计算机行业市场前景及投资研究报告：工业AI跨越幻觉鸿沟掘金万亿蓝海

%%%%工业AI深度研究：跨越幻觉鸿沟，掘金万亿蓝海2026-03-09%%1%%%2026年为何看好工业AI场景价值释放？目

录0102

哪些工业AI场景值得重视？03

投资视角如何展望？3%%%%01为什么看好AI+工业这个场景？空间大、数据足、壁垒深%%4%%%%%%01

模型能力走向成熟之后，寻找落地加速的大场景➢

2026是AI应用落地之年。AI本质是人力替代，其货币化程度也由人力替代程度决定，遵循奇点型爆发原则。展望2026年，随着LLM从单一的文本生成向多模态（Multimodality）、推理规划（Reasoning/Planning）和智能体（Agent）进化，技术进步将推动各类场景价值重估。➢

如何寻找真正有价值的大场景：AI+数字化+规则化+智能化。任务复杂度低、容错率高的行业短期兑现更快（创作、客服等）；任务复杂度高、容错率低的场景更易构建壁垒（工业、医疗）。图：从成熟度曲线看场景爆发节点%%资料：IDC，浪潮信息，研究所5%%%01

为什么看好工业AI场景价值：空间大➢

空间大：2024年我国工业增加值40.5万亿，占GDP比重30%，全球工业第一大国，涵盖联合国产业分类中全部工业门类。意味着AI渗透率微小提升都将带来巨大价值。➢

渗透率尚低：工业软件整体发展速度快于制造业本身：以全球市场（发达国家为主）的工业软件占工业增加值比重作为参考，则当前我国工业软件整体应用程度差距较大，这与我国制造业的庞大体量较不匹配。近年来我国工业软件仍处于渗透率持续提升阶段，从低渗透率为工业软件板块的持续高增长提供了前置条件。图：2024年国内工业增加值40.5万亿，占GDP比~30%图：预计2026年全球工业软件市场规模5767亿美元，同比+5%45.040.035.030.025.020.015.010.05.045.0%40.0%35.0%30.0%25.0%20.0%15.0%10.0%5.0%700060005000400030002000100007%6%5%4%3%2%1%0%0.0%0.0-5.0%2012

2013

2014

2015

2016

2017

2018

2019

2020

2021

2022

2023

2024

2025

2026E工业增加值（万亿元）增速（YoY，右）占GDP比重（YoY，右）全球工业软件市场规模（亿美元）YoY（%，右）图：中国

VS全球“工业软件规模占工业增加值比重”图：预计2026年中国工业软件市场规模3353亿元，同比+7%2.50%2.00%1.50%1.00%0.50%0.00%400035003000250020001500100050020%18%16%14%12%10%8%1.96%1.83%0.73%1.76%1.76%1.76%0.71%1.70%1.72%

1.70%1.67%1.65%1.45%0.40%1.39%1.34%0.63%0.60%0.55%0.57%0.46%

0.49%

0.47%

0.49%6%0.35%

0.36%4%2%00%2012

2013

2014

2015

2016

2017

2018

2019

2020

2021

2022

2023

2024全球：工软市场规模/工业增加值（%）

中国：工软市场规模/工业增加值（%）2012

2013

2014

2015

2016

2017

2018

2019

2020

2021

2022

2023

2024

2025

2026E中国工业软件市场规模（亿元）YoY（%，右）资料：iFinD，Gartner，赛迪咨询，国家工信部运行监测协调局，中国电子信息产业统计年鉴，研究院，6中国工业技术软件化产业联盟，研究所%%%%01

为什么看好工业AI场景价值：动力足图：相比之下，我国工程师规模总量大，但占劳动力比重偏低➢

动力足：制造业大国（中、日、德）老龄化问题日益严重，蓝领工人短缺，招工难、250012%用工贵成为常态，正面临全球性的“用工荒”与“技能断层”。➢

ROI清晰：工业场景的价值创造可以通过明确的指标衡量：良品率提升、设备停机时间减少、能耗降低、人员投入降低等。11%190510%8%6%4%2%0%200015001000500016027%8%7%7314%5%1163753442%211中国欧盟美国英国德国法国意大利图：美国整体劳动力用工成本呈上升趋势2020

年科学家与工程师规模总量（万人）2020

年科学家与工程师占劳动力比重（%）图：据预测，我国工程师供需缺口将逐渐拉大%%资料：美国劳工统计局，《产业匹配需求与工程师供给缺口研究》（黄海波等，2023），研究所7%%%%%%01

