报告快读：华为&信通院&罗兰贝格《工业与AI融合应用指南》
近日，华为、中国信通院、清华大学人工智能研究院、罗兰贝格管理咨询公司联合编写的《工业与AI融合应用指南》全文发布。指南既宏观的分析了AI与工业融合的现状和未来，也具体的从7大行业梳理了具体的AI场景，最后还提出了企业落地AI的“三层五阶八步法”。指南在理论部分高屋建瓴，也引用了很多机构的相关研究结果，在场景部分给出了一些参考案例，在落地方法论部分则给出了很多框架体系可供参考。工业AI的现在和未来
指南表示，业界将AI技术的演进历程大致划分为Perception AI、Generative AI、Agentic AI、Physical AI四个阶段。当前，AI技术正从Generative AI向Agentic AI和Physical AI迈进Perception AI在工业领域的应用已相对成熟；Generative AI发展时间较短，但在工 业领域也形成了一批高潜力的应用，如创成式设计、生产计划排程、PLC编程辅助等；而更加前瞻性的Agentic AI和Physical AI在工业的应用仍处于探索阶段，落地仍需时间e-works的问卷调研结果显示，工业企业的AI应用探索完整覆盖了研/产/供/销/服各环节，已经涌现出大量的共性场景。其中，生产排程与调度、产品辅助设计、销售预测、采购预测、质量控制与缺陷检测、仿真优化等场景的应用效果较优2035，工业与AI融合呈现5个与：与人类对齐、与机器共融、与生产协同优化、与工艺知识共智、与物理世界交互在AI的帮助下，工业软件等生产工具将从计算机辅助人模式（CAx）向人辅助计算机模式（HAx）转变，人类与技术的角色关系将重新定义，人类角色向更高阶的提出问题和监督执行转变，大多数体力和脑力劳动将由 Physical AI和Agentic AI和完成未来的商业模式将是AI解决方案提供商直接向工业企业交付结果、创造价值，实现Result as a Service。工业企业不必深入理解AI算法，而是准确定义问 题和需求，由AI解决方案提供商直接向工业企业交付结果、创造价值，工业企业按价值付费- 阶段二：AI进化为协同角色，人类员 工的工作重点是审核
- 阶段三：AI成为主导角色，人类员工 聚焦异常处理和特定问题改进
工业AI agent与工业软件也将从“局部最优”走向“AI先行、软件筑基”，最终达成“双向奔赴，多智能体协同”。 AI与工业软件的融合也将持续加深，形成双螺旋式的协同进化态势。预 计到2035年，工业AI Agent的应用渗透率在工 业软件中将达50%。工业AI的发展推动传统工 业软件走向平民化、碎片化、后台化 工业多智能体系统将是演进 方向，而工业知识图谱是其中的关键因素，因此，指南提出“工业多智能体系统≈通 用大模型+工业知识+物理引擎+智能应用+数据底座”的架构 AI在工业研/产/供/销/服各业务环节的融合速度不同，呈现明显的“双曲线”特征——小模 型率先从制造端落地，大模型率先在研发和销服端落地，形成了互补性的发展格局 在工业智能的演进进程中，对于各工业企业而言，需以应用为牵引，以技术和产业为支撑，逐步迈向更高阶的智能体，由低到高呈现从一阶体到四阶体的升级路径。迈向更加高阶的智能体是工业企业的发展目标 AI与工业融合仍具备的挑战：AI可靠性与泛化瓶颈，AI技术更新快与工业稳定性的矛盾，工业企业的就绪度不足，场景碎片化制约项目复 制扩展，严峻的ROI（投资回报率）挑战 典型行业工业与AI融合场景
不同行业的AI采用率呈现出由高到低大致分为四个阶段：一阶体：以煤矿、建材、有色金属等行业为代表，二阶体：以钢铁、医药、石油化工等行业为代表，三阶体：以汽车、半导体及电子、能源电力等细分行业为代表，四阶体：目前还没有工业企业达成 在汽车、半导体、装备制造、制药、钢铁、石化、煤矿 7个具体行业，指南首先分析了行业AI应用情况，梳理了应用场景地图，之后列举了一些典型场景的成功案例 汽车行业是AI应用急先锋，对AI技术的探索已经从传统AI延伸至大模型。应用90%的车企已试点或应用生成式AI技术，40%的车企已开始自身的生成式AI模型训练；已有超过100家AI应用与解决方案供应商，覆盖汽车全价值链环节；行驶数据反馈智驾系统研发，已形成良性循环的数据飞轮，算法持续迭代和成熟，车企积极投入算力平台，支撑自动驾驶系统的训练和优化 汽车行业推陈出新加快、数据成本高企、算力需求大、定制生产普及，亟需AI技术的加持 指南在行业识别了17个AI用例，建议车企重点关注端到端智驾大模型、世界模型、 AI赋能智驾系统研发、生成式设计、智能生产排程、AI视觉检测等高价值场景 - 端到端大模型：乾崑智驾ADS3.0 端到端模型助力智驾迈上新台阶
