1、行業研究 敬請參閱最后一頁特別聲明 1 再談工業再談工業 AI，當下“易部署、高可靠、低成本”的“既要、又要、還要”或有破局可能。，當下“易部署、高可靠、低成本”的“既要、又要、還要”或有破局可能。3 月 6 日，Monica.im發布全球首款通用型 Agent 產品 Manus，標志著 Agent 應用進入全面落地階段。市場此前一直有聲音認為，工業場景具有數據高復雜度、結果低容錯率、成本敏感性高等特點，因而在本輪 AI 大模型技術發展的浪潮中，應用落地節奏相對較慢，短期內較難改變既有的業務流程與生產管理范式。然而，早在 20230409AI+工業信息化，高價值、高普及、高認可之路報告中，我們

2、已旗幟鮮明地指出，“本次 AI 技術創新到實際工業場景落地的時間可能快于市場預期”，并詳細梳理了工業 AI 的三類核心應用模式與三大發展階段。立足當下，我們認為，1）“多模態大模型 any2any”的技術演進趨勢有望降低工業場景非結構化數據的處理難度；2）“大模型指揮+小模型執行”的融合工業 AI 中臺有望實現跨模型混合推理與模型與知識庫的兩端的平滑迭代優化；3）Agents 替代人力勞動，疊加 DS 大幅降低算力成本、國內勞動力工資持續提升的背景下，“機器換人”或逼近拐點時刻。工業工業 AI 中臺回應模型側與數據側高頻“無痛”迭代訴求，商業化正處于滲透率中臺回應模型側與數據側高頻“無痛”迭代

3、訴求，商業化正處于滲透率0 到到 1 階階段。段。工業客戶行業知識庫與外界 AI 大模型迭代速度較快，一方面，AI 決策直接影響工業客戶生產質量，因而 AI 必須基于制造業的專業知識進行定制化（預訓練、微調、RAG），并伴隨客戶的知識庫變化同步更新；另一方面，過去兩年 AI 大模型迭代加速，且不同的 AI 模型適配的應用場景有所差異。工業 AI 中臺能夠在不影響正常生產經營的前提下實現 AI模型兩端的平滑升級和優化，具備“開源大模型+云 API”混合推理、多模型綜合管理、模型全生命周期管理、可觀測性四項核心能力。商業化方面，賽意信息近期中標合同金額達 4,867 萬元的 AI 中臺項目，內容包

4、括基于AI 工具鏈實現數據處理、大模型訓練與微調、AI 應用開發等端到端能力，并具備接入 DeepSeek 大模型的能力。發布于 2024 年 6 月的中控技術流程工業時序大模型 TPT，結合大量行業知識和工業數據基礎，融合工藝參數的設備異常監測及診斷、實現全過程質量精準模擬與優化控制、將難以機理建模的裝置運行優化、幫助石化裝置實現精準模擬優化和動態路徑規劃。目前已在萬華化學、興發集團、鎮海煉化等數十家大型企業的氯堿、熱電、石化等裝置實現落地應用。我們認為，工業 AI 中臺目前尚處于滲透率早期，以“華為晟騰+賽意信息”合作模式為例，工業 AI 中臺部署對算力整合、模型管理、工業數據治理、領域

5、Knowhow、工程化交付等能力提出較高要求。工業工業 AI 應用中生產控制環節成熟度持續保持領先，全環節垂類應用中生產控制環節成熟度持續保持領先，全環節垂類 Agent 應用點狀涌現。應用點狀涌現。在 20230409AI+工業信息化，高價值、高普及、高認可之路報告中，我們曾基于信通院工業智能白皮書(2022)梳理認為，生產控制環節的 AI 應用占比超 57%，擁有表面缺陷檢測、生產過程控制優化、質量關聯分析、預測性維護、安全管理與巡檢、生產作業視覺識別、物料識別與操作等一批典型細分場景。本篇報告中，我們進一步基于 2023 年 605個工信部智能制造優秀場景統計認為，出現頻率排名前 10

6、的場景生產環節約占 7 個，生產制造仍是工業 AI 落地成熟度最高的環節。究其原因：一是場景需求成效顯著，產品質量、效率以及設備管理直接與企業經濟掛鉤，是幾乎所有工業企業共同關注的重點環節。二是數據獲得性強，生產過程數據、設備運行過程數據等數據量較大、采集相對簡單，為 AI 技術落地提供了基本條件。三是技術成熟度較高，以機器學習、圖像識別等傳統 AI 算法面向特定問題實現識別、參數預測及優化為主。垂類 Agent 場景中：1）賽意信息 AI+PCB 方案打通 MI 參數解析BOM 成本查詢自動生成報價全流程。2）中控技術基于 TPT 大模型推動流程工業 APP 訂閱制轉型，基于DCS+物流機器

7、人實現電解液桶“洗、檢、存”“零人工”干預。3）PLM+DS 構建知識問答智能體，優選物料智能推薦；打造數字設計工程師，自動生成研發圖紙。4）鋼鐵 IT 企業發布“鋼鐵行業大模型”，推出廢鋼智能檢判 SaaS 化平臺。5）基于金蝶云蒼穹開發企業服務智能體，在單據審核、財務分析、人才招聘、征信等多個垂類場景落地 Agent。6）EDA 企業智能問答+缺陷分類+模型自動分析優化+良率分析。我們認為，AI 大模型問世 2 年多后再談工業 AI，“易部署、高可靠、低成本”的“不可能三角”或有破局可能，我們看好工業 AI 中臺+垂類 Agent 應用落地，推薦關注中控技術、賽意信息、中望軟件等工業 AI

8、 重點標的。工業 AI 落地節奏不及預期的風險；工業數據隱私保護的風險；傳統工業軟件企業轉型節奏不及預期的風險。行業研究 敬請參閱最后一頁特別聲明 2 內容目錄內容目錄 1.工業 AI 落地前提：數據高復雜度+結果高可靠+運行低成本.4 1.1 工業數據可處理了嗎？多模態大模型 any2any 直擊非結構化數據處理難題.4 1.2 如何保障結果高可靠？大模型指揮+小模型執行，三類核心應用模式成熟度較高.7 1.3“機器換人”成本拐點到了嗎？算力降費+人力成本提升，Agent 換人邏輯更順.9 2.工業 AI 中臺：滲透率 0 到 1，回應模型側與數據側高頻“無痛”迭代訴求.11 2.1 工業

9、AI 中臺何以誕生？回應模型側與數據側高頻、“無痛”迭代訴求.11 2.2 工業 AI 中臺商業化進展？賽意 AI 中臺項目達千萬級，中控 TPT 大模型落地數十家大型企業.12 2.3 工業 AI 中臺有建設壁壘嗎？算力整合+模型管理+工業數據治理+領域 Knowhow+工程化交付.14 3.工業 AI 應用：生產控制類成熟度較高，垂類 Agent 曙光初現.15 3.1 生產控制類：垂類場景 Agent 初見端倪，工業 SaaS 訂閱制轉型初具規模.15 3.1.1 賽意信息：PCB 行業 Agent，MI 參數解析+BOM 成本查詢+智能生成報價.15 3.1.2 中控技術：流程工業 A