为什么看好工业AI场景价值：数据多图：近年来国内工业企业数字化率持续提升➢

数字化转型带来巨大的数据挖掘潜力：工业领域正在从3.0（自动化）向4.0（智能化）迈进，过去二十年，大部分工业领域已经完成了自动化（PLC/DCS普及）和信息化（ERP/MES部署）的两轮改造，各行业数字化水平持续提升，产生了海量数据但利用率较低。90%85%80%75%70%65%60%55%50%84%66%82%79%76%74%55%63%60%57%20202021202220232024重点规模以上工业企业数字化研发设计工具普及率

(%)重点规模以上工业企业关键工序数控化率

(%)图：各类工业设备中积累了大量数据待挖掘图：14个重点行业数字化改造覆盖率3002502001501005025201510522.218.217.615.41512014013.3100809070808.76070506040501101101000020182019202020212022202320242025消费物联网终端（亿个）工业物联网终端（亿个）增长率（%）%%资料：中自数字移动传媒，GSMA

Intelligence，工信部，工信部制造业数字化转型综合信息服务平台，研8究所%%%01

为什么看好工业AI场景价值：壁垒深➢

壁垒深：落地维度，软硬结合是必经之路，LLM能力再强难以直接替代。从“感知-决策-执行”的路径看，软件/AI算法的核心价值在于决策，感知层依赖数据采集终端，执行层同样以硬件为最终载体，只懂软件无法深入物理现场解决实际问题。图：工业软件分类中，嵌入式软件占比较大8.5%嵌入式软件17.0%17.1%信息管理类软件生产控制类软件研发设计类图：工业数字化价值栈57.4%图：数字化转型支出中软硬件占比相当17.60%服务硬件软件43.70%38.70%资料：深圳市电子商会网站，艾瑞咨询，，研究院，研究所9%%%%01

为什么看好工业AI场景价值：政策技术共振，未来已来➢

技术端：1）模型能力成熟跨越信任鸿沟：早期GenAI存在较大幻觉问题，近年来结合物理规律+RAG技术带动模型输出可靠性提升，逐渐走向可用、好用；2）多模理解能力持续增强，感知维度进化带动AI应用场景从文本问答扩展至物理世界交互；3）Agent技术成熟带动工业应用场景从单点功能走向自主工作流。2026年是模型及Agent技术成熟与成本落地的交汇点，有望驱动各行业价值扩张。➢

政策端：顶层设计不断强化AI+制造深化融合，2026年来政策频出、将带来各细分场景落地加速。图：政策频出支撑AI+制造深度融合图：预计工业AI市场规模高速增长序号发布时间发布单位政策名称核心目标10009008007006005004003002001000895.3《关于深入实施

"人工

全面推进"人工智能

+"，工智能

+"

行动的意见》

业全要素智能化为重点方向12025年8月国务院到2028年，建成450+有影《推动工业互联网平台高质量发展行动方案（2026-2028年）》响力平台，工业设备连接1.2亿台（套），平台普及率55%+CAGR

46%22025年12月工信部445.1到2027年，AI关键技术安全可靠，制造业智能化水平全球前列213.82028工信部、国家数

《"人工智能+制造"

专342026年1月2026年1月103.72026据局等八部门项行动实施意见》20.4202229.82023《工业互联网和人工智

到2028年，工业互联网+AI能融合赋能行动方案》

融合赋能水平显著提升20302032工信部全球工业AI市场规模（亿美元）%%资料：国务院，工信部，MMR，marketresearchfuture，中国信通院，《工业大模型技术应用与发展报告1.0》（102023），研究所%%%%%%02看好哪些细分场景？推理能力增强：AI+时序数据挖掘多模理解增强：AI+仿真设计Agent能力增强：AI+端到端运维%%11%%%02

工业AI当前处在什么阶段：GenAI+工业融合落地加速➢

回顾过往通用AI与工业AI的发展路径：1）整体遵循“技术突破—场景验证—工程落地”的递进路径，正逐渐从以深度学习为创新主线转变为以GenAI技术为创新主线；2）随着AI技术易用性的提升及工业数字化基础的夯实，AI技术创新和工业领域融合应用之间的滞后周期不断缩短。图：过往通用AI与工业AI发展历程复盘资料：工业互联网产业联盟，中国信通院，《工业智能白皮书》（2022），研究所12%%%%02

