工业互联网产业链:从网络层到应用层迎来巨变,智能制造迈进一大步。 工业互联网产业链可分为设备层、网络层、平台层、软件层、应用层和安全体系等六大部分。其中,我们认为以华为盘古为代表的大模型将对工业互联网平台层和软件层进行整合重构,扩大工业互联网可解工业问题边界的深度和广度,以TSN为代表的新兴网络技术成为内网网路设备升级方向,加快工业互联网渗透。 这些催化是智能制造不可忽视的重要变革力量,是工业朝智能化(4.0)时代迈进的一大步。 平台/软件/应用层:盘古AI for Industries,工业GPT雏形初现。 工业领域多场景工业机理复杂、数据分析能力要求较高,盘古模型拥有泛化能力强、小样本学习和模型高精度三大特性,因此高度适配各类复杂的工业应用场景,显著提升工业大数据分析能力与效率。华为云过去几年中人工智能的项目超过1000个,30%的人工智能项目进入核心生产系统,帮助客户盈利能力平均提升18%,可见,盘古AI+智能制造实践经验丰富并实现产业实际效益提升。看好AI for industries将成为人工智能新的重点方向,大模型助力构建企业的AI生态,而盘古有望成为众多企业/工厂AI生态中的“指挥部”。 网络层:内网网络设备亟待换代,TSN引领下一代网络升级方向。 细分通信协议复杂孤立,工业以太网替代现场总线成为大势所趋;5G+TSN实现高可靠低时延特性的完美契合,打破封闭生态,适用于工业和车联网领域,有望引领未来网络迭代方向。 参与关键:垂直领域数据积累+Know-How为重要壁垒。 由于To B预训练的模型相对封闭,需要对于垂直领域数据的积累,所需参数无需很多,难点在于数据获取和Know-how,更多只是需要构建具体场景的小模型,以满足生产环节对AI的需求。我们认为数据壁垒不会随着AI渗透轻易降低,大企业出于数据安全和迁移成本考虑更多仍将数据部署在本地或者私有云,拥有行业数据积累的工业互联网企业具有中长期优势。 投资建议:信息化数字化建设较成熟的制造业行业,工业GPT或将率先落地,改变现有工作模式,而服务于这些制造企业的AI+智能制造企业将率先受益。 建议关注在垂直领域持续耕耘的工业互联网相关企业:映翰通、东土科技、三旺通信、宝信软件、华工科技等。 风险提示:1)技术进展不及预期;2)行业应用推广不及预期。 重点公司盈利预测、估值与评级 1工业互联网产业链:从网络层到应用层迎来巨变,智能制造迈进一大步 从量化目标到行动计划,政策引领智能制造提速发展。21年11月《“十四五”数字经济发展规划》提出我国工业互联网平台普及率25年提升至45%;21年12月《“十四五”智能制造发展规划》提出25年70%的规模以上制造业企业基本实现数字化网络化;22年4月7日,工信部发布关于将研究制定系统深入推进智能制造的行动计划,智能制造是全球产业技术变革的主要方向,是未来国际竞争的制高点,要坚持推进互联网、大数据、人工制造等技术与制造业深度融合,且工信部将研究制定系统深入推进智能制造行动计划。 工业互联网产业链可分为设备层、网络层、平台层、软件层、应用层和安全体系等六大部分。设备层是指包括智能生产设备、生产现状智能终端、嵌入式软件及工业数据中心;网络层是指包括工厂内部和外部的通信,即工厂内网和工厂外网; 平台层包括了协同研发、协同制造、信息交易和数据集成等工业云平台;软件层包括了研发设计、信息管理和生产控制软件,是帮助企业实现数字化价值的核心环节; 应用层是包括了垂直行业应用、流程应用及基于数据分析的应用;而安全体系则是渗透于以上各层中,是产业重要的支撑保障。从产业链划分,设备层、网络层属产业链上游,应用层属产业链下游,其余部分均归入产业链中游。 图1:工业互联网产业链 我们认为,以华为盘古为代表的大模型将对工业互联网平台层和软件层进行整合重构,扩大工业互联网可解工业问题边界的深度和广度,以TSN为代表的新兴网络技术成为内网网路设备升级方向,加快工业互联网渗透。