模

型直接交互，

可即時互動向量化向量數(shù)據(jù)庫基礎(chǔ)大模型應(yīng)用思路3:主動提問與函數(shù)調(diào)用應(yīng)用思路4:微調(diào)應(yīng)用程序Prompt

函數(shù)調(diào)用ResponseAgent基礎(chǔ)大模型內(nèi)部/外部API特點：多輪對話可理解用戶需求，還可通過調(diào)用函數(shù)執(zhí)行特定功能，如查詢等應(yīng)用程序Prompt

函數(shù)調(diào)用ResponselI微調(diào)Agent基礎(chǔ)大模型內(nèi)部/外部API目前工業(yè)領(lǐng)域較為常見的應(yīng)用思路特點：對預(yù)訓(xùn)練模型進行額外訓(xùn)練，使其能深入學(xué)習(xí)特定領(lǐng)域的知識，提升專業(yè)性和準(zhǔn)確性RAG向量化向量數(shù)據(jù)庫www.iresearch.com.cn

15目前大模型落地工業(yè)主要有4種應(yīng)用思路，分別是直接使用、RAG、結(jié)合函數(shù)調(diào)用、微調(diào)。其中，RAG

結(jié)合向量數(shù)據(jù)庫進行檢索、微調(diào)是目前落地性相對最常見的思路。RAG

的語料庫都是比較貼近實際的工業(yè)生產(chǎn)運營的know

how、流程、制度等信息，能為生成

結(jié)果做驗證，在一定程度上有利于糾正“幻覺”。目前安全、問答系統(tǒng)等場景用的比較多。微調(diào)則是會結(jié)合一些域內(nèi)數(shù)據(jù)或者具有

行業(yè)know

how的提示數(shù)據(jù)集對模型進行額外訓(xùn)練，使模型能深入學(xué)習(xí)特定領(lǐng)域的知識，提升專業(yè)性和準(zhǔn)確性。大模型落地工業(yè)應(yīng)用的幾種思路大模型落地工業(yè)的應(yīng)用思路有哪些?4種應(yīng)用形式各有千秋，其中RAG、微調(diào)是目前較為普遍的用法數(shù)據(jù)測試準(zhǔn)備用對話應(yīng)用驗證可行性是否要補充知識?要對接其他系統(tǒng)?值得嘗試微調(diào)?RAG函數(shù)調(diào)用用歷史數(shù)

據(jù)做微調(diào)交付米源：頂層架構(gòu)領(lǐng)域，文瑞

--O2024.9

iResearch

Inc.企業(yè)產(chǎn)品場景挑戰(zhàn)iResearch大模型應(yīng)用的技術(shù)路線簡圖艾

瑞

咨

詢Response特點：路由轉(zhuǎn)發(fā)模塊扮演著對輸入Prompt

進行分類的角色?！?/p>

如

果Prompt

查詢不能識別，

則由大模型處理。特點：適合解決復(fù)雜問題，因

為問題涉及不同方面的專業(yè)知識，

每個專家負(fù)責(zé)處理一部分問題，

最終匯聚成答案。特點：將緩存和微調(diào)引入大模型

架構(gòu)中，可以減輕成本高、推理

速度慢以及幻覺等問題?！?/p>

通過緩存初始結(jié)果，能夠在

后續(xù)查詢中迅速提供答案?！しe累足夠數(shù)據(jù)時，微調(diào)層將

啟動，早期交互反饋會促使

模型逐步完善成相對專業(yè)的私有大模型。特點：Agent

會基于大模型先做

規(guī)劃，然后拆解成若干子任務(wù)，

對每個子任務(wù)分別執(zhí)行，同時對

每一步的執(zhí)行結(jié)果進行觀測，若

觀測合格，則直接返回給用戶最

終答案，反之或執(zhí)行出錯，則重

新規(guī)劃。特點：通過使用各種自主代理框架和體系結(jié)構(gòu)來開發(fā)每個Agent。不

同Agent

有專注的方

向

，如預(yù)測、預(yù)約查詢、生成消

息、更新數(shù)據(jù)庫等，通過組合不

同Agent

模塊來實現(xiàn)結(jié)果輸出。該架構(gòu)強調(diào)了靈活性，通過模塊

化

AI系統(tǒng)，能自我重新配置以優(yōu)化任務(wù)性能。目前大模型落地工業(yè)主要有4種應(yīng)用思路，每一種應(yīng)用思路都可能有不同的架構(gòu)去實現(xiàn)相應(yīng)的結(jié)果或目的。目前，大模型落地工業(yè)時常見的架構(gòu)有5種，不同架構(gòu)各有特色。對于供給方或者需求方而言，不同架構(gòu)沒有絕對的優(yōu)勢，更多是根據(jù)不同需求，結(jié)合效果、