10、PP 訂閱制轉型，DCS+物流機器人實現“零人工”干預.16 3.1.3 寶信軟件：發布“鋼鐵行業大模型”，推出廢鋼智能檢判 SaaS 化平臺.17 3.2 經營管理類：知識庫+垂類場景智能體，PLM 與 ERP 領域均有落地場景.18 3.2.1 鼎捷數智：PLM+DS 構建知識問答智能體，優選物料智能推薦.18 3.2.2 金蝶國際：單據審核、財務分析、人才招聘、征信等多個垂類場景落地 Agent.18 3.3 研發設計類：數字設計工程師初級階段，以 Copilot 形態為主.19 3.3.1 鼎捷數智：PLM+DS 打造數字設計工程師，自動生成研發圖紙.19 3.3.2 廣立微：Semi

11、Mind+INF-AI，智能問答+缺陷分類+模型自動分析優化+良率分析.20 4.投資建議.20 5.風險提示.21 行業研究 敬請參閱最后一頁特別聲明 3 圖表目錄圖表目錄 圖表 1：工業 AI-破局“數據高復雜度+結果高可靠+運行低成本”的不可能三角.4 圖表 2：多模態大模型“any2any”趨勢顯現，增強 RAG 解決非結構化數據處理難題.5 圖表 3：工業大模型分為預訓練、微調、檢索增強生成三種構建模式.5 圖表 4：SymphonyAI 推出基于無監督預訓練的工業大語言模型.6 圖表 5：Cohere 微調套件.6 圖表 6：Cognite 利用 RAG 檢索不同來源和類型的工業數

12、據.7 圖表 7：工業 AI 協作方式：大模型指揮，小模型執行.8 圖表 8：工業 AI 主要包括識別類、數據建模優化類、知識推理決策類三大核心應用模式.9 圖表 9：2023 年以來 AI Token 費用下降迅速.9 圖表 10：近年來國內制造業人員平均工資逐年提升.9 圖表 11：OpenAI 發展五階段路線圖.10 圖表 12：Agent 掌握記憶、規劃、執行、工具四大能力.10 圖表 13：人類與 AI 協同的三種模式的迭代進化.10 圖表 14：Agents 革命有望引發工業 AI 參與工業客戶價值分成.11 圖表 15：工業 AI 中臺回應模型側與數據側高頻、“無痛”迭代訴求.1

13、2 圖表 16：AI 中臺為賽意信息 AI 解決方案提供底層支撐.13 圖表 17：中控技術流程工業時序大模型 TPT 為工業 AI 應用提供底層支撐.13 圖表 18：中控技術推出流程工業首個“時序智能+認知智能”雙引擎架構.14 圖表 19：工業 AI 中臺部署能力維度一覽.14 圖表 20：2023 年工信部智能制造優秀場景統計結果.15 圖表 21：賽意信息 AI+PCB 方案打通 MI 參數解析BOM 成本查詢自動生成報價全流程.16 圖表 22：中控技術 Plant Membership 已與數百家客戶達成訂閱制合作.17 圖表 23：中控技術 DCS+物流機器人實現電解液桶“洗、

14、檢、存”一體化融合管控.17 圖表 24：鼎捷數智 PLM 構建知識問答智能體.18 圖表 25：鼎捷數智 PLM 優選物料智能推薦.18 圖表 26：金蝶在單據審核、財務分析、人才招聘、征信等多個垂類場景落地 Agent.19 圖表 27：鼎捷數智 PLM 打造數字設計工程師，自動生成研發圖紙.19 圖表 28：SemiMind 平臺已與 INF-AI 智能平臺的深度集成，支持智能問答、缺陷分類，模型自動分析優化，良率分析等核心功能.20 圖表 29：建議關注工業 AI 相關標的.21 行業研究 敬請參閱最后一頁特別聲明 4 工業場景具有數據高復雜度、結果低容錯率、成本敏感性高等特點：一方面

15、，過往已經落地的小模型已在工業識別等少數垂類場景應用較為成熟，滿足了低成本+高可靠要求，但較難處理多模態與非結構化數據，泛化能力較弱且較難應用于研發設計與運營管理等場景；另一方面，大模型對多模態與非結構化數據處理能力較強，但部署成本與運行 Token 費用較高，假如對結果的可靠性要求較高，則存在成本高企的難題。因而我們認為，工業 AI過去面臨著“數據高復雜度+結果高可靠+運行低成本”的不可能三角。因而，市場此前一直有聲音認為，在本輪 AI 大模型技術發展的浪潮中，工業 AI 應用落地節奏相對較慢，短期內較難改變既有的業務流程與生產管理范式。然而，早在 20230409AI+工業信息化，高價值、

16、高普及、高認可之路報告中，我們已旗幟鮮明地指出，“本次 AI 技術創新到實際工業場景落地的時間可能快于市場預期”，并詳細梳理了工業 AI 的三類核心應用模式與三大發展階段。立足當下，我們認為，1）“多模態大模型 any2any”的技術演進趨勢有望降低工業場景非結構化數據的處理難度；2）“大模型指揮+小模型執行”的融合工業 AI 有望實現研發設計、生產制造、營銷運維全鏈條的“既要又要還要”，且保證生產制造環節模型結果的高可靠性；3）Agents 替換而非輔助人力勞動，疊加 DS 大幅降低算力成本、國內勞動力工資持續提升的背景下，“機器換人”或逼近拐點時刻。圖表圖表1：工業工業AI-破局“數據高復

17、雜度破局“數據高復雜度+結果高可靠結果高可靠+運行低成本”的不可能三角運行低成本”的不可能三角 來源：國金證券研究所 1.1 工業數據可處理了嗎？工業數據可處理了嗎？多模態大模型多模態大模型 any2any 直擊非結構化數據處理難題直擊非結構化數據處理難題 工業領域涵蓋廣泛，包括 41 個工業大類、207 個工業中類、666 個工業小類，導致數據結構多樣，數據質量參差不齊。同時，由于工業生產過程中的各個環節相互交織，數據之間的關聯性和復雜性也較高。數據的來源、采集方式、時間戳等都會影響數據的準確性和完整性。這種數據結構的多樣與質量的參差不齊給工業大模型的訓練和應用帶來了挑戰。以往的工業 AI

18、構建，需要投入大量的時間和資源進行數據清洗、預處理和校驗，以確保數據的準確性和一致性。AI 多模態大模型擅長處理非結構化數據，any2any 模型理解/生成能力有望降低工業數據的清洗工作。同時，增強的 RAG 技術能夠與工業非結構化數據建立對話，理解大段文字的檢索意圖，且通過外掛知識庫提升結果生成的可靠性，降低幻覺出現的概率。行業研究 敬請參閱最后一頁特別聲明 5 圖表圖表2：多模態大模型“多模態大模型“any2any”趨勢顯現，增強”趨勢顯現，增強RAG解決非結構化數據處理難題解決非結構化數據處理難題 來源：CSDN，ChallengeHub 微信公眾平臺，國金證券研究所 目前，工業大模型主

19、要分為三種構建模式：一是可以基于大量工業數據和通用數據打造預訓練工業大模型，支持各類應用的開發；二是可以在基礎大模型上通過工業數據進行微調（微調是指已經預訓練好的模型基礎上，使用特定的數據集進行進一步的訓練，以使模型適應特定任務或領域），適配特定工業任務；三是可以在不改變模型參數的情況下，通過檢索增強生成（RAG）為大模型提供額外的數據，支持工業知識的獲取和生成。圖表圖表3：工業大模型分為預訓練、微調、檢索增強生成三種構建模式工業大模型分為預訓練、微調、檢索增強生成三種構建模式 預訓練工業大模型 微調 檢索增強生成 數據需求數據需求 無標注及標注的工業數據，靜態數據 標注的工業數據為主，靜態數

