制造行业是我国加快建设现代化产业体系的重要支撑，增强制造行业全价值链条数智化能力，全面提升智能制造整体水平与实力当务之急。 同时，制造行业在IT与数字化等基础设施建设方面，尤其是面临不同行业、不同类型与规模企业的能力不均衡，相应地，制造行业数智化 升级也就面临更大挑战，需要政府、行业链主企业以及科技企业共同以生态搭建协同运营等方式，来加速推动制造行业数智化升级与AI应 用落地。模型应用可靠性：工业领域，尤其是生产制造流程，最重视安全、可靠和稳定，相应地，工业制造领域最核心需要保障应用的可靠性，这就对人工智能模型，包 括大模型提出了更高的要求。  应用成本挑战：从大模型驱动的AI应用方面，应用成本需要大幅度降低，目前定制化千亿参数通用大模型的成本难以被客户接受；算力成本仍然高居不下，训练 卡价格仍然在上升，同时，未来考虑到未来LLM不断升级，训练推理成本或将持续上行；相应地，垂类大模型能够达到参数量、效果、成本和场景的匹配，此外， 模型蒸馏压缩、采用MoE架构，小样本微调等技术路径也能够有效降低成本，加速落地。 行业Knowhow与数据资源挑战：与其他行业不同，工业场景相对来说数据样本量较小，AI训练相对困难，相应地，工业数字孪生可以通过仿真的形式生成大量 数据，帮助AI模型深度优化，同时，也仍然需要制造企业强化自身数据积累与沉淀，从而提升AI应用现实可行性。