【浙商证券】工业互联网行业深度报告：AI赋能，质检、视觉、低代码和工业互联网平台率先受益.pdf

2023-08-29

26页

2MB

1 工业互联仍然面临数据难采集、产业协同难和网络安全等痛点

1.1 工业互联持续推进，2025 年工业互联网平台市场空间预计翻倍

我国工业互联网发展迅速，政策引导将持续发力。工业互联网是新工业体系的“操作系统”，在工业升级中的重要性不言而喻。目前,我国工业互联网已全面融入 45 个国民经济大类，助力制造业、能源、矿业、电力等各大支柱产业数字化转型升级。据中国工业互联网研究院，至 2021 年我国工业互联网规模仅次于美国。工信部数据显示，2022 年我国工业互联网产业规模同比增长 15.5%，达 1.2 万亿元。纵向来看，据中国工业互联网研究院测算，我国工业互联网增加值在 2018- 2022 年期间增长了 59.5%，CAGR 达到 12.38%， 2022 年占 GDP 比重预计上升至 3.64%，达 4.45 万亿元。可见近年来工业互联网不仅为工业高质量发展助力护航，自身也已成为 GDP 增长的重要动力。

作为工业高质量发展的重要环节，工业互联网的政策支持将持续。2023 年 4 月 20 日，工信部在一季度工业和信息化发展情况发布会上表示，我国将聚焦规模化应用和高质量发展，从政策、技术、应用三个方面发力，引导各地区、各行业进一步加大力度，推动工业互联网整体发展实现阶段跃升，为推进新兴工业化提供更坚实的支撑。《“十四五”数字经济发展规划》、《“十四五”智能制造发展规划》、《“十四五”信息化和工业化深度融合发展规划》等一系列政策中，均强调要加大工业互联网行业应用赋能、区域落地推广力度。工业高质量发展作为经济高质量发展的核心环节，工业互联网的政策支持预计将持续。

从当前市场格局上来看，国产厂商仍具有较大空间。工业互联网市场可分为工业通信设备、平台及应用解决方案两大部分。工业通信设备由国外品牌占据，平台及应用解决方案市场增长快且较为分散，为国内厂商的发展提供了机遇。工业通信设备国产替代空间广阔。目前工业互联网网络侧设备市场的头部企业主要被国外品牌所占据，据新华三《2022 工业互联网技术白皮书》，头部的前三家产品市场占有率达 43%，国产厂商市占率较低。国际头部企业包括思科、西门子、MOXA、Belden（百通赫斯曼）等公司，国内公司主要包括三旺通信、映翰通、东土科技等。据 Omdia 数据，2020 年工业互联网国际市场占比为国内的 4 倍左右，与我国工业互联网产业增加值仅次于美国的规模极不匹配，国产替代空间广阔。

平台及应用解决方案市场市场集中度有待提升。平台及应用解决方案市场国内厂商领先，但市场格局还较为分散。国内工业互联网前五大厂商分别为华为、阿里巴巴、百度、用友和树根互联，CR5 为 24.4%。随着企业数字化、工业软件国产替代等战略进程不断推进，据 IDC 测算，我国互联网平台及应用解决方案的市场空间 2022 年达 26.3 亿元，2025 年将达到 56.1 亿美元，CAGR 达 29.6%，较 2022 年市场空间实现翻倍。工业互联网平台及应用解决方案有着广阔的市场空间和较强的增长确定性，市场集中度逐步提高的过程将为行业内厂商带来机遇。

1.2 关键技术及产业趋势

1.2.1 关键技术：5G、边缘计算和数字孪生

由工业互联网技术体系可知，以 5G、EC、工业智能、区块链、DT 技术为代表的关键技术对支撑工业互联网体系架构中功能架构的网络、平台和安全的建设以及实现数据优化闭环有着极其重要的作用。

