目前尚处于产品雏形期，探讨成长路径为时过早，但很大可能会借鉴工 业互联网平台产品-项目-平台的成长路径。
工业大模型市场还处于非常初期的阶段，大模型能力更新迭代快，还有非常多尚未可知的潜力，故工业+大模型的应用可能也有无限 想象空间。工业大模型的成长路径可借鉴与参考工业互联网平台的，主要原因有2点：1）二者在客户定位、服务内容、服务目标等 各方面的重合度比较高；2）当前阶段，工业大模型表现出来的能力，更像是在工业互联网平台的基础上，对数据信息价值的挖掘进 一步深入和易用化，服务思路是一致的。但大模型的成长路径也具有极强的不确定性，因为：1）大模型能力具有进化性；2）工业 大模型市场仍处于产品雏形期，很多能力仍然停留在产品设想与理论实验阶段，尚未进入真正的工业实践。因此目前急需解决的是 产品-项目的积累与闭环链路构建，打牢基础后，项目-平台及生态才有机会逐步验证。
大模型落地工业领域的服务框架依然分为基础底座-模型及服务-模型应用三层。其中，模型及服务是核心，主要提供两大类型的服 务：1）提供预训练模型，可供其他企业通过调用/部署，提供基础的大模型能力；2）提供预训练模型后服务，如辅助微调、提示工 程、训练、压缩、优化等，可供模型能力进一步适配与适用。当前，工业大模型市场的模型应用都是在大模型的基础能力+模型的适 配与适用的基础上进行定制衍生的。
目前大模型落地工业主要有4种应用思路，分别是直接使用、RAG、结合函数调用、微调。其中，RAG结合向量数据库进行检索、微 调是目前落地性相对最常见的思路。RAG的语料库都是比较贴近实际的工业生产运营的know how、流程、制度等信息，能为生成 结果做验证，在一定程度上有利于纠正“幻觉”。目前安全、问答系统等场景用的比较多。微调则是会结合一些域内数据或者具有 行业know how的提示数据集对模型进行额外训练，使模型能深入学习特定领域的知识，提升专业性和准确性。
目前大模型落地工业主要有4种应用思路，每一种应用思路都可能有不同的架构去实现相应的结果或目的。目前，大模型落地工业时 常见的架构有5种，不同架构各有特色。对于供给方或者需求方而言，不同架构没有绝对的优势，更多是根据不同需求，结合效果、 性价比等考量后，做出的架构选择。
目前大模型落地工业主要表现为3大特征：1）大模型无法保证输出的准确性，故当前有容错能力的场景是各家探索重点；2）大模型 的应用无法脱离行业know how的加持，基本是都是通过微调或者RAG技术进行调整，故掌握着丰富工业数据、工业机理模型的企 业在工业领域将更有优势；3）目前还是以分析和预测为主，决策还是非常初级的辅助决策，未来控制和应用决策能力的发展需要充 分发挥时序数据（如设备、产线运转数据、监控数据等）、IT和OT数据相结合后的价值，故大模型能力进化与其他类型大模型的成 熟变的非常迫切。
大模型落地工业的挑战主要聚焦于模型、数据、应用、商业变现几方面。针对模型：其根本是模型本身的问题，即存在幻觉、不可 解释性、成本高等问题。针对数据：更多是数据共享性、数据质量等问题。针对落地应用：则关乎决策成本和应用深度等问题。针 对商业化：则与前面三大挑战息息相关，即模型与数据相互促进，模型进步将推动应用落地，应用的推进能带来更好的商业化变现。
