基于生成式人工智能的工業軟件自主創新路徑探索

姜元，喬奇超，陳杰浩，史 劼，李霖

（中國工業互聯網研究院，北京 100102）

1 引言

當前，以ChatGPT 為代表的預訓練大模型[1-2]展現出自主學習、跨模態理解、推理抽象思維和人類社會理解等特征優勢，正引發新一輪人工智能范式革命，成為推動科技跨越發展、產業優化升級、生產力整體躍升的重要驅動力。隨著以大模型為代表的生成式AI 技術可用性增強及工業信息化水平提升，通用AI 的工業落地時間間隔逐步縮短，大模型為工業軟件領域自主創新提供了有效路徑。

2 我國工業軟件發展現狀

工業軟件是工業知識的計算機代碼化表達，是工業知識、經驗、技能長期沉淀積累并數學化、工程化、代碼化的結果。工業軟件作用于工業產品的研發設計、生產制造、經營管理和運維服務等全生命周期，具有細分種類多、功能差異大、行業壁壘高和用戶粘性強等特點。

我國工業軟件門類相對齊全，市場發展迅速。據工信部統計數據顯示，2021 年，我國工業軟件市場規模達2 414 億元，同比增長24.8%，未來五年內將持續以兩位數幅度增長，市場規模有望于2026 年突破4 300 億元，具有較強的發展潛力[3]。但總體上看，國產工業軟件市場占有率較低，與國外的差距較大，主要存在市場規模小、產品受制于人、產業安全受國外威脅，以及關鍵技術和工業知識缺失等四大短板[4]。

云計算、大數據、人工智能等新一代信息技術正在重塑工業軟件形態。與傳統的工業軟件相比，基于新一代信息技術的工業軟件采用工業互聯網平臺體系架構，依托工業基礎軟件的支持，以數據要素為驅動，通過低代碼工具和應用開發平臺實現應用軟件的定制化開發，以云化和服務化的方式部署?；谛乱淮畔⒓夹g的工業軟件在工業知識軟件化基礎上，增加了對工業大數據的處理和智能化分析能力，使解決復雜工業系統建模、控制與優化的難題成為可能，是工業互聯網時代的新型生產工具[5-8]。

3 大模型在工業領域的應用情況

3.1 大模型賦能生產制造全生命周期

隨著大模型技術的躍遷式發展，生成式AI 同工業領域加速融合，為工業軟件創新發展提供了重要實現路徑?；诖竽Ｐ偷淖詣幼R別、模型優化和推理決策三大核心能力，可實現對研發設計、生產制造、經營管理和運維服務等工業制造全生命周期的賦能。大模型賦能各類工業軟件如圖1 所示。

圖1 大模型賦能各類工業軟件

在研發設計方面，基于云計算和大數據技術，大模型能夠自動生成或優化設計方案，提高EDA、CAD、CAE 等軟件設計效率和精度。例如，Cadence 公司推出了Allegro X AI technology 新一代系統芯片設計技術，利用生成式AI 簡化系統設計流程，將PCB 設計周轉時間縮短至原來的十分之一；大模型賦能創成式設計，可實現3D CAD 的自主優化設計，提升Siemens Solid Edge、PTC Creo 等主流CAD 的設計效率。

在生產制造方面，利用自然語言處理和計算機視覺等算法，大模型實現與人類的自然交互和協作，提高生產效率和質量。比如，西門子自動化生產SIMATIC IT 軟件引入ChatGPT，有效實現了操作者與系統自然語言的交互；西門子和微軟正在合作開發可編程邏輯控制器（PLC）的代碼生成工具，利用ChatGPT 通過自然語言輸入生成PLC 代碼。

在經營管理方面，通過遷移學習和模型微調，大模型能夠快速掌握垂直領域知識，提高ERP、CRM、SCM 等軟件的管理效率和水平。例如，微軟推出了GPT 互動式AI 能力商業產品Dynamics 365 Copilot 和Microsoft 365 Copilot，大幅提升用戶在經營管理類軟件上的工作效率，未來將擴展至供應鏈管理、客戶服務和市場營銷等場景；國內企業第四范式上線企業級產品4Paradigm SageGPT，將大模型與垂直領域專業知識融合，具備企業級場景下的多模態及Copilot 能力；曠世科技布局基于視覺大模型的供應鏈智能管理，探索基于“感知-決策-執行-反饋”的全鏈條倉儲物流優化方案。