5G 技术

5G 技术是工业实现互联的基础。工业领域中业务场景复杂多样，需要具有海量连接、低时延的网络连接技术来实现人机物之间的互联互通。5G 作为最新一代蜂窝移动技术，具有海量连接、高可靠、低时延等特点，是工业互联网实现全面连接的基础，能够应用于增强型移动宽带（eMBB, enhanced mobile broadband）、大连接物联网（m MTC, massive machine type communication）、超可靠低时延通信（URLLC, ultra reliable low latency communication）三大场景。利用 5G 无线技术、网络切片技术，以及其他与网络技术融合的 5G+时间敏感网络（TSN, time sensitive network）、5G+云等技术，可有效解决不同工业场景的多样性需求。当前，5G 赋能工业互联网已经得到了落地应用。在生产制造场景下，5G 能够支持自动导引运输车（AGV, automated guided vehicle）的部署。Siriwardhanad 等将当地 5G 运营商与移动网络运营商（MNO, mobile network operator）架构相结合，将 AGV 与制导控制器进行连接，实现低时延并且能够确保数据的安全性。然而当前，5G 与工业互联网的融合还处于探索阶段，对于工业中硬实时控制的需求还有所欠缺，缺乏针对工业领域的解决方案。

边缘计算技术

边缘计算将计算资源部署在工业现场附近，保障工业互联网响应速度。工业领域的部分控制场景对计算能力的高效性有严格要求，将数据传输到云端进行计算可能会造成巨大的损失，并且，在工业现场中存在大量异构的总线连接，设备之间的通信标准不统一，因此需要将计算资源部署在工业现场附近以满足业务高效实时的需求。边缘计算作为靠近数据源头或者物的网络边缘侧，融合网络、应用核心能力、计算存储的开放平台，有低时延、高效、近端服务、低负载等优点，能够就近提供边缘智能服务，是工业互联网不可或缺的关键性环节。当前，主要运营商均推出了一体化边缘解决方案。GSMA 联合全球运营商合作构建了电信边缘云平台。中国联通推出了 CUC-MEC 平台，并设计了 EdgePOD 一体化边缘解决方案。中国电信也开展了 5G+MEC 的应用合作创新。然而，虽然 EC 技术已经广泛应用于工业互联网中，但其仍面临设备接口标准不统一、测试标准不统一的问题，并且在应用过程中还存在许多安全问题。此外 EC 需要与行业应用、运营商网络进行高效协同，其系统隔离、数据安全能力仍有待进一步提高。

数字孪生

数字孪生技术是先进制造业的支撑性技术。数字孪生是指充分利用物理模型、传感器、运行历史等数据，集成多学科、多尺度的仿真过程。它作为虚拟空间中对实体产品的镜像，反映相对应的实体装备的全生命周期过程，可以基于数字孪生体对物理实体进行仿真分析和优化，以最优的结果驱动物理世界的运行。进入 21 世纪以来，美国和德国均大力扶持 Cyber-Physical System（CPS，信息-物理系统）作为其先进制造业的核心支撑技术，而数字孪生就是 CPS 的典型实践。数字孪生的关键在于异构要素的物理融合，新一代信息技术的发展为工业化落地奠定了基础。数字孪生技术是新一代信息技术与不同领域技术的融合，其关键在于人、机、物和环境中大量异构要素的融合，在搭建过程中存在运行形态各异、接口与协议异构、不确定扰动多等诸多挑战。数字孪生技术核心包括物联网技术、大数据技术、多层次精准建模方法、人工智能和云/边缘协同计算技术等，实现网络化协同控制、虚拟现实以及多层次信息聚类与融合，为其在工业互联网中的落地奠定了基础。

1.2.2 产业趋势：产品化、虚拟化、云边协同

趋势一：工业互联网平台由定制开发向标准化产品演进

据 IDC，工业互联网平台的发展具有四个阶段，第一阶段是定制业务系统，第二阶段为定制工业 APP，第三阶段抽象出“工业场景平台”，面向工业场景和业务，进一步降低 APP 开发周期。第四阶段为“快速定义业务 APP”阶段，基于“工业场景平台”和低代码开发平台，由用户快速定义业务 APP。我们认为，当前工业互联网的发展处于第二阶段和第三阶段的叠加态。向第三阶段和第四阶段的跃进具有重要意义：1）对供应商而言，最大化交付标准产品和工具，提高平台复用能力，缩短产品开发周期；2）对企业用户而言，提高 APP 的灵活性，降低开发难度，低门槛生成适合适配业务的 APP。因此，未来工业互联网平台必然向“工业场景平台”和“快速定义业务 APP”等标准化产品演进。

