中国工业大模型行业发展研究报告

就工业领域而言，工业互联网、工业智能制造等工作，已经让部分工业领域企业遍历了数据采集 - 数据存储 - 数据处理 - 数据分析 - 数据资产沉淀 - 数据应用的过程，部分场景已经准备好了向基础大模型投喂的'数据原料'。当经过数据处理、适配、微调，甚至是训练后，逐步演进为工业大模型，可以解决部分垂直细分场景问题，大模型落地工业成为可能。

产业格局与商业模式

厂商类型与优势

根据基因不同可将工业大模型厂商分为 8 类：

1. 互联网大厂、ICT 企业、AI 厂商，强调 AI 原生能力和基础大模型能力；
2. 传统软件厂商凸显客户服务经验、运营资源优势；
3. 制造大厂、机器人厂商彰显行业 Know-How、行业数据、设备应用等优势；
4. 安全厂商侧重在企业全局运维中的安全保障。

综合来看，虽然各家优势有异，但切入市场的策略相似，即：锚定自身优势点，围绕具体应用场景摸索大模型在工业的落地性，且目标都是有钱、技术底蕴、有意愿的头部客户。当前，对比国内外企业的市场切入思路，主要差异有二：

1. 在合作方上，国外企业具有资源顶端优势，强调从算力底层出发，构建算力 - 推理的能力地图，而国内企业则强调底层大模型的能力与丰富性；
2. 在服务思路上，国外企业相对更强调将数据链路服务体系做深，而国内企业更强调各功能模块间的组合。

产业链价值流转

上游服务方整体集中，且头部效应明显；中游市场参与玩家众，虽服务能力各有侧重，但结合行业 Know-How/行业数据积累进行基础大模型微调、RAG（检索增强生成）是主要服务思路；下游市场需求广阔，但尚处于探索阶段。

商业化模式

定制化综合解决方案是当前核心收费模式，更多收费模式可能需探索。大模型落地于工业领域尚处于萌芽期，其产品形态、服务内容都还在逐步摸索中，其变现方式虽有一些相近服务或行业可以参考，整体不确定性非常高，但一切尝试也都有意义。

工业大模型供给方常规的做法是：与基础大模型厂商合作 - 测试大模型特点、性能 - 结合自身产品/能力进行微调 - 根据客户需求进行客制化服务。因此，目前相对比较确定的变现方式是类似于'保姆式'的针对某个场景/具体功能的综合解决方案服务收费。除了定制化的解决方案收费外，部分供给方也开始尝试通过软硬件一体产品进行补充收费。

虽然一些基础大模型的厂商 API 调用是目前较为普遍的变现方式，但深入到工业大模型服务领域，API 调用、智能体调用及分发抽佣等方式的变现还处于积累阶段，目前市场还需要验证。

值得注意的是，大模型的能力具有很强的进化性，例如 OpenAI 推出的 o1 版本表现出比较强的复杂推理能力，这是人工智能新水平的一个重要进展。因此大模型未来的能力极限在哪里，我们尚未可知，大模型能为工业领域带来哪些类型的赋能和服务，同样也未知。正是这份未知，未来工业大模型的变现将存在诸多可能。

成长路径与产品架构

成长路径

工业大模型市场还处于非常初期的阶段，大模型能力更新迭代快，还有非常多尚未可知的潜力，故工业 + 大模型的应用可能也有无限想象空间。工业大模型的成长路径可借鉴与参考工业互联网平台的，主要原因有 2 点：

1. 二者在客户定位、服务内容、服务目标等各方面的重合度比较高；
2. 当前阶段，工业大模型表现出来的能力，更像是在工业互联网平台的基础上，对数据信息价值的挖掘进一步深入和易用化，服务思路是一致的。

但大模型的成长路径也具有极强的不确定性，因为：

1. 大模型能力具有进化性；
2. 工业大模型市场仍处于产品雏形期，很多能力仍然停留在产品设想与理论实验阶段，尚未进入真正的工业实践。

因此目前急需解决的是产品 - 项目的积累与闭环链路构建，打牢基础后，项目 - 平台及生态才有机会逐步验证。

产品服务架构

大模型落地工业领域的服务框架依然分为基础底座 - 模型及服务 - 模型应用三层。其中，模型及服务是核心，主要提供两大类型的服务：

1. 提供预训练模型，可供其他企业通过调用/部署，提供基础的大模型能力；
2. 提供预训练模型后服务，如辅助微调、提示工程、训练、压缩、优化等，可供模型能力进一步适配与适用。

