北京航空航天大学、深圳蚂蚁工场科技有限公司：2025工业大模型白皮书

总策划撰写团队：仝晓萌宁方伟宗意凯牛帅李子瑞赵旭文曲虹全刘青华李云峰内容审定发布日期：20253 工业大模型的核心术语界 工业大模 工业任务/行业模型适 工业数据制 工业基座模型训 工业场景交互应 工业大模型的特 数据维 模型架 应用范 工业大模型的分类体 基于技术架构的分类体 基于应用场景的分类体 基于数据模态的分类体 基于功能定位的分类体 分类体系的交叉与融 与传统模型的对比分 数据治理维度对 模型能力维度对 应用范式维度对 实施成本维度对 技术挑战对 工业大模型技术体系概 工业大模型技术体系架 工业大模型的关键组 工业大模型的技术标 工业大模型开发关键技 数据采集与处 大规模预训练技 模型微调与优 模型部署与运 模型安 模型评 工业大模型应用关键技 提示词工 检索增 知识图 大模型与小模型协 MOE与多模态融 AI 工业大模型技术与应用当前问 数据采集与质量问 模型幻觉问 可解释性问 模型应用成本与效益平 数据安全与隐私保护问 工业大模型技术未来展 工业大模型产品系统结 产品架构设 产品功能模 产品接口设 工业大模型产品技术路 技术路线的选择依 技术路线的主要方 技术路线的优化策 工业大模型产品商业模 产品的商业模式类 产品的盈利模式分 工业大模型产品未来展 产品创新方向（生态化服务框架 市场竞争格 潜在市场机 工业大模型应用重点领 高端装备领 智能制造领 新能源汽车领 航空航天领 高端新材料领 工业大模型应用主要场 研发设计辅助场 生产过程优化场 产品质量检测场 设备预测性维护场 工业大模型应用当前问 数据收集与清 技术与业务融 模型幻觉与可解释 模型应用成本与效益平 工业大模型应用风险应 数据安全与隐私风 法律遵从与伦理风 精度与应用失败风 工业大模型应用未来展 应用场景的拓 应用效果的提 应用模式的创 企业专属工业大模型实施导 总体框 关键步 风险管 企业专属工业大模型应用开发实 需求分析与场景定 数据采集与处 模型开发与训 工具选型与应 系统集成与测 持续优化与迭 企业专属工业大模型产品应用实 产品部署规划与执 产品使用培训与指 产品效果监测与评 企业专属工业大模型技术服务实 工技术服务的内 技术服务的流 技术服务的优 工业大模型产业发展概 产业发展的市场机 产业发展面临的挑 全球产业布局与预 中国产业布局特 国内工业大模型产业链图 产业链的上游环节与供应 产业链的中游环节与开发 产业链的下游环节与应用 全球工业大模型产业未来展 全球产业的发展趋 全球市场容量预 全球产业的竞争态 全球产业的合作机 人才需求分 人才需求现状与趋势（人才缺口 关键岗位与能力要 人才培养策 加快学历教 加强职业培 建立激励机 总 主要结 主要不 思 未来研究方 未来应用方 未来政策建 ，推动经济迈向高质量发展阶段，具有不可估量的深远价值。在工业5.0时代1.1跨行业共性需求（如工艺流程优化）;1.2制造行业（汽车制造、电路制造、电子产品制造等工业场景交互应用是工业大模型构建的最后一个阶段。这一阶段主要关注工业大模型在实际工业场景中的应用，包括与工业硬件设备、操作人员、其他工业软件系统等的交互。例如在生产制造场景中，工业大模型可能需要与生产线上的机器人、C（可编程逻辑控制器）等设备进行交互，为生产操作提供决策支持、故障诊断等服务。1.6时序数据：传感器采集的振动、温度、压力等物理量，具有毫秒级采样频率空间数据：三维点云、CAD边缘-云协同：5ms1.7技术特征多物理场耦合仿真加速（CFD/FEM计算速度提升材料基因工程（预测新型合金性能参数误差降低工艺参数智能推荐（减少试错实验次数工艺参数时序（温度、压力等多光谱融合：整合可见光、红外、X增量式更新100MB冷启动困境：新设备/3个月数多模态融合：同时处理时序信息、高分辨率检测图像、工艺文档等多源数据。小样本适应：通过预训练实现零样本迁移，某半导体缺陷检测模型仅需90%动态校准：在线学习机制使模型每月数据需求降低，以适应产线的快速换型。