在運維服務方面，大模型可有效提升早期缺陷檢測、預測性維護、產品質量分析和生產預測等能力，持續優化MRO、PHM 等軟件性能。美國明星創業公司Uptake將AI 能力引入設備預測性維護，并取得良好運營效果；國內容知日新開展基于AI 的工業設備狀態監測與故障診斷研究，打造基于數據、算法和算力管理的PHM 引擎，提升智能運維能力。

3.2 大模型的工業應用挑戰

大模型在工業領域具有廣闊的應用前景，國內外科技巨頭及工業軟件企業已開展相關研究布局，主要是調用大模型的基礎能力，實現輔助操作環節應用。大模型賦能工業軟件研發設計等核心環節主要面臨技術、數據和產業三方面的挑戰。

技術方面，當前國內在大模型領域的基礎技術儲備不足、通用大模型性能仍需提升、工業領域垂直大模型尚待構建。同時，大模型訓練部署對算力、存儲、數據等基礎設施有較高需求，傳統的工業軟件主要運行在本地，計算和存儲能力有限，更新迭代慢，使得生成式AI的研發設計、工業仿真、低代碼開發等業務場景的落地受到阻礙。

數據方面，我國工業領域數據體量大、實時性高，存儲成本大、價值密度低，數據源異構性強，數據孤島現象嚴重，工業數據開放程度低，各種類型的設備和工序之間相互獨立，數據流通缺少統一的標準。當前工業場景的數據量對于深度學習而言都還是小規模，需要對全行業的數據進行匯聚、對齊和訓練，形成面向工業軟件領域的大模型。

產業方面，大模型的工業應用仍在探索階段。在供給側，大模型需要高昂的資金和人才投入。我國工業軟件企業綜合優勢不強，當前還停留在基礎能力補短板階段，缺乏復合型技術人才。在需求側，當前大模型對知識原理的理解有限，尚未做到答案完全可控與準確，而工業領域對安全可靠性要求高，當前大模型缺乏可落地的應用場景。

4 基于大模型的工業軟件技術創新路徑

大模型在工業軟件領域具有廣闊的應用前景，國內外科技巨頭及工業企業已開展相關研究布局，但目前應用尚淺，主要是調用大模型的通用能力提供基礎服務?；谏墒紸I 的工業軟件技術架構如圖2 所示。為提升大模型在工業機理方面的應用深度，推動生成式AI 與工業軟件融合發展，可考慮從如下幾方面進行研究布局。

圖2 基于生成式AI 的工業軟件技術架構

1）構建工業軟件云。大模型的算力門檻非常高，傳統的工業軟件主要運行在本地，計算和存儲能力有限，更新迭代慢，嚴重制約大模型的應用。工業軟件云化部署后，可大幅提高基礎服務的多樣性，通過調用高性能計算、GPU 算力、大數據服務等資源，滿足大模型訓練部署對算力、存儲、數據等基礎設施的需求，降低開發和應用成本，使得基于生成式AI 的研發設計、工業仿真、低代碼開發等業務場景能夠真正落地。通過將散落分布的業務數據匯聚到云上，對大模型進行持續優化迭代，有效提升產品的差異化競爭力。

2）建設工業大腦。改變過去工業領域“碎片化”、“作坊式”、成本消耗大、效率低的AI 模式，基于基礎大模型底座，匯聚海量行業數據，通過模型微調、蒸餾等方式，形成面向各個領域的行業大、中、小模型，實現工業知識和專家經驗的沉淀，構建具有深度認知能力的工業大腦。通過大小模型協同的方式，快速、高效地開發面向特定行業場景的各類工業軟件/APP，提升工業軟件的智能化水平。

3）構建“SaaS+低代碼”的工業軟件應用生態。工業SaaS 把傳統架構的工業軟件分解成具有統一接口、靈活且可配置的應用，通過封裝大量通用的行業Know-how知識經驗或知識組件以及算法和原理模型組件，以低代碼方式構建上層工業APP。大模型的代碼生成能力的跨越式進步有望重塑工業PaaS 低代碼開發平臺。未來隨著生成式AI 在代碼生成能力方面的逐步成熟，可實現零代碼研發設計和生產優化，大幅提升工業軟件的應用創建能力、降低應用開發成本。