性價比等考量后，做出的架構(gòu)選擇。大模型落地工業(yè)應(yīng)用時常見的幾種架構(gòu)大模型落地工業(yè)的常見架構(gòu)有哪些?大模型落地工業(yè)時有5種常見架構(gòu)，沒有最好，只有相對最優(yōu)山次汽Tπ空嚀白六TT空刀

牛子任務(wù)AAgentA智能體選擇器子任務(wù)BAgentB輸出集成統(tǒng)一結(jié)果最終結(jié)果子任務(wù)CAgentC選擇規(guī)

則調(diào)整架構(gòu)2:大模型代理架構(gòu)模式Prompt查詢大模型(任務(wù)規(guī)劃和拆解)架構(gòu)1:路由分發(fā)架構(gòu)模式Prompt查詢初始的Prompt查詢大模型后續(xù)的Prompt查詢結(jié)果緩存可識別的Prompt查詢類型A可識別的Prompt查詢類型B可識別的Prompt查詢類型C企業(yè)產(chǎn)品場景挑戰(zhàn)子任務(wù)A小模型A子任務(wù)B小模型B子任務(wù)C小模型C如

果Prompt

查詢是可以識別

的，那會被分配適合的小模

型進行處理，響應(yīng)快、結(jié)果

準(zhǔn)確度高、成本低。輸出A

輸出B

輸出C最終答案架構(gòu)5:智能體組合架構(gòu)模式Prompt查詢小模型A小模型B小模型C路由轉(zhuǎn)發(fā)模塊Observation觀測⑤最終答案架構(gòu)4:面向目標(biāo)的Agent

架

構(gòu)模式Prompt

查詢①Planning

規(guī)劃來源：CSDN博主-musicml

O2024.9iResearch

Inc.架構(gòu)3:基于緩存的微調(diào)架構(gòu)

模式大模型Action執(zhí)行WW

16微調(diào)最終答案艾

瑞

咨

詢⑤L③產(chǎn)品屬性

主要服務(wù)內(nèi)容

主要價值

收費模式

產(chǎn)品形態(tài)

典型玩家

未來暢想基礎(chǔ)底座大模型技術(shù)框架服務(wù)基礎(chǔ)大模型·提供模型開發(fā)、訓(xùn)練環(huán)境、技術(shù)等

·

提供已經(jīng)預(yù)訓(xùn)練好的大模型云服務(wù)、模型

API調(diào)用收費等軟件調(diào)用，一般都會

結(jié)合工業(yè)

APP進行功能調(diào)用百度、阿里、騰訊、

華為等·模型能力提升，模型服務(wù)的生態(tài)越

來越健全，工具鏈趨于完善，為軟硬件賦能：1)軟件端：賦能軟件開發(fā)、測試、

驗證等

；2)硬件端：應(yīng)用場景敏捷調(diào)整、具身智能、端到端執(zhí)行復(fù)雜任務(wù)等。

·通用數(shù)據(jù)趨于集中，但行業(yè)數(shù)據(jù)還是分散，未來政府主導(dǎo)的數(shù)據(jù)交易可能會讓部門垂直行業(yè)數(shù)據(jù)標(biāo)準(zhǔn)逐

步走向流通。工具·

模型全流程開發(fā)·

模型優(yōu)化、評估、壓縮、增強、部署調(diào)用等·

模型安全·

數(shù)據(jù)管理·

模型開發(fā)等服務(wù)根據(jù)具體服務(wù)內(nèi)

容進行收費，如

部署、精調(diào)、評

估等具體應(yīng)用軟件服務(wù)基于通用大模型的能力，提供具體的大模型產(chǎn)品·

多輪對話、代碼生成、圖片生成等API調(diào)用收費項目定制服務(wù)收

費百度、阿里、智譜Al、新華三等·

加強時序數(shù)據(jù)的處理，海量工業(yè)設(shè)