对比差异5-860%，架构局限：多为单任务专用模型（SVM用于故障分类、CNN用于视觉推理能力：线性决策边界导致复杂工况下准确率骤降（CNC机床诊断模F1-score32%）知识固化15天多任务统一：单模型支持质量检测、设备预测、工艺优化等多种任务，参持续进化：联邦学习框架支持跨工厂知识共享，某装备联盟模型每月自动2次性能提升3-5倍，复60%。响应延迟200ms0.5%的漏人机交互22%自主优化7230自然交互：支持语音/文本多模态交互，例如维修工程师通过AR眼镜获取开发成本：需定制化特征工程与模型调参，某汽车厂开发视觉检测系统耗6个月部署成本：专用硬件投入占比高（GPU40%）迁移成本：预训练模型微调周期缩短80%，例如某家电企业新产线部署仅2周硬件复用：支持云边端协同部署，某化工厂利用既有服务器节省60%硬件持续价值3-5倍，例如某飞机制造商模型590%准确率无法突破"维度灾难知识迁移成本高（跨工序模型重建需大量重复工作多模态对齐的数学理论空白（15-20%）2.1这些需求，高性能计算集群（HPC）成为不可或缺的基础设施。HPC通过集成大量计算节点，能够以并行化的方式快速处理大规模数据。此外，（图形处理单元）和TPU（张量处理单元）在工业大模型中也扮演着重要角色。GPUTPU则以其在在工业机器人控制场景中，TPU可以实时处理机器人的视觉数据并生成控制指数据存储与管理是基础设施层的重要组成部分。工业大模型需要处理的数据类型多样且规模庞大，包括结构化数据（如生产参数、设备日志）和非结构化数据（如图像、视频、文本等。为了高效存储和管理这些数据，分布式存储系统被广泛应用。分布式存储通过将数据分散存储在多个节点上，不仅提升了存储容量，还增强了数据的可靠性和访问速度。同时，大容量数据库（数据库）能够快速存取非结构化数据，为工业大模型提供了高效的数据支持。此外，向量数据库的引入进一步提升了多模态数据的管理能力。向量数据库能够通过向量化技术对数据进行高效索引和检索，例如在工业视觉检测中，向量数据库可以快速匹配图像特征，从而实现实时缺陷检测。这些数据存储技术的结合，确保了数据的完整性、安全性和可用性，为工业大模型的高效运行提供了坚实保障。设备监控场景中，5G网络可以将设备的运行状态实时传输到云端，由大模型进时性要求较高的场景中（如工业机器人控制、设备故障检测等多模态预训练模型是基座层的核心组件之一。工业场景中，数据来源极为多样，包括文本（如设备日志、技术文档、图像（如产品外观检测、设备监控画面、语音（如设备报警音频）以及其他传感器数据（如温度、压力、振动等。传统单模态模型往往难以全面理解和融合这些异构数据，而多模态预训练模型通过对不同模态数据的联合建模，构建了一个具有通用能力的模型框架。例如，在智能制造场景中，多模态模型可以同时分析设备运行日志、监控画面和报警音频，从而更全面地诊断设备故障并提出优化建议。此外，多模态预训练模型还能够通过跨模态学习，挖掘不同数据模态之间的潜在关联。例如，在质量检测中，模型可以将图像数据与文本描述（如检测标准）进行联合分析，从而实现更高精度的质量评估。这种多模态能力使得工业大模型能够适应从设备管理到生产优化的多样化场景。，节点上，提升存储容量和可靠性。同时，大容量数据库（NoSQL数据库）和型的任务表现力。此外，模型优化工具是模型组件的重要组成部分，包括模型蒸交互方面，工业智能体（AIAgent）通过结合物联网和边缘计算技术，实现对以中国通信标准化协会（CA）发布的《面向行业的大规模预训练模型8（T/CA561.8-2024）为例，该标准从模型能力和场景适配两个维度对工业大模型提出了明确要求。在模型能力方面，标准重点评估工业大模型在工业质量检测、对话指令理解、故障诊断分析和生产资源调度等任务中的适用性。例如，在工业质量检测中，模型需精准识别产品缺陷，如在电子元件生产中识别表面划痕或尺寸偏差，保障产品质量。在对话指令理解方面，模型应准确解析复杂生产指令，例如在钢铁冶炼中，针对“根据当前温度和炉内压力调整原料投放比例”的指令，模型需快速理解并生成具体操作步骤。在故障诊断分析方面，模型需快速定位设备故障原因，例如在化工设备振动异常时，通过分析运行数据判断是管道堵塞、部件磨损还是其他故障，并提供解AI技术在工业领域的应用。