4）推動工業軟件開發新生態。從技術趨勢來看，設計、制造、仿真一體化趨勢推動工業軟件超融合發展?；诔诤掀脚_，可以實現AI 模型開發、訓練、調優、運營等復雜過程的封裝，提供低門檻、高效率的企業服務。從開發模式來看，多主體協作趨勢推動工業軟件走向開源與開放，大模型通過自動生成代碼、提供開源工具等方式，助力工業軟件開發。利用AI 技術生成需求文檔、功能規格說明書、代碼、測試用例和測試腳本等，實現持續交付，推動軟件工程3.0 的發展，真正實現模型驅動開發、數據驅動開發和AI 原生開發。

5 發展建議

為提升大模型的應用深度，推動生成式AI 與工業軟件的深度融合，建議搶先布局基于大模型的工業軟件應用體系，突破工業軟件核心關鍵技術，推動基于新一代信息技術的工業軟件融合創新。

1）全面規劃工業軟件創新發展的頂層戰略。制定重點行業國產工業軟件創新行動計劃，明確基于大模型的國產工業軟件發展目標、重點任務和關鍵舉措，培育基于生成式AI 的工業軟件等重點技術攻關項目。聚焦通用人工智能和工業軟件融合創新，著力構建一個適用的技術體系架構、打造一套完整的技術標準體系、支持一批重點技術攻關項目、形成一批典型的融合應用模式，以及培育一批有成效的“AI+工業應用”平臺，部署重點行業工業軟件應用先試先行和試點示范工程。

2）超前布局基于大模型的工業軟件技術體系。一方面，鼓勵工業軟件云化部署，支持企業開放高性能計算、GPU 算力、大數據服務等資源，通過共享算力、數據的方式，降低開發和應用成本。通過將散落分布的業務數據匯聚到云上，對大模型進行持續優化迭代，形成完整高效的開源算法模型，有效提升產品的差異化競爭力。另一方面，構建工業軟件領域的大模型評測標準體系，研究多模態多維度的基礎模型評測基準及評測方法，開發基礎模型評測工具集，建立公平高效的自適應評測機制，推動大模型在研發設計、生產制造、經營管理和運維服務等環節的深度融合應用。

3）逐步形成大模型賦能工業軟件的數據應用機制。一是探索建立基于數據托管機制的大模型訓練數據監管體系，確保工業數據來源可靠，在數據標準、數據質量、數據安全和隱私保護等方面依法合規，保障大模型輸出結果的高質量并符合監管要求。二是建立工業軟件數據交換共享機制，使得行業數據能夠對白名單企業、機構、高校適當開放，在確保數據安全使用的同時，增強工業軟件領域大模型研究實力。三是鼓勵優先采用安全可信的軟件、工具、計算和數據資源，通過改進算法等技術手段，確保訓練數據的安全性、規范性與合法性。

4）積極推動工業軟件自主創新生態建設。一是依托北京市工業軟件產業創新中心等載體，匯聚國內工業軟件企業、大模型開發企業、高等院校和研究機構等力量，在技術創新、場景應用、產業發展等方面深化交流合作，推動基于大模型的工業軟件開發應用。二是加強復合型人才培養，鼓勵國內科研院所、高校和企業開展合作，建立“產、學、研、用”綜合實踐應用平臺、人才實訓基地等，培養一批高端型工業軟件人才。三是聚焦重點行業工業軟件替代需求清單和關鍵共性技術需求清單，開展供需對接，圍繞石化、船舶、航空等重點行業，打通技術、場景和人才壁壘，打造一批基于大模型的工業軟件示范應用，共同推動人工智能技術與產業的快速發展，助力工業經濟高質量發展。

6 結束語

搶抓新一代信息技術，推動我國工業軟件自主創新，是解決工業軟件“卡脖子”問題的重要路徑。生成式人工智能在提升工業軟件研發設計、生產維護等效率方面取得一定的進展，但與工業機理的深度融合仍然存在難點。建議布局基于大模型的工業軟件技術和應用體系，持續推進技術創新、場景應用、產業發展等，共同推動人工智能技術與產業的快速發展，為搶抓新一輪科技革命和產業變革機遇、實現工業經濟高質量發展作出更大貢獻。