備與過程數(shù)據(jù)得以利用，賦能生產(chǎn)

制造等核心環(huán)節(jié)多模態(tài)能力創(chuàng)新與增強，從賦能經(jīng)營管理軟件逐步滲透到研發(fā)設(shè)計

(如仿真驗證等)、生產(chǎn)控制軟件

(如人機交互、生產(chǎn)數(shù)據(jù)分析等)基于通用大模型的能力，提供微調(diào)、RAG等，形成新的大模型服務(wù)產(chǎn)品·知識問答、代碼生成、工藝設(shè)計/優(yōu)化、Al檢測、設(shè)備運檢助手、Al客服等百度、格創(chuàng)東智、浪潮云洲、朗坤蘇暢、

天融信、創(chuàng)新奇智等硬件產(chǎn)品軟硬件一體化產(chǎn)品·

大模型一體機硬件產(chǎn)品付費硬件產(chǎn)品卡奧斯、華為、科大訊飛、達觀數(shù)據(jù)、智

譜AI、開普云、思謀

科技等硬件

賦能成熟產(chǎn)品疊加大模型能力，

如與機器人、scada、PLC、客戶端產(chǎn)品等結(jié)合·機器人控制指令更改、輔助編程等——軟件調(diào)用達闥機器人、ABB、

倍福、西門子等大模型落地工業(yè)的產(chǎn)品落地模式有哪些?

艾

瑞

咨

詢大模型落地工業(yè)時主要以軟件為主，但具體產(chǎn)品形態(tài)還在摸索中目前大模型落地工業(yè)時的產(chǎn)品切入角度主要有5大類：基礎(chǔ)底座、工具、軟件服務(wù)、硬件產(chǎn)品、硬件賦能。1)基礎(chǔ)底座與工具主要由一些基礎(chǔ)模型廠商提供，具有較強的頭部效應(yīng)，未來隨著大模型能力的提升，有助于賦能軟件開發(fā)、測試等全流程，以及硬件端

的具身智能。2)針對具體應(yīng)用時，以一些工業(yè)互聯(lián)網(wǎng)平臺廠商推出為主，但各方尚在探索大模型與自身產(chǎn)品及服務(wù)的結(jié)合點，產(chǎn)品

形態(tài)還較為稚嫩，多以基于通用大模型進行微調(diào)、RAG

驗證后形成自己的大模型，然后依附于已經(jīng)存在的產(chǎn)品(如工業(yè)APP)

上，

單獨形成具體應(yīng)用產(chǎn)品的并不多。未來，隨著大模型能力穩(wěn)定性、準(zhǔn)確性提升，大模型有望成為新的流量入口，獨立成一個新的產(chǎn)

品的也并非不可能。

大模型落地工業(yè)的產(chǎn)品情況企業(yè)產(chǎn)品場景挑戰(zhàn)來源：艾瑞咨詢研究院自主嚴(yán)口生C2024.9

iResearch

Inc.W

17偏運營的、有一定容錯能力的場景是當(dāng)前重點，生產(chǎn)制造等核心場景的探索需要靜待模型進化以及CV

大模型、多模態(tài)大模型的發(fā)展目前大模型落地工業(yè)主要表現(xiàn)為3大特征：1)大模型無法保證輸出的準(zhǔn)確性，故當(dāng)前有容錯能力的場景是各家探索重點；2)大模

型

的應(yīng)用無法脫離行業(yè)know

how的加持，基本是都是通過微調(diào)或者RAG

技

術(shù)

進

行

調(diào)

整

，故掌握著豐富工業(yè)數(shù)據(jù)、工業(yè)機理模型的企

業(yè)在工業(yè)領(lǐng)域?qū)⒏袃?yōu)勢；3)目前還是以分析和預(yù)測為主，決策還是非常初級的輔助決策，未來控制和應(yīng)用決策能力的發(fā)展需要充

分發(fā)揮時序數(shù)據(jù)(如設(shè)備、產(chǎn)線運轉(zhuǎn)數(shù)據(jù)、監(jiān)控數(shù)據(jù)等)、IT