2.2合也是关键步骤，将文本、图像、3D模型、点云等异构数据统一到一个语料让模型学习文本数据中的语言模式和语义信息；图像-文本对比学习则帮助模对齐和生成能力，如从文本生成3D模型或从点云数据生成工艺流程，为工业智要手段。通过监测模型的准确率、召回率、推理速度等指标，以及服务器的CPU使用率、内存占用等系统资源指标，可以及时发现异常情况。当模型准确质量标准，提出一种在降低10%能耗的同时，将产能提高20%，并确保产品次品率降低5%的创新性工艺流程改进方案”。2.32.4的准确率提升了15%-20%，有效提高了设备维护的效率和质量。题导致了振动故障，为维修人员提供精准的故障定位信息。正如图2.5所示，2.52.6的生产效率提升了25%-30%，同时降低了约15%的计算资源消耗，实现了MOEMOE（MixtureofExerts，专家混合）技术和多模态融合是工业大模型应对复杂任务的关键技术。MOE技术通过引入多个专家模块，根据输入特征选择最适配的专家模块进行推理，从而有效提升模型的计算效率和任务适配能力。在工业场景中，不同任务涉及不同的数据模态，如文本、图像、视频和时间序列数据等。通过MOE技术，可以动态选择最适合当前任务的专家模块，避免全模型计算带来的资源浪费。例如，在产品外观检测任务中，MOE技术能够选择擅长图像分析的专家模块进行处理；而在设备运行状态监测中，处理时间序列数据时，则选择对应的专家模块进行分析，从而提高任务处理的准确性和效率。如图2.7所示，MOE技术通过路由器动态分配任务到不同的专家模块，结合自注意力机制和归一化操作，能够在更少参数的情况下实现更高效的任务处理能力。2.7判断故障原因。MOE与多模态融合的结合，使工业大模型能够高效处理复杂的MOE与多模态融合技术后，异常检测的准确率提高了20%-25%，AI-Agent是工业大模型应用的高级形态，通过将大模型与任务规划、执行模块相结合，构建具备自主决策能力的智能体。在工业场景中，AI-Agent可作为生产管理、设备维护和质量控制等任务的智能助手。在生产管理中，AI-Agent根据实时生产数据、订单信息和历史生产记录，自动生成详细的生产计料供应延迟等，确保生产过程的顺利进行。在设备维护中，AI-Agent主动检测2.8所示，AI-Agent的架构包括基础层、算法层和应用层，2.8AIAgent的核心在于任务分解与动态决策能力。它结合大模型的推理能力Agent还能通过强化学习等技术，根据用户的操作习惯和反馈，不断优化自身的决策策略，提升任务完成的效率和精度。随着技术的不断发展，AIAgent有展。在某大型钢铁企业，AIAgent应用于生产管理后，生产计划的合理性提升30%-35%12%，为企业带来了显著的经济效益和生型与小模型协同、MOEAIAgent等多个方面。这些技术相工业大模型还面临模型可解释性不足的问题。在许多工业任务中，模型的过程的可解释性提出了更高的要求。然而，当前的大模型往往是“黑箱”模型，其的训练依赖于高性能计算集群，这不仅需要昂贵的硬件设备（如GPU、TPU集群ZeRODeepSpeed框架的高效训练方法能够显著提升硬件资源的利用率。未来AI技术的发展将成为重要方向，例如开发能效比更高的模型架构（如稀疏网络）以及低能耗硬件（如ASIC，以实现工业大模型的可持续发展。竞争关系或隐私保护需求，往往不愿意共享数据，这种“数据孤岛”现象严重制（GDPR）3.1L1L2缓存存储常用查询模式，持L3缓存保存历史训练数据和模型参数。随后，通过规则引擎进行初步分分发挥该架构的优势，建议根据具体业务特点配置合适的路由规则，设置合理的整执行计划，并处理可能出现的异常情况。最终，大模型将各个子任务的结果进3.2L1L2缓存负责存LRU（最近最少使用）的淘汰策略，持续维3.3Agent面向目标的Agent架构模式是一种高度自主化的智能系统架构，它通过赋予Agent明确的目标导向和决策能力，实现复杂任务的自主规划和执行。在这种架构中，Agent被设计为具有感知环境、制定计划、执行行动和自我评估的完整能力链条。