01
引言
必须得说，从当前的技术演进来看，以ChatGPT为代表的预训练大模型，确实掀起了一轮新的范式革命。自主学习、跨模态理解、推理抽象思维，甚至还展现出对人类社会的理解力——这些能力叠加在一起，正在成为驱动科技跨越、产业升级和生产力跃升的核心引擎。而随着生成式AI技术的可用性不断提高，加上工业信息化水平的持续提升，通用AI真正落地工业场景的时间间隔，正在肉眼可见地缩短。这条路径，也为工业软件领域的自主创新，打开了一扇新的门。
02
我国工业软件发展现状
工业软件，说白了是什么？它是工业知识的计算机代码化表达，是工业领域长期沉淀的知識、经验和技能，经过数学化、工程化、再到代码化这条路径固化出来的产物。它贯穿产品的研发设计、生产制造、经营管理和运维服务等全生命周期，特点也很明显：细分种类多、功能差异大、行业壁垒高、用户粘性强——想替换，没那么容易。
从现状来看，我国工业软件的门类还算齐全，市场也一直在快速增长。根据工信部的统计数据，2021年我国工业软件市场规模达到2414亿元，同比增长24.8%。而且趋势很明确，未来五年仍将以两位数幅度增长，市场规模有望在2026年突破4300亿元。潜力是有的，但短板也扎眼。总体上，国产工业软件的市场占有率低得可怜，与国外差距明显。具体来说，主要集中在四个问题：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的缺失。
值得注意的是，云计算、大数据、人工智能这些新技术，正在重塑工业软件的形态。相比传统工业软件，新一代的软件采用了工业互联网平台架构，依托工业基础软件，以数据要素为驱动，通过低代码工具和应用开发平台进行定制化开发，并以云化和服务化的方式部署。它们在原来的工业知识软件化基础上，增加了一个关键能力：对工业大数据的处理与智能化分析。这样一来，解决复杂工业系统的建模、控制与优化难题，终于有了可能性。这，就是工业互联网时代的新型生产工具。
03
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
随着技术跃迁式的发展，生成式AI与工业的融合正在加速。它给工业软件的创新，提供了一条看得见的实现路径。大模型的三大核心能力——自动识别、模型优化、推理决策——完全可以覆盖研发设计、生产制造、经营管理和运维服务的全链条。具体怎么赋能，可以参考图1。
拿研发设计来说，借助云计算和大数据，大模型能自动生成或优化设计方案，大幅提升EDA、CAD、CAE等软件的设计效率和精度。举个例子，Cadence推出的Allegro X AI technology，利用生成式AI简化系统设计，PCB设计的周转时间直接缩短到原来的十分之一。再比如大模型赋能的创成式设计，能够让3D CAD的设计实现自主优化，Siemens Solid Edge、PTC Creo这些主流CAD的效率也跟着上了一层楼。
生产制造环节也在发生变革。通过自然语言处理和计算机视觉等算法，大模型让人类和机器之间实现了更自然的交互与协作。西门子的工业自动化软件SIMATIC IT引入了ChatGPT，操作人员可以直接用自然语言和系统对话。西门子和微软还在合作开发可编程逻辑控制器（PLC）的代码生成工具——简单来说，你用自然语言输入需求，它就能帮你生成PLC代码。
经营管理方面，大模型通过迁移学习和模型微调，可以快速掌握垂直领域的知识，提升ERP、CRM、SCM等软件的管理效率。微软推出的Dynamics 365 Copilot和Microsoft 365 Copilot，就是典型的例子——用户在这些经营管理软件上的工作效率明显提升。而且，它的应用场景未来会扩展到供应链管理、客户服务和市场营销等方向。国内也不甘落后，第四范式上线了企业级产品4Paradigm SageGPT，将大模型与垂直领域专业知识融合，具备了企业级场景下的多模态与Copilot能力。旷世科技则布局了基于视觉大模型的供应链智能管理，探索从“感知-决策-执行-反馈”全链条优化的仓储物流方案。
最后说运维服务。大模型能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这类软件的性能。美国明星创业公司Uptake已经将AI引入设备预测性维护，效果不错。国内的容知日新也在开展基于AI的工业设备状态监测与故障诊断研究，打造了基于数据、算法和算力管理的PHM引擎，智能运维能力明显提升。
3.2 大模型的工业应用挑战
虽然前景广阔，国内外科技巨头和工业软件企业也已经开始布局，但坦率地说，目前的应用还比较浅——主要是调用大模型的基础能力，做一些辅助操作。真正要赋能工业软件的核心环节，比如研发设计，还面临三方面的挑战：技术、数据和产业。
技术上，国内在大模型领域的基础技术储备还显不足。通用大模型的性能有待提升，而面向工业领域的垂直大模型，更是需要从零构建。同时，大模型的训练部署对算力、存储、数据等基础设施有很高要求。而传统工业软件大多跑在本地，计算和存储能力有限，更新迭代慢，这让生成式AI在研发设计、工业仿真、低代码开发这些业务场景中的落地，变得困难重重。
数据这块，问题就更复杂了。我国工业领域的数据体量巨大、实时性高，但存储成本大、价值密度低。数据源的异构性强，数据孤岛现象严重，工业数据的开放程度也不高。各种设备和工序之间各自为政，数据流通缺少统一标准。说白了，当前工业场景的数据量，对深度学习来说依然算小规模，必须把全行业的数据汇聚、对齐、训练起来，才能形成真正面向工业软件的行业大模型。
产业层面的挑战同样不容忽视。大模型在工业的应用还处在探索阶段。供给侧，需要高昂的资金和人才投入。我国工业软件企业整体实力并不强，现在还停留在弥补基础短板的阶段，复合型技术人才更是稀缺。需求侧呢？当前大模型对知识原理的理解有限，做不到答案完全可控与准确。但工业领域恰恰对安全可靠性要求极高，所以目前大模型真正可落地的应用场景，还比较有限。
