AI将逐步打通工业互联网数据难采集、产业协同难和网络安全等关键痛点，促进工业互联进程加速

  2022年中国工业互联产业增加值占GDP比重已达3.64%。工业互联网的关键技术如可复制工业场景、数字孪生、云边协同等不断取得突破，然而仍然面临数据难采集、产业协同难和网络安全等制约。以GPT-3.5为代表的人工智能大模型在预测能力、计算能力、逻辑能力和音视频解决能力上有着飞跃式的突破，该类高性能AI的加入将提升工业互联的安全性和可靠性，逐步提升工业互联网人机协同，重塑数据跟踪和分析的流程，助力于工业大模型的产生，有望让机器拥有“大脑”，加速工业互联进程。

  1、工业AI质检精确率迈上新台阶：据IDC测算，工业质检市场规模至2025年将迅速增加至62亿元，2020-2025年CAGR达28.5%。大模型的图像和音视频解决能力有着非常大突破，将促进AI质检精确率迈上新台阶。随着应用成熟度的提高，拥有领先AI技术应用的AI质检解决方案提供商市场占有率有望持续扩大。

  2、工业视觉AI取得重大突破：在硬件发展渐趋成熟的基础上，AI技术能帮助机器“感知更准确、理解更深刻”，是创造价值的重要切入点。当前快速进展的AIGC技术可以有效解决工业视觉领域AI训练的样本问题，助力工业视觉AI性能重大突破。未来，相关的软件厂商和光学传感器、光学处理芯片和工业视觉解决方案提供商将受益于工业视觉性能突破带来的渗透率的提升。

  3、工业低代码编程性能突破瓶颈：目前AIGC在编程领域已经取得了重大突破，能较为成熟的生成代码和修改代码，将低代码编程的易用性提高了一个维度。这一突破对工业场景意义更为重大，使得大量工程人才可以轻松上手工业程序的编写，有望重塑工业PaaS低代码开发平台。

  4、工业互联网平台渗透率有望提升：工业互联网平台利用实时有效的工业大数据，为深度学习的模型训练提供了优质的训练集和测试集，是AI发展的良好土壤。以GPT系列为代表的高性能AI将全方位赋能数据采集、数据分析挖掘，行业知识库和各类工业软件功能，有望促进工业互联网平台渗透率的提升。

  由工业互联网技术体系可知，以 5G、EC、工业智能、区块链、DT 技术为代表的关 键技术对支撑工业互联网体系架构中功能架构的网络、平台和安全的建设以及实现数据优 化闭环有着极其重要的作用。

  5G 技术是工业实现互联的基础。工业领域中业务场景复杂多样，需要具有海量连 接、低时延的网络连接技术来实现人机物之间的互联互通。5G 作为最新一代蜂窝移动技 术，具有海量连接、高可靠、低时延等特点，是工业互联网实现全面连接的基础，能够应 用于增强型移动宽带（eMBB, enhanced mobile broadband）、大连接物联网（m MTC, massive machine type communication）、超可靠低时延通信（URLLC, ultra reliable low latency communication）三大场景。利用 5G 无线技术、网络切片技术，以及其他与网络技术融合 的 5G+时间敏感网络（TSN, time sensitive network）、5G+云等技术，可有效解决不同工业 场景的多样性需求。

  当前，5G 赋能工业互联网已经得到了落地应用。在生产制造场景下，5G 能够支持 自动导引运输车（AGV, automated guided vehicle）的部署。Siriwardhanad 等将当地 5G 运 营商与移动网络运营商（MNO, mobile network operator）架构相结合，将 AGV 与制导控 制器进行连接，实现低时延并且能够确保数据的安全性。然而当前，5G 与工业互联网的 融合还处于探索阶段，对于工业中硬实时控制的需求还有所欠缺，缺乏针对工业领域的解 决方案。

  边缘计算将计算资源部署在工业现场附近，保障工业互联网响应速度。工业领域的部分控制场景对计算能力的高效性有严格要求，将数据传输到云端进行计算可能会造成巨大的损失，并且，在工业现场中存在大量异构的总线连接，设备之间的通信标准不统一，因此需要将计算资源部署在工业现场附近以满足业务高效实时的需求。边缘计算作为靠近数据源头或者物的网络边缘侧，融合网络、应用核心能力、计算存储的开放平台，有低时延、高效、近端服务、低负载等优点，能够就近提供边缘智能服务，是工业互联网不可或缺的关键性环节。

  当前，主要运营商均推出了一体化边缘解决方案。GSMA联合全球运营商合作构建了电信边缘云平台。中国联通推出了CUC-MEC平台，并设计了EdgePOD一体化边缘解决方案。中国电信也开展了5G+MEC的应用合作创新。然而，虽然EC技术已经广泛应用于工业互联网中，但其仍面临设备接口标准不统一、测试标准不统一的问题，并且在应用过程中还存在许多安全问题。此外EC需要与行业应用、运营商网络进行高效协同，其系统隔离、数据安全能力仍有待进一步提高。