20、據 外掛行業數據庫，動態數據 特點特點 具備部分工業領域的通用理解能力 適用于工業領域的具體任務 不改變模型快速接入行業信息 優點優點 對工業通用知識的理解 精準執行工業特定任務 快速利用外部信息資源，減少幻覺 缺點缺點 成本較高，缺乏對特定任務的優化能力 泛化能力較弱，可能過擬合 不具備對行業的深度理解能力 適用場景適用場景 作為基礎模型支持多種工業應用的開發 借助高質量的標注數據實現特定任務 快速結合數據庫進行信息檢索和輸出 來源：中國通信工業協會工業大模型應用報告(2024)，國金證券研究所 預訓練工業大模型：硅谷創業公司 SymphonyAI 推出基于無監督預訓練的工業大語言模型，該模

21、型的訓練數據包含 3 萬億個數據點，12 億 token，能夠支持機器狀況診斷，并回答故障狀況、測試程序、維護程序、制造工藝和工業標準相關的問題。行業研究 敬請參閱最后一頁特別聲明 6 圖表圖表4：SymphonyAI推出基于無監督預訓練的工業大語言模型推出基于無監督預訓練的工業大語言模型 來源：MSFT&SymphonyAI 官網，國金證券研究所 微調：Cohere 推出全面的微調套件，其中包括生成微調、聊天微調、重新排序微調和多標簽分類微調等解決方案，可以滿足企業在微調各種 AI 應用時的需求?；谖⒄{，企業可以定制模型，在文本生成、摘要、聊天、分類和企業搜索等目標用例上獲得更好的性能。圖

22、表圖表5：Cohere微調套件微調套件 來源：Cohere docs，國金證券研究所 檢索增強生成：Cognite 利用檢索增強生成技術，將大模型與其工業 DataOps 平臺CogniteDataFusion 結合起來，為工業客戶提供基于數據的洞察和解決方案。通過將不同來源和類型的工業數據進行向量化，并存儲在一個專門的向量數據庫中，可以作為 RAG 的檢索源，與用戶的自然語言提示一起輸入到大模型中，使模型能夠提供更行業研究 敬請參閱最后一頁特別聲明 7 加精準的建議或解決方案。圖表圖表6：Cognite利用利用RAG檢索不同來源和類型的工業數據檢索不同來源和類型的工業數據 來源：Cognit

23、e 官網，國金證券研究所 1.2 如何保障結果高可靠？如何保障結果高可靠？大模型指揮大模型指揮+小模型執行，三類核心應用模式成熟度較高小模型執行，三類核心應用模式成熟度較高 小模型適配生產制造環節：小模型在諸如生產線監控、設備維護、質量檢測、視覺識別、缺陷檢測等任務中落地成熟度較高，顯著提升了生產效率和產品質量控制水平。但在研發設計以及以智能問答為主的運營管理環節，小模型的效果一般，成熟度也相對較低。這主要是因為小模型通常專注于解決特定任務，對于需要更廣泛知識和上下文理解的復雜任務（如產品設計、市場預測等），其表現并不理想。具體來說，在研發設計中，小模型難以處理涉及多學科交叉的問題；而在運營管

24、理環節，小模型無法提供足夠的智能支持來進行復雜的決策制定。大模型適配研發設計+運維管理環節：大模型在處理復雜任務時展現出了顯著優勢，尤其是在需要綜合分析多種因素做出決策的情況下，大模型能夠有效地輔助人類專家進行判斷。然而，大模型在生產、制造等低附加值場景的落地卻存在明顯局限性。一方面，由于大模型的訓練和運行需要大量的計算資源，這導致了在實際應用中的高成本問題；另一方面，大模型在實時性和可信度方面也面臨挑戰，尤其是在需要快速響應和高度可靠性的工業生產環境中。大模型的延遲問題和不確定性使得它們在某些情況下不如小模型那樣適合用于即時反饋和控制。此外，由于工業環境中的許多任務要求極高精度，大模型的預測

25、誤差可能會導致嚴重后果。我們認為，工業 AI 可以采取“大模型指揮、小模型執行”的協作方式，即在需要全局優化和預測性分析的場景中，利用大模型進行宏觀指導與決策支持；而在具體執行與實時反饋方面，則依靠小模型發揮其高精度和低成本的優勢。例如，華為在 5G 設備制造中將大模型用于供應鏈預測與管理，而小模型用于具體的生產流程監控，實現了模型間的協同優化。行業研究 敬請參閱最后一頁特別聲明 8 圖表圖表7：工業工業AI協作方式：大模型指揮，小模型執行協作方式：大模型指揮，小模型執行 來源：信通院人工智能在工業領域的應用案例分析及路徑研究(2025)，國金證券研究所 在 20230409AI+工業信息化，

26、高價值、高普及、高認可之路報告中，我們曾詳細梳理過工業 AI 的三類核心應用模式：識別類應用：與通用算法技術中的機器視覺等相對應，包括工業視覺檢測、表單識別和工業語音信號識別等。數據建模優化類應用：與通用算法技術中的數據科學相對應，如基于機器學習、深度學習技術的智能排產、設備運維、工藝參數優化等。知識推理決策類應用：與通用算法技術中的知識工程相對應，如冶煉專家系統、設備故障診斷專家系統、供應鏈知識圖譜等。行業研究 敬請參閱最后一頁特別聲明 9 圖表圖表8：工業工業AI主要包括識別類、數據建模優化類、知識推理決策類三大核心應用模式主要包括識別類、數據建模優化類、知識推理決策類三大核心應用模式 來

27、源：信通院工業智能白皮書(2022)，國金證券研究所 1.3“機器換人”成本拐點到了嗎？“機器換人”成本拐點到了嗎？算力降費算力降費+人力成本提升，人力成本提升，Agent 換人邏輯更順換人邏輯更順 過去一段時間，工業 AI 落地在我國面臨“機器換人”不劃算的問題，原因是我國制造業工資相對較低，工業 AI 早期從部署成本到運行過程中的 AI Token 費用高昂，由于工業場景對成本較為敏感，因此階段性存在“人比機器便宜”的落地阻礙。我們認為，一方面，百萬 Token 輸入價格在過去 2 年實現兩個數量級以上的降費，同時在保證模型精度的前提下，通過剪枝、量化、蒸餾等方式可以有效地減少模型的參數量

28、、計算復雜度和存儲需求，從而降低訓練和推理的成本。通過模型壓縮，不僅可以降低硬件成本，還能夠提高模型在移動設備、邊緣計算等資源受限環境下的性能表現。另一方面，我國制造業人員平均工資近 5 年逐年提升，2023 年達 10.4 萬元。兩端共振背景下，我們預期我國工業 AI 換人的成本拐點已然迫近。圖表圖表9：2023年以來年以來AI Token費用下降迅速費用下降迅速 圖表圖表10：近年來國內制造業人員平均工資逐年提升近年來國內制造業人員平均工資逐年提升 來源：晚點 LatePost 微信公眾平臺，機器之心微信公眾平臺，國金證券研究所（注：圖中為對應時段主流 AI 大模型的每百萬 Token 輸

29、入價格。）來源：國家統計局，國金證券研究所（注：國家統計局統計口徑為制造業我國城鎮非私營單位就業人員平均工資。）AGI 進入 Level 3 賽點，人機協作進入數字勞動力階段。按照 OpenAI 的路線圖，AGI 發展路線可劃分為五個階段，現處于第三階段 Agent 智能體：1）Chatbots 聊天機器人可進行日常對話；2）Reasoners 推理器可分析復雜信息并進行推斷；3）Agents 智能體可理解復雜指令并在多任務環境中自主決策和靈活應對；4）Innovators 創新者可獨立提出新的概念、假設和解決方案；5）Organizations 可協調和管理龐大系統、資源和團隊。7.818.