和OT

數(shù)據(jù)相結(jié)合后的價值，故大模型能力進化與其他類型大模型的成1)場景探索依托于大模型的特性展開：當(dāng)前以大語言模型為主，生成式、相對強的泛化能力且存在結(jié)果不準(zhǔn)是其本身特性，各玩家在探索應(yīng)用落地時，無法避免。各家整體能力輸出還是以輔助性為主，故偏運營(如銷售、售后)、信息比較結(jié)構(gòu)化/標(biāo)準(zhǔn)化的場景(如設(shè)備管理)領(lǐng)域是各家嘗試重點，在工業(yè)領(lǐng)域，除了

常規(guī)的智能客服、知識問答外，安全運維、設(shè)備管理是各家推出的比較多的場景，除此之外，也有企業(yè)嘗試賦能工藝流程優(yōu)化、生產(chǎn)整個環(huán)節(jié)賦能。(

詳

情

見

案

例

)2)應(yīng)用價值需要行業(yè)know

how的

疊

加

：大模型的應(yīng)用需要行業(yè)數(shù)據(jù)和工業(yè)語料的投喂，需要解析并內(nèi)化工業(yè)專家“看不見的經(jīng)驗”,這些域內(nèi)數(shù)據(jù)可對大模

型的認(rèn)知及輸出能力進行糾偏，方能在一定程度上保證準(zhǔn)確度。3)潛力場景值得期待：當(dāng)前大模型應(yīng)用時的能力側(cè)重于分析和預(yù)測，決策與控制是將是下

一

步的重點，也是滲透核心工業(yè)場景的關(guān)鍵。未來隨著模型能力進化與

其他模型的成熟，賦能軟件全流程開發(fā)測試、賦能硬件具身智能、賦能操作系統(tǒng)自我進化等場景都是非常值得期待的。熟變的非常迫切。大模型落地工業(yè)的主要應(yīng)用場景總覽大模型落地工業(yè)的主要思路分類或識別

系統(tǒng)最優(yōu)

經(jīng)驗知識推理決策類知識沉淀及管理注釋：1)應(yīng)用場景的梳理主要是按照工業(yè)核心流程展開；2)十代表在該場景下，有相應(yīng)的落地案例展示，且排名不分先后。來源：艾瑞咨詢研究院自主研

它

口

生

C2024.9

iResearch

Inc.

Www.iresearch.com.cn

18大模型落地工業(yè)的應(yīng)用場景有哪些?企業(yè)產(chǎn)品場景挑戰(zhàn)-

設(shè)備故障診斷-

運行參數(shù)設(shè)置優(yōu)化-設(shè)備建模、維修養(yǎng)

護、配件管理助手-

能耗排放優(yōu)化-

設(shè)備知識庫建立生產(chǎn)制造管理質(zhì)量管理

設(shè)備管理十-排產(chǎn)調(diào)度規(guī)劃優(yōu)化-原料采購&產(chǎn)成品

庫存調(diào)度優(yōu)化-物料路徑優(yōu)化-仿

真優(yōu)化-

市場營銷輔助-

智能客服-銷售分析/預(yù)測-

合同合規(guī)性檢查-

銷售與產(chǎn)品培訓(xùn)-

語音交互-

機器人場景識別-場景應(yīng)用包、PLC、SCADA

等控制代碼輔助生成經(jīng)營管理財

務(wù)

其

他-

外觀設(shè)計輔助-

仿真優(yōu)化-工藝流程優(yōu)化

十-產(chǎn)線布局優(yōu)化-

財務(wù)指標(biāo)分析-

風(fēng)險交易預(yù)警-

智能審核-

財務(wù)報告輔助

生

成-IT安

全-DT

安

全

-OT

安全，如視覺安監(jiān)-

運維安全十-

智能搜索/知

識問答-

運營分析助手-

報告輔助撰寫iResearch-

視覺檢測增強-

缺陷樣本生成-

質(zhì)量關(guān)聯(lián)分析安全管理信息安全+

生產(chǎn)安全大模型落地工業(yè)的主要應(yīng)用場景機器人+自動化控制管理訂單及排產(chǎn)規(guī)劃、采購&倉儲物流產(chǎn)品

、

工藝

、

產(chǎn)

