工联网平台+大模型 | 技术视角：“工业互联网平台+大模型”参考架构-ASUN工业互联网平台-江苏中天互联科技有限公司

在工业数字化转型的浪潮中，工业互联网平台与大模型正加速融合，成为推动制造业迈向智能化、高效化、可持续发展新阶段的关键力量。为深入洞察工业互联网平台与大模型融合背后的作用机理、关键技术、应用成效及未来走向，赛迪研究院信息化与软件产业研究所工业互联网研究室从背景视角、理论视角、技术视角、评估视角和未来视角等五大核心视角出发，展开了全方位、深层次、系统性的研究。本期发布《技术视角：“工业互联网平台+大模型”参考架构》。

随着人工智能技术的飞速发展，大模型在工业领域的应用日益广泛，正深刻影响着工业互联网平台的架构与功能。本期从技术视角深入探讨了“工业互联网平台+大模型”的参考架构，分析了从边缘层到SaaS层各层级在大模型引入后的变化与扩展，以及新增的MaaS层对整个平台智能化服务的提升作用，全面阐述了大模型如何赋能工业互联网平台，推动制造业迈向更智能、高效、安全和可持续的数字化转型之路。

我们认为，当大模型与工业互联网平台融合后，传统工业互联网平台架构的边缘层、IaaS层、PaaS层和SaaS层将会经历一系列的变化和扩展。同时，新增MaaS层将作为PaaS层之后的一个全新层级，为整个平台带来更加智能化的应用和服务。具体如下：

边缘层作为工业互联网平台的数据入口，将继续承担数据采集和处理的核心职责。随着大模型的引入，边缘层需要更加高效和实时地处理来自各种工业设备和传感器的数据。这意味着边缘层将需要增强其实时数据分析能力，以便能够快速识别数据中的关键信息和模式，为大模型的训练和推理提供有力支持。同时，边缘层还将进一步优化其数据采集和处理流程，提高数据的质量和准确性，确保大模型能够基于高质量的数据进行训练和推理。

在边缘接入方面，大模型可以提供更为独特的智能接入服务。具体来说，大模型不仅具备强大的数据处理能力，还能够实时解析和精准识别边缘设备上传的复杂数据格式，迅速理解数据中的关键信息，进而自动完成繁琐的数据清洗和预处理工作。总之，大模型在边缘接入方面的智能接入服务，不仅简化了接入流程，提高了接入效率，还增强了系统的兼容性和稳定性，为边缘计算的发展提供了强有力的支持。

在协议解析方面，一是大模型能够学习和理解各种工业协议的复杂性，快速解析来自不同设备、不同协议的数据，并将其标准化，大大提高数据解析的准确性和速度。二是大模型的自动化解析能力降低了对专业协议解析人员的依赖。在传统的工作流程中，对于复杂的工业协议，通常需要具备深厚专业知识和丰富经验的工程师进行手动解析。然而，随着大模型在协议解析领域的应用，这一需求得到了显著地降低。企业可以更加灵活地部署和调整协议解析系统，而无需担心专业人员的短缺或流动。

在边缘数据分析方面，当面临海量的边缘数据时，大模型凭借其卓越的计算能力和学习机制，能够对这些数据进行实时深度解析和智能处理，及时发现数据间的隐藏规律和关联，挖掘出有价值的信息。具体而言，大模型通过学习设备的历史数据和实时数据流，能够精准地预测设备的潜在故障和性能下降趋势，从而实现对设备的智能监控和预测性维护。此外，大模型还可以实现对复杂数据集的深度挖掘，发现数据间的隐藏规律，为后续的数据分析和应用提供有力支持。

在边缘应用方面，一是大模型可以通过学习特定行业的需求、流程和痛点，自动生成适合该行业特点的应用程序，帮助企业优化生产过程，提高生产效率。二是大模型能够根据数据分析的结果，自动生成应用程序的代码和逻辑，大大减少了开发人员的工作量，提高了开发效率。三是由于大模型具备强大的学习和推理能力，它能够不断优化应用程序的性能和功能，使其更加符合实际需求，提升应用的智能化水平。

IaaS层作为工业互联网平台的基础设施层，将为大模型提供必要的计算、存储和网络资源。在大模型与工业互联网平台融合的背景下，IaaS层需要进一步提升其弹性伸缩能力。这是因为大模型的训练和推理过程往往对计算资源有着极高的需求，而且需求的变化也非常频繁。因此，IaaS层需要能够快速地增加或减少计算资源，以满足大模型在不同阶段的需求。此外，IaaS层还需要提供高可靠性的数据存储和备份服务，确保大模型的数据安全和完整性。