- 自动驾驶矿卡：全球首例无人驾驶矿卡大规模常态化生产运营
- 生成式设计：丰田研究所推出汽车外观生成式设计AI工具
- 汽车开发测试：广汽基于Agent+ 领域知识，赋能流程自动化智能化
半导体行业是AI应 用的率先探索者。预计到2030年，超过70%的半导体产品将由生成式AI赋能；国内半导体智能制造厂商快速发展和追赶，国产EDA市场份额逐步提升，前沿AI算法成熟，公开数据集丰富 半导体行业也面临芯片研发周期长、技术能力和人才短缺、良率仍有提升空间、网络攻击威胁等挑战 指南识别了覆盖设计与仿真验证、晶圆制备、光刻刻蚀掺杂、抛光封装四大阶段的7个AI用例，建议半导体企业可以重点关注AI辅助芯片设计、AI辅助制造工艺优化、质量问题根因分析等高价值场景 芯片设计大模型：英伟达芯片设计专用大语言模型ChipNeMo 机械装备行业整体积极拥抱AI，90%+国内先进装备制造工厂已经应用了人工智能、数字孪生等技术，国内目前已涌现10+具身智能大模型，行业内机械装备数据采集丰富，具身智能相关运动算法也在加速开发中，头部企业积极部署算力，自用同时对外提供算力租用 智能机器人有望在工业领域率先规模化 落地，沿着工业到2B商用再到2C家用的发展 路径，最终走向家庭服务 机械装备行业仍面临硬件结构设计复杂、设备运维难度大、质量一致性和追溯难、混线生产调度复杂等挑战 指南识别了27个AI用例，建议企业重点关注AI辅助设计、采购计划优化、工业代码生成、智能生产排程、AI质检、预测性维护、 具身智能等高价值场景 - 环境感知、建模与导航：谷歌与伯克利大学基于大模型的机器人自主导航
全球药企在研发阶段应用AI 的比例已达68%，中国的医药制造大 模型加速落地，国内三类AI制药玩家加速涌现，多种AI前沿算法已有落地应用，但数据集作为开展药物筛选、分子设计的基础，其质量的参差不齐限制了相关算法的发展 制药行业也正面临着罕见病无药可医、管线研发难、研发费用高、试验患者招募难等挑战 指南梳理了20个AI用例，建议制药企业重点关注靶点识别模型、大模型辅助药物设计、基于大模型的知识 库和文档助手、临床试验辅助等高价值场景 - 靶点识别模型：美国丹娜法伯癌症研究院生物基因大模型Geneformer
- 大模型辅助药物设计：西安某医院运用盘 古药物分子大模型
- 大模型辅助医药知识问答：云南白药与华为合作研发雷公大模型
- 大模型辅助临床试验：患者筛选、试验数据分析与报告生成
AI在头部企业落地形成示范效应，18%的钢铁企业已开展局部AI应用，80%企业试点应用大数据模型。已涌现超过五个钢铁行业大模型。高质量的数据集仍处于建设早期 铁行业面临“黑箱”流程管控难、大量3D（危险、脏污、困难）工作岗位、质量仍待突破、环保压力加剧等挑战 指南识别了17个AI用例，建议企业重点关注精炼炉参数调优、设备健康监测与运维、视觉检测、行车智能调度等高价值场景 大模型赋能高炉智能化：宝武集团携手华为，应用预测大模型和视觉大模型，实现钢铁生产降本提质增效 头部企业已经积极探索AI应用，超过74%的全球化工企业已应用或正在试点AI，92%全球油气企业计划未来两年内投资应用AI。部企业积极探索大模型落地，头部企业积极部署算力资源，公开数据集加速涌现 石化行业正面临开采难度加大、高端产品不足、核心工艺追赶、环保与安全压力大等挑战 指南识别了19个AI用例，建议企业重点关注加速地震数据处理解释、 RTO62工艺参数实时调优、智能巡检等高价值场景 - AI赋能油气勘探与开采：中国石油利用AI技术使反演成像业务效率提升10倍
在全国的4300处煤矿中， 约有859处有智能化工作面的煤矿， 智能化矿井渗透率约20%。其中头部大型煤矿率先探索点状应用落地，但AI在全行业渗透率较低。头部厂商纷纷发力，催热智能矿山市场。视觉算法先行，但烟囱式系统和异构数据仍待拉通，行业数据集处于发展起步期，工业企业和科技公司联合取得了新进展 煤炭行业仍面临安全隐患众多、从业人员断层、产煤效率不高，系统管理复杂等挑战 指南识别了10个AI用例，建议企业重点关注掘进安全质量智能监管、综采面运行AI智能监控、主煤流运输智能管控、工艺参数调优等高价值场景 - AI赋能作业工序（掘进）：安全质量智能监管，保障掘进面作业安全