30、289.259.7510.396.0%11.7%5.4%6.6%0%2%4%6%8%10%12%14%02468101220192020202120222023制造業人員平均工資（萬元）制造業人員平均工資_YoY（右軸，%）行業研究 敬請參閱最后一頁特別聲明 10 Agents 掌握記憶、規劃、執行、工具四大核心能力。ChatGPT 具備長文本記憶能力；OpenAI o1 在此基礎上拓展了規劃能力，具備反饋、自我反思、思維鏈、子目標分解等功能；Agents 則在記憶與規劃的基礎上能夠調用多種企業數字化工具，并在企業授權的前提下獲得自主執行能力。圖表圖表11：OpenAI發展五階段路線圖發展五階

31、段路線圖 圖表圖表12：Agent掌握記憶、規劃、執行、工具四大能力掌握記憶、規劃、執行、工具四大能力 AI 發展階段 所處階段 AI 特性 Level 1 Chat bots 聊天機器人：AI實現日常對話功能。Level 2 Reasoners 推理器：AI具備基本的邏輯推理能力，能夠分析復雜信息并進行推斷。Level 3 Agents智能體：AI具備理解復雜指令的能力并能夠在多任務環境中自主決策和靈活應對。Level 4 Innovators 創新者：AI具備創新和創造的能力。它能夠獨立提出新的概念、假設和解決方案。Level 5 Organizations 組織者：具備協調和管理龐大系統

32、、資源和團隊的能力。來源：新智元微信公眾平臺，國金證券研究所 來源：智能體 AI 微信公眾平臺，國金證券研究所 人機協作可分為三種模式：1）以 Chat GPT 為代表的 Embedding 模式，通過提示詞讓 AI協助完成目標，人類仍是任務主體；2）以 Microsoft 365 Copilot 等為代表的 Copilot 模式，AI 參與到工作流的各階段，人類與 AI 各司其職；3）未來有望過渡到 Agent 模式，由人類設定目標并提供資源，AI 完成絕大部分工作。圖表圖表13：人類與人類與AI協同的三種模式的迭代進化協同的三種模式的迭代進化 來源：數字化助推器微信公眾平臺，國金證券研究所

33、 我們認為，工業 AI 潛在 Agent 化的發展趨勢有望引發行業商業模式變革。對于工業 AI 廠商而言，商業模式有望從項目制/賣 License 向 SaaS、Agent 轉變，對于工業客戶的預算決策而言，工業 AI 支出將有望從 CapEx（固定資產支出）到 OpEx（運營支出），再到VabEx（基于價值的分成）。行業研究 敬請參閱最后一頁特別聲明 11 圖表圖表14：Agents革命有望引發工業革命有望引發工業AI參與工業客戶價值分成參與工業客戶價值分成 來源：國金證券研究所 2.1 工業工業 AI 中臺何以誕生？中臺何以誕生？回應模型側與數據側高頻、“無痛”迭代訴求回應模型側與數據側高

34、頻、“無痛”迭代訴求 工業客戶行業知識庫與外界 AI 大模型迭代速度較快，一方面，AI 決策直接影響工業客戶生產質量，因而 AI 必須基于制造業的專業知識進行定制化（預訓練、微調、RAG），并伴隨客戶的知識庫變化同步更新；另一方面，過去兩年 AI 大模型迭代加速，僅在過去幾個月中，全球 AI 格局便經歷了 o1、deepseek R1、o3、Grok3、Claude 3.7 的至少五輪迭代，且不同的 AI 模型適配的應用場景有所差異。因而，工業 AI 架構必須具備“進化能力”，在不影響正常生產經營的前提下實現模型兩端的平滑升級和優化。為滿足上述需求，AI 中臺應運而生，具體而言，工業 AI 中

35、臺應具備四大核心能力：“開源大模型+云 API”混合推理：開源大模型（本地部署）：如 LLaMA2、Mistral或 Falcon，用于處理高頻、低延遲、數據隱私要求高的任務。企業可以對這些模型進行微調，訓練出適配自身業務的數據智能系統。云端 API（第三方模型）：如OpenAI GPT-4、Claude 或 Gemini，適用于復雜任務或需要最新 AI 能力的場景。企業可以根據需求決定何時調用外部 API，以降低成本并獲得最新模型能力。具體部署操作中，可采用多層推理架構，通常情況下默認調用本地大模型，保證低延遲和數據安全。當本地模型置信度不足（例如罕見問題或模型信心較低）時，自動 fallb

36、ack 到云端 API，確保精準度。同時，還可以利用語義緩存，對重復問題返回已有答案，減少 API 調用成本。比如，在某制造企業在智能客服系統中，先使用本地 Mistral 模型處理 90%的客戶咨詢，僅當本地模型無法回答時，才調用 GPT-4API，成功降低了 70%的 API 成本，同時保障了數據隱私。多模型綜合管理：模型編排：統一管理開源大模型和外部 API，提供一個標準化的調用接口，避免業務系統直接依賴單一模型，增強靈活性。模型治理：記錄每個模型版本，跟蹤其表現，讓模型之間互相監督，自動推薦最優模型，確保系統長期可維護。數據管理：提供特征倉庫、向量數據庫（如 Milvus 或 Fais

37、s），讓不同模型都能訪問企業知識庫，提升答案質量。比如，某工業制造公司通過 AI 中臺管理多個大模型（LLaMA2、GPT-4API），當生產數據發生變化時，AI 中臺可以自動選擇更合適的模型處理任務，減少了因模型不適應新數據導致的錯誤率。模型全生命周期管理（MLOps）：在傳統 IT 架構中，軟件升級有版本管理、回滾機制、CI/CD 自動化部署等成熟方法。但目前 AI 大模型應用尚在初期，升級較為混亂，很多企業甚至要手動上傳新模型、修改代碼、重新上線。MLOps 目前有兩種方式優化模型迭代流程：CI/CD 自動化部署：通過 Kubeflow、MLflow 等工具，自動化模型訓練、評估、上線全

38、過程?；叶劝l布與 A/B 測試：先讓新模型在后臺“影子測行業研究 敬請參閱最后一頁特別聲明 12 試”，確保穩定性。在正式上線前，采用灰度發布，先讓 1%的流量試用新模型，若表現良好再逐步擴展。若新模型效果不佳，可自動回滾到舊模型，保障業務穩定。比如，一家智能質檢公司引入 MLOps 流水線后，模型升級周期從原來的 1 個月縮短到 1 天，并且上線失敗率降低 90%?？捎^測性：工業 AI 應用的最大風險，在于其不可預測性。為了避免模型“黑箱化”，需要搭建完整的可觀測性體系，包括：監控推理延遲、錯誤率、模型漂移，確保 AI穩定運行。日志追蹤：記錄所有模型調用，便于回溯分析和合規審計。智能告警：如

