九色porny国模私拍av-天堂а在线中文在线新版-亚洲成人一二三区-亚洲精选av-欧美亚洲精品在线-全部免费播放在线毛片

英偉達CEO黃仁勛最近越來越多提到AI工廠的概念。

5月，黃仁勛宣布英偉達與富士康合作，在中國臺灣打造一臺配備1萬顆英偉達Blackwell GPU的AI工廠超級計算機。上周，黃仁勛又宣布，英偉達將在德國建設全球首個工業AI云，配備1萬顆Blackwell GPU。英偉達還將在歐洲建20余個AI工廠。

在英偉達展示的圖景里，汽車可以在虛擬環境中設計，機器可以在虛擬環境中訓練，工廠產線可以在虛擬環境中優化后再到現實工廠運行。這些計算用到了AI。黃仁勛稱，每個制造商都會有兩個工廠，一個制造產品，另一個創造驅動這些產品的智能。

產生這些“智能”的算力來自實體AI工廠，也就是部署了大量GPU的算力中心。如果說英偉達指明了工業AI轉型的主要方向，那么，隨著各萬卡算力中心落地，工業應用AI的轉折點可以說在加速到來。

不過，還有一些問題需要厘清：英偉達在工業AI轉型中扮演的角色是什么？這是工業AI轉型的主要路徑嗎？這些大GPU集群是否將是未來的主要算力形式？

記者了解到，英偉達的路線更多是基于仿真平臺Omniverse，將其搭配自家硬件做AI相關的仿真和數字孿生。這是一種比較新的路徑，但不是工業企業做AI轉型的唯一路徑。目前，小模型和基于大模型的智能體也在改變工業的業態。

AI工廠是否唯一解

在英偉達具體的描述里，AI工廠被拿來與傳統數據中心對比。區別在于，傳統數據中心是為了通用計算而建，AI工廠是為了用AI創造價值，英偉達的GPU被部署在這些工廠中。

在AI工廠概念里，英偉達還“搭售”了自家的Omniverse平臺。Omniverse是一個虛擬現實和仿真平臺。如果看英偉達對工業AI云運行方式的描述，就不難看出Omniverse的重要性。

各制造廠商通過西門子、Ansys、Cadence這些軟件廠商的產品，來使用英偉達的AI物理技術、Omniverse平臺。其中，Ansys將Omniverse集成到高保真流體仿真軟件中，以改進自動駕駛汽車的仿真場景構建。制造商中，舍弗勒用英偉達的技術進行數字工廠規劃；寶馬為工廠構建數字孿生，以助力生產規劃團隊實時協作并優化制造系統設計；梅賽德斯-奔馳用Omniverse以虛擬的方式設計和優化工廠裝配線，以減少工廠停機時間。

仿真和數字孿生正是英偉達布局工業AI的切入口。黃仁勛描繪稱，這個AI工業云可以用于設計和模擬，人能在虛擬風洞中完成模擬設計，可以實時打開車門、打開車窗、改變設計。舍弗勒近日已表態，將在2030年把一半以上的工廠接入Omniverse。

在一些工業AI領域的從業者看來，英偉達布局工業AI的路數便是建立算力中心，讓Omniverse發揮平臺效應吸引軟件廠商和制造廠商，最終來消耗算力中心的算力。

“英偉達在樹立標桿效應，釋放AI在工業場景應用的決心。AI工廠包括一個算力中心和一個幫工廠升級為AI工廠的平臺。”工業智能解決方案廠商格創東智副總裁、解決方案及產品中心總經理李楠向記者解讀稱，英偉達希望通過Omniverse帶動硬件銷售及場景落地，核心應用于仿真、數字孿生相關。

IDC中國高級研究經理杜雁澤也告訴記者，他認為AI工廠是英偉達AI視角下的一種敘事方式。英偉達的獨特能力除了成熟架構、高可用性等，更重要的是很多工業軟件公司產品都針對英偉達卡做過專屬優化。英偉達在歐洲建立萬卡AI工廠，則更多是對于此前宣傳的“主權AI”的具體落地形式和承諾，英偉達正在尋找新的增長曲線。