这些催化是智能制造不可忽视的重要变革力量,是朝工业智能化(4.0)时代迈进的一大步。 2平台/软件/应用层:盘古AIforIndustries,工业GPT雏形初现 2.1华为盘古:AIforIndustries,赋能B端垂直应用 核心定位:ToB,为千行百业进行赋能。4月8日至9日,华为“盘古系列AI大模型”在人工智能大模型技术高峰论坛发布。模型底层是用一站式AI开发平台ModelArts建立了L0基础通用模型,包括CV大模型、NLP大模型、科学计算大模型等;L1:基础模型与行业数据结合进行混合训练后的行业的模型,已经发布矿山、气象、药物、分子、电力、海浪、金融等行业的大模型;L2:把L1再具体下游业务场景进行部署后生成的部署模型,如OCR模型、电力巡检模型。AI人工智能行业渗透率提升,2021年仅7%,2026年将达到20%,CAGR为26%。华为云过去几年中人工智能的项目超过1000个,30%的人工智能项目进入核心生产系统,帮助客户盈利能力平均提升18%。 图2:行业大模型加速AI落地,赋能千行百业智能升级 CV大模型可应用于工业质检、物流仓库监控、时尚辅助设计等领域,NLP大模型可应用于智能文档搜索、智能ERP、小语种大模型等领域,科学计算大模型可应用于气象预报、海浪预测等领域。 图3:华为云盘古大模型:AIforIndustries,做好行业应用 三大特性,解决工业AI应用碎片化瓶颈。工业领域多场景工业机理复杂、数据分析能力要求较高,AI可以从根本上提高系统建模和处理复杂性、不确定性、常识性问题的能力,显著提升工业大数据分析能力与效率,扩大工业互联网可解工业问题边界的深度和广度,AI也成为重新定义工业互联网产品逻辑的抓手。盘古大模型基于“预训练+下游微调”的工业化AI开发模式,拥有泛化能力强、小样本学习和模型高精度三大特性,因此高度适配各类复杂的工业应用场景,解决了AI无法规模化、产业化的难题,能够通过小样本学习掌握行业细化知识,且实现精度较高。 图4:华为云盘古大模型:推动AI开发从“作坊式”到“工业化”升级 2.2“工业GPT”应用展望:成为企业的大脑,构建AI生态系统 多个垂直行业典型应用落地,切实提升行业效能。盘古大模型已在工业领域内有应用落地,并在多个行业实现100+场景的降本增效,应用领域包括气象、医药、游戏、税务、工业、机械、航天航空、土木、地质等多方面,是数字化转型的智能基础设施。例如,盘古气象大模型是全球首个精度超过传统预报方式的AI模型,可以在秒级时间内完成全球未来1个小时到7天的天气预报,精度超过传统数字分析方法的同时预测速度提升1万倍;盘古药物分子大模型可以提高小分子合成物筛选速度,使过去数年的传统药物研发周期缩短至一个月以内,大幅提高研发效率。 图5:华为云盘古气象大模型 图6:华为盘古药物分子大模型 工业与AI应用契合,将会有更多创新性应用推出。类似ChatGPT在商业领域,To B领域或将先于ToC领域获得突破性的应用,尤其AI+智能制造有众多契合的应用场景。AI技术可以在工业领域应用于: 1、预测性维护。预测设备何时可能发生故障,实现主动维护,减少停机时间。 2、质量控制。检查和测试产品的缺陷,提高产品质量并降低成本。 3、过程优化。优化工业流程,如调度和资源分配,以提高效率和降低成本。 4、机器人技术。控制和自动化工业机器人,提高效率,减少对人力的需求。 5、能源效率。优化能源使用,例如,管理和控制资源的使用,以节省能源。 6、自动驾驶车辆。控制和导航自主车辆,如无人机和自动驾驶汽车,可用于检查、运输和测绘等任务。 7、预测分析。分析工业流程中的数据并预测未来的行为,更好地做出决策。 图7:AI在工业互联网中的典型应用场景 大模型开启2B生态系统构建。