39、果模型回答置信度下降，或某些業務指標異常，自動觸發預警。比如，某制造企業在部署智能預測性維護 AI 時，發現新模型在部分設備數據上的誤差變大。通過監控日志發現模型未見過某種新型設備的數據，最終通過快速微調解決了問題。圖表圖表15：工業工業AI中臺回應模型側與數據側高頻、“無痛”迭代訴求中臺回應模型側與數據側高頻、“無痛”迭代訴求 來源：小哈公社微信公眾平臺，阿里巴巴矢量圖標庫，國金證券研究所 2.2 工業工業 AI 中臺商業化進展？中臺商業化進展？賽意賽意 AI 中臺項目達千萬級，中控中臺項目達千萬級，中控 TPT大模型落地數十大模型落地數十家大型企業家大型企業 2 月 17 日，廣汽集團聯合

40、華為正式啟動“廣汽 AI 中臺及應用試點項目”賦能智能化工作，推動 AI 技術賦能汽車產業智能研發制造，實現企業智能化、產品智能化的雙重戰略目標。廣汽集團副總經理江秀云、華為云 EI 汽車領域總經理吳小東、賽意信息云事業部總經理任澤華，以及廣汽集團數字化部、廣汽研究院云服務與大數據有關負責人出席會議。廣汽 AI 中臺及應用試點項目將聚焦智能網聯開發、產品設計和辦公等 AI 應用場景，以降低運營成本、提升業務效率、敏捷快速交付等方面為目標提升企業競爭力。建設內容包括基于 AI 工具鏈實現數據處理、大模型訓練與微調、AI 應用開發等端到端能力，并具備接入 DeepSeek 大模型的能力。2 月 2

41、8 日，賽意信息披露公告，“為客戶提供的服務及產品聚焦智能網聯開發、產品設計等 AI 應用場景，內容包括基于 AI 工具鏈實現數據處理、大模型訓練與微調、AI 應用開發等端到端能力，并具備接入 DeepSeek 大模型的能力”，合同金額高達 4,847 萬元。行業研究 敬請參閱最后一頁特別聲明 13 圖表圖表16：AI中臺為賽意信息中臺為賽意信息AI解決方案提供底層支撐解決方案提供底層支撐 來源：賽意信息微信公眾平臺，國金證券研究所 2024 年 6 月，中控技術在新加坡面向全球發布了流程工業首款時間序列大模型 TPT（Time-series Pre-trained Transformer）。

42、流程工業時序大模型 TPT 結合了大量行業知識和工業數據基礎，融合工藝參數的設備異常監測及診斷、實現全過程質量精準模擬與優化控制、將難以機理建模的裝置運行優化、幫助石化裝置實現精準模擬優化和動態路徑規劃。目前已在萬華化學、興發集團、鎮海煉化等數十家大型企業的氯堿、熱電、石化等裝置實現落地應用。圖表圖表17：中控技術流程工業時序大模型中控技術流程工業時序大模型TPT為工業為工業AI應用提供底層支撐應用提供底層支撐 來源：中控技術官網，國金證券研究所 2025 年，在全球流程工業邁入智能化深水區的當下，中控技術將 TPT 與 DeepSeek 進行深度融合，推出流程工業首個“時序智能+認知智能”雙

43、引擎架構的面向流程工業生產過程場景的 TPT 大模型升級版。TPT 專注實時數據流分析，每秒處理數萬傳感器信號；DS 則化身“數字老師傅”，將行業經驗轉化為可執行的智能策略。具體而言，“時序智能+認知智能”雙引擎架構至少可實現三大核心功能：TPT“自主監督”+DeepSeek 全面提升異常識別處置能力：TPT 接入生產實時數據，對工藝、設備進行全面“自主監督”，對異常情況進行實時預測預警。DeepSeek 以檢維修記錄、運維手冊等企業私域知識為基礎，融合 TPT 的實時預測、預警信息，生成準確、高效的診斷報告，大幅降低經驗依賴。TPT“自主優化”+DeepSeek 全方位挖潛增效、節能降碳：T

44、PT 接入生產實時數據行業研究 敬請參閱最后一頁特別聲明 14 基于優化目標在線進行模擬計算，自動給出最優操作條件或生產瓶頸。DeepSeek 以工藝技術規程、崗位操作法等企業私域知識為基礎，融合 TPT 給出的優化調整策略，生成操作步驟、操作預警，指導完成生產操作優化調整，實現裝置最優化運行。TPT“自主決策”+DeepSeek 推進驅動裝置少人、無人化運行：統一工廠裝置的控制、評估、優化工作，全面提升工廠裝置運行風險鏈、價值鏈的掌控能力。其中，DeepSeek 知識沉淀與認知智能的能力，可全面提升裝置運行的分析、診斷、交互能力，通過與 TPT 融合形成工廠的“超級大腦”，將實現智能感知、自

45、動分析、自主決策、自動執行，將工廠裝置少人化、無人化運行變成現實。圖表圖表18：中控技術推出流程工業首個“時序智能中控技術推出流程工業首個“時序智能+認知智能”雙引擎架構認知智能”雙引擎架構 來源：中控技術微信公眾平臺，國金證券研究所 2.3 工業工業 AI 中臺有建設壁壘嗎？中臺有建設壁壘嗎？算力整合算力整合+模型管理模型管理+工業數據治理工業數據治理+領域領域Knowhow+工程化交付工程化交付 工業 AI 中臺建設目前尚處于滲透率早期，我們認為，以“華為晟騰+賽意信息”合作模式為例，工業 AI 中臺部署對算力整合、模型管理、工業數據治理、領域 Knowhow、工程化交付五大能力均提出較高

46、要求。目前，賽意善謀 GPT 已基于華為昇騰國產算力構建出 PCB 行業大模型，通過 DeepSeek模型接入適配，基于其數據蒸餾、模型蒸餾以及強化學習能力，生成高質量數據。在此基礎上，結合行業知識精細調優，使得 PCB 行業大模型的性能和推理效率實現了顯著提升，降低算力消耗，展現出高效能與節能并重的優勢。圖表圖表19：工業工業AI中臺部署能力維度一覽中臺部署能力維度一覽 能力維度 具體要求 異構算力整合異構算力整合 支持英偉達/昇騰/寒武紀等多架構芯片，實現千/萬卡級并行訓練能力 模型全生命周期模型全生命周期管理管理 覆蓋開發（特征工程、AutoML）、部署（K8s 容器化）、監控（異常檢測

47、），需集成 MLflow 等工具鏈 工業數據治理工業數據治理 打通 ERP/MES/IoT 數據孤島，構建行業特征庫 領域領域 Know-how 沉淀行業算法模板（如半導體缺陷檢測、汽車供應鏈優化），需聯合客戶共創 工程化交付能力工程化交付能力 私有化部署經驗（如廣汽項目）、跨平臺兼容性（支持 ROS/OPC UA工業協議）來源：基于 OPC UA 的智能制造車間數據通信技術及應用，小哈公社微信公眾平臺，廣汽集團微信公眾平臺，賽意信息微信公眾平臺，國金證券研究所 行業研究 敬請參閱最后一頁特別聲明 15 在 20230409AI+工業信息化，高價值、高普及、高認可之路報告中，我們曾基于信通院工

