大模型是当前全球数字经济发展的热点和趋势，也是人工智能重要的核心技术。本文旨在探索大模型与国产工业软件的结合及其落地实现方式。探讨了工业大模型的概念及其在工业软件中的应用场景。以武汉开目信息技术股份有限公司自研的基于大模型的工艺自动生成系统为例，阐述了AI大模型在相关工业软件中的应用场景、技术难点及其解决方案。通过对大模型的研究，本文为大模型与工业软件的深度融合提供了新的视角和应用落地的思路。

1 引言

       随着人工智能（Artificial Intelligence，AI）技术的兴起，大模型成为从信息化走向数智化的重要驱动力。2023年，大模型技术进入快速发展阶段，以ChatGPT为代表的通用人工智能大模型在全球掀起了新一轮人工智能产业发展的热潮，大模型、人工智能内容生成AIGC（Artificial Intelligence Generated Content，AIGC）在短时间里经历了三次大的发展^[1]。第一次是以GPT为代表的大模型的出现，形成了生成式人工智能发展的重要基础。第二次是应用层的快速创新，以生产力场景作为承载对象，使智能化从单纯的生成式Chat对话，向着Work的方向转化。第三次则是深度业务场景的应用，“AI+行业应用”的深度融合，使得用户在各种实际业务场景中大幅提升效率，达到降本增效的目的。

       工业软件是工业企业数智化转型升级的重要工具，也是我国智能制造的重要基础和核心支撑。随着美国科技制裁不断，工业软件关键技术“卡脖子”问题突出，国产工业软件对国外工业软件的逐步替代将成为长期趋势，且替代空间很大。国家高度重视国产工业软件的发展，从政策引导、税收优惠、到明确提出要发挥举国体制优先攻克关键领域“卡脖子”技术，国家政策的扶持为国产工业软件的长期发展提供了强大支撑。2015年，国务院发布《中国制造2025》，将智能制造作为主攻方向，智能制造成为我国制造业转型升级的关键。数字化制造是智能制造的基础，智能制造的发展，必然依赖于工业软件的发展^[2][3]。

       预训练大模型的出现，为当前AI领域在工业软件上的突破应用提供了新的思路，让各行各业看到了AI技术在工业软件上大规模普惠落地的可能。在国家政策的推动与市场的重视下，工业软件迎来了转型升级的发展机遇。如利用AI赋能工业软件，在关键生产环节带来质量提升与成本效益。通过人工智能技术，AI的应用可贯穿于设计、生产、管理和服务等制造业的各个环节^[4]。为此，本文探讨了大模型在工业软件中的相关应用场景，以武汉开目信息技术股份有限公司（以下简称武汉开目）自研的工艺自动生成系统为案例，为大模型在工业软件中的落地提供思路。

2 大模型技术在工业软件中的应用需求

       2.1 国产工业软件现状

       作为智能化时代制造业的重要组成部分，工业软件为制造业转型升级、智能化发展提供了有力支持。中国早已是世界第一大工业国，构建了完备的产业链体系，正在从制造大国转变为制造强国，工业软件应用范围和深度在不断扩大。然而，在工业软件领域国产化方面，仍有较为突出的盲点与缺憾。

       20世纪50年代，欧美工业软件巨头开始了工业软件研发之路，到九十年代，伴随Windows系统的兴起，国外工业软件进入高速增长阶段，几大巨头纷纷转型升级，并在一系列并购之后，形成了CAx一体化系统，占据了世界工业软件产业核心位置。而国产工业软件起步较晚，核心技术掌握不足，在性能上相比国外主流产品仍有较大差距，主流软件市场仍由国外软件主导；而且在高端软件上，长期依赖国外，尤其软件创新方面，工业软件的供给和知识产权保护，都存在很多短板。其中，研发设计类的CAD、EDA、CAE等高端工业软件领域技术壁垒高，短板最为明显。

       2.2 工业软件也要“弯道超车”

       随着算力的快速提升，以大模型为代表的人工智能技术，作为第四次科技革命，将带来工业领域新的变化，并重构整个行业的生态。习近平总书记曾深刻指出，“人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题”。大量的中国企业已经在金融、教育、医疗、能源、汽车等行业尝试部署大模型和生成式AI^[5]-[7]。在诸多参与者中，涵盖了能源、电力、化工、汽车、制造等细分行业的工业领域，也被认为是将被大模型带来巨大变革的重要板块。AI和大模型技术的发展以及与工业软件的结合，必将重塑工业软件的技术形态和产业格局，这对我国的工业软件发展既是严峻的挑战，也是弯道超车的机遇。