工业AI当前处在什么阶段：GenAI+工业融合落地加速➢

过去，在深度学习应用深化时代，考虑到部分场景数据丰富+问题定义清晰，部分场景如工业AI质检、预测性维护等落地较快。但局限性在于，工业AI在应用上呈现“一场景一训练一模型”，难以大规模推广。➢

当下，大模型崛起有望带来“基础模型+各类应用”的新范式。凭借出色的理解、生成与泛化能力，大模型能够深度解析工业领域的复杂问题，在海量数据处理的基础上进一步挖掘潜在的规律与发展趋势。此外，区别于传统工业AI只能根据已有数据进行预测和推断，大模型的泛化性使其不断自我迭代、能生成新的知识和见解。图：过往工业AI技术发展历程复盘%%资料：工业互联网产业联盟，中国信通院，《工业智能白皮书》（2022），研究所13%%%%%%LLM给工业能带来什么：推理、生成、交互闭环02➢

相较于传统小模型，大模型更契合综合性与创造性的工业应用场景。小模型的本质在于建立“输入—输出”的映射关系，通过拟合数据中的条件概率分布实现对新样本的判断、分析与预测，虽在垂直领域表现优异，但过度依赖定制化开发。而大模型的核心优势体现于：依托海量参数网络深度解析现实世界的复杂关联机制，具备卓越的逻辑推理与内容生成能力，能够有效拓展传统工业AI的能力边界与应用范畴。➢

但同时我们认为，大模型与小模型并非简单替代关系，二者将并存融合、共同驱动工业AI应用深化。如：1）LLM生成数据帮助小模型训练；2）部分场景中LLM负责调度决策、小模型负责执行和控制等。图：大模型于工业应用落地节奏：两端快、中间慢图：大模型

VS

小模型资料：，《工业与AI融合应用指南》（2026），研究所%%14%%%LLM给工业能带来什么：推理、生成、交互闭环02➢

流程工业与离散工业的智能化需求差异较大：离散的“Copilot”

VS

流程的“Controller”，辅助人VS替代人。本质差异在于行业属性：离散制造（如汽车、电子组装等）是物理零件的组装过程，核心在于顺序逻辑和运动控制，通过代码实现运行逻辑，AI以辅助生成代码、强化交互等功能切入，形态为Copilot。流程工业（如炼油、化工）是连续的流体、气体处理过程。核心是非线性动态平衡，涉及热力学、流体力学和化学反应。AI通过数据学习+机理验证直接介入控制，形态为Controller。➢

LLM能力增强后，哪些应用场景值得关注：1）推理能力增强：AI+时序数据价值挖掘等（流程工业为主）；2）多模理解增强：AI+仿真设计（离散工业为主）；3）Agent能力增强：AI+端到端运维等。图：流程工业

VS

离散工业图：典型流程与离散行业数字化指数70605040302010063维度流程工业离散工业56代表行业化工/石化/冶金/制药/食品汽车/电子/机械/家电46434138通过混合、分离、成型或化学反应，

对多个独立零部件进行加工、组装和测生产过程描述

使原材料增值并改变其物理或化学性

试，形成具有特定功能的可计数产品的过272625质的生产过程程2019连续流体（气/液/固混合），不可分割1414物质形态工艺过程生产要求LLM功能离散零部件，可单独计数、追溯物理化学反应，不可逆，反应后无法复原物理装配/加工，可逆，可拆卸返工物料流与能量流的稳定、高效与安全

零部件物流效率、装配线平衡及生产柔性自动控制、工艺优化

快速设计、智能调度离散

离散

离散

离散

离散

离散

流程

流程

流程

流程

流程

流程

流程资料：流程工业智能运维公众号，，研究所15%%%%02

①

推理能力增强：AI+时序数据挖掘打破工业幻觉壁垒，以TPT为代表的工业时序大模型步入大规模应用阶段➢TPT是业界首款流程工业时序大模型，具有标杆性。TPT（Time-series

Pre-trained

Transformer）是中控技术推出的业界首款为连续流程工业（石化、化工、电力、冶金等）设计的预训练人工智能系统。TPT的主要运行过程为：与用户自然语言交互获取问题/任务→基于AI能力对任务进行理解与拆解→调用平台六大能力模块进行任务处理（模拟、控制、优化、预测、评估、统计）→生成相应的报告、方案、可执行Agent→进行自主验证保证结果准确、可靠。经过海量工业数据训练，TPT已具备强大的时序数据分析能力、多目标动态优化能力和控制能力，典型应用场景包括调节阀检测、石化行业常减压装置问题分析、乙烯装置优化控制等。图：TPT架构图：TPT的六大核心功能：模拟、控制、优化、预测、评估、统计资料：中控技术官网,研究所%%16%%%%%%02

