计算机行业市场分析.docx

《计算机行业市场分析.docx》由会员分享，可在线阅读，更多相关《计算机行业市场分析.docx（17页珍藏版）》请在第一文库网上搜索。

1、计算机行业市场分析一、ChatGPT引领A1突破，工业A1应用前景可期1.1 通用A1技术工业领域落地周期逐步缩短，带动工业A1应用发展提速ChatGPT引领通用A1大模型突破，伴随通用A1技术同工业领域融合应用的滞后周期不断缩短，工业A1应用亦有望迎来快速发展。ChatGPT是由人工智能研究实验室OPenA1于2023年底推出的一款A1驱动的自然语言处理（N1P）工具，其通过突破性的“Transformer架构大模型+R1HF（人类反馈强化学习）算法”带来自然语言处理在表述逻辑性、自然性等人机交互体验领域的巨大提升，杰出的用户体验首先带来ChatGPT在A1生成文本领域的潜在广泛应用。随着2

2、023年3月OPenA1正式推出大型多模态模型GPT-4,以及微软陆续将其旗下Bing搜索引擎、DynamiCS365商业应用解决方案、PoWerPIatfOrm低代码开发平台、AZUre云服务、MiCroSOft365办公套件及MicrosoftSecurity安全等产品融入ChatGPT的A1能力，AIGC（A1生成内容）在生成文本、图片、视频、代码等一系列应用领域的前景更加广阔明朗。同ChatGPT等通用A1不同，工业A1高价值应用通常集中在与机理强融合的场景，如设备预测性维护、生产过程控制优化、基于知识的综合决策等，具有碎片化特点，同时工业对A1可解释性等严苛要求导致技术创新与应用落地

3、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,我们认为，伴随ChatGPT带来的通用A1大模型突破，工业A1应用领域亦有望迎来快速发展。1.2 工业A1应用场景贯穿工业研发设计、生产制造、经营管理等全环节技术层面，工业A1的核心赋能技术主要包括算法技术和应用技术。其中，算法技术主要包括以机器学习、深度学习

4、和其他学习方式为主的数据科学，以专家系统、知识图谱为代表的知识工程等两大类；应用技术则主要包括机器视觉、自然语言处理及语音识别等。根据核心赋能技术不同，工业A1形成识别、数据建模寻优及经验知识推理决策三大类核心应用模式，贯穿工业研发设计、生产制造、经营管理等全环节。其中，识别类应用对应以机器视觉、自然语言处理及语音识别等为代表的应用技术，包括工业视觉检测、表单识别和工业语音信号识别等；数据建模寻优类应用对应以机器学习、深度学习和其他学习方式为主的数据科学算法技术，主要包括智能排产、设备运维、工艺参数优化等；知识推理决策类应用则对应以专家系统、知识图谱为代表的知识工程算法技术，主要包括设备故障诊

5、断专家系统、供应链知识图谱等应用。从工业A1落地场景形成的产品及服务载体角度看，主要包括基础软硬件、智能工业装备、自动化与边缘系统、平台与工业软件方案四大类。其中，基础软硬件为各类芯片/计算模块、A1框架、工业相机等通用软硬件产品；智能工业装备为融合智能算法能力的机器人、AGV（自动导向搬运车）、机床等通用或专用工业生产制造装备；自动化与边缘系统主要为融合了智能算法的工控系统；平台与工业软件方案则主要为工具软件同A1的融合升级以及具有A1能力的工业互联网平台两类产品。本文将主要聚焦于工业A1在平台与工业软件方案产品中的融合应用场景展开研究与展望。B2:工曼AI应用易激分布修，*及优化客AiXt

6、1的，工懵用ftX以斗编sJH植未过陟为上tftMMt冏SHK4MBB*tI人，*TJ1iftt*WAHft4AAM的修呆舱合AnfrtrfttMs牝牝itmXtitHftIti*aftKWA1tft.诚41K2玲S*A*律用M种比府*MiPTCCreo及AUtodeskFUSION360等主流CAD产品中使用。我们认为，未来随着以GPT为代表的多模态通用大模型进一步成熟，加之垂直领域大量工业设计数据的进一步调优，CAD软件的创成式设计能力有望进一步增强，从而大幅提升工程师设计生产效率、降低设计成本，CAD软件的单体价值量亦有望得到同步提升。PTC将A1驱动的创成式设计融入Creo产品。Cre

7、o是PTC推出的一款用于产品设计和开发的3D计算机辅助设计（CAD）/计算机辅助制造（CAM）/计算机辅助工程（CAE）软件和解决方案。CreO在A1驱动的创成式设计领域推出了突破性的功能，新版创成式拓扑优化扩展包（GTO）和基于云的创成式设计扩展包（GDX）可帮助设计师开发出质量更高、成本更低且在现实环境中表现更好的设计。GTO可根据设计师的要求和约束，优化特定材料和制造工艺设计；GDX还支持同时开发材料和制造工艺设计。借助Creo创成式设计,设计师可在更短的时间内交付更好的设计。64：PTCCrO。产Jb41MA1”功的叙或其谶计及劝他2.1.22.1.3 CAE：A1赋能仿真优化及工业数