3 工业大模型技术在工业软件中的应用场景

       3.1 工业大模型

       人工智能大模型正成为各行各业前沿领域研究的重要工具，大模型向B端，尤其是面向工业领域的应用已成为行业共识。目前，大模型呈现出以基础大模型为技术底座，工业应用为切入点的发展趋势，工业大模型概念应运而生。基础大模型（Foundation Model）通过提升模型的参数量和结构通用性，融合和表达更多领域知识和模态知识，形成全知全能的通用模型。而工业大模型依托基础大模型的结构和知识，融合工业细分行业的数据和专家经验，形成垂直化、场景化、专业化的应用模型。工业大模型相对基础大模型具有参数量少、专业度高、落地性强等优势，可以为工业垂直领域的技术突破、产品创新、生产变革等提供低成本解决方案。

       3.2 工业大模型在工业软件中的应用场景

       工业领域各种细分场景众多，涉及研发设计、生产制造、售后运维等诸多环节，细碎且复杂。因此，可按照全生命周期维度，划分为前端的研发与设计，中端的生产与制造，后端的售后与运维。本文初步提出以下工业大模型在不同阶段的潜在应用场景。

       （1）研发与设计应用场景

       在前端的研发环节，大模型能够从微观层面探究产品的构型和机理，并通过大模型的涌现能力生成具有新结构、新特性的产品。例如在药物研发领域，人工智能大模型可以通过分析大量的已知药物分子数据，从中找出最优的药物候选，并生成一个新的药物分子设计方案，从而大幅缩短药物研发的时间和成本，提高药物研发的成功率。

       在设计环节，大模型通过学习企业沉淀的方案库，可以快速匹配最合适的方案满足客户新的需求；进一步的，还可以利用大模型将二维CAD图纸自动转化为三维CAD图纸，解决设计环节中的大量重复性工作问题。更进一步，大模型可以生成创新性的产品设计方案，经过大量需求与设计方案之间的潜在逻辑关系的学习，直接针对新需求生成合适的设计方案，从而更好地辅助技术人员快速将设计构思和意图转化为具体实施方案。

       不仅如此，大模型还可以利用自身的生成能力提供符合设计需求的虚拟化仿真测试场景/环境，解决工业产品设计中测试数据量少、测试环境单一等问题，提升产品的可靠性。

       （2）生产与制造应用场景

       在中间端的生产制造环节，利用大模型的识别与生成能力，可以帮助企业在工业场景中基于视觉、传感器等数据自动进行产品瑕疵分析与检测。通过传感器收集设备运行数据，大模型还可预测可能的故障和维护需求。这种预测性维护有助于提前识别潜在问题，避免设备停机和生产中断。

       在大型现代化产线中，需要对多个关键节点进行智能化调度和控制。大模型可以通过分析多样化的历史数据，更好地理解诸如生产需求、资源可用性、任务优先级等工业调度任务中的复杂关系，从而优化各节点的任务分配和调度，提高生产效率和灵活性。

       （3）售后与运维应用场景

       在后端的运维环节，大模型可以通过自身强大的推理能力实现对生产过程中各类数据的分析、预测，从而提升智能化运维水平，完善生产管理机制。例如使用大模型对库存进行预测，并根据销售速度和库存周转率等因素制定补货策略，有助于及时补充库存，避免库存短缺影响销售，同时避免过度补货造成库存积压和资金占用的问题。大模型还可以接入企业客服、售后（维保）服务、精准营销等售后环节提供多种工作支持，从而帮助企业满足不同用户需求的定制化售后服务，提升客户忠诚度和用户成长，降低企业的人力成本和时间成本，提高企业运行效率。

4 AI大模型在工业软件中的应用探索实例

       4.1 基于大模型的工艺自动生成系统应用场景分析

       在拥抱AI大模型方面，武汉开目也正在积极探索可行的应用场景。例如目前正在研发的AI工艺自动生成系统，解决了基于规则的CAPP系统具有的一些传统专家系统固有的弊病：

       ●开发与维护成本高。构建专家系统的关键是获取及编码专家知识，这一过程通常需要大量的时间和精力。此外，系统的维护也需要持续更新知识库和规则，以确保系统的有效性和准确性。

       ●灵活性差。当环境或问题发生变化时，专家系统的适应性会下降。工艺的多样性和多变性让工艺知识的采集和维护成为专家系统应用瓶颈。

       ●规则冲突。规则构建依赖专家经验，不同专家可能对同一个问题有不同的看法，导致在知识库中引入了互相冲突的规则，使得系统无法做出明确的决策。某些复杂问题本身有多个解，且这些解可能相互冲突。

       ●规则缺失。由于时间、资源和技术限制，系统中存储的规则数量有限，无法涵盖所有潜在的决策情况。

       4.2 基于大模型的工艺自动生成系统技术难点

       大模型的广泛应用，为新一代的智能化工艺设计系统提供了技术思路。大模型和知识库的结合，可实现真正意义上的智能化工艺设计，但在工艺规划内容的生成方面，仍面临如下技术瓶颈。