  数字孪生技术是先进制造业的支撑性技术。数字孪生是指充分利用物理模型、传感 器、运行历史等数据，集成多学科、多尺度的仿真过程。它作为虚拟空间中对实体产品的 镜像，反映相对应的实体装备的全生命周期过程，可以基于数字孪生体对物理实体进行仿 真分析和优化，以最优的结果驱动物理世界的运行。进入 21 世纪以来，美国和德国均大力 扶持 Cyber-Physical System（CPS，信息-物理系统）作为其先进制造业的核心支撑技术， 而数字孪生就是 CPS 的典型实践。

  数字孪生的关键在于异构要素的物理融合，新一代信息技术的发展为工业化落地奠定 了基础。数字孪生技术是新一代信息技术与不同领域技术的融合，其关键在于人、机、物 和环境中大量异构要素的融合，在搭建过程中存在运行形态各异、接口与协议异构、不确 定扰动多等诸多挑战。数字孪生技术核心包括物联网技术、大数据技术、多层次精准建模 方法、人工智能和云/边缘协同计算技术等，实现网络化协同控制、虚拟现实以及多层次信 息聚类与融合，为其在工业互联网中的落地奠定了基础。

  据 IDC，工业互联网平台的发展具有四个阶段，第一阶段是定制业务系统，第二阶段 为定制工业 APP，第三阶段抽象出“工业场景平台”，面向工业场景和业务，进一步降低 APP 开发周期。第四阶段为“快速定义业务 APP”阶段，基于“工业场景平台”和低代码 开发平台，由用户快速定义业务 APP。 我们认为，当前工业互联网的发展处于第二阶段和第三阶段的叠加态。向第三阶段和 第四阶段的跃进具有重要意义：1）对供应商而言，最大化交付标准产品和工具，提高平台 复用能力，缩短产品开发周期；2）对企业用户而言，提高 APP 的灵活性，降低开发难 度，低门槛生成适合适配业务的 APP。因此，未来工业互联网平台必然向“工业场景平 台”和“快速定义业务 APP”等标准化产品演进。

  制造发展战略的重要目标是要实现制造的物理世界和信息世界的互联互通和智能化操 作，从而实现智能制造。生产运营管理伴随着数据互通和平台化，从单体系统向一体化集 成+数字孪生体的方向演化。在制造业领域，数字孪生技术能够在一定程度上帮助企业提高生产效率和产 品质量。通过数字孪生技术，企业可以在虚拟环境中进行产品设计和生产流程的优化，减 少实际生产过程中的错误和浪费。由 1.2.1，近年来，物联网、大数据、多领域／多层次／ 参数化实体建模技术、人工智能技术、云／边缘协同计算技术迅速发展，相互交互，相互 融合，为数字孪生发展从各个层面奠定了技术基础，加速推动着数字孪生的落地应用。

  据IDC（互联网数据中心）数据统计，2026年供需联动将推动中国物联网连接规模超百亿，复合增长率约18%。伴随快速增长的工业物联规模，边缘侧的设备、算力、数据等资源配比将快速攀升。以数据为例，出于安全性和效率考虑，据中国网物联国际视野产业平台，未来数字工业超过50%以上数据会在边缘侧产生，同时会出现大量部署在边缘的应用服务。边缘计算将网络、计算、存储、应用集成在边缘侧，满足企业数字化敏捷联接、实时业务、数据优化、应用智能、安全隐私保护等诸多方面需求。云边协同将OT与ICT融合，形成数据驱动的分布式智能控制，其应用具有高实时性，与物理系统的交互具备高安全性，正逐步在工业互联网场景中落地。

  AI 在工业领域落地时间间隔不断缩短，工业互联网领域 AI 应用亦有望快速落地。一 直以来，工业对 AI 可解释性等严苛要求导致技术创新与应用落地错位相对严重。上世纪 60 年代专家系统诞生与 80 年代的工业领域应用间隔近 20 年，统计机器学习的工业领域应 用滞后周期基本在 10 年左右，而深度学习、生成对抗网络等新技术于 2012 年后在通用领 域开展应用，不足 4 年便产生了工业领域探索实例。总体来看，由于人工智能技术可用性增强以及工业信息化水平提升，通用技术的工业落地间隔由 20 年逐步缩短至小于 5 年。加 之工业互联网领域的关键技术如数字孪生等本身就与深度学习密切相关，我们认为，伴随 ChatGPT 带来的通用 AI 大模型突破，工业互联网领域 AI 应用将迎来快速落地和发展。