系统通过目标分解机制将复杂任务拆解为可执行的子任务，每个子任务都配备相应的执行策略和评估标准。Agent，根据实时反馈动态调整执行计划，确保目标的最优达成。该架构的核心特征在于其自适应性和决策智能，Agent能够基于环境变化和执行结果不断优化其行为策略，同时通过经验积累来提升决策质量。在任务执行层面，系统采用了闭环控制机制，包括目标设定、计划制定、行动执行、结果评估和策略调整五个关键环节，这些环节紧密协作形成完整的执行周期。特别值得注意的是，该架构还包含了强大的学习机制，能够从历史任务中提取经验，优化决策模型，提高未来任务的执行效率。这种架构特别适合需要持续优化的复杂任务场景，如智能客服、自动化运维、智能制造等领域，能够显著提升任务执行的准确性和效率。AI将多个专业化的智能体进行有机组合，形成一个协同工作的智能网络系统。在这种架构中，每个智能体都具备特定的专业能力，如自然语言处理、知识推理、数据分析或决策规划等，通过统一的协调机制和通信协议实现智能体之间的信息交换和任务协作。系统的核心设计理念是"分而治之"，通过将复杂问题分解为多个子任务，由不同专长的智能体协同处理，最终整合各个智能体的输出得到完整解决方案。架构中包含了任务分发中心、智能体管理器、协作调度器和结果整合器等关键组件，它们共同确保了多智能体系统的高效运转。智能体之间采用松耦合的通信方式，既保持了各自的独立性，又能实现资源共享和能力互补。该架构的显著特点是具备强大的可扩展性和适应性，可以根据业务需求灵活添加或替换智能体模块，同时通过智能体的动态组合来应对不同类型的任务挑战。备诊断预测、工艺优化推荐、质量控制分析等六大核心模块。其中工业知识库产品接口设计模块采用标准化的TfulI接口设计，基于HTP/H协议提供稳定可靠的服务接入方式。接口架构分为四大核心层次：首先是安全认uth2.0身份认证、JWT令牌验证、I密钥管理等多种认证方式，实现细粒度的访问控制和权限管理；其次是数据交互层，提供数据接入接口支持N、XML、V、二进制流等多种标准数据格式，并配备批量导入、实时推送、文件上传等多样化的数据传输方案，同时实现数据验证、格式转换和质量检查等预处理功能；再次是业务处理层，包含模型训练、在线推理、批量预测等核心功能接口，配套模型版本管理、参数配置、性能监控等运维特性；最后是结果处理层，提供标准化的数据返回格式和完善的状态码体系，支持多种数据序列化方式和错误信息描述。在架构实现上，系统部署专业的I网关，集成负载均衡、流量控制、熔断降级、监控告警等保障机制，确保接口服务的高可用性。在开发支持方面，系统提供详尽的接口文档，包括接口说明、参数描述、调用示例和错误码说明，并提供Jaa、Python、C++等主流语言的K开发包，集成aggerebSoketGrapQL灵活查询等高级特性，并通过跨域访问、数据压缩、缓存控制等技术手段优化接PI规范，实现完整的版本控制机制，确保接口平滑升级和向下兼容，通过全链路压测和性能优化，保证接口的低延迟和高并发处理能力，最终实现与现有工业软件系统的无缝对接和高效协同。11.接收任务类型清任务类型明路由分发多个小模型并行部路由转发到各小模型处需要快速响资源利用率需要并行处对响应速度4.汇总输🎧结各子任务相任务逻辑复杂需要智能拆大模型代理架构模大模型负责任务规小模型执行具体任大模型接收分配子任务整合各子任预算充足可承担大模型开需要统一的任务理解和规子任务间有复杂任务分需要统筹规任务逻辑复1.处理初始有大量相似基于缓存的微调架结合缓存和微调机缓存处理结基于结果进处理后续查需要持续优对模型精度有足够的历需要持续优对精度要求面向目标的Agent包含Planning、ActionObservation接收观察结果并目标明确但需要动态调重视执行过任务具有探需要动态调复杂交互场目标导向的任务需要多智能体组Agent智能体选择多个统一整合结各环节专业需要灵活的系统扩展性多领域协作需要专业分复杂系统集面向目标的Agent架构适用于需要持续交互、任务目标明确但执行路径需标明确但达成路径灵活、需要实时反馈和调整机制，同时希望通过Agent的自面向目标的Agent架构的技术发展主要集中在提升智能体的目标理解能力过持续的知识积累和经验迁移，不断增强Agent的自主学习能力和任务完成效果面向目标的Agent架构优化策略主要聚焦于提升目标完成效率和交互体验，Agent的整体表现。