①

推理能力增强：AI+时序数据挖掘打破工业幻觉壁垒，以TPT为代表的工业时序大模型步入大规模应用阶段➢TPT和普遍熟知的通用LLM（如DeepSeek）有显著不同。主要体现在：1）数据基础上，DS等通用LLM通常处理文本数据，主要优势在于语言理解及生成，而TPT是基于海量工业时序数据（包括如DCS运行数据、设备高频数据等）的训练得到，能够捕捉工艺参数之间的动态关联，进而实现工艺参数预测、PID回路的仿真优化与全工况自适应控制优化等功能。2）知识体系上，通用LLM的知识来自互联网公开文本，而TPT内含丰富工业机理知识。3）应用目标上，通用LLM旨在生成恰当文本，TPT目标为实际指导生产，需要发现问题并同时输出实际操作指令，致力于打造“感知-决策-执行”的闭环体验。表：DeepSeek与TPT2对比资料：控制工程中文版，研究所%%17%%%02

①

推理能力增强：AI+时序数据挖掘打破工业幻觉壁垒，以TPT为代表的工业时序大模型步入大规模应用阶段➢回归原理，TPT=大规模时序数据（Time-series）基于Transformer架构预训练（Pre-Trained）。类似于LLM通过“Transformer架构+大量数据预训练”掌握文本之间的关系，TPT基于海量、跨行业的工业时序数据预训练能够掌握流程工业运行过程中不同变量中的潜在关联。在TPT的训练过程中，工业生产过程中产生的温度、压力、流量、液位等连续时序数据，被转化为类似于文本中的Token作为模型输入，Transformer算法框架下模型能够突破时间窗口限制，并行捕捉多物理变量间的潜在关联与演化规律，进而具备预测、监测、诊断、寻优等功能。图：TPT训练过程资料：智能制造之家，研究所18%%%%02

①

推理能力增强：AI+时序数据挖掘打破工业幻觉壁垒，以TPT为代表的工业时序大模型步入大规模应用阶段➢数据驱动摆脱传统工业软件的规则束缚，TPT具备跨行业、跨工艺、自我迭代能力。传统的流程工业生产依赖工业软件与硬件设备的通力合作，其中工业软件往往是规则驱动，控制逻辑需要专家针对特定工艺进行编程，当生产条件或工艺发生变化则对应整套规则和模型也需要重新设置，不具备泛化性与可复制性。TPT的突破则在于通过Transformer架构能学习海量时间序列数据的普遍模式，由于流程工业的生产过程均表现为多变量、强耦合、长时序的动态数据流，因此TPT的能力模块如工况预测、智能调参等可以跨行业、跨工艺使用。此外，数据驱动也为自我迭代奠定基础，当TPT模型能够持续接入最新实况生产数据，模型便能够捕捉数据之间的最新关联，自动进行模型的再训练与优化。自我迭代的特性使得模型可自主适应外部动态变化，摆脱对专家经验的持续依赖。图：TPT具备跨任务、跨场景、跨装置三大能力图：TPT更大的意义在于实现建模体系的统一资料：流程工业,研究所%%19%%%%%%02

①

推理能力增强：AI+时序数据挖掘打破工业幻觉壁垒，以TPT为代表的工业时序大模型步入大规模应用阶段➢数据驱动虽好，但仍面临幻觉问题的灵魂拷问。幻觉问题核心来自AI大模型的局限性：1）AI模型通过分析海量历史数据学习输入输出的复杂模式，本质是基于统计规律和数据驱动，无法保证输出结果符合物理规律。2）AI模型的学习过程并不透明，难以解释。工业生产最重要的是稳定、安全，细微差错可能带来高昂损失，因此模型幻觉难以接受、客户对AI的部署也十分谨慎。➢TPT将AI与第一性原理相结合对抗幻觉问题，APEX平台是重要支撑。TPT代表了工业AI对抗幻觉的重要尝试，核心在于TPT实现将第一性原理模型与神经网络融合，增强模型输出结果的可靠性与可解释性，背后重要支撑在于APEX平台。APEX是中控推出的流程工业过程模拟与设计平台，能够用计算机语言描述工艺过程、起到过程模拟与预测的作用，底层为联立方程技术、严格遵循第一性原理。目前APEX内含2160种纯物质、15种热力学方法的配置包，能够进行原油、聚合物和固体相关计算并支持热力学物性分析和回归工具。在相关数据学习中，APEX可能通过提供高保真训练数据、在AI训练中嵌入物理约束、在运行时验证AI输出等多种形式，帮助TPT的预测和决策始终处在已知、安全的物理边界中。图：AI+第一性原理共同对抗工业幻觉图：APEX平台架构资料：中控技术官网,研究所%%20%%%02