48、業智能白皮書(2022)梳理認為，生產控制環節的 AI 應用占比超 57%，擁有表面缺陷檢測、生產過程控制優化、質量關聯分析、預測性維護、安全管理與巡檢、生產作業視覺識別、物料識別與操作等一批典型細分場景。本篇報告中，我們進一步基于 2023 年 605 個工信部智能制造優秀場景統計認為，出現頻率排名前 10 的場景生產環節約占 7 個，生產制造領域仍是工業 AI 落地成熟度最高的環節。究其原因：一是場景需求成效顯著，產品質量、效率以及設備管理直接與企業經濟掛鉤，是幾乎所有工業企業共同關注的重點環節。二是數據獲得性強，生產過程數據、設備運行過程數據等數據量較大、采集相對簡單，為 AI 技術落地

49、提供了基本條件。三是技術成熟度較高，以機器學習、圖像識別等傳統 AI 算法面向特定問題實現識別、參數預測及優化為主。據工信部，智能制造場景是智能工廠的核心組成部分，可分為 3 個方面 16 個環節的 45個典型場景。我們基于 2023 年 605 個工信部智能制造優秀場景進行統計分析，排名前10 的場景分別為智能在線檢測、人機協同制造、產線柔性配置、先進過程控制、質量精準追溯、智能協同作業、精益生產管理、在線運行監測、智能倉儲、產品數字化研發與設計。其中，生產作業與質量管控環節應用場景成熟度最高，產品設計、倉儲物流、設備管理等環節也均有成熟場景落地。圖表圖表20：2023年工信部智能制造優秀場

50、景統計結果年工信部智能制造優秀場景統計結果 來源：工信部，國金證券研究所（注：上圖中標紅場景為 2023 年 605 個工信部智能制造場景中占比前 10 的場景。）3.1 生產控制類：垂類場景生產控制類：垂類場景 Agent 初見端倪，工業初見端倪，工業 SaaS 訂閱制轉型初具規模訂閱制轉型初具規模 3.1.1 賽意信息：賽意信息：PCB 行業行業 Agent，MI 參數解析參數解析+BOM 成本查詢成本查詢+智能生成報價智能生成報價 以 MI 工程人員的操作為例，原本生成一份生產工藝指示文件需要高級人員解讀多種格式的繁雜文檔并手動整理制作，整個過程耗時至少 30 分鐘。而在應用賽意善謀 P

51、CB-AI 行業模型后，客戶需求文檔一鍵上傳，僅需 10 分鐘便可完成自動解析、人工核對檢查工作。以某印制電路板有限公司為例，在客戶應用賽意善謀 PCB 行業大模型集成 AI 自動報價系統后，原本人工解讀圖紙、核算等復雜流程下，報價效率及準確性低等問題已不復存在。通過自動識別參數、智能生成報價等，最終實現參數提取時間由原本的 46 小時提升至46 分鐘，報價周期減少 4 倍的同時大幅提升了報價準確性。行業研究 敬請參閱最后一頁特別聲明 16 圖表圖表21：賽意信息賽意信息AI+PCB方案打通方案打通MI參數解析參數解析BOM成本查詢成本查詢自動生成報價全流程自動生成報價全流程 來源：賽意信息微

52、信公眾平臺，國金證券研究所 3.1.2 中控技術：流程工業中控技術：流程工業 APP 訂閱制轉型，訂閱制轉型，DCS+物流機器人實現“零人工”干預物流機器人實現“零人工”干預 依托 TPT 流程工業時序大模型，2024 年 Q2 末，中控技術推出 PlantMembership 基于軟件年費訂閱制的會員商業模式，以 token 形式向會員客戶開放涵蓋數百款高價值軟件包的組合，為客戶提供了“軟件投資成本大幅降低、軟件運維零成本、軟件升級無限制、會員訂閱工業軟件產品定期免費上新”等價值。截至 24Q3 末，中控技術已與數百家客戶達成了訂閱制合作。行業研究 敬請參閱最后一頁特別聲明 17 圖表圖表2

53、2：中控技術中控技術Plant Membership已與數百家客戶達成訂閱制合作已與數百家客戶達成訂閱制合作 來源：中控技術官網，國金證券研究所 2025 年初，中控技術成功實施的四川中藍新能源材料有限公智能供應鏈物流機器人項目順利投入運行。該項目以“1+2+N”智能工廠新架構為基礎，融合中控 Plantbot 機器人解決方案的“AI+機器人”技術，實現了電解液桶在“洗、檢、存”環節的一體化融合管控。中控技術在工廠倉儲物流環節深入結合全廠 DCS 系統、制造執行系統、機器人系統等多個生產過程自動化(PA，Process Automated)和企業運營自動化(BA，Business Automa

54、ted)產品。在 PA 端，借助制造執行系統實現“零人工”干預的全流程智能化管理；通過供應鏈物流機器人，緊密聯動智能灌裝場景下“產、運、存”等關鍵環節，為搭建工廠的智慧供應鏈平臺提供堅實保障。在 BA 端，以中控機器人系統Plantstudio 平臺為核心，協同制造執行系統、ERP 系統，實時監控庫存數據及物料流轉數據，結合企業生產經營數據為供應鏈采供及營銷提供全面決策支撐。圖表圖表23：中控技術中控技術DCS+物流機器人實現電解液桶“洗、檢、存”一體化融合管控物流機器人實現電解液桶“洗、檢、存”一體化融合管控 來源：中控技術微信公眾平臺，國金證券研究所 3.1.3 寶信軟件：發布“鋼鐵行業大

55、模型”，推出廢鋼智能檢判寶信軟件：發布“鋼鐵行業大模型”，推出廢鋼智能檢判SaaS 化平臺化平臺 2024 年 10 月，寶武發布自主研發的鋼鐵行業大模型產品“寶聯登鋼鐵行業大模型”。寶武構建的鋼鐵行業大模型通過“通專融合”（通用模型和專業模型）、“業技融合”（行業知識和 AI 技術）、“數實融合”（數字技術和實體制造）三融合一，用于企業智慧制造、智慧治理、智慧服務等主題場景，以及高爐大模型、轉爐大模型、配煤配礦大模型、云表檢大模型、研發設計大模型等領域模型，為鋼鐵企業提供一體化、集成化的“AI+鋼鐵”解決方案。2023 年 12 月，歐冶鏈金與寶信軟件合作開發的廢鋼智能檢判 SaaS 化平臺

56、在馬鋼利華金屬再生資源有限公司當涂長鋼中心基地正式發布，該平臺旨在解決廢鋼行業質檢痛點，推進智能檢判系統標準化和廢鋼在線質檢統一結算應用進程。在廢鋼質檢過程中，人工現場目測一直是主要依據，但存在著人為因素大、判級異議多等問題。為解決這些問題，歐冶鏈金和寶信軟件聯合開發了符合行業需求的標準化、智能化、規范化、科學化廢鋼智能行業研究 敬請參閱最后一頁特別聲明 18 檢判系統，并以此打造了業界領先的歐冶鏈金廢鋼智能檢判 SaaS 化平臺。該平臺在智能檢判系統基礎上，可提高標準化程度、縮短實施周期、降低運維成本、提高數據實時性和透明度，使廢鋼檢判更加客觀、全面、安全和高效。3.2 經營管理類：知經營管