SaaSSaaSAPI接口为企业提供IT基础设施，实现与现有系统的深度整合。对于具有特殊解决方案+API调用计费、计算求分析、方案设计、模型开发、系统集成到后期的运维支持等全流程服务。这种API接口4.1增材制造（3D打印）在航空航天、医疗器械等领域具有广泛应用，工业大模型在智能设计优化、打印路径规划和缺陷预测方面发挥着关键作用。在智能4.2CNC机床AI技术，可以在本地端快速处4.3传感器数据（如摄像头、激光雷达、毫米波雷达等4.4算流体力学和结构力学仿真，对飞机结构和气动特性进行优化。在复合材料应以结合航电系统、GPS和雷达数据，优化航线规划，提高飞行自主性。在传感融4.54.6（CAD（CAE4.74.84.9非结构化数据（如图像和视频）以及实时流数据（如传感器输出数据安全风险主要表现在数据存储和传输过程中。工业大模型需要大量历史数据，这些数据可能包含商业机密、用户数据和生产数据。如果在存储或传输中未采取有效安全措施，可能导致数据泄露，带来经济损失。为了应对这一问题，企业需加强数据加密和访问控制。对存储的数据进行加密，采用安全协议（如SS）保障数据传输的安全，同时建立严格的权限管理和审计机制，确保只有授权人员可以访问敏感数据。工业大模型的训练数据可能涉及员工行为、设备运行数据等，若不加以保护，可能引发隐私泄露。为应对这一风险，企业可以应用差分隐私技术，在数据中添加噪声，确保个人信息不被暴露。同时，同态加密技术可以确保数据加密状态下进行计算，防止敏感数据泄露。不同部门或合作方可能需要共享数据进行模型训练，而这可能引发数据泄露风险。为此，企业可以采用联邦学习等去中心化技术，通过在本地训练模型，仅传输模型更新而非原始数据，从而有效保护数据隐私。联邦学习避免了数据的直接交换，使得各方能够共享模型知识而无需共享敏感数据。随着数据隐私法规的完善，如《GDPR》与《网络安全法》等，企业必须遵守相关法规，确保数据采集、存储和处理过程符合规范。企业应建立健全的数据隐私保护制度，确保所有数据的使用都在合法合规的框架内进行。一旦发生数据泄露或安全事件，企业必须能迅速识别并采取应对措施。及时修复漏洞、通报相关方并启动数据恢复，是应对数据泄露的关键。加强数据安全的监控与管理，确保应急响应机制的高效运行，是减少安全事件影响的有效途径。在多个领域发挥越来越重要的作用。随着边缘计算、5G和物联网技术的进一步随着智能协同的进步，工业大模型将能够进一步实现跨系统、跨平台的高度智能协作。现有的大模型在很多情况下依赖于专用硬件和单一的平台运行，这往往导致不同厂商和不同领域的模型难以互通。未来，工业大模型将通过开放平台和统一的接口标准实现跨行业、跨设备的智能协作。例如，机器学习模型可以与物联网平台、企业资源计划（P）系统和生产控制系统等进行深度集成，进一步优化从生产计划到实际生产执行的全过程。在这种高度协同的环境中，工业大模型不仅能够分析生产线的实时数据，还能快速响应市场需求变化和突发事件，提高生产的柔性和应变能力。需求分规划数据处理工具选型应用

5.1具和平台（如RAG等，以便于模型的快速迭代和部署。最后，在完成模型开（KPIsIT基础设施和生产工业信任机工业信任机 数据可 模型透 安全保 智能决 资源整A度ŊŊ结果AŊA知数同A分可算$分z¡z¡多算z¡多算安全基础设 身份认 数据授安全基础设 身份认 数据授 访问控 密钥管 备份恢存储加密：在本地和云端存储数据时，采用先进的加密算法（如AES-256）传输加密：在数据传输过程中采用安全协议（如TLS/SSL）确保数据的传输入与输出隔离：将模型的推理过程隔离在一个安全的执行环境中（如尤其是前文介绍的基于深度学习方法（Transformer模型）来构建能够处理复5.3数据采集与接入：通过传感器、IoT设备、企业内部管理系统（如ERP、MES系统）等采集实时数据，包括生产数据、设备运行数据、质量检测数据等。

