5G与工业互联网融合 - 5G与工业互联网深度融合是扩大5G规模化应用的重要前提，目前应用场景多针对共性需求，与不同行业、企业的个性化需求契合度不够 [1][3] - 面临成本挑战，5G网络建设、设备改造及运营成本较高，对中小企业压力较大，制约大规模推广 [3] - 需求匹配挑战，工业各垂直行业需求碎片化、个性化，未来将在网络设施、技术产品、融合应用等方面演进，推动更广范围、更深程度、更高水平创新发展 [3] 5G-A的发展与影响 - 5G-A是5G向6G发展的关键阶段，仍属于地面范畴，而6G是空天地一体化，能覆盖国内54%网络未覆盖区域 [1] - 5G-A是新兴产业重要技术驱动力，如低空经济在通感一体技术加持下，促进高端技术创新、创造新经济增长点、增进民生福祉 [4] - 5G-A商用一周年为6G发展带来启示，包括技术研发层面频谱资源扩展和智能网络架构、应用场景层面垂直行业融合、产业生态层面协同合作 [5] 6G的发展方向 - 6G将实现真正的万物互联，从5G-A经验看，需注重高频段频谱利用、网络智能化发展、垂直行业深度融合及产业生态协同 [5] - 6G技术发展应以场景需求为导向，挖掘网联汽车、低空经济等领域应用潜力，强化产业协同和标准制定 [5] AI for Industry趋势 - AI for Industry将迅猛发展，与5G-A、工业互联网、算力网络等深度融合，形成"感-传-算-控"一体化智能体系，驱动制造、能源、交通等领域智能化升级 [9] - 应用场景从通信等领跑行业向制造业、能源、交通等更多行业渗透，形成智能质检、网络自优化、供应链预测等标准化解决方案 [9] - 关键问题包括数据质量与安全、算力支撑、行业标准制定、复合型人才培养 [10] 大模型行业应用 - 大模型从"通用泛化"向"领域专精"升级面临数据壁垒、算法精度、场景适配三大挑战 [10] - 数据治理先行，自主研发数据清洗、标注工具，构建全链路数据生产平台，实现高效数据转化 [10] - 算法精度优化，通过多机分布式部署提升推理效率，扩展上下文记忆，完成国产芯片适配 [11] - 生态协同共建，联合产业链上下游在物流、交通、教育等专精领域打造标杆试点应用 [12]

人工智能发展历程 - 人工智能概念可追溯至1950年图灵提出的"图灵测试"，奠定了理论基础 [2] - 大众广泛接触人工智能以2022年11月ChatGPT发布为分水岭，至今仅两年多发展历程 [2] - 大模型时代标志着人工智能进入新阶段，通用人工智能是高阶阶段的标志 [4] 人工智能在工业领域的应用现状 - 人工智能在工业领域应用正由单点突破向系统集成发展，目标是与更多工业系统深度融合 [5] - 当前工业领域呈现大小模型并存局面，小模型处理结构化数据与精确预测，大模型处理复杂非结构化数据 [5] - 人工智能在汽车制造业等智能制造基础扎实的领域表现最佳，成熟度较高 [6] - 大模型在工业领域主流应用集中于智能客服、业务管理等边缘性建议，高阶自动化应用尚在探索 [8] 人工智能赋能制造业的目标 - 提升效率，如排产调度优化 [9] - 改进质检，通过视觉神经网络等技术提高检测效率 [9] - 降低成本，这是工业赋能的核心命题 [9] - 创新驱动，生成式大模型在产品设计、工艺优化等方面提供新思路 [9] - 决策优化，为企业管理层提供更科学、及时的决策支持 [9] 人工智能在工业领域落地的挑战 - 工业场景细分程度高，通用解决方案难以实现，智能体无法充分控制风险 [9] - 工业数据分散于不同系统，格式与标准缺乏统一性，整合难度大 [10] - 定制化人工智能解决方案成本高，投入产出比低，难以形成商业闭环 [10] - 数据治理是主要障碍，涉及数据获取、整合、处理、安全应用及权属界定 [11] - 大模型算法与工业逻辑存在冲突，工业追求决策过程可解释性、可控性和可追溯性 [13] - 生成式大模型无法满足工业级"四个九"或"五个九"的可靠性要求 [13] 人工智能与工业企业的双向对接问题 - 人工智能技术人员缺乏工业领域实践经验，工业专业人员对AI技术理解有限 [15] - 项目制、定制化合作方式制约大模型在工业领域的泛化应用 [15] - AI技术在工业领域价值变现面临不确定性，缺乏成熟商业模式 [17] 人工智能赋能新型工业化的推进策略 - 初级阶段优先在封闭场景采用小模型，开放场景试用大模型 [19] - 进阶阶段构建大小模型协同赋能体系，探索人工智能能力边界 [20] - 高阶阶段目标实现高度智能的"通用智能制造"，通过MOE架构串联大小模型 [21][22] - 工业模型培养需分阶段推进，初阶段优化提示工程，进阶阶段赋予检索增强能力，高阶阶段预训练原生工业大模型 [24] 算力与数据配套发展 - 初阶阶段政府打造区域算力中心，规划城市级算力网络 [24] - 进阶阶段建设高性能算力集群，加速部署市级算力网络 [25] - 高阶阶段扩容升级算力集群，构建核心算力枢纽 [25] - 需汇集各行业结构化与非结构化数据，形成闭环数据飞轮 [26] - 优先在数据基础好、数字化水平高的行业开展试点示范 [26] 企业协同与产业链优势 - 龙头企业应发挥引领示范作用，聚焦行业共性需求 [26] - 中小微企业聚焦场景迭代，参与大模型数据迭代 [27] - 中国拥有完整产业链体系和丰富工业场景，持续迭代数据是未来竞争关键 [27]