当前，工业大模型市场的模型应用都是在大模型的基础能力 + 模型的适配与适用的基础上进行定制衍生的。

产品落地模式

目前大模型落地工业时的产品切入角度主要有 5 大类：基础底座、工具、软件服务、硬件产品、硬件赋能。

1. 基础底座与工具：主要由一些基础模型厂商提供，具有较强的头部效应，未来随着大模型能力的提升，有助于赋能软件开发、测试等全流程，以及硬件端的具身智能。
2. 针对具体应用时：以一些工业互联网平台厂商推出为主，但各方尚在探索大模型与自身产品及服务的结合点，产品形态还较为稚嫩，多以基于通用大模型进行微调、RAG 验证后形成自己的大模型，然后依附于已经存在的产品（如工业 APP）上，单独形成具体应用产品的并不多。未来，随着大模型能力稳定性、准确性提升，大模型有望成为新的流量入口，独立成一个新的产品的也并非不可能。

应用场景与挑战

应用场景

目前大模型落地工业主要表现为 3 大特征：

1. 大模型无法保证输出的准确性，故当前有容错能力的场景是各家探索重点；
2. 大模型的应用无法脱离行业 Know-How 的加持，基本是都是通过微调或者 RAG 技术进行调整，故掌握着丰富工业数据、工业机理模型的企业在工业领域将更有优势；
3. 目前还是以分析和预测为主，决策还是非常初级的辅助决策，未来控制和应用决策能力的发展需要充分发挥时序数据（如设备、产线运转数据、监控数据等）、IT 和 OT 数据相结合后的价值，故大模型能力进化与其他类型大模型的成熟变的非常迫切。

主要挑战

大模型落地工业的挑战主要聚焦于模型、数据、应用、商业变现几方面。

1. 针对模型：其根本是模型本身的问题，即存在幻觉、不可解释性、成本高等问题。需要通过持续的技术迭代和约束机制来缓解。
2. 针对数据：更多是数据共享性、数据质量等问题。工业数据往往涉及隐私和安全，打通数据孤岛是难点。
3. 针对落地应用：则关乎决策成本和应用深度等问题。需要确保 AI 建议的可执行性。
4. 针对商业化：则与前面三大挑战息息相关，即模型与数据相互促进，模型进步将推动应用落地，应用的推进能带来更好的商业化变现。

深度思考

竞争要素

基础能力、模型能力、模型应用是主要竞争点：短期看，具有模型技术优势的企业占优，长期看，则是模型应用更深的企业有望后来居上。

大模型落地工业，本质上还是以能解决客户需求为导向。从需求方角度看，客户主要关心两点：结果准确性 + 服务于业务。因此，对于供给方而言，模型技术与业务理解缺一不可，只不过具有不同基因的企业，在基础能力、模型能力、模型应用这三方面所具备的优势不同，但这三方面是大模型落地的主要竞争要素，且不同发展阶段其相对优势也有所不同。

具体而言：从短期来看，工业大模型行业是大模型技术发展带来的，以模型技术推动行业发展为主，此时，具有技术优势的企业将占领先机；从长远来看，技术本身是为行业服务的，故具有行业 Know-How 积累的企业反而能推动行业走的更远，其相对优势将会更加明显。

大小模型关系

工业大模型与工业专用小模型并存，且是协同融合赋能工业应用的关系。

在进行工业应用时，大小模型各有所长，其能力都不可忽视，当前也不存在谁替代谁的情况。大模型落地工业应用时，主要依托于强大的生成能力和针对复杂信息的捕捉与构建能力，因此在知识问答、文本/图片生成等以创造见长的场景应用比较多。而小模型则凭借高性价比、预测结果相对准确等优势，在工业质检、设备维护等场景高度成熟。

整体来看，大小模型融合赋能工业应用是必然。原因主要有二：其一，大模型除了能有效促进小模型推理能力、鲁棒性性能提升外，还能通过调用的形式充分利用小模型，进一步发挥小模型应用的敏捷性；其二，通过小模型归纳总结业务/场景的运转原理后，可帮助供给方预判针对项目设计的大模型行动方案的可行性，进而降低项目时间和金钱成本。

服务平台化趋势

大模型落地工业的服务平台化特征已开始显现，且逐步形成垂直行业大模型 + 智能体 + 小模型 + 机理模型为主的平台化调用方案。

大模型虽然在一定程度上具有泛化能力，但具体到应用时，需要进行微调等操作，其具有很强的定制属性，如何减少重复性工作，甚至减少定制化是各供给方共同探讨的命题。而行业大模型 + 智能体 + 小模型 + 机理模型为主的平台化调用方案似乎成为大部分企业的共同选择。但有两点需要注意：

1. 平台化强调知识沉淀、工具等调用的便捷性，而不拘泥于存储形式/路径；
2. 大模型工业应用时，其演进具有一定阶段性，基本遵从场景 - 垂直细分行业 - 工业领域的路径。

结论

工业大模型正处于从概念验证向实际落地过渡的关键时期。虽然面临模型幻觉、数据壁垒、商业闭环等挑战，但随着基础大模型能力的不断进化以及工业数据资产的进一步沉淀，其在工业场景中的应用潜力巨大。未来，大小模型协同、平台化服务以及垂直领域的深度定制将成为主流发展方向。企业应抓住机遇，结合自身优势，积极探索适合自身的落地路径。