3月29日,微软发表重量级的论文:《TaskMatrix.AI: Completing Tasks by Connecting Foundation Models with Millionsof APIs》,论文详细介绍了使用语言模型对数百万量级API进行调用的方法,并展示了多个使用场景。TaskMatrix.AI是一个新的AI生态系统,将基础模型与数百万个API连接起来以完成任务。文章愿景是构建一个生态系统,利用基础模型和其他擅长特定任务的模型和系统,可以作为API访问。优势是能够执行数字和物理任务,具有很好的可解释性,而且可以随时添加新的API;制定了一个API平台标准,所有开发者都可以将新的模型或者API进行接入。TaskMatrix.AI类似于一个指挥部,对解决各类型任务的小模型部队进行调令。 盘古有望成为AI企业/工厂“指挥部”。未来所有的公司都可能需要一个AI大脑,我们认为盘古的2B基因(专注于2B,拥有垂类行业的数据和应用案例积累),有助于聚合工业互联网不同细分领域的优势企业,成为庞大生态伙伴体系,加速训练垂直行业模型,帮助工业企业更快地构建符合具体场景的小模型或收编高度定制化的小模型,以满足各个生产环节对AI的需求,快速生成高质量生产数据,指导机器人或产线完成各种复杂的任务,实现更高水平的人机协作。盘古有望率先成为数字化企业和智能工厂的指挥部,成为广泛应用的“工业GPT”。 图8:TaskMatrix.AI 3网络层:内网网络设备亟待换代,TSN引领下一代网络升级方向 3.1细分通信协议复杂孤立,工业以太网替代现场总线大势所趋 细分工业通信协议复杂且孤立。目前市场上存在三大类主流的工业网络通信协议——现场总线、工业以太网、无线,其各自又包含不同的细分协议,适用于不同厂商、不同细分应用场景,过于碎片化的标准导致工业互联网生态较为封闭;同时现有协议以发达国家为主导,我国有望在无线领域弯道超车。 工业以太网替代现场总线是大势所趋。根据HMS数据,全球工业网络新安装节点2022年相比2021年同比增长8%,其中工业以太网同比增长10%,现场总线同比增长4%,无线同比增长8%;市场份额方面,2016-2022年,工业以太网份额由38%提升至66%,现场总线由58%下降至27%。 图9:全球主流工业网络通信协议标准 图10:16-22年全球工业网络市场份额(新安装节点) 3.25G+TSN实现高可靠低时延特性的完美契合,打破封闭生态 TSN具备高可靠+低时延特性。TSN位于七层网络架构的数据链路层,主要解决网络确定性保障问题,通过一系列协议标准实现零拥塞丢包的传输,提供有上界保证的低时延和抖动,为时延敏感流量提供确定性传输保证。为实现局域网的确定性传输,TSN实现了精确的网络时间同步机制,流程整形、分类和不同优先级流量的流量调度机制,以及端到端、网络中的交换机进行配置,以便为时间敏感型数据提供预留带宽等服务进行系统化的网络配置机制。 与标准的以太网相比,TSN最大的优点是能够保证数据交换的确定性,在提前确定时间敏感数据流传输的周期、每个周期传输的数据大小后,只要数据发送方按照约定将数据发出,TSN就能够保证在确定的时间将数据交换到接受方。 5G与TSN融合,打破封闭生态,有望引领下一代网络升级方向。5G满足工业4.0的无线通信与高可靠低时延的诉求,TSN满足工业4.0的确定性时延及协议统一的诉求,将TSN技术原理与5G网络的传输过程进行融合,可以更为有效地保证5G网络的端到端高可靠低时延传输要求,创造一个脱离有线束缚、满足端到端确定性时延、具备开放生态的工业网络新时代。 图11:TSN网络协议层次及TSN关键技术 图12:5G与TSN融合部署总体参考架构 4参与关键:垂直领域数据积累+Know-How为重要壁垒 AIXB端参与关键在于垂直领域数据积累和Know-how。由于ToB预训练的模型相对封闭,需要对于垂直领域数据的积累,所需参数不一定需要很多,难点在于数据获取和Know-how,模型的复杂程度偏低,更多只是需要构建具体场景的小模型,以满足生产环节对AI的需求。