  生成式人工智能在预测和分析能力上有着飞跃式的突破，将极大的提高控制、分析和 预测的精度。工业互联网接入的一大难点是制造业企业特别是重点领域企业对生产过程的 安全性有着很高的要求，因而对控制、分析和预测精度的要求极高。生成式人工智能在预 测能力上有着飞跃式的突破，对制造装备实时运行优化将产生巨大助力。比如，通过建设 人工智能发动机质检平台，将工业相机的数据通过边缘计算技术分流至云平台，实现了在 统一缺陷图像库下，基于机器视觉发动机质量的协同检测。以单条生产线计算，节省检测 工位 70%，缺陷识别率达到 99.86%，误判率不高于 2%，这意味着当前工业 AI 可靠性可实 现高于人工。

  此外，AI 的进展也将助力于网络安全防御能力提升。网络安全防御的基础之一在于网 络流量的分析识别以及判断，实现网络安全态势感知和威胁监测，并通过安全运维化解和 防御网络攻击。AI 大模型在学习、分析、识别乃至处理上相对于人类具有高效的优势，有 助于提升网络安全防御能力，降低网络安全事件损失，提高工业互联网安全水平。如基于 GPT 的 Microsoft Secure Copilot 可以将原本耗时几小时甚至十几小时的勒索软件事件处理 降至分钟级。

  产业落地方面，三菱电机开发的基于 AI 的数控切割机纠错系统，在动态加工过程中也 能进行智能校正，加工精度可提高 51%。亿迅科技的电子化图纸应用，按任务工序实时推 送图纸，同时加入 AI 技术防止，当 AI 判别有人员行动异常时将自动息屏，及时开启 保护，企业可放心将图纸电子化发放产线，减少纸质图纸的使用，同时图纸泄露风险也得 到了极大的降低。

  人机协同制造，即通过人工智能对生产数据进行分析和预测，实现制造过程的自动感 知、智能分析、自主决策和精准控制，提升机器和机器、系统和系统、机器和系统之间的 高精度、自组织协同能力，逐步推动生产过程向精益化、无人化发展。据鲍劲松《工业智 能：方法与应用》（2022），依托于当前的 AI 技术，可根据生产制造过程建立起马尔科夫决 策过程，并且利用强化学习来使得机器人在与环境交互的过程中提升认知水平，随着当前的 AI 技术大爆发，工业互联网人机协同水平的进一步提高值得期待。比如晶硅光伏电池智 能无人生产线，通过工业网络站点平台对工业机器人、AI 视觉检测系统等高效连接、实时控 制，实现人机协同推动制造柔性升级，在释放作业空间的同时，进一步提高生产效率、缩 短生产周期、降低劳动成本，人均劳产率较同行高出 30%以上。

  对制造业管理者而言，实时了解生产进度是重中之重。在一些比较传统的中小制造企 业车间里，生产流程的记录往往依靠纸质单据或者 Excel 表格，生产信息整体传递滞后。 为了解决这类问题，不少企业开始部署数字化系统，但却存在周期长、成本高等痛点。而 生成式 AI 可以使用自然语言处理和机器学习技术从工业现场的仪表板上，甚至纸质数据和 表格中读取数据（GPT-4 已经具备了识图能力），并快速提取有用的特征和信息。国外的一 位博主进行了这样的尝试，他为 ChatGPT 提供了 Zerynth 仪表板的链接，生成式 AI 立即 就读取了仪表板中的数据和图表，实时提供了正在发生的事情的概览。此外，工业互联网 的数据难点主要在于垂直行业数据积累不足，AI 助力下协同水平、安全性和可靠性得到提 升也有助于工业数据的开放和积累。

  AI 浪潮下工业互联网发展加速是必然趋势，然而 AI 在垂直行业的应用落地，需要结 合行业自身特点，对预训练模型加入到行业自己的数据集进行调整，训练过程中需要行业 数据收集，模型调整以及行业特点训练。工业互联网各环节产品 AI 化难度不尽相同，因此 应用端落地时间具有也较大差异。我们认为，工业 AI 质检、工业视觉、低代码编程和工 业网络站点平台将会是率先受益的环节。

  大模型在图像和音视频处理方面进展迅速，工业质检迈上新台阶。AI 赋能的工业质检 是利用基于深度学习等 Al 技术的视觉检测技术，在工业生产过程中，对产品图像进行视觉 检测，从而帮助发现和消除缺陷。IDC 认为在 2021 年“工业质检解决方案市场实现了规 模化复制、加速发展”。目前，以 GPT 为代表的大模型在视觉和图像处理方面进展迅速， 如 GPT-4 具备直接读取图像信息、理解图像信息和完善图像信息的功能，各大模型在视频 理解方面也取得了极大进展，如阿里的视频 AI 服务可以对音视频进行识别、分析和理解。 随着 AI 能力的提升，AI 赋能的工业质检在准确性方面迈上了新的台阶。

  （本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）返回搜狐，查看更加多