趋势二：数字孪生在生产运营管理中加速落地

制造发展战略的重要目标是要实现制造的物理世界和信息世界的互联互通和智能化操作，从而实现智能制造。生产运营管理伴随着数据互通和平台化，从单体系统向一体化集成+数字孪生体的方向演化。在制造业领域，数字孪生技术可以帮助企业提高生产效率和产品质量。通过数字孪生技术，企业可以在虚拟环境中进行产品设计和生产流程的优化，减少实际生产过程中的错误和浪费。由 1.2.1，近年来，物联网、大数据、多领域／多层次／参数化实体建模技术、人工智能技术、云／边缘协同计算技术迅速发展，相互交互，相互融合，为数字孪生发展从各个层面奠定了技术基础，加速推动着数字孪生的落地应用。

趋势三：云边协同逐步替代中心化的计算和控制系统

据 IDC（互联网数据中心）数据统计，2026 年供需联动将推动中国物联网连接规模超百亿，复合增长率约 18%。伴随快速增长的工业物联规模，边缘侧的设备、算力、数据等资源配比将快速攀升。以数据为例，出于安全性和效率考虑，据中国网物联国际视野产业平台，未来数字工业超过 50%以上数据会在边缘侧产生，同时会出现大量部署在边缘的应用服务。边缘计算将网络、计算、存储、应用集成在边缘侧，满足企业数字化敏捷联接、实时业务、数据优化、应用智能、安全隐私保护等诸多方面需求。云边协同将 OT 与 ICT 融合，形成数据驱动的分布式智能控制，其应用具有高实时性，与物理系统的交互具备高安全性，正逐步在工业互联网场景中落地。

1.3 核心痛点：数据采集、产业协同和网络安全

重点行业全面向智能化迈进，而数据、协同和安全是当前制约工业互联网发展的重要因素。近年来，电子制造、装备制造、石油化工等重点工业行业持续向智能化迈进，而数据采集难、产业链协同难和安全保障问题一直是工业互联网发展中亟待解决的问题。中国联通《5G+工业互联网重点行业白皮书》整理了重点行业工业互联网发展全景，我们可以通过关键词分析得出一些共性。在 7 大重点行业的痛点中，与数据有关的痛点被提及 6 次，安全 5 次，协同 4 次，效率 3 次，人才和工艺各 2 次。可见数据、协同和安全是当前工业互联网发展中最亟待解决的问题。具体来看：

工业数据难采集且透明度低。工业数据难以采集一方面源于工业数据的复杂性，工业企业内部的数据囊括了产品的整个生命周期，涉及到企业所制造产品的研发、生产、运维等多个环节。而大量数据直接来自生产设备，类型繁多，且结构复杂、格式不一。另一方面源于工业数据的数量大，工业生产的机器类型多样，数量也极大。同时，机器设备产生数据的速度飞快，有时产生数据的频率甚至能达到毫秒级。而采集难又被称为“数据孤岛”问题，企业内部数据开放程度很低，形成一座座数据孤岛，而各种类型的设备和工序之间相互独立，缺少数据流动。

企业内及上下游企业间难以统一协作。工业互联网的本质，就是通过互联网式的构架，实现人与人、材料、机器彼此间的相互协同，这个过程不仅涉及企业的研发、生产和销售等各个部门，也涉及上下游企业和产业链。然而一方面现代企业部门制的生产方式使得部门与部门之间的协同存在巨大摩擦，另一方面，出于商业秘密等因素的考虑，上下游企业之间交互存在巨大困难，统一数据和协议标准难以实现。安全问题始终制约着工业互联网的深入应用。工业企业普遍对于安全的要求较高，特别是涉及重要行业及关键领域的工业企业，其生产研发过程中，安全往往是首要问题。而工业企业一旦上云，其安全性变得非常复杂，安全防范节点必然大量增加，包括云安全，边缘安全，内部协议安全，数据安全等。不少企业在确定性和效率之间倾向于选择效率，对安全的顾虑往往是工业企业应用工业互联网的首要障碍。数据、协同和安全问题构成了工业互联网渗透率提升的主要障碍。此外，这三个方面还形成了相互影响和加强的系统。工业数据较难采集，不透明，因而造成上下游难以协同和交互，基于数据的测试和预判可靠性也较差。而出于对交互和安全问题的担忧，生产过程黑箱化的困境也难以被打破。而我们认为 AI 的发展将逐步打通这些痛点，也因此给相关产业带来发展机遇。