       ●工艺规划精度要求高。工艺规划内容的生成与一般的智能问答、泛娱乐应用有着本质区别，前者要求生成的内容精确、具有强专业性的特点；后者却有着更大的容错率。前者须讲究对错，后者只讲究好坏。这种情况对大模型提出了更高的要求。

       ●设计模型噪音特征多。工艺规划的输入是CAD设计模型，但设计模型通常包含大量的设计特征、几何信息、属性信息、标注信息等，这些信息需要进行处理以避免大模型推理的过拟合，影响模型的泛化能力。

       ●工艺规划先验知识杂。在工艺规划中，包含大量严谨的先验知识如工艺规范、数据表格、计算规则等，这样的知识难以通过样本学习的方式获得，需要以结构化形式进行知识注入，采用特定的算法工具进行精确计算和推理。

       ●工艺生成训练样本少。工艺规划与企业具体产品类型强相关，但在企业中，同类产品或零件的工艺样本数量有限，不能满足大模型进行训练的数量需要，目前只能进行“少样本学习”。

       4.3 基于大模型的工艺自动生成系统解决方案

       为了结合传统技术与大模型的各自优势，扬长避短，我们采用不同的技术进行组合，设计了一套由特征/文档预处理模块，工序序列生成模块和工序序列填充模块组成的自动化工艺生成系统。

       ●特征处理模块：针对噪音特征多的问题。对于工艺设计专家而言，哪些特征影响工艺流程的生成比较明确。因此，特征处理模块提供了通用性的特征基础模板，同时支持用户自定义特征属性和计算方法。支持从CAD设计模型中提取和计算仅影响工艺流程的特征，再作为模型的后续输入。

       ●文档处理模块：不同企业的工艺文档不论是结构还是叙述习惯均有较大差异。文档处理模块可以将工艺文档结构解析为统一的格式，然后基于工业领域语料库，训练垂直领域大模型用于解析工序步骤中实际的加工动作，将这些加工动作处理为规范化的描述。为了解决先验知识杂乱与精度要求高的问题，我们认为大模型学习应关注工艺流程中重要且稳定的部分，例如加工阶段/加工部位等信息，而忽略具体的加工余量/加工精度等数值细节。最终输出每个文档对应的工艺骨架序列。

       ●工序生成模块：为了在小样本情况下能够学习到特征与工序之间的关系，我们基于同一企业同类零件的加工方法基本类似的先验准则，使用启发式算法合并上一模块输出的所有序列为一个最短超序列，此时所有同类零件的工序可以看作是该超序列的一个子集。将工序生成问题由开放式的生成问题收束为超序列中的每一个工序是否出现的0/1判别问题。传统的决策树算法能够在小样本情况下很好地解决此类问题。

       ●工序填充模块：经过上述模块处理，我们获得了目标零件的一个加工动作序列，此时该序列中还不包含各种加工要求等数值细节，因为这部分不属于大模型擅长内容。而当确定了零件特征以及所需的加工动作时，基于知识的工艺设计系统(KMCAPP)可以很好地自动化推理并填充这些细节。最后输出符合要求的目标工艺。

5 结论

       AI是当今科技领域的热点，大模型与工业软件的相互融合，推动了制造模式的革新，为企业数字化、智能化转型提供了强大的技术支持和优化方案。本文主要探讨了大模型在工业软件中的应用需求，分析了大模型在工业软件中的应用场景包括工业领域大模型、设计与研发、生产与制造、售后与运维等。最后，以武汉开目自研的工艺自动生成系统为案例，分析了大模型在工业软件中的应用场景、技术难点及解决方案。为了充分发挥AI在工业软件中的应用潜力，未来应加强相关技术研究和创新，对工业软件进行全智能化的融合升级，提高大模型的自适应、自学习、自重构、自进化、自维护能力，快速适配生产需求，为AI大模型在工业软件中的应用带来更多的机遇和可能性。

[参考文献] 

       [1]《大模型落地应用案例集2023》, 中国信息通信研究院华东分院, 2024.01.
       [2]周济.智能制造——“中国制造2025”的主攻方向[J].中国机械工程,2015,26(17):2273-2284.
       [3]柴天佑. 工业人工智能与工业互联网协同实现生产过程智能化及其未来展望[J].控制工程, 2023, 30(8):1378-1388.
       [4]王亚珅，葛悦涛，鞠卓亚，等. 2023年深度学习技术主要发展动向分析［J］.无人系统技术，2024，7（1）：50-58.
       [5]桑基韬，于剑. 从ChatGPT看AI未来趋势和挑战[J].计算机研究与发展，2023,6（16）：1191-1201.
       [6]邬贺铨. 大模型融入云平台，信息化走向数智化[J]. 重庆邮电大学学报（自然科学版）, 2024, 36(1):1-8.
       [7]詹希旎，李白杨，孙建军.数智融合环境下AIGC的场景化应用与发展机遇[J]. 图书情报知识，2023，40（1）：75-85，55.