在算力方面，由于大模型通常需要大量的计算资源进行训练和推理，因此，它们需要部署在具有强大计算能力的服务器上。对于IaaS层来说，这意味着需要提供更高性能的计算资源，如GPU或TPU等，以满足大模型的计算需求。同时，通过优化计算资源的管理和调度，可以提高资源利用率，降低成本。

在网络方面，大模型通常需要通过高速网络进行数据的传输和模型的同步。因此，对于IaaS层来说，优化网络性能是至关重要的，包括提高网络带宽、降低延迟、提高网络的稳定性和可靠性等。同时，通过优化网络的架构和拓扑，可以提高大模型训练和推理的效率。

在存储方面，大模型通常需要大量的存储资源来存储模型参数和训练数据。因此，对于IaaS层来说，提供足够的存储资源是必要的。同时，为了提高存储的效率和性能，需要对存储系统进行优化，如采用高性能的存储设备、优化存储的架构和拓扑、采用分布式存储技术等。此外，通过优化数据的组织和管理，可以提高数据的访问速度和利用率。

在虚拟化方面，通过虚拟化技术，可以将计算、存储和网络资源进行抽象，提供给用户更为灵活和可扩展的资源配置。对于大模型来说，虚拟化技术可以提供隔离的计算环境，保护模型的安全和隐私。同时，通过优化虚拟化技术的性能，可以提高大模型的训练和推理效率。

PaaS层作为工业互联网平台的中间层，将在大模型与工业互联网平台融合中发挥关键作用。PaaS层将基于通用PaaS叠加大数据处理、工业数据分析、工业微服务等创新功能，为大模型提供一个可扩展的开放式云操作系统。在这个系统中，PaaS层将增加对大模型的管理、训练和推理功能。这包括为大模型提供训练数据的预处理和增强、模型的训练和调优、模型的部署和推理等服务。通过这些功能，PaaS层将确保大模型能够在工业互联网平台上高效运行，并为上层应用提供智能化的服务。

在通用PAAS平台方面，首先，大模型能够通过对设备运行数据的深度学习和分析，实现设备的智能监控。通过实时监测设备的运行状态和性能数据，大模型能够预测设备可能出现的故障，从而提前进行维护和保养。其次，引入大模型后，PaaS平台可以实现对资源的智能分配和管理。大模型可以根据业务需求和资源使用情况，自动调整资源的分配策略，确保资源的高效利用。最后，大模型可以实时监控PaaS平台的运行状态和性能指标，一旦发现异常或潜在风险，可以立即触发报警机制。在发生故障时，大模型可以通过对日志、监控数据等信息的深度学习和分析，快速定位故障的原因和位置，为运维人员提供准确的诊断结果。

在通用大模型底座方面，大模型的训练和应用需要一个稳定、可扩展的底座支持。这个底座不仅需要具备强大的计算能力和存储能力，还需要支持多种算法和模型结构，以满足不同业务场景的需求。通过构建这样一个底座，PAAS层可以快速地部署和扩展大模型，降低模型开发和应用的门槛。同时，底座的通用性也使得PAAS层能够轻松地与其他系统和平台进行集成，实现跨平台的协同工作。

在智能工业大数据系统方面，大模型的引入为智能工业大数据系统带来了全新的解决方案。通过深度学习和数据挖掘技术，大模型可以从海量工业数据中提取有价值的信息和模式，为企业的生产和管理提供决策支持。同时，大模型还可以对工业数据进行实时分析和预测，帮助企业及时发现潜在问题和风险，提高生产效率和产品质量。

在智能工业数据建模与分析方面，首先，大模型可以构建更复杂的模型来捕捉工业数据中的非线性关系和潜在模式。这些模型能够更准确地描述工业过程的动态特性，提高分析的准确性。其次，大模型还可以自动化地调整和优化模型参数，减少人工干预和调试的工作量。最后，大模型还可以为数据建模和分析提供智能化的建议和支持，帮助工程师更快地找到问题的根源并提出解决方案。

在应用开发工具方面，大模型的引入为应用开发工具带来了强大的智能化支持。首先，大模型可以辅助开发工具进行代码自动生成和算法优化。通过学习和分析大量的代码库和算法库，大模型可以自动生成高质量的代码片段或完整程序，提高开发效率。其次，大模型还可以对开发过程中的问题进行智能分析和诊断。通过学习和积累大量的开发经验和知识，大模型可以帮助开发者更快地找到问题的根源并提供解决方案。最后，大模型还可以为开发者提供智能化的建议和帮助，降低开发难度和成本。