①

推理能力增强：AI+时序数据挖掘打破工业幻觉壁垒，以TPT为代表的工业时序大模型步入大规模应用阶段➢落地角度，当前TPT核心应用场景为装置自动化与无人化。以氯碱装置为例，生产过程高安全风险、高能耗成本、高生产专业性，传统控制高度依赖操作员的“老师傅”经验。TPT的应用带来显著经济效益：1）自主监督：基于历史数据学习实现对氯碱装置状态的全面评估与预测，提升人效30%-50%；2）工艺参数预测：模型能够实时预测电解槽的电流效率和槽电压，并自动优化盐水浓度与PH值等关键变量，在确保安全生产的前提下，实现碱液产量提升与单位电耗下降；3）部件寿命预测：氯碱装置中基于电压长周期预测及时更换离子膜，节省电费；4）设备异常预警与工艺异常预警，减少停工损失。据测算，按65万吨/年的氯碱装置测算整套TPT解决方案带来经济效益合计约2080万。图：某氯碱企业TPT应用项目功能介绍表：某氯碱企业TPT应用项目效益测算资料：公司官网，研究所21%%%%02

①

推理能力增强：AI+时序数据挖掘打破工业幻觉壁垒，以TPT为代表的工业时序大模型步入大规模应用阶段➢类似地，在硫酸装置中，中控基于AI技术助力实现硫酸装置多场景运行中的参数精准预测，解决温度控制等行业难题；此外共同构建全方位智能感知与评估体系，自行监督装置运行状态。效果上，首套“无人”值守硫酸装置将人工操作频次从历史单日最高6000余次、日均1600余次降至单日最低3次、日均10次以内，有效降低人力投入。图：TPT的应用显著降低硫酸装置操作频次图：“无人”值守硫酸装置工作界面资料：中控技术公众号,研究所%%22%%%%%%02

①

推理能力增强：AI+时序数据挖掘打破工业幻觉壁垒，以TPT为代表的工业时序大模型步入大规模应用阶段➢当前TPT已步入大规模应用阶段。TPT自发布至今已成功落地超110个项目，主要应用于石化、煤化工、氯碱、热电等行业，且已在中石化、中石油兰州石化、万华化学、湖北三宁等石化领军企业形成成功案例。截至到2025前三季度，公司实现TPT类软件收入1.54亿元，已初具规模。图：中控TPT已落地项目数量情况图：中控TPT标杆案例一览资料：中控技术公众号,研究所%%23%%%02

①

推理能力增强：AI+时序数据挖掘打破工业幻觉壁垒，以TPT为代表的工业时序大模型步入大规模应用阶段➢如何展望TPT的发展：短期用户的教育与导入需要一定时间，期待未来逐渐从头部标杆向中小客户渗透。下游工业客户对新技术与新产品的接受难以一蹴而就。尽管已在头部客户取得示范案例，但流程工业海量客户对TPT的实际价值仍难有确切感知。TPT2.0的主要升级点之一便在于应用模式的革新，1.0时代需要专家上门实施，2.0时代在此基础上增加了平台化、自助式服务以降低使用门槛，我们认为主要目的之一为让更多客户能了解TPT的功能。此外从商业化路径能看出，现阶段TPT的推广以具有强购买力和高数字化水平的头部客户为主，核心在于树立行业标杆案例，跑通典型场景并验证效益。未来随着功能趋向成熟、丰富、标准化，公司或将以免费试用、SaaS订阅等方式导入广大中小客户，后续随功能模块的升级有望逐步实现对中小客户的常态化收费，打开长期增长空间。图：中控TPT的潜在成长空间测算资料：中控技术官网公众号，研究所24%%%%02