2 AI 将助力打通工业互联网核心痛点，促进发展进程加速

AI 在工业领域落地时间间隔不断缩短，工业互联网领域 AI 应用亦有望快速落地。一直以来，工业对 AI 可解释性等严苛要求导致技术创新与应用落地错位相对严重。上世纪 60 年代专家系统诞生与 80 年代的工业领域应用间隔近 20 年，统计机器学习的工业领域应用滞后周期基本在 10 年左右，而深度学习、生成对抗网络等新技术于 2012 年后在通用领域开展应用，不足 4 年便产生了工业领域探索实例。总体来看，由于人工智能技术可用性增强以及工业信息化水平提升，通用技术的工业落地间隔由 20 年逐步缩短至小于 5 年。加之工业互联网领域的关键技术如数字孪生等本身就与深度学习密切相关，我们认为，伴随 ChatGPT 带来的通用 AI 大模型突破，工业互联网领域 AI 应用将迎来快速落地和发展。

如第一章所述，当前制约工业互联网发展的核心痛点主要集中在数据、协同和安全方面，此轮 AI 大模型的发展将助力打通核心痛点，也必然将促进工业互联网发展进程加速。

2.1 高性能 AI 将极大的提升工业互联网的安全性和可靠性

生成式人工智能在预测和分析能力上有着飞跃式的突破，将极大的提高控制、分析和预测的精度。工业互联网接入的一大难点是制造业企业特别是重点领域企业对生产过程的安全性有着很高的要求，因而对控制、分析和预测精度的要求极高。生成式人工智能在预测能力上有着飞跃式的突破，对制造装备实时运行优化将产生巨大助力。比如，通过建设人工智能发动机质检平台，将工业相机的数据通过边缘计算技术分流至云平台，实现了在统一缺陷图像库下，基于机器视觉发动机质量的协同检测。以单条生产线计算，节省检测工位 70%，缺陷识别率达到 99.86%，误判率不高于 2%，这意味着当前工业 AI 可靠性可实现高于人工。此外，AI 的进展也将助力于网络安全防御能力提升。网络安全防御的基础之一在于网络流量的分析识别以及判断，实现网络安全态势感知和威胁监测，并通过安全运维化解和防御网络攻击。AI 大模型在学习、分析、识别乃至处理上相对于人类具有高效的优势，有助于提升网络安全防御能力，降低网络安全事件损失，提高工业互联网安全水平。如基于 GPT 的 Microsoft Secure Copilot 可以将原本耗时几小时甚至十几小时的勒索软件事件处理降至分钟级。

产业落地方面，三菱电机开发的基于 AI 的数控切割机纠错系统，在动态加工过程中也能进行智能校正，加工精度可提高 51%。亿迅科技的电子化图纸应用，按任务工序实时推送图纸，同时加入 AI 技术防止偷拍，当 AI 判别有人员行动异常时将自动息屏，及时开启保护，企业可放心将图纸电子化发放产线，减少纸质图纸的使用，同时图纸泄露风险也得到了极大的降低。

2.2 高性能 AI 将进一步提升工业互联网人机协同水平

人机协同制造，即通过人工智能对生产数据进行分析和预测，实现制造过程的自动感知、智能分析、自主决策和精准控制，提升机器和机器、系统和系统、机器和系统之间的高精度、自组织协同能力，逐步推动生产过程向精益化、无人化发展。据鲍劲松《工业智能：方法与应用》（2022），依托于当前的 AI 技术，可根据生产制造过程建立起马尔科夫决策过程，并且利用强化学习来使得机器人在与环境交互的过程中提升认知水平，随着当前的 AI 技术大爆发，工业互联网人机协同水平的进一步提高值得期待。比如晶硅光伏电池智能无人生产线，通过工业互联网平台对工业机器人、AI 视觉检测系统等高效连接、实时控制，实现人机协同推动制造柔性升级，在释放作业空间的同时，进一步提高生产效率、缩短生产周期、降低劳动成本，人均劳产率较同行高出 30%以上。