在工业微服务组件库方面，大模型的引入为工业微服务组件库带来了优化机会。首先，大模型可以对微服务组件进行智能化管理和调度。通过学习和分析微服务组件的运行状态和性能数据，大模型可以自动调整资源分配和服务优先级，实现更高效的资源利用和服务协同。其次，大模型还可以对微服务组件进行实时监控和预警。通过学习和分析历史数据和实时数据，大模型可以及时发现潜在问题和风险并提前进行预警和干预，提高系统的稳定性和可靠性。

在大模型套件方面，为了降低在PAAS层构建和部署大模型的难度和成本，提供一套完整的大模型套件至关重要。这个套件包括预训练模型、模型训练工具、模型评估工具等关键组件。首先，预训练模型可以为开发者提供现成的模型结构和参数设置，降低模型开发的难度和时间成本。其次，模型训练工具可以帮助开发者更高效地训练和优化模型，提高模型的性能和准确性。最后，模型评估工具可以帮助开发者对模型进行全面的评估和验证，确保模型能够满足业务需求和技术要求。通过提供这样一套完整的套件，PAAS层可以大大降低开发者在构建和部署大模型方面的门槛和成本，推动工业智能化应用的快速发展。

新增的MaaS层将成为“工业互联网平台+大模型”服务的核心。MaaS层将提供大模型的训练、部署、推理等全方位服务。开发人员可以通过MaaS层轻松地构建和训练自己的大模型，而无需关心底层基础设施的复杂性和细节。同时，MaaS层还将提供大模型的部署和推理服务，确保模型能够在各种设备和环境中高效运行。此外，MaaS层还将提供对大模型的监控和管理功能，帮助开发人员实时了解模型的性能和状态。

预训练大模型是在大规模数据集上进行训练的模型，它们没有特定的任务上下文，但是具有很强的泛化能力。这些模型可以用于多种任务，如文本分类、图像识别等。在MAAS层中，预训练大模型作为服务提供给开发者，开发者可以在此基础上进行微调（fine-tuning），以适应特定的应用场景。例如，一个预训练的NLP模型可以用于文本分类任务，一个预训练的CV模型可以用于图像识别任务。

行业大模型是指针对特定行业或领域定制化训练的模型。这些模型通常包含了行业特有的知识和特征，能够更准确地理解和处理行业相关的数据和任务。在MAAS层中，行业大模型可以为特定的工业应用提供专业的模型服务。例如，在煤炭行业中，可能会有专门针对矿井安全、煤炭质量分析等方面的模型；在医疗行业中，可能会有专门针对疾病诊断、医疗影像分析等方面的模型。

服务接口是MAAS层与外部应用和服务进行交互的接口，它提供了一系列的函数和操作，以支持模型的训练、推理、管理等功能。通过API接口，开发者可以轻松地接入和使用MAAS层提供的模型服务，进行数据输入、模型调用、结果输出等操作。这大大降低了开发者的技术门槛，使得他们能够更加专注于业务逻辑的实现和创新。

SaaS层将基于MaaS层的能力，开发更多创新且具备竞争力的工业应用。SaaS层将直接与用户对接，体现工业数据的最终应用价值。在大模型的支持下，SaaS层将能够开发更多具有智能化、精准化特点的工业应用，如智能预测、故障诊断、优化控制等。这些应用将帮助用户提高生产效率、降低成本、提升产品质量，从而实现工业领域的数字化转型和升级。

在云化工业软件方面，融合大模型意味着软件将能够支持更为复杂和智能的数据处理任务。大模型通常具备处理大规模数据、执行复杂算法和提供智能决策支持的能力。因此，工业软件将能够提供更加精准的模拟、预测和优化功能，例如在制造业中，软件可以更准确地模拟生产线上的各种情况，预测设备故障，优化生产流程。此外，大模型在处理时延、抖动和网络带宽限制等方面表现更优，这将使得云化工业软件在边缘计算环境中更加高效，满足实时性要求高的工业场景需求。

在新型工业App方面，大模型的引入能够推动工业App向更高层次的智能化发展。这些App可以利用大模型进行更高级的数据分析和智能决策，比如通过分析生产数据来优化产品设计、提高能源效率或改进供应链管理。大模型还可以促进跨行业知识的整合，使得工业App能够提供更为综合的服务。例如，一个App可能结合机械工程、材料科学和运筹学等多个领域的知识，为用户提供全方位的解决方案。

在AI智能应用方面，大模型使得AI应用在工业场景中的性能得到显著提升。大模型可以处理更大量的数据，从中提取更精细的模式和特征，为智能监控、故障诊断和预测维护等应用提供支持。例如，在智能监控中，大模型能够识别出生产过程中微小的异常，及时发出预警。在预测维护中，大模型可以根据历史数据和实时数据，更准确地预测设备维护时间，从而减少停机时间，提高生产效率。