②

多模理解能力增强：AI+仿真设计AI+CAD：AI辅助式设计渗透率逐渐提升，AI生成式设计道阻且长方向辨析：业界普遍将AI与CAD的结合划分为两大路径：一是AI辅助式设计，二是AI生成式设计。前者指AI在绘图全流程中为设计师提供效率支持；后者则强调AI直接输出完整模型。就现阶段而言，AI+CAD的核心价值仍在于提升工程师与设计师的工作效能（即辅助式设计），而非实现替代。表：AI+CAD中短期5类功能点➢➢为何AI生成式设计目前难以做到：AI难以真正理解CAD的数据。1）数据结构复杂度高：相较于文本与图像，CAD文件格式更为繁复，即便是一个基础机械零件，也可能包含数百个曲面、数千条棱边、上万个顶点及多层嵌套特征；2）隐性信息识别困难：模型仅能捕捉参数数值，却难以解读其背后的工程意图（如设计经验、工艺要求及工程师的思维逻辑）；3）精度要求严苛：CAD建模依赖精确的数学表达，对准确性有极高标准；4）数据开放性不足：CAD格式相对封闭，增加了解析难度。➢如何提效：现有落地产品主要聚焦于操作层面的效率优化。依托大语言模型的交互与知识学习能力，提供功能咨询、指令预判、工艺建议等支持，从而缩短设计师的操作耗时。资料：AIE加速工业进化，研究所%%25%%%%%%02

②

多模理解能力增强：AI+仿真设计AI+CAE：AI仿真代理模型快速提效、应用深化➢赋能方向：当前AI+CAE的主要应用方向在于通过AI技术加速仿真过程，提高仿真效率。主要分为两大技术路径：1）AI代理模型（Surrogate

Model）：利用仿真数据训练针对特定场景的代理模型，以秒级速度完成计算加速（牺牲部分物理一致性换取计算效率）。2）降阶模型（ROM）：借助降维与特征提取等手段，将高维工业仿真模型压缩为低维形式，从而实现高效预测（保留原始模型关键物理特性但维度更低，实现更快计算）。➢产业进展：海外头部企业如西门子、Ansys均有完善布局，国内索辰科技物理AI平台（底层为AI代理模型）已于低空经济领域获得订单、初步跑通。图：索辰物理AI平台加速仿真设计图：代理模型

VS降阶模型维度代理模型降阶模型用数据驱动的简化模型替代原始模型，牺

通过数学方法保留原始模型的关键物理特核心目标数学基础输入输出物理一致性数据需求实时性牲部分物理一致性以换取计算效率性，但降低维度或自由度统计学、机器学习数值线性代数、投影方法基于原始模型的数学结构（如偏微分方程）进行降维基于输入参数与输出响应的黑箱映射关系可能完全脱离物理方程，仅依赖数据统计关系严格保留原始模型的物理规律和数学结构需要大量训练数据（样本量与参数维度呈

依赖少量高保真仿真结果（如POD需要快指数关系）照集）预测速度快，但训练成本高实时计算效率高（如毫秒级响应）外推能力适用场景在训练数据范围外可能失效基于物理方程，外推能力较强实时控制、动态系统仿真多参数优化、不确定性量化资料：索辰科技，CAE仿真空间，研究所%%26%%%③

Agent能力增强：AI+端到端运维02➢

工业设备状态监测与故障诊断系统（PHM）：通过对设备运行的物理参数进行采集、筛选、传输和数据分析，预知设备的运行故障及其变化趋势，为设备运维管理决策提供数据支撑，实现工业设备的预测性维护，提高生产过程的连续性、可靠性和安全性。图：某产品健康状态衰退曲线➢

需求：工业设备医生&管家角色。预测性维护通过持续实时评估设备的运行状况，应用机器学习、大模型等先进分析工具，可识别、预测诊断设备潜在障预问题并提供运维建议、提前解决问题。本质变化：被动性的反应性维修活动→主动性、先导性的维修活动，从而实现对设备性能的优化、延长使用寿命。图：预测性维护的技术原理图：PHM能够延长设备寿命资料：亿渡数据，e-works，研究所27%%%%③

Agent能力增强：AI+端到端运维02➢

AI如何赋能：从人机协同走向端到端诊断。1）故障诊断：从报警到诊断+建议；2）知识问答：从查手册到智能助手；3）人机交互：从专业软件到自然对话。➢

如何实现：参考前沿技术论文，通常包含3阶段训练过程：1）阶段一（知识注入预训练）：在通用LLM（如LLaMA）基础上，注入PHM领域的专业知识（学术论文、专业书籍、维护手册等），形成领域LLM。2）阶段二（PHM特定指令微调）：使用InstPHM-456k数据集对领域LLM进行指令微调，使其学会遵循指令并执行具体的PHM任务。3