2.3 生成式 AI 将重塑数据追踪和分析的流程

对制造业管理者而言，实时了解生产进度是重中之重。在一些比较传统的中小制造企业车间里，生产流程的记录往往依靠纸质单据或者 Excel 表格，生产信息整体传递滞后。为了解决这类问题，不少企业开始部署数字化系统，但却存在周期长、成本高等痛点。而生成式 AI 可以使用自然语言处理和机器学习技术从工业现场的仪表板上，甚至纸质数据和表格中读取数据（GPT-4 已经具备了识图能力），并快速提取有用的特征和信息。国外的一位博主进行了这样的尝试，他为 ChatGPT 提供了 Zerynth 仪表板的链接，生成式 AI 立即就读取了仪表板中的数据和图表，实时提供了正在发生的事情的概览。此外，工业互联网的数据难点主要在于垂直行业数据积累不足，AI 助力下协同水平、安全性和可靠性得到提升也有助于工业数据的开放和积累。

2.4 工业行业大模型有望让机器拥有“大脑”

工业行业大模型工业制造细分领域众多，各领域在生产流程、工艺、生产线配置、原材料及产品类型上均具有较大差异，也缺乏海量的数据标签，因此尚未形成类似 GPT 这样的大模型。然而我们认为，随着工业 AI 安全性和可靠性的提高，工业 AI 视觉平台、AI 摄像头等数据积累，通用大模型和预训练模型助力而生的工业垂直大模型值得期待。目前，机器视觉模型训练能力的门槛被大大降低，工业 AI 质检和巡检已经应用在 3C 电子、汽车及零部件、消费品和原材料等诸多应用场景。如今，操作的生成式预训练模型（OperationGPPT）概念被业界提出并关注，阿里的通义千问大模型能实现根据需求自动编写一组代码发给机器人，机器人自动完成移动、抓取、配送等一系列动作，这表明，AI 大模型已经突破了“仅用于生成内容”这一局限，有望让机器真正拥有“大脑”。

3 质检、视觉、低代码和工业互联网平台是率先受益环节

AI 浪潮下工业互联网发展加速是必然趋势，然而 AI 在垂直行业的应用落地，需要结合行业自身特点，对预训练模型加入到行业自己的数据集进行调整，训练过程中需要行业数据收集，模型调整以及行业特点训练。工业互联网各环节产品 AI 化难度不尽相同，因此应用端落地时间具有也较大差异。我们认为，工业 AI 质检、工业视觉、低代码编程和工业互联网平台将会是率先受益的环节。

3.1 工业 AI 质检精确率迈上新台阶

大模型在图像和音视频处理方面进展迅速，工业质检迈上新台阶。AI 赋能的工业质检是利用基于深度学习等 Al 技术的视觉检测技术，在工业生产过程中，对产品图像进行视觉检测，从而帮助发现和消除缺陷。IDC 认为在 2021 年“工业质检解决方案市场实现了规模化复制、加速发展”。目前，以 GPT 为代表的大模型在视觉和图像处理方面进展迅速，如 GPT-4 具备直接读取图像信息、理解图像信息和完善图像信息的功能，各大模型在视频理解方面也取得了极大进展，如阿里的视频 AI 服务可以对音视频进行识别、分析和理解。随着 AI 能力的提升，AI 赋能的工业质检在准确性方面迈上了新的台阶。

3C 和汽车等行业 AI 质检实现规模化复制，解决方案为主力产品形态。当前，AI 工业质检领域场景呈现碎片化的特征，大部分厂商都在逐步寻找自身优势的细分行业场景。在 2021 年自身重点市场取得规模化复制的同时，开始向更多场景领域拓展布局。3C、汽车、消费品和原材料四大行业中很多 AI 质检场景实现规模化复制，成为驱动市场发展的主要动力。在产品供应上，解决方案仍是多数厂商重点提供的产品形态，具体表现在各类定制监测系统和一体化设备。解决方案也最贴合于工业领域客户需求，中期来看，仍是未来研发的主力产品形态。

工业 AI 质检前景广阔，行业处于发展期机会较多。随着当前 AI 技术的涌现和成熟，预计工业 AI 市场规模将持续扩大，据 IDC 预测，2023-2025 年，我国工业 AI 质检市场增速将加快，至 2025 年软硬件市场总计将达 9.58 亿美元（约合人民币 62 亿元），2021-2025 年 CAGR 为 28.5%。当前，AI 赋能的工业质检解决方案市场中的主要厂商包含了头部云服务商、AI 质检创新企业等。2021 年前五大主要厂商的市场份额为 44.3%，主要集中在百度智能云、创新奇智、腾讯云、华为、阿丘科技等厂商，行业处于发展期，市场集中度不高。中长期来看，随着市场逐步分化和应用成熟度的提高，拥有领先 AI 技术应用的厂商市场份额有望持续扩大。