線設(shè)計及驗證艾

瑞

咨

詢幾

點

說

明研發(fā)設(shè)計銷售及售后卡奧斯基于1個數(shù)據(jù)底座+3大能力引擎+N

個應(yīng)用場景的整體架構(gòu)為企業(yè)賦能，實現(xiàn)原始生產(chǎn)數(shù)據(jù)到到模型能力轉(zhuǎn)化的閉環(huán)天智工業(yè)大模型架構(gòu)：以大連接、大數(shù)據(jù)技術(shù)為核心的卡奧斯數(shù)字工業(yè)操作系統(tǒng)為數(shù)據(jù)底座；以天智工業(yè)大模型、機理模型庫、專

家算法庫為3大能力引擎；以為企業(yè)量身打造的天智工業(yè)智能體應(yīng)用平臺為核心賦能N

個應(yīng)用場景。卡奧斯天智工業(yè)大模型落地實踐案例底層物聯(lián)PLC上位機通訊點位數(shù)據(jù)接口/服務(wù)/賬號SCADA數(shù)采點位設(shè)備采集物聯(lián)數(shù)采盒子運營管理產(chǎn)業(yè)運營工廠間效率運營人機競比大賽集成至HWork設(shè)備管理

工藝模型應(yīng)用工藝優(yōu)化落地案例案例-卡奧斯需求背景傳

統(tǒng)

：①注塑工藝、參數(shù)復(fù)雜：溫度、

壓力、成型周期、模具健康、

能耗②傳統(tǒng)人工

經(jīng)驗調(diào)試需

求

：人工主觀經(jīng)驗升

華為科學(xué)易用的

工業(yè)智能應(yīng)用成果落地場景：海爾天津洗衣

機互聯(lián)工廠(全球雙燈

塔：端到端+

可持續(xù))應(yīng)用效果(注

塑機):生產(chǎn)節(jié)拍5%-

12%1能耗6%-

10%1設(shè)備數(shù)據(jù)上平臺設(shè)備信息來源，如設(shè)備采購、新品導(dǎo)入等臺賬匹配到資產(chǎn)設(shè)備臺賬依據(jù)具體業(yè)務(wù)匹配、改善并

探索更多算法，如模具設(shè)備

匹配、最優(yōu)工藝推薦等內(nèi)存實時數(shù)據(jù)同步KFK開源模型廠商·

4300+專業(yè)機理模型庫·

200+專家算法庫·

卡奧斯數(shù)字工業(yè)操作系統(tǒng)企業(yè)產(chǎn)品場景挑戰(zhàn)卡奧斯天智工業(yè)大模型為海爾天津洗衣機工廠優(yōu)化注塑工藝(海爾天津洗衣機的工廠注塑)·

工藝參數(shù)優(yōu)化·

設(shè)備故障維修

·

智能辦公助手

·

專屬Al客服●

…米源：卡類斯，義瑞谷詢研

--O2024.9iResearch

Inc.i

Research研發(fā)設(shè)計生產(chǎn)制造

辦公經(jīng)營

客戶服務(wù)卡奧斯

大模型卡奧斯

大數(shù)據(jù)卡奧斯

工業(yè)大

模型服

務(wù)思路卡奧斯天智

工業(yè)智能體

應(yīng)用平臺W

19結(jié)合自身行業(yè)經(jīng)驗積累微調(diào)卡奧斯天智

工業(yè)大模型艾

瑞

咨

詢數(shù)

據(jù)

治

理&

模

型

應(yīng)

用··

·

·OctopusGPT

是章魚大模型平臺的基座，向上基于數(shù)據(jù)資產(chǎn)和行業(yè)理解提供文本、控制、檢測等各類服務(wù)基于章魚大模型平臺的智能集控系統(tǒng)，實現(xiàn)了智能知識推薦、知識庫系統(tǒng)，報表智能生成、告警內(nèi)容深度分析、智能派工等核心功

能，全面提升了工廠運維管理的智能化和高效化水平，為企業(yè)持續(xù)創(chuàng)造價值和贏得競爭優(yōu)勢。格創(chuàng)東智工業(yè)大模型賦能智能集控落地案例工單生成