57、理類：知識庫識庫+垂類場景智能體，垂類場景智能體，PLM 與與 ERP 領域均有落地場景領域均有落地場景 3.2.1 鼎捷數智：鼎捷數智：PLM+DS 構建知識問答智能體，優選物料智能推薦構建知識問答智能體，優選物料智能推薦 傳統人工智能助手功能單一，僅以基礎檢索為主，未能深度整合企業所在行業的知識和自有產品知識。鼎捷PLM+DeepSeek構建知識問答智能體，其不僅能分析和查找專業數據，滿足客戶高精度查詢需求，同時還能幫助企業盤活數據資產，形成針對性的專業私有知識庫，實現數據的無死角利用。此外，鼎捷 PLM 智能助手還能幫助用戶做優選物料的智能推薦，將整理后的相似性優選數據生成新的內容呈現給

58、用戶。圖表圖表24：鼎捷數智鼎捷數智PLM構建知識問答智能體構建知識問答智能體 來源：鼎捷微信公眾平臺，國金證券研究所 圖表圖表25：鼎捷數智鼎捷數智PLM優選物料智能推薦優選物料智能推薦 來源：鼎捷微信公眾平臺，國金證券研究所 3.2.2 金蝶國際：單據審核、財務分析、人才招聘、征信等多個垂類場景落地金蝶國際：單據審核、財務分析、人才招聘、征信等多個垂類場景落地 Agent 在金蝶云蒼穹中，智能體的開發有兩種核心模式：一是 AI 自主規劃，例如對于企業知識問答，大模型根據用戶的提問，自動識別對應的問題，找到對應的答案，反饋用戶，全部通過大模型解決。二是 AI 任務流編排，對于復雜場景，需要人

59、機協同，需要進行任務流的編排，例如，智能人員調配，需要進行任務流的編排，規定這些動作執行的順序，確保 AI 輸出的結果可靠。行業研究 敬請參閱最后一頁特別聲明 19 圖表圖表26：金蝶在單據審核、財務分析、人才招聘、征信等多個垂類場景落地金蝶在單據審核、財務分析、人才招聘、征信等多個垂類場景落地Agent 場景 Agent 部署前 Agent 部署后 單據審核單據審核 此前，財務機器人解決了財務審單95%以上的自動化，但是還有最后一公里，主要是非結構化附件審核，難以通過原有的規則引擎和算法實現?，F在基于大模型對文本處理的能力，可以識別合同條款里面的風險條款并及時提醒財務人員，解決非結構化附件難

60、以審核的難題，打通最后一公里。通過多模態審核，大幅度提高審核效率。財務分析財務分析 此前，企業是通過財務分析庫、經營分析庫提供一系列的報表，然后逐步分析?，F在通過蒼穹 App，我們可以使用財務智能指標分析助手，只通過提問，它就可以幫我們進行盈利能力、償債能力、對標分析、杜邦分析等多種分析工作。智能指標分析助手里的每一種專業分析，都對應一個專屬的智能體，用戶提出問題之后，助手會識別用戶的意圖，然后回答相應的問題。分析決策的模式從原來的看報表式分析，變為不斷追問、不斷找到原因的探索式分析，也從經驗決策向智能增強的決策轉變。人才招聘人才招聘/海信與金蝶通過在人力資源管理領域共創 AI 應用，打造了員

61、工活水平臺及近 20 個業務場景，實現員工全旅程和人才供應鏈全鏈路的智能化體驗，內部招聘比例提升了 120%，干部考察過程效率提升了 70%，包括智能內部招聘、智能任職資格評定、人才智搜等。征信征信 此前，傳統風控過度依賴財務報表的單一評估模式。金蝶征信 AI 信貸模型通過整合企業財務數據、稅務發票、工商信息、司法記錄、銀行流水及商戶交易等多元維度（覆蓋 3000 余經營指標），有效覆蓋傳統評估體系中 70%的數據盲區，顯著提升風險識別精度。來源：金蝶微信公眾平臺，國金證券研究所 3.3 研發設計類：數字設計工程師初級階段，以研發設計類：數字設計工程師初級階段，以 Copilot 形態為主形態

62、為主 3.3.1 鼎捷數智：鼎捷數智：PLM+DS 打造數字設計工程師，自動生成研發圖紙打造數字設計工程師，自動生成研發圖紙 鼎捷 PLM+DeepSeek 打造數字設計工程師，其不僅能夠高效完成研發圖紙的變型設計，完成圖紙合規性審查，還可一鍵生成 BOM；通過解析語義、讀取文件和圖片內容，精準推理圖紙設計需求，并與模型知識庫中的數據智能匹配，快速生成三維模型文件，無縫對接 CAD 系統進行編輯和修改。此外，基于上下文記憶功能，該應用還支持對話式交互和文件上傳，可靈活調整模型參數，實現尺寸的即時優化，大幅提升設計效率和精準度。圖表圖表27：鼎捷數智鼎捷數智PLM打造數字設計工程師，自動生成研發

63、圖紙打造數字設計工程師，自動生成研發圖紙 來源：鼎捷微信公眾平臺，國金證券研究所 行業研究 敬請參閱最后一頁特別聲明 20 3.3.2 廣立微：廣立微：SemiMind+INF-AI，智能問答，智能問答+缺陷分類缺陷分類+模型自動分析優化模型自動分析優化+良率分析良率分析 SemiMind 半導體大模型平臺是廣立微旗下一個“知識庫+智能體”驅動的 AI 研發基座，旨在通過智能化重構半導體研發流程，打破數據孤島，實現知識民主化與效率躍升。近日，SemiMind 正式接入 DeepSeek-R1 大模型，為半導體行業提供三大價值：知識沉淀與復用：集成行業 Know-how 與海量工藝數據，構建專業

64、領域知識庫，打破經驗壁壘。通過在知識庫中存儲半導體制造的 CP、FT、WAT 等數據，在出現良率問題時，快速關聯其在整個制程中的各步驟數據并智能推薦類似案例的解決方案。智能體自主構建：用戶可通過低代碼/無代碼方式，快速搭建定制化功能模塊（如 Test Plan 生成、機臺操作維護流程文檔生成，實時工藝參數異常檢測，多源數據分析與根因定位等），實現需求敏捷響應。智能化升級數據分析軟件平臺：智能化升級數據分析軟件平臺能夠靈活集成其他軟件平臺，實現軟件的智能化，提供個性化的推薦、自動化的流程管理以及實時的數據分析，從而幫助用戶更好地完成任務，提高工作效率。圖表圖表28：SemiMind平臺已與平臺已

65、與INF-AI智能平臺的深度集成，支持智能問答、缺陷分類，智能平臺的深度集成，支持智能問答、缺陷分類，模型自動分析優化，良率分析等核心功能模型自動分析優化，良率分析等核心功能 來源：廣立微微信公眾平臺，國金證券研究所 我們認為，AI 大模型問世 2 年多后再談工業 AI，“易部署、高可靠、低成本”的“不可能三角”或有破局可能，我們看好工業 AI 中臺+垂類 Agent 應用落地，建議關注工業 AI相關標的。行業研究 敬請參閱最后一頁特別聲明 21 圖表圖表29：建議關注工業建議關注工業AI相關標的相關標的 企業 工業 AI 內容 中控技術 流程工業時序大模型 TPT 結合大量行業知識和工業數據