英偉達做AI相關的工業仿真和數字孿生是一條獨特的路線。李楠告訴記者，Omniverse提供了仿真的場景和空間，例如，人形機器人可以在仿真空間中訓練以節省訓練成本和時間。很多工廠建廠時也希望建一個數字孿生體，將機器模型和AGV（自動導向車）放進去跑，做預訓練，這樣實體工廠建設完成便能馬上投入使用。英偉達做工業AI的邏輯并非直接做AI應用，而是提供虛擬仿真平臺。這是AI在工業領域落地的核心關鍵軟件。這樣一個與AI結合的數字孿生平臺，目前還沒看到國內有產品與之對標。

搭軟件平臺、帶動硬件銷售可謂是英偉達的慣常做法。例如人形機器人領域已有不少廠商用英偉達的Isaac Sim、Omniverse等平臺或套件來生成合成數據、在仿真環境中訓練。有業內人士告訴記者，目前之所以人形機器人算力方案的選擇不多，是因為機器人廠商對硬件廠商背后的生態系統十分看重。

不過，英偉達AI工廠概念并不涵蓋工業AI的所有場景。相較于英偉達“搭平臺”做仿真、數字孿生，而不做具體AI應用的做法，另一些廠商做的大模型和小模型應用，則聚焦于解決工廠運行過程中的一些現場的問題。工業AI有多種路線并行。

記者了解到，在大模型出來之前，工業領域已經在使用以小模型為代表的AI產品。杜雁澤表示，小模型主要覆蓋兩類場景，一是數據智能，涵蓋設備故障運維、工藝優化等，二是視覺智能，涵蓋AI質檢、AI路徑導引等。記者了解到，小模型應用場景還包括工業安防、安全檢測等。

隨著大模型出現，工業AI有了更多可探索的形式。不僅英偉達在仿真、數字孿生領域尋找市場機會，大模型普及也對工業企業產生影響。業內則在大模型和小模型之間做出選擇。

工業場景鋪開AI應用

工業領域AI滲透率并不高。IDC預計，工業領域IT基礎設施或IT終端的AI滲透率將從當前的7%提升至2028年的25%。

這種情況下，AI的應用形式還在探索中。英偉達的仿真、數字孿生工廠路徑之外，記者了解到，隨著工業企業對AI的興趣提升，大模型和小模型應用也在加速。

李楠告訴記者，格創東智2018年開始布局AI，當時服務的半導體和泛半導體客戶數字化建設已度過最初的信息化建設階段，著急要用AI來進一步解決產線和供應鏈上的問題。公司便給制造業工廠做AI轉型，推出多因子分析、良率預測、圖像識別、設備運行維護等領域的小模型。以缺陷監控為例，公司的AI-YMS能為半導體企業做良率和缺陷監控，基于AI模型及規則模型前置預測關鍵產品規則，減少工廠一半原本做相關分析的人力，相關工廠每年減少良率損失80萬元。

“DeepSeek火了之后，很多公司堅定了自己建設AI應用的決心。甲方現在也在搭團隊做AI，做智能體等應用。”李楠告訴記者，一個明顯趨勢是，隨著數字化建設完成到一定程度，一些制造業企業的傳統數字化預算減少，而隨著對AI的興趣愈加濃郁，又把AI預算單獨列出來。

李楠告訴記者，在大模型催化下，一些AI應用已在加快部署。甲方制造業企業落地最快的是常見場景的應用，例如流程助手，可以在寫PPT、文檔、材料時快速用上。知識庫應用也比較成熟，銷售、授權、營銷、研發等大量知識庫已經可以用來做文檔閱讀和總結等。也有比較多用AI做經營決策類數據分析的案例。

不過，對于大模型如何應用，業內仍有一些困惑，業內還在大模型和小模型之間做選擇。李楠告訴記者，在一些傳統小模型已經能做的比較好的場景，大模型要怎么應用，大家可能還沒想好。

一些業內人士認為，在工業領域，過去做小模型的做法還將延續。IDC中國助理研究總監崔凱表示，小模型資源需求較低、響應較快、部署靈活且建設成本較低,過去小模型在3C、裝備、汽車領域應用較廣，現在醫藥等行業也在鋪開應用。

“大模型并不是包打天下。”崔凱表示，小模型在工業AI支出中的比例，未來還將占到70%，保守估計也有60%。“現在我們看到，AI在工廠落地應用起來，80%的情況還是靠小模型去解決現場實際的問題。”李楠告訴記者