報告生成

知識問答

技術(shù)咨詢智能推薦訪客大屏

Chat

BI

監(jiān)控大屏

業(yè)務(wù)小屏品管異常告警輔料異常告警設(shè)備異常告警人員異常告警大模型TOP

問題總結(jié)與分析

異常告警溯源自動派工方案推薦

人員能力評價異常履歷

異常報告

SOP

行業(yè)知識/“黑話”格創(chuàng)東智章魚大模型平臺大模型智能體

知識管家業(yè)務(wù)數(shù)據(jù)化存

數(shù)據(jù)資產(chǎn)化管

數(shù)據(jù)業(yè)務(wù)化

用WMSFDCEAP

EDARPT·

難察問題，缺乏數(shù)據(jù)監(jiān)控：生產(chǎn)過程缺乏核心指標(biāo)實時追蹤

監(jiān)控

。·

難找短板，業(yè)務(wù)數(shù)據(jù)散落：生

產(chǎn)、設(shè)備、制程、質(zhì)量等重點

生產(chǎn)管理相關(guān)的業(yè)務(wù)模塊數(shù)據(jù)

散落，無法統(tǒng)

一

監(jiān)控查找短板?！?/p>

告警滯后，異常處理緩慢：告

警信息散落在多個系統(tǒng)、機臺，

未集中管控，處理不及時?！?/p>

難查違規(guī)，點檢管理落后：過

度依賴人員點檢的方式管理違

規(guī)行為，導(dǎo)致需要增加點檢人

力，然而即便如此，也經(jīng)常難

以發(fā)現(xiàn)違規(guī)人員的存在

。·

難找文檔，知識難以沉淀：事

件處理沒有形成資料、知識的

沉淀，無法指導(dǎo)問題優(yōu)化。·成

本

：通

過

智

能集控的優(yōu)化調(diào)度

和管理

，運營成

本降低了30%,包括人力成本

、能源消耗以及維

護成本。·質(zhì)

量

：告

警

溯

源和分析使得故障

預(yù)警更精準(zhǔn)

，故

障處理時間縮短

45%?！ば?/p>

益

：整

體

效

益

提升了5%。智

能知識推薦和知

識庫系統(tǒng)的應(yīng)用

，

還使得員工的工作效率提高了60%。AI

DESKAl

戰(zhàn)情中心Al

告警中心大模型分析中心大模型智能派工中心大模型知識庫大模型服務(wù)鏈接數(shù)據(jù)孤島

通ERP

MESOctopus開源廠商X章魚智能中樞閉源廠商

第三方集成Octopus

M章魚算法模型開發(fā)平臺矢量知識檢索數(shù)據(jù)

OctopusGPTOctopus章魚工業(yè)大模型Z章魚集成平臺行業(yè)垂直大模型智能集控落地案例-格創(chuàng)東智企業(yè)產(chǎn)品場景挑戰(zhàn)智

能控制章魚大

模型平臺數(shù)據(jù)平

臺源系統(tǒng)格創(chuàng)東智章魚大模型平臺賦能某半導(dǎo)體企業(yè)實現(xiàn)智能集控

應(yīng)用成果格創(chuàng)東智-章

魚AI底座需求背景米源：格創(chuàng)東智，義瑞谷詢O2024.9

iResearch

Inc.iResearch以某半導(dǎo)體的智能

控制為例www.iresearch.com.cn

20艾

瑞

咨

詢-智譜通過提示語工程-外掛實時庫-微調(diào)-二次訓(xùn)練-預(yù)訓(xùn)練等流程推動大模型落地于汽車維修輔助，提升故障排查效率智

譜GLM

系列大模型賦能維修助手，

一線的售后咨詢?nèi)藛T，車輛維修人員可以通過耳機+麥克+觸屏的智能終端方式，實時與維修人

員交互，提供需確認(rèn)問題/處置方案/預(yù)診斷結(jié)論等。智譜大模型賦能汽車維修輔助落地案例車輛維修人員待修車輛大模型維修助手車輛維修手冊車輛排故手冊歷史維修案例車輛基本數(shù)據(jù)核心流程·

初診：初診計劃+概率排序、過程引導(dǎo)、實時描述+計劃修正、初檢結(jié)論(可能故障+概

率排序)。·

診

斷

：診斷方案+概率排序、過程引導(dǎo)、實時描述+計劃修正、排查結(jié)論/故障定位。·

修

理

：修理計劃、過程引導(dǎo)、實時描述+計劃修正。·

驗

收

：驗收測試計劃、過程引導(dǎo)、實時描

述。·

報

告

：過程記錄自動生成維修記錄。預(yù)訓(xùn)練應(yīng)用成果·

售后接待·

維修(動態(tài)排故

流程)·

單輪對話抽取達

到業(yè)務(wù)人員80%

的準(zhǔn)確率·

多輪對話修正后

可達到90%未來展望以現(xiàn)有對話語料及

手冊為數(shù)據(jù)基礎(chǔ)，通過All

Tools構(gòu)建以模型為主不受流

程限制的售后服務(wù)