3.2 工业视觉 AI 取得突破

硬件基础大幅进步，AI 成为创造工业视觉价值重要切入点。工业视觉是工业自动化的核心领域，包括检测、识别、测量、定位等关键任务。工业视觉在工业领域的应用场景十分丰富，包括缺陷监测、视觉分拣、物流分包、拆码垛和工业上料等。工业视觉的应用可以减少人工的使用并提升准确率、减少错误率。近年来，全球工业视觉市场规模稳步增长。而行业应用的前提是工业视觉在检测、识别、测量、定位等关键任务上的准确性。当前，光学成像技术，多传感器融合技术，感光和光学处理芯片技术大幅进步，使“看得更小、看得更清”成为现实。在此基础上，AI 技术恰好可以帮助机器 “感知更准确、理解更深刻”，是创造价值的重要切入点。

AIGC 在工业视觉领域潜力巨大，部分厂商已着手打造面向工业视觉的 AIGC 算法。在工业视觉领域，训练样本不足一直是制约人工智能算法应用的瓶颈之一。过去工业视觉 AI 厂商通过选择不需要大量数据的标注准备的小样本学习算法或数据生成（利用算法产生数据来扩充训练样本）来解决这类问题。2022 年底，OpenAI 推出的 ChatGPT 证明了内容生成（AIGC）的巨大潜力，部分工业视觉厂商在小样本学习的基础上，进一步聚合以往在内容生成领域的研发成果，将图像生成与工业场景的独特需求相结合，打造了面向工业视觉的 AICG 算法。

在落地方面，国内工业视觉厂商已经取得突破。与一般性的图像生成主要表现为图像上较为宏观的语义改变不同，工业视觉缺陷主要体现为样本图像上细微的局部缺陷纹理变化，语义信息低。此外，生成的缺陷纹理不仅要有自然的主观视觉感受，还需要是物理上真实的，缺陷的形态要符合样本本身的物理和光学特性。传统的图像生成算法一般只能做到视觉真实，无法兼顾物理真实。针对这一问题，创新奇智将物理模型融入 AIGC 模型的构建，提出基于光学成像模拟的光照生成模型和基于双阶段引导的缺陷生成模型，从而可以模拟样本在不同光照状态下的缺陷图像。两阶段缺陷样本生成模型逐步聚焦局部缺陷样例和全局图像融合，可以有效地兼顾工业视觉领域缺陷样本生成的物理真实和视觉真实的要求。结合上述两个模型，创新奇智可以生成样本在不同光照条件下的缺陷图像，从而可以有效地扩充训练样本库，解决工业视觉领域缺陷样本不足的问题，提升工业预训练大模型的训练效果。

我们认为，当前快速进展的 AIGC 技术可以有效解决工业视觉领域 AI 训练的样本问题，助力工业视觉 AI 性能重大突破。得益于此，工业预训练大模型的突破也值得期待。

3.3 工业领域低代码编程突破“易用性”瓶颈

高性能 AI 将使低代码编程突破“易用性”瓶颈，在工业领域意义更为巨大。低代码编程在过去二十年不断降低软件开发门槛，低代码编程一般产品形态表现为，通过可视化拖拉拽的编程方式，使得非专业程序员也能够快速地构建应用程序，从而降低软件开发成本、提高开发效率。但业界不得不面对的是，即便通过可视化编排，对于特定领域 DSL 生成门槛依然不低。随着不断榨干传统图形交互潜能，以及受限于传统软件开发思维框架，进一步提高“易用性”逐渐遭遇了瓶颈。特别是对于逻辑、数据流的可视化编排，在易用性上一直给行业带来不小的挑战。

这种易用性的困境随着 GPT 等高性能 AI 模型的成熟迎来新的机遇。在一个数字化系统“搭建”过程中，无论是流程编排还是逻辑流设计，本质是将业务语言转化为系统语言，是对于业务流程、规范、限定的数字化“翻译”，与传统编程语言的演进方式非常类似，这为利用 LLM 处理这类场景问题提供了天然的条件。目前 AIGC 在编程领域已经取得了重大突破，能较为成熟的生成代码和修改代码，将低代码编程的易用性提高了一个维度。

