基于生成式人工智能的工业软件自主创新路径探索

本文首先分析了我国工业软件发展现状及面临问题，探索了新一代信息技术为我国工业软件“换道超车”带来的新机遇，着重讨论了生成式人工智能赋能研发设计、生产制造、经营管理和运维服务等工业生产各环节的主要成效，针对大模型在工业领域应用的难点问题，从技术路径、生态构建、政策建议等方面，提出布局基于生成式人工智能的工业软件应用体系，推动我国工业软件创新发展的具体思路。1、引言当前，以ChatGPT为代表的预训练大模型展现出自主学习、跨模态理解、推理抽象思维和人类社会理解等特征优势，正引发新一轮人工智能范式革命，成为推动科技跨越发展、产业优化升级、生产力整体跃升的重要驱动力。随着以大模型为代表的生成式AI技术可用性增强及工业信息化水平提升，通用AI的工业落地时间间隔逐步缩短，大模型为工业软件领域自主创新提供了有效路径。2、我国工业软件发展现状工业软件是工业知识的计算机代码化表达，是工业知识、经验、技能长期沉淀积累并数学化、工程化、代码化的结果。工业软件作用于工业产品的研发设计、生产制造、经营管理和运维服务等全生命周期，具有细分种类多、功能差异大、行业壁垒高和用户粘性强等特点。我国工业软件门类相对齐全，市场发展迅速。据工信部统计数据显示，2021年，我国工业软件市场规模达2414亿元，同比增长24.8%，未来五年内将持续以两位数幅度增长，市场规模有望于2026年突破4300亿元，具有较强的发展潜力。但总体上看，国产工业软件市场占有率较低，与国外的差距较大，主要存在市场规模小、产品受制于人、产业安全受国外威胁，以及关键技术和工业知识缺失等四大短板。云计算、大数据、人工智能等新一代信息技术正在重塑工业软件形态。与传统的工业软件相比，基于新一代信息技术的工业软件采用工业互联网平台体系架构，依托工业基础软件的支持，以数据要素为驱动，通过低代码工具和应用开发平台实现应用软件的定制化开发，以云化和服务化的方式部署。基于新一代信息技术的工业软件在工业知识软件化基础上，增加了对工业大数据的处理和智能化分析能力，使解决复杂工业系统建模、控制与优化的难题成为可能，是工业互联网时代的新型生产工具。3、大模型在工业领域的应用情况3.1大模型赋能生产制造全生命周期随着大模型技术的跃迁式发展，生成式AI同工业领域加速融合，为工业软件创新发展提供了重要实现路径。基于大模型的自动识别、模型优化和推理决策三大核心能力，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赋能。大模型赋能各类工业软件如图1所示。在研发设计方面，基于云计算和大数据技术，大模型能够自动生成或优化设计方案，提高EDA、CAD、CAE等软件设计效率和精度。例如，Cadence公司推出了AllegroXAItechnology新一代系统芯片设计技术，利用生成式AI简化系统设计流程，将PCB设计周转时间缩短至原来的十分之一；大模型赋能创成式设计，可实现3DCAD的自主优化设计，提升SiemensSolidEdge、PTCCreo等主流CAD的设计效率。在生产制造方面，利用自然语言处理和计算机视觉等算法，大模型实现与人类的自然交互和协作，提高生产效率和质量。比如，西门子自动化生产SIMATICIT软件引入ChatGPT，有效实现了操作者与系统自然语言的交互；西门子和微软正在合作开发可编程逻辑控制器（PLC）的代码生成工具，利用ChatGPT通过自然语言输入生成PLC代码。在经营管理方面，通过迁移学习和模型微调，大模型能够快速掌握垂直领域知识，提高ERP、CRM、SCM等软件的管理效率和水平。例如，微软推出了GPT互动式AI能力商业产品Dynamics365Copilot和Microsoft365Copilot，大幅提升用户在经营管理类软件上的工作效率，未来将扩展至供应链管理、客户服务和市场营销等场景；国内企业第四范式上线企业级产品4ParadigmSageGPT，将大模型与垂直领域专业知识融合，具备企业级场景下的多模态及Copilot能力；旷世科技布局基于视觉大模型的供应链智能管理，探索基于“感知-决策-执行-反馈”的全链条仓储物流优化方案。在运维服务方面，大模型可有效提升早期缺陷检测、预测性维护、产品质量分析和生产预测等能力，持续优化MRO、PHM等软件性能。美国明星创业公司Uptake将AI能力引入设备预测性维护，并取得良好运营效果；国内容知日新开展基于AI的工业设备状态监测与故障诊断研究，打造基于数据、算法和算力管理的PHM引擎，提升智能运维能力。3.2大模型的工业应用挑战大模型在工业领域具有广阔的应用前景，国内外科技巨头及工业软件企业已开展相关研究布局，主要是调用大模型的基础能力，实现辅助操作环节应用。大模型赋能工业软件研发设计等核心环节主要面临技术、数据和产业三方面的挑战。技术方面，当前国内在大模型领域的基础技术储备不足、通用大模型性能仍需提升、工业领域垂直大模型尚待构建。同时，大模型训练部署对算力、存储、数据等基础设施有较高需求，传统的工业软件主要运行在本地，计算和存储能力有限，更新迭代慢，使得生成式AI的研发设计、工业仿真、低代码开发等业务场景的落地受到阻碍。数据方面，我国工业领域数据体量大、实时性高，存储成本大、价值密度低，数据源异构性强，数据孤岛现象严重，工业数据开放程度低，各种类型的设备和工序之间相互独立，数据流通缺少统一的标准。当前工业场景的数据量对于深度学习而言都还是小规模，需要对全行业的数据进行汇聚、对齐和训练，形成面向工业软件领域的大模型。