的Agent。智譜Al大模型應(yīng)用優(yōu)化路徑需求背景售后/維修工能力水平一致性

希望從當(dāng)前狀態(tài)得到進一步提升。需要增

強總部支持的“預(yù)診斷”功

能，賦能維修

工，統(tǒng)一積累

經(jīng)驗知識。智譜賦能汽車維修AI師傅的應(yīng)用方案智

譜GLM

系列大模型賦能維修助手，

一線的售后咨詢?nèi)藛T，車輛維修人員可以通過耳機+麥克+觸屏的智能終端方式，實時與維修人員交互，提供需確認(rèn)問題/處置方案/預(yù)診斷結(jié)論等。維修輔助落地案例-智譜提示語工程外掛實時庫(RAG)微調(diào)二次訓(xùn)練企業(yè)產(chǎn)品場景挑戰(zhàn)大概

思想主要

步驟技術(shù)難點單輪對話實現(xiàn)多特征抽取，以及語義判斷，并通過業(yè)務(wù)多輪反問實現(xiàn)問題定位。iResearch米源：智譜，義瑞谷詢研究

O2024.9iResearch

Inc.

21以汽車維修AI師傅為例艾

瑞

咨

詢-九天

·工業(yè)大模型工業(yè)多模態(tài)工業(yè)數(shù)據(jù)分析大模型工具鏈平臺工業(yè)數(shù)據(jù)治理

工業(yè)模型訓(xùn)推

工業(yè)智能體開發(fā)

安全保障依托中移動智算能力及九天

·

眾擎基座大模型能力，構(gòu)建"1個基座大模型+1個工業(yè)大模型(含工具鏈平臺)+N個應(yīng)用場景”的"1+1+N"

工業(yè)人工智能技術(shù)能力體系和應(yīng)用生態(tài)系統(tǒng)中國移動九天

·工業(yè)大模型及Al應(yīng)用體系架構(gòu)九天

·眾擎基座大模型算力網(wǎng)絡(luò)存儲木

源

·

中

楊

(

工

海

)

廠

業(yè)

聽-

-O2024.9iResearch

Inc.www.iresearch.c

22工業(yè)安監(jiān)落地案例-中移上研N

個L2

行業(yè)場景應(yīng)用企業(yè)產(chǎn)品場景挑戰(zhàn)工業(yè)安監(jiān)智能體智慧工廠安防

礦山安全生產(chǎn)

化工園區(qū)安監(jiān)設(shè)備運維智能體設(shè)備知識管理

智能派單智能總結(jié)iResearch工廠管理智能體產(chǎn)業(yè)分析智能體1個L1工業(yè)大模型(含工具鏈平臺)研報信息提取

產(chǎn)業(yè)信息歸集

產(chǎn)業(yè)報告生成智能路徑導(dǎo)航

智能設(shè)備分析

智能報告生成工業(yè)知識問答

工業(yè)智能體開發(fā)工業(yè)視頻/圖像分

析艾

瑞咨詢工業(yè)文本生成針對客戶需要提升安全監(jiān)管效率的需求，依托中移工業(yè)大模型，經(jīng)過模型選型-訓(xùn)練共建-部署應(yīng)用等流程完成工業(yè)安監(jiān)落地，實現(xiàn)全方位、

7*24小時視頻違規(guī)分析，提升安全監(jiān)管效率中移(上海)產(chǎn)業(yè)研究院九天

·工業(yè)大模型落地于工業(yè)安監(jiān)的案例應(yīng)用場景資源采購業(yè)務(wù)形態(tài)數(shù)據(jù)評估資源評估環(huán)境搭建服務(wù)開通交付方案項目排期訓(xùn)練數(shù)據(jù)準(zhǔn)備模型訓(xùn)練脫敏合規(guī)知識控掘+增強數(shù)據(jù)清洗+切塊向量庫建設(shè)+維護訓(xùn)練環(huán)境搭建