5-4中，深度学习模型（如神经网络、Transformer等）和传统机器学习模型（如随捕捉长程依赖关系，Transformer模型是一个理想的选择。过程包括选择损失函数、优化算法（Adam、SGD等，并进行超参数调优。GPU或分布式计算来加速训练。模型的表现。关键评估指标包括准确率、精确度、召回率、F1分数等。在评估其中，RAG（Retrieval-AugmentedGeneration）是当前工业大模型开发中广泛应用的工具之一。RAG结合了信息检索与生成模型的优势，能够在处理复RAG能够在知识库的支持下生成更具实用性和精确性的结果，特别适用于需要实时信息更新和大规模知识管理的场景。在工业领域，RAG可用于智能决策支RAG，企业还需要根据自身需求选用其他相关工具。例如，对于大规ApacheSparkTensorFlow等工具来进行高效的数的IT系统（ERP、MES系统）进行无缝集成。需要考虑数据流动、实时性要求以及系统的扩展性。通常，在这一环节中需要使用微服务架构、API接口或IT基础设施是否能满足新系统的运行要求，特别是在计算能力、存储IT业务系统互联互通。企业需要使用中间件、API接口等技术来实现不同系统之KPIs，评估模型是否帮助企业达成了预定的生产或运营服务还包括与企业现有业务系统（如ERP、MES）的无缝集成，确保数据流和应用层：实现模型与业务系统的集成，提供可视化界面、API接口和用户身需求进行自由组合。例如，企业可以选择单独的“数据清洗”模块，而不必使ERP、MES在模型训练阶段，架构可以自动调用云端高性能GPU资源；在推理阶段，则切95%以上。方面，FraunhoferIPT开发的智能传感器系统配合工业大模型，实时掌握加工据fi$据fi$6.1（3D打印）也在复杂零部件制造中发挥着独特优势。然而，现有的语料库往在差异。例如，对于“表面粗糙度”这一概念，有的企业采用Ra值表示，有的则可能使用Rz值，这种不统一的表述给语料库的数据收集和整理带来困全球工业大模型市场中，科技巨头如谷歌、微软、IBM等凭借其在人工智工智能基础设施方面具有优势。例如，长三角城市群的产业集聚主要集中在100公里范围内，其中计算机通信电子业的集聚强度随距离增加逐渐下降。珠50-150公里范围内形成多类行业集聚，50公里范围内是计算机45力消耗水平。此外，RCEP的签署进一步强化了中国在全球产业链中的枢纽地位产业产业、产业工业大模型ŊL0用模L1用工模L2模L3度::大模型:大大y:大模型:大模型::景工业大模型y:$智工·i技智::K”大模型y:$开:†大模型:行业大模型理Mind利:AI比:AI小:XGPT”智能大模型产业产业6.2旨在提升芯片的计算能力和能效比。例如，部分企业专注于GPU芯片的研发，大规模数据处理的需求。同时，一些新兴的AI芯片厂商也在探索基于不同架构服务器作为承载工业大模型运行的关键设备，国内制造商不断进行技术创新。针对工业大模型的大数据存储和高并发计算需求，服务器在存储容量、内存带宽和网络传输速度等方面进行了优化。例如，采用高速固态硬盘（SD）组成的存储阵列，提升数据读写速度；增加内存通道数和容量，确保模型训练过程中数据的快速加载和处理；优化服务器内部网络架构，降低数据传输延迟，络资源分配，优化网络流量，提高网络利用率。例如，在智能工厂中，通过SDN技术可以根据不同生产环节对数据传输的需求，灵活配置网络带宽和优先缺失值和异常值等问题，需要进行清洗和预处理。国内企业采用多种数据清洗技基于循环神经网络（RNN）及其变体（如长短期记忆网络LSTM、门控循环单GRU）的模型架构，这些架构能够有效捕捉数据中的时间序列信息。同时，（ResNet能点上形成一些应用，相比传统AI场景显得更加碎片化。其中，知识管理/知识问答、数据助手/48050工业大模型目前呈现百家争鸣的形式。20236月，中工互联（北京）科技集团有限公司发布中国第一个工业大模型；作为入选“2024工业大模型Top2020239月发布，时至型通过对物流设备（如运输车辆、叉车、分拣设备等）模型可以实时分析空气质量指数（AQI、水质指标（如化学