产业方面，大模型的工业应用仍在探索阶段。在供给侧，大模型需要高昂的资金和人才投入。我国工业软件企业综合优势不强，当前还停留在基础能力补短板阶段，缺乏复合型技术人才。在需求侧，当前大模型对知识原理的理解有限，尚未做到答案完全可控与准确，而工业领域对安全可靠性要求高，当前大模型缺乏可落地的应用场景。4、基于大模型的工业软件技术创新路径大模型在工业软件领域具有广阔的应用前景，国内外科技巨头及工业企业已开展相关研究布局，但目前应用尚浅，主要是调用大模型的通用能力提供基础服务。基于生成式AI的工业软件技术架构如图2所示。为提升大模型在工业机理方面的应用深度，推动生成式AI与工业软件融合发展，可考虑从如下几方面进行研究布局。1）构建工业软件云。大模型的算力门槛非常高，传统的工业软件主要运行在本地，计算和存储能力有限，更新迭代慢，严重制约大模型的应用。工业软件云化部署后，可大幅提高基础服务的多样性，通过调用高性能计算、GPU算力、大数据服务等资源，满足大模型训练部署对算力、存储、数据等基础设施的需求，降低开发和应用成本，使得基于生成式AI的研发设计、工业仿真、低代码开发等业务场景能够真正落地。通过将散落分布的业务数据汇聚到云上，对大模型进行持续优化迭代，有效提升产品的差异化竞争力。2）建设工业大脑。改变过去工业领域“碎片化”、“作坊式”、成本消耗大、效率低的AI模式，基于基础大模型底座，汇聚海量行业数据，通过模型微调、蒸馏等方式，形成面向各个领域的行业大、中、小模型，实现工业知识和专家经验的沉淀，构建具有深度认知能力的工业大脑。通过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/APP，提升工业软件的智能化水平。3）构建“SaaS+低代码”的工业软件应用生态。工业SaaS把传统架构的工业软件分解成具有统一接口、灵活且可配置的应用，通过封装大量通用的行业Know-how知识经验或知识组件以及算法和原理模型组件，以低代码方式构建上层工业APP。大模型的代码生成能力的跨越式进步有望重塑工业PaaS低代码开发平台。未来随着生成式AI在代码生成能力方面的逐步成熟，可实现零代码研发设计和生产优化，大幅提升工业软件的应用创建能力、降低应用开发成本。4）推动工业软件开发新生态。从技术趋势来看，设计、制造、仿真一体化趋势推动工业软件超融合发展。基于超融合平台，可以实现AI模型开发、训练、调优、运营等复杂过程的封装，提供低门槛、高效率的企业服务。从开发模式来看，多主体协作趋势推动工业软件走向开源与开放，大模型通过自动生成代码、提供开源工具等方式，助力工业软件开发。利用AI技术生成需求文档、功能规格说明书、代码、测试用例和测试脚本等，实现持续交付，推动软件工程3.0的发展，真正实现模型驱动开发、数据驱动开发和AI原生开发。5、发展建议为提升大模型的应用深度，推动生成式AI与工业软件的深度融合，建议抢先布局基于大模型的工业软件应用体系，突破工业软件核心关键技术，推动基于新一代信息技术的工业软件融合创新。1）全面规划工业软件创新发展的顶层战略。制定重点行业国产工业软件创新行动计划，明确基于大模型的国产工业软件发展目标、重点任务和关键举措，培育基于生成式AI的工业软件等重点技术攻关项目。聚焦通用人工智能和工业软件融合创新，着力构建一个适用的技术体系架构、打造一套完整的技术标准体系、支持一批重点技术攻关项目、形成一批典型的融合应用模式，以及培育一批有成效的“AI+工业应用”平台，部署重点行业工业软件应用先试先行和试点示范工程。2）超前布局基于大模型的工业软件技术体系。一方面，鼓励工业软件云化部署，支持企业开放高性能计算、GPU算力、大数据服务等资源，通过共享算力、数据的方式，降低开发和应用成本。通过将散落分布的业务数据汇聚到云上，对大模型进行持续优化迭代，形成完整高效的开源算法模型，有效提升产品的差异化竞争力。另一方面，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，建立公平高效的自适应评测机制，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应用。3）逐步形成大模型赋能工业软件的数据应用机制。一是探索建立基于数据托管机制的大模型训练数据监管体系，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依法合规，保障大模型输出结果的高质量并符合监管要求。二是建立工业软件数据交换共享机制，使得行业数据能够对白名单企业、机构、高校适当开放，在确保数据安全使用的同时，增强工业软件领域大模型研究实力。三是鼓励优先采用安全可信的软件、工具、计算和数据资源，通过改进算法等技术手段，确保训练数据的安全性、规范性与合法性。4）积极推动工业软件自主创新生态建设。一是依托北京市工业软件产业创新中心等载体，汇聚国内工业软件企业、大模型开发企业、高等院校和研究机构等力量，在技术创新、场景应用、产业发展等方面深化交流合作，推动基于大模型的工业软件开发应用。二是加强复合型人才培养，鼓励国内科研院所、高校和企业开展合作，建立“产、学、研、用”综合实践应用平台、人才实训基地等，培养一批高端型工业软件人才。三是聚焦重点行业工业软件替代需求清单和关键共性技术需求清单，开展供需对接，围绕石化、船舶、航空等重点行业，打通技术、场景和人才壁垒，打造一批基于大模型