- AI赋能作业：防冲卸压工程钻孔监管，及时告警，减少人工核验工作量
- AI与工艺结合（洗选）：重介选煤分选密度智能控制，优化提升精煤生产率
- 大模型助力安全和工艺参数优化： 山东能源与华为合作“大模型下矿”
三层五阶八步法构建智能化企业
指南提出“三层五阶八步”的一整套方法指导工业企业AI落地。 - 层二：专注于AI的开发与交付，构建 从数据工程到模型应用的核心技术体 系
- 层三：AI用例的持续运营和智能应 用，确保应用效果不断优化、实现 “越用越好用”
建议企业以投入产出比（ROI）作为核心指标，作为早期投资决策和后期评估的依据，将价值目标划分为三类可量化指标：降本增效、创收增利、体验增强。 同时，对于短期内难以直接量化价值的项目，可以评估其在创新驱动、品牌提升、社会责任等方面的战略价值，以全面反映AI应用的综合贡献 收益主要体现在价值目标的达成情况；成本则包括训练 成本（模型训练、部署与上线）、推理成本 （取决于单次推理成本、AI用户数量、单用 户AI应用次数）、运维成本（模型维护、监 控与运营）三个主要组成部分 建议优先识别知识与经验密集、且具备海量、重复、复杂特征的业务场 景，通过AI场景“十二问”评估框架进行系统研判，通过为每个场景设定参考权重，并进行量化打分评估，可对多类场景进行优先级排序 - 3. 业务场景有明确的业务Owner（对投 资和结果负责）？
- 5. 业务场景有明确的用户触点（业务已 数字化）？
- 6. 业务知识/数据是否足够支撑0-1冷启 动（范围清晰、完整、易获得）？7. 业务知识/数据是否确保业务持续产生、更新和反馈？
- 8. 现有技术能力是否能够支撑场景实现 （技术可行性）？
- 9. 行业/公司内是否有成功经验可复 制/ 借鉴？
- 12. 业务有持续运营的组织、资源、机制 和能力？
传统人人协同模式以业务流程串联为基础，依靠人员角色分工、质量标准以及审批机制来保障业务目标的实现 人机协同模式则基于自然语言交互，能够整合更多元的人机协同形式，从根源上对业务流程的执行逻辑进行重构 企业在选择场景、确认技能后，结合场景选择基础大模型，制定AI的构建策略， 通过准备数据、构建技能、模型评测的步骤完成交付方案 基础大模型选择原则：拿得来（广泛调研与评测），引得进（生产环境适配和稳定运行），选得好（确保模型核心能力支撑长期演进） 工业企业需要构建“For AI”的MRC（Machine Reading Comprehension）语料体系作为AI应用的基础。冷数据的MRC转换主要处理企业现有的知识文档，通过显性+隐性的知识结构设计来创建MRC语料，热数据的MRC转换则聚焦于企业的实时业务过程，将数据NF（Normal Form）+知识文档转换为过程MRC语料 一方面，基于外部知识依赖、个性化模型输出要求进行选择，另一方面，基于业务目标、实现复杂度和资源成本进行选择。 - 初阶主要采用Prompt、RAG、编排等技术，算力需求相对较低，构建时效可达分钟级；
- 中阶引入微调，需要AI训练师参与，训练算力提升至2张GPU卡起步，训练数据规模在KB-MB级别，构建时效为小时级；
- 高阶阶段则需要领域模型的深度定制，要求AI训练师具备专业能力，训练算力需求达到32张GPU卡起步，训练数据规模达到GB级别，构建时效为周级二次训练
以 “3R1F”（Revise/优化、Replace/替代、 Rebuild/重构、Feedback/反馈）为核心逻辑 加速落地 AI运营流程包括运营体系设计、监控、反 馈、更新、版本管理五个环节，形成完整的闭环管理机制，运营实施需要业务运营和模型运营的协同配合——通过业务反馈推动模型升级，通过模型优化提升业务效果，从而实现 持续改进 企业应制定AI场景的北极星指标，通过数字化运营可视来驱动；构建热循环机制形成数据飞轮，通过用户作业反馈形成不断更新的高质量数据语 料，驱动AI提升改进 AI的持续运营过程中，治理是贯穿始终的核心工作，应落实责任体系、数字化可追溯，保障AI持续有质量，严格遵守安全边界底线。 分层分级设定目标，构建高效的AI训战体系。需在业务与IT部门中明确各环节 的主导者与配合者，建立清晰的角色分工与协调机制 制定转型方案时，应考虑：战略决策、组织人才、意识改变、风控治理、执行保障、持续运营
著作权归作者所有，欢迎分享，未经许可，不得转载
首次发布时间：2026-04-28
最近编辑：3月前