66、基礎，融合工藝參數的設備異常監測及診斷、實現全過程質量精準模擬與優化控制、將難以機理建模的裝置運行優化、幫助石化裝置實現精準模擬優化和動態路徑規劃，推出 PlantMembership 軟件年費訂閱制的會員商業模式。賽意信息 AI+PCB 方案打通 MI 參數解析BOM 成本查詢自動生成報價全流程；承接 4,847 萬元合同金額的 AI 中臺項目。鼎捷數智 PLM+DS 構建知識問答智能體，優選物料智能推薦；打造數字設計工程師，自動生成研發圖紙。雅典娜融合微軟 Azure GPT 并引入國內優秀開源大模型能力，結合在制造領域數據沉淀，發展制造行業大模型，形成如 IndepthAI、智能問答和敏

67、捷數據等平臺能力。漢得信息 構建 AIGC 知識庫；落地財務報銷 Agent；打造 AI 導購陪練；提高光伏切片良率等。寶信軟件 發布“鋼鐵行業大模型”，推出廢鋼智能檢判 SaaS 化平臺。能科科技 建立樂研智能化文檔管理、創立樂倉智能助手、打造樂造智能質檢、構建樂數數據智能應用、提供樂系列產品培訓助理。金蝶國際 基于金蝶云蒼穹開發企業服務智能體，在單據審核、財務分析、人才招聘、征信等多個垂類場景落地 Agent。用友網絡 推出在 DeepSeek 推理模型驅動下的用友 BIP 智能體構建平臺，能夠幫助企業在 10 分鐘內快速構建一個智能體。廣立微 SemiMind+INF-AI，落地“智能問

68、答+缺陷分類+模型自動分析優化+良率分析”等功能。來源：iFind，各公司微信公眾號，國金證券研究所 工業工業 AI 落地應用節奏不及預期的風險落地應用節奏不及預期的風險。工業 AI 技術仍處于探索階段，技術路線的不確定性可能導致企業前期投入與后期技術路線偏離，形成沉沒成本。此外，生成式 AI 的“黑盒”特性可能引發模型決策不可解釋性風險，影響工業場景 AI 應用的落地節奏。工業數據安全與隱私保護的風險。工業數據安全與隱私保護的風險。工業 AI 依賴海量數據訓練，工業大模型對私域數據的調用可能引發知識產權爭議，尤其涉及核心工藝參數時，或面臨合規性挑戰。傳統工業軟件企業轉型工業傳統工業軟件企業轉

69、型工業 AI 節奏不及預期的風險。節奏不及預期的風險。傳統工業軟件企業對 AI 重視程度有所差異，內部人才結構也相對傳統，兼具 AI 技術與工業 know-how 的復合型人才缺口或將制約技術落地效率。行業研究 敬請參閱最后一頁特別聲明 22 行業投資評級的說明：行業投資評級的說明：買入：預期未來 36 個月內該行業上漲幅度超過大盤在 15%以上；增持：預期未來 36 個月內該行業上漲幅度超過大盤在 5%15%；中性：預期未來 36 個月內該行業變動幅度相對大盤在-5%5%；減持：預期未來 36 個月內該行業下跌幅度超過大盤在 5%以上。行業研究 敬請參閱最后一頁特別聲明 23 特別聲明：特別

70、聲明：國金證券股份有限公司經中國證券監督管理委員會批準，已具備證券投資咨詢業務資格。何形式的復制、轉發、轉載、引用、修改、仿制、刊發，或以任何侵犯本公司版權的其他方式使用。經過書面授權的引用、刊發，需注明出處為“國金證券股份有限公司”，且不得對本報告進行任何有悖原意的刪節和修改。本報告的產生基于國金證券及其研究人員認為可信的公開資料或實地調研資料，但國金證券及其研究人員對這些信息的準確性和完整性不作任何保證。本報告反映撰寫研究人員的不同設想、見解及分析方法，故本報告所載觀點可能與其他類似研究報告的觀點及市場實際情況不一致，國金證券不對使用本報告所包含的材料產生的任何直接或間接損失或與此有關的其

71、他任何損失承擔任何責任。且本報告中的資料、意見、預測均反映報告初次公開發布時的判斷，在不作事先通知的情況下，可能會隨時調整，亦可因使用不同假設和標準、采用不同觀點和分析方法而與國金證券其它業務部門、單位或附屬機構在制作類似的其他材料時所給出的意見不同或者相反。本報告僅為參考之用，在任何地區均不應被視為買賣任何證券、金融工具的要約或要約邀請。本報告提及的任何證券或金融工具均可能含有重大的風險，可能不易變賣以及不適合所有投資者。本報告所提及的證券或金融工具的價格、價值及收益可能會受匯率影響而波動。過往的業績并不能代表未來的表現?？蛻魬斂紤]到國金證券存在可能影響本報告客觀性的利益沖突，而不應視本報

72、告為作出投資決策的唯一因素。證券研究報告是用于服務具備專業知識的投資者和投資顧問的專業產品，使用時必須經專業人士進行解讀。國金證券建議獲取報告人員應考慮本報告的任何意見或建議是否符合其特定狀況，以及（若有必要）咨詢獨立投資顧問。報告本身、報告中的信息或所表達意見也不構成投資、法律、會計或稅務的最終操作建議，國金證券不就報告中的內容對最終操作建議做出任何擔保，在任何時候均不構成對任何人的個人推薦。在法律允許的情況下，國金證券的關聯機構可能會持有報告中涉及的公司所發行的證券并進行交易，并可能為這些公司正在提供或爭取提供多種金融服務。本報告并非意圖發送、發布給在當地法律或監管規則下不允許向其發送、發

73、布該研究報告的人員。國金證券并不因收件人收到本報告而視其為國金證券的客戶。本報告對于收件人而言屬高度機密，只有符合條件的收件人才能使用。根據證券期貨投資者適當性管理辦法，本報告僅供國金證券股份有限公司客戶中風險評級高于 C3 級(含 C3 級）的投資者使用；本報告所包含的觀點及建議并未考慮個別客戶的特殊狀況、目標或需要，不應被視為對特定客戶關于特定證券或金融工具的建議或策略。對于本報告中提及的任何證券或金融工具，本報告的收件人須保持自身的獨立判斷。使用國金證券研究報告進行投資，遭受任何損失，國金證券不承擔相關法律責任。若國金證券以外的任何機構或個人發送本報告，則由該機構或個人為此發送行為承擔全部責任。本報告不構成國金證券向發送本報告機構或個人的收件人提供投資建議，國金證券不為此承擔任何責任。此報告僅限于中國境內使用。國金證券版權所有，保留一切權利。上海上海 北京北京 深圳深圳 電話：021-80234211 郵箱： 郵編：201204 地址：上海浦東新區芳甸路 1088 號 紫竹國際大廈 5 樓 電話：010-85950438 郵箱： 郵編：100005 地址：北京市東城區建內大街 26 號 新聞大廈 8 層南側 電話：0755-86695353 郵箱： 郵編：518000 地址：深圳市福田區金田路 2028 號皇崗商務中心 18 樓 1806