此外，我们认为，“易用性”的突破在工业领域低代码编程中意义更为重大。一方面，相比于普通的软件开发，工业场景中的软件开发或程序编写具有更强的专业性，需要大量行业 Knowhow 的支撑。低代码编程“易用性”的突破使得大量工程人才可以轻松上手工业程序的编写，极大的助力于研发和生成效率的提高，加速工业企业数字化转型。

GPT 等高性能 AI 模型的代码生成能力有望重塑工业 PaaS 低代码平台。工业互联网平台的重要能力之一是通过封装在其 PaaS 平台层的大量通用的行业 Knowhow 知识经验或知识组件以及算法和原理模型组件，以低代码方式构建上层工业 APP 应用，而 GPT 代码生成能力的跨越式进步有望重塑工业 PaaS 低代码开发平台。目前，微软已将 GPT 的代码生成能力融入其低代码开发平台 Power Platform，并于 2023 年 3 月正式推出 Power Platform Copilot 产品。Copilot 是 Microsoft Power Platform 的一个新功能，可以在 Power Apps, Power Virtual Agents 和 Power Automate 中基于 GPT 能力提供 AI-powered 的帮助，让制作者可以用自然语言描述他们想要的应用、流程或机器人，然后 Copilot 可在几秒钟内完成创建，并提供改进建议。我们认为，未来随着 AIGC 在代码生成能力方面的逐步成熟，有望使得非程序员的工程师能够使用自然语言指令进行零错误的工业 APP 开发，大幅提升工业 PaaS 的应用创建能力、降低应用开发成本。

3.4 工业互联网平台渗透率有望提升

工业互联网平台天然具备孵化人工智能的基础。数据是人工智能的“燃料”，而工业互联网平台从数据“量”和“质”两个维度入手，为人工智能的应用提供支撑。从 “量”的方面看，工业互联网平台汇聚了数以千万计的设备和传感器，对异构系统、运营环境、人员信息等要素实施泛在感知、高效采集和云端汇聚，实现了海量数据的广泛集成。从“质”的方面看，工业互联网平台通过构建设备、产品、系统和服务全面连接的数据交流网络，利用实时有效的工业大数据，为深度学习的模型训练提供了优质的训练集、验证集和测试集。工业互联网平台汇聚了算力、数据、算法及应用场景等 AI 全要素，是 AI 发展的良好的土壤。

高性能 AI 将全方位赋能工业互联网平台，促进其渗透率的提升。工业互联网平台包括边缘层、IaaS、PaaS 和 SaaS 四个层级。主要功能包括多源异构数据采集、数据分析挖掘，行业知识库和各类工业软件等。以 GPT 为代表的高性能 AI 模型在数据分析挖掘方面有了突破性进步，并在自然语言方面达到接近人类思维的水平，此外由 3.2、3.3，高性能 AI 模型具备更好的异构数据识别和理解能力，并将极大提高工业平台软件的低代码编程性能。可见，AI 对工业互联网平台的赋能是全方位的，也必然将促进工业互联网平台渗透率的提升。微软近期发表了重量级的论文：TaskMatrix.AI: Completing Tasks by Connecting Foundation Models with Millions of APIs，论文详细介绍了使用语言模型对数百万量级 API 进行调用的方法，并展示了多个使用场景。TaskMatrix.AI 将基础模型与数百万个 API 连接起来，能够执行数字和物理任务，这也为工业互联平台未来功能的接入提供了巨大的想象空间。

在落地案例方面，西门子通过其工业互联网平台 MindSphere 实现 AI 同工业物联网的集成。2016 年，在陆续并购了多家大数据分析厂商后，西门子正式推出其工业互联网平台 MindSphere，加之多种微服务应用，逐步形成基于云的开放式工业物联网生态系统。 2018 年西门子进一步收购低代码应用开发领域领导者 Mendix 公司，2021 年收购 Mendix 合作伙伴 TimeSeries，开发基于 Mendix 低代码平台的垂直应用，如智能仓储、预测性维护、能源管理、远程监测等。“MindSphere+Mendix”构成了西门子工业互联网平台生态。基于 MindSphere 获取的海量工业数据，西门子将 AI 能力逐步集成入平台，开发了包括异常检测、事件分析、关键绩效指标 (KPI) 计算、信号计算、信号频谱分析等分析服务应用，以及资产管理等应用，奠定了工业互联网平台集成 AI 能力的良好实践基础。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）