自2023年以来，AIGC随ChatGPT的兴起而形成一个发展高潮。越来越多大模型，与行业深入结合，特别是工业制造领域的结合，尤为密切。对此，有专家撰文，当前工业数字化和AI化（即数字智能化）已成为工业领域智能制造的必然选择。AIGC的应用融合正是发展方向之一，且正在催生许多新的工业应用。

根据介绍，预测性维护是最值得期待的应用之一。

机器设备在使用过程中会出现磨损、腐蚀和故障。如果这些问题不及时处理，后果将非常严重。预测性维护可以通过安装在机器上的传感器和数据收集设备来实现，比如针对模拟信号的检测就是典型的应用之一，工业生产中对部署的温度或者是电压、电流这种模拟信息的收集，通过对其中某些数据中的微小异常，机器学习就可以提前警告其损坏或故障可能造成后果，从而预测何时需要维护或者需要停止使用。

安全生产也是智能制造希望实现的重要目标。越来越多工业企业使用工业机器人进行生产，对机械臂的不正确操作会对工人产生伤害，但通过机器视觉或者是通过机器学习的能力提前检测出来，会对工人有很好的人身安全的保护。

此外，生成式AI加工业物联网也有望改变或优化能源管理的方式。人工智能可以帮助优化能耗，例如在能源需求高峰时对工厂进行实时地预测性维护。物联网还可以使企业能够实时监控其基础设施中的电能消耗。如果某些电力系统中的一台设备出现故障，那么其他设备就会被关闭，从而减少不必要的电力浪费。

随着工业企业加速向智能化迈进，大数据、人工智能和物联网将形成更紧密的联系。根据麦肯锡的预测，到2027年，全球制造业将实现两位数的收入增长。利用生成式人工智能技术进行的预测分析可以为企业提供更强的洞察力。

以差异化芯片解决方案应对算力需求

在AIGC与工业物联网结合的过程中，半导体技术发挥着关键的作用。算力是大模型应用的基础之一。AIGC在工业物联网的应用发展离不开半导体技术的支撑。随着大模型功能的加入，本地承载的功能更多了，必然会对芯片性能提出更高要求。

越来越多的企业正在把机器学习带入边缘，在MCU中嵌入NPU神经处理单元，在工厂中部署各种新的机器学习应用。我们将在MCX 系列中集成eIQ Neutron神经处理单元。该神经处理单元可为机器学习提供高效的处理，并提供加速功能，在执行机器学习时比通用处理器的效率高出5倍到30倍。大模型的稀疏化也是人们在应对大模型实现边缘部署的方式之一。也就是说在云端设计出一些比较大的模型，然后通过稀疏化的过程，使模型在边缘侧做到相对有效的部署。从芯片架构来看，异构计算将是未来发展的必然选择。边缘侧设备集成的芯片从同构CPU架构发展到异构，以及加速器架构，能够更好地支持大模型稀疏化后形成的小模型，使它们能在边缘侧和端侧实现部署。

在算力方面，工业设备端对算力的要求，差异性比较大。手机移动端基本上是云端的方案，因为手机的实时传输的能力是没问题的。这和大模型在工业上的应用不同，芯片解决方案的最大的不同就是手机大多数依靠云端数据中心来完成，云服务来完成。从工业的需求上来讲，不同的应用场景对算力的要求是不同的。举例来说，基于机器视觉的典型应用，大部分对算力的要求在1～4 TOPS之间。我们也看到一些客户正在推动10到40 TOPS这个区间，使之具有更高性能，但也有一些轻量级的应用甚至会小于一个“T”的需求，所以我们在谈工业的需求还是要结合应用一起来看。