在研發環節，小模型的作用依然明顯。有企業已在用AI提高效率，用的并非參數量巨大的模型，而是參數量相對較小、聚焦某個領域的模型。

深圳一家合成生物技術公司高管告訴記者，合成生物研發周期長、成本高，開發一個酶或一套工藝可能需要幾千萬元甚至上億元的資金投入。公司通過AI技術加快研發進度、降低成本，效率至少有指數級提升。具體而言，每年公司研發投入幾千萬元，其中投入AI技術的占比10%~20%，公司在英國和國內部署了三個團隊，研究AI如何用于新物質篩選、酶和蛋白的篩選和菌株改造。

上述高管告訴記者，他試過一些外部大模型，但發現這些模型沒有經過特定領域的數據訓練，無法解決生產的具體問題。公司有合成生物領域的數據，自己從頭研發模型，這并不是DeepSeek這類的大模型，但在細分領域中的表現比市面上可見的模型先進很多。

在小模型之外，大模型可以做什么，業內也在作出一些最新判斷。

李楠認為，大模型比較有希望起到的作用是做小模型的串接，例如用智能體串接。以往人需要做的點擊、導出數據等步驟，可以由智能體自主執行。

崔凱也認為，在一些制造業企業研、產、供、銷、服系統相互獨立的情況下，智能體做跨專業整合將有很大機會。他認為，大模型在工業中要獲得更大的發展，一個要點是將多模態大模型和大語言模型結合起來。此外，在一些基于老師傅經驗、未總結為完整方法論的場景，大模型也可能比小模型做得更好。

工業AI需要什么云

算力供應方面，英偉達這種建設萬卡支撐的工業云、讓多個制造商都能接入的方式是一種選擇，但也不是唯一的選擇。一些從業者告訴記者，在國內，基于信息安全的考慮，有一定實力的企業會更偏向于自建數據中心部署私有云。

上述合成生物技術公司高管告訴記者，公司對數據安全非常重視，即便在公司內部，數據也進行了分區物理隔離。基于數據安全考慮，公司自己訓練的模型使用自己部署的算力。

李楠告訴記者，海外企業對公有云相對更開放，但預計公司的大型客戶大概率還是會采用本地建設私有云數據中心的做法，算力僅用于集團內。整體而言，國內的大型工業企業部署AI應用，預計也更多采用私有云形式。其背后，AI涉及大量企業私密信息。

今年DeepSeek一體機銷售火爆，深圳市科技創新局局長張林近日透露，今年推理機相關產品國內銷售額將是千億量級。有分析人士告訴記者，采買一體機的就包括工業企業，之所以一些機構不接入公有云使用DeepSeek，而是購買DeepSeek一體機，背后就有數據安全的考慮。“拿一體機測試一下，買過來就能用，雖然算力有限，但不需要搭一個私有云。這是一個過渡方案。”一名ICT行業資深分析人士告訴記者。

杜雁澤表示，據IDC調研，小模型使用的算力目前以廠商自建算力為主，包括傳統服務器方式和私有云方式，有少部分使用公有云算力。

雖然英偉達在推動最新的GPU銷售，但對于工業場景，并不一定需要萬卡GPU集群的算力支撐。

李楠告訴記者，小模型依托的算力來源比較多元，包括云算力、廠商自己部署的算力、設備端搭載的算力。小模型對算力的要求相對沒那么高。做視覺檢測需要調GPU、用深度學習算法，很“吃”GPU資源；做數據分析用到機器學習，CPU足夠；一些信號處理、設備數據維護的模型，普通CPU也足夠。不同制造業企業對算力的需求也有所不同，很多工廠使用模型推理就足夠，不需用到很高端的顯卡，但像公司服務的TCL這類大型企業，自己訓練大模型就需要投入大量算力。

杜雁澤表示，在模型訓練、后訓練、強化學習或設計、仿真等工業場景中，未來云中心算力仍會占據主要市場，另因工業對可靠性、及時性的要求，小參數模型需求會逐漸釋放，使邊緣算力也得到提升。

算力需求要進一步增長，也有賴于AI應用進一步滲透。有業內人士告訴記者，其背后需要克服的挑戰包括工業專屬數據缺少和工業場景碎片化，以及一些企業數字化建設仍未完成。杜雁澤認為，算力并不是當前階段AI工業領域的瓶頸，工業對算力的需求大規模增長還需要2~3年時間。