8、字李生，工业数字李生反哺A1模型训练A1可赋能CAE仿真优化及工业数字挛生。CAE（ComputerAidedEngineering）,是用计算机辅助求解复杂工程和产品结构刚度、强度、动力响应、热传导等性能的一种近似数值分析方法。随着技术进步，有限元分析（FEA）、有限体积法（FVM）、时域有限差分法（FDTD）提高了求解器效率，动态可视化技术则进一步提升了用户友好性，但仿真领域仍存在需要权衡结果准确性、出结果速度、工作流的易用性和稳健性等挑战。目前，以AnSyS为代表的CAE龙头厂商已开始探索使用A1解决上述问题，如使用A1自动寻找仿真参数，可同时提高速度和准确性；使用增强仿真，通过数据驱动

9、或物理知识方法训练神经网络，可将仿真速度提高100倍等。除此之外，A1还可赋能CAE软件实现设计空间优化，结合基于数据分析和基于仿真的数字李生，准确快速地创建数字挛生混合体。工业数字挛生可通过仿真运行生成数据，助力A1模型训练。工业场景具有数据样本量相对较小的特点，是深度学习落地工业领域的最大制约。工业数字李生可通过仿真运行方式生成数据，助力AI模型训练。目前,微软ProjectBonsai正使用AnsysTwinBui1der软件创建设备或流程的数字李生，以助力其模型训练。PrOjeCtBonSai是微软推出的一款低代码A1平台，其以图形化的方式连接那些通过编程可执行A1功能的软件模块，使得

10、工程师们在不使用数据科学的情况下就可实现A1驱动的自动化。ProjectBonsai采用机器教学训练模型，但模型一经良好训练，就需要大量数据进行优化，这就需要通过反复运行物理过程来生成大量数据，然后将这些数据输入模型，微调在整机上的操作或实现自动化的过程。但从物理过程中生成如此多的数据,既耗时成本又高，且某种极端情况（如果这种情况每万亿次只发生一次）在训练过程中没有发生的话，则模型也不会预见到这种情况，如果以后实际发生了，模型就不知道该如何应对。通过与AnSySTWinBui1der合作，微软ProjectBonsai就可同时运行数百个机器或应用的虚拟模型，并将这些数字挛生生成的数据直接输入模

11、型对其进行优化，从而不断克服各种局限性。我们认为，长期来看伴随着以GPT为代表的通用大模型进一步成熟，工业大模型的搭建也有望成为趋势,与使用物理机器生成数据相比，数字季生可更快速、以更低成本生成训练A1模型所需的大量数据，伴随工业A1模型持续发展，对以CAE为代表的数字挛生相关软件需求也有望进一步放量。6：ProjectBonw1依局效李尊才人Aj*岫力/A1量立2.1.42.1.5 EDA：A1赋能EDA工具，可大幅提升设计效率及设计产品性能A1技术可有效赋能EDA工具，大幅提升设计生产效率及设计产品的PPA（功耗、性能、面积）。2023年7月，CadenCe正式推出首款A1驱动的EDA设计

12、工具Cerebrus,其具有独特的强化学习引擎，可自动优化工具和芯片设计选项，以显著减少工程工作量和总体流片时间来提供更好的PPA。根据公司官微披露数据，CerebrUS采用独特的增强版机器学习技术，可实现10倍的生产效率提升和20%的PPA（功耗、性能、面积）提升。此外，CadenCe还于2023年6月推出A1驱动的系统设计优化工具OPtimaIity,其利用类似于Cerebrus中使用的A1技术实现了突破性结果，对设计进行了优化，平均速度比传统手动操作快10倍，在一些设计上甚至实现了高达100倍的速度提升。我们认为，未来AI+EDA的结合将是大势所趋，而A1带来的EAD工具设计效率及设计产

13、品效果的显著提升亦有望进一步提升EDA产品价值量，打开EDA产品更高市场天花板。2.2 生产运维环节：“AI+”可赋能早期缺陷检测、预测性维护、产品质量分析等A1在工业生产及运维环节可应用场景较多，我们选取早期缺陷检测、设备预测性维护、产品质量分析及生产预测等4类较为典型的落地场景进行分析。早期缺陷检测：资产需要处于良好工作状态才能实现可靠生产，而在复杂的制造系统中工厂、车间可能发生故障的预测并不简单，准确的预测需要测量尽可能多的可能导致缺陷的参数，而整合来自这些参数的海量数据几乎不可能手动完成，A1模型的构建可使用实际运营数据，根据各种参数有效预测资产状况，工程师在资产发生故障前就能关注并维护资产。预测性维护：对资产设备的预测性维护能够有效防止故障发生、延长资产寿命、保证设备可用性，但传统上企业为不同资产定期制定维护计划在日期选择上并没有太多科学依据，等故障出现再采取纠正措施往往成本高昂。AI模型可使用来自设备端的运行数据，并根据这些数据对预测性维护进行科学规划，同时工程师可通过A1持续监控设备运行状态，大幅减少人工监控时间，有效降低资产设备维护成本。产品质量分析：产品质量直接影响企业品牌和客户满意度，是企业最为重视的一环，劣质产品会造成产品返工或召回并提高保修成本，使企业付出巨大代价。然而，手动测量和检测等传统质量分析技术非常容易出现