04
基于大模型的工业软件技术创新路径
前面也提到了，大模型在工业软件领域的应用空间很广，但现阶段主要还是调用通用能力来提供基础服务。基于生成式AI的工业软件技术架构，可以看图2。为了提升大模型在工业机理上的应用深度，推动两者深度融合，有四个方向值得重点布局。
1）构建工业软件云。大模型的算力门槛有多高，大家心里都有数。传统工业软件跑在本地，算力和存储有限，更新也慢，严重制约了大模型的应用。工业软件一旦云化部署，就能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，可以满足大模型训练部署对基础设施的需求，降低开发和应用的成本。只有这样，基于生成式AI的研发设计、工业仿真、低代码开发的业务场景才能真正落地。而且，散落各处的业务数据汇聚到云上之后，大模型可以持续优化迭代，产品的差异化竞争力会得到有效提升。
2）建设工业大脑。过去工业领域的AI应用，往往是“碎片化”、“作坊式”的，成本高、效率低。现在要做的是，基于基础大模型底座，汇聚海量行业数据，通过模型微调、蒸馏等方法，形成面向各个领域的行业大、中、小模型。这样，工业知识和专家经验才能真正沉淀下来，构建出具有深度认知能力的“工业大脑”。通过大小模型协同，就能快速、高效地开发面向特定行业场景的各类工业软件和应用APP，让工业软件真正“智能化”起来。
3）构建“SaaS+低代码”的工业软件应用生态。工业SaaS的思路，是把传统架构的工业软件分解成统一接口、灵活可配置的应用。通过封装通用的行业知识、经验组件、算法和原理模型，以低代码方式构建上层工业APP。而大模型的代码生成能力跨越式进步，恰恰有望重塑工业PaaS低代码开发平台。可以想象，未来随着生成式AI在代码生成方面的逐步成熟，可能会实现零代码研发设计和生产优化，工业软件的应用创建能力将大幅提升，开发成本也会显著降低。
4）推动工业软件开发新生态。从技术趋势看，设计、制造、仿真的一体化趋势正在推动工业软件走向“超融合”。基于超融合平台，可以把AI模型开发、训练、调优、运营这些复杂过程封装起来，为企业提供低门槛、高效率的服务。从开发模式来看，多主体协作的趋势在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，正在助力工业软件的开发。想象一下，用AI技术生成需求文档、功能规格说明书、代码、测试用例甚至测试脚本，真正实现持续交付，推动软件工程3.0的发展——这可不是空想，而是模型驱动开发、数据驱动开发和AI原生开发的未来方向。
05
发展建议
把大模型的应用深度提上去，让生成式AI和工业软件真正融合起来，需要从顶层布局到具体落地，多管齐下。
1）全面规划工业软件创新发展的顶层战略。应该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的发展目标、重点任务和关键举措，培育一批重点技术攻关项目。核心是聚焦通用人工智能和工业软件的融合创新，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，培育一批有成效的“AI+工业应用”平台。同时，部署重点行业工业软件应用的先试先行和试点示范工程，用实践来推动。
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。通过共享算力和数据，能有效降低开发和应用的成本。把散落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，产品的差异化竞争力自然会提升。另一方面，需要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和方法，开发对应的评测工具集，建立公平高效的自适应评测机制，从而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。
3）逐步形成大模型赋能工业软件的数据应用机制。第一，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。第二，建立工业软件数据交换共享机制，让行业数据能够对白名单内的企业、机构、高校适当开放。在确保数据安全的同时，增强工业软件领域大模型的研究实力。第三，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、规范性和合法性。
4）积极推动工业软件自主创新生态建设。首先，可以依托北京市工业软件产业创新中心这类载体，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的力量，在技术创新、场景应用和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。其次，加强复合型人才培养。鼓励科研院所、高校和企业开展合作，建立“产、学、研、用”综合实践应用平台和人才实训基地，培养一批高端工业软件人才。最后，聚焦重点行业的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的工业软件示范应用，最终推动人工智能技术与产业的快速发展，助力工业经济的高质量成长。
06
结束语
抢抓新一代信息技术的机遇，推动我国工业软件的自主创新，是解决“卡脖子”问题的一条重要路径。生成式人工智能在提升工业软件的研发设计、生产维护效率方面已经取得了一定进展，但要与工业机理实现深度融合，依然挑战重重。从长远看，需要系统布局基于大模型的工业软件技术和应用体系，持续推进技术创新、场景应用和产业发展。只有这样，才能在新一轮科技革命和产业变革中抓住主动，推动人工智能技术与产业快速发展，最终实现工业经济的高质量发展。