全系列現貨出售1762-OB16 低速高轉矩輸出

全系列現貨出售1762-OB16 低速高轉矩輸出

全系列現貨出售1762-OB16 低速高轉矩輸出

洞察4：“5G+工業互聯網”發展駛入快車道

5G是驅動工業互聯網發展的關鍵技術，工業互聯網是5G規模化應用的主陣地。近年來，“5G+工業互聯網”發展駛入快車道。

從產業規模來看：5G正式商用近四年以來，中國在5G網絡建設方面取得舉世矚目的成就。工信部數據顯示，截至2023年3月底，我國累計建成5G基站超過264萬個，5G移動電話用戶達6.2億戶，移動物聯網用戶達19.84億戶，5G應用已覆蓋52個國民經濟大類。與此同時，我國工業互聯網產業規模已超過1.2萬億元，較上年增長了15.5%。工業互聯網標識解析體系覆蓋31個省（區、市）和40個行業，服務企業超過了25萬家；形成綜合型、特色型、型的多層次工業互聯網平臺體系，重點平臺連接設備超過了8100萬臺（套）。工業互聯網已覆蓋45個國民經濟大類、166個中類，覆蓋工業大類的85%以上。

圖表 5  中國5G和工業互聯網發展概況（截止2023年Q1）

數據來源：工信部

從技術標準來看：2020年7月3日，3GPP官宣了5G R16標準的凍結，定義了5G LAN這一推動5G向垂直行業擴展的重要加速劑，拉開了“工業5G時代”的大幕。在此之前，工廠的網聯化、數字化轉型大多依賴“有線+WiFi”的組合來為終端設備提供通信保障，其局限性也顯而易見——一方面是工廠環境復雜，有線網絡路由難規劃、部署成本高，而且易造成線纜過多、混亂；另一方面是WiFi網絡抗干擾性與移動性差，同時基于WiFi的網絡環境也不具備邊緣能力，無法承擔部署在邊緣節點的潛在故障分析、數據快速回傳等工作。而5G則像是一把鋒利的剪刀，成功為工業制造完成了“剪辮子”的轉變。在進入R16時期后，5G LAN一舉打通了工業IT與OT融合的“任督二脈”，使5G直接進入到工廠內網，跟工業網絡之間形成融合。2022年6月，5G R17標準凍結，在uRLLC（超可靠低延遲通信）增強項目中，對時延敏感的工業控制網絡的空口同步精度在R16的±540納秒，進一步提升到R17的±145納秒至±275納秒，可有效解決工業控制的同步精度問題。同時，輕量級5G RedCap的凍結則為工業傳感器連接場景提供了支撐。

從頂層設計來看：“5G+工業互聯網”相關政策呈現出逐年清晰、完善、具體的趨勢。自2019年我國正式商用5G后，工業和信息化部便出臺了《“5G+工業互聯網”512工程推進方案》，有針對性地推進5G和工業互聯網融合發展。2021年7月，十部委聯合頒布《5G應用“揚帆”行動計劃（2021-2023年）》，在行業融合應用深化行動中將“5G+工業互聯網”作為重點，提出要聚焦“5G+工業互聯網”發展重點行業，打造典型應用場景，持續開展“5G+工業互聯網”試點示范，支持5G在質量檢測、遠程運維、多機協同作業、人機交互等智能制造領域的深化應用。2022年9月，工信部印發《5G全連接工廠建設指南》，提出“十四五”時期，主要面向原材料、裝備、消費品、電子等制造業各行業以及采礦、港口、電力等重點行業領域，推動萬家企業開展5G全連接工廠建設，建成1000個分類分級、特色鮮明的工廠，打造100個工廠，推動5G融合應用縱深發展。

智次方研究院匯總了部分企業的5G全連接工廠案例，如下所示：

中國信息通信研究院發布的《2022中國“5G+工業互聯網”發展成效評估報告》顯示，全國4000余個“5G+工業互聯網”項目已覆蓋41個國民經濟大類，5G全連接工廠種子項目中，工業設備5G連接率超過60%的項目占比超一半，5G技術與工業融合的廣度和深度不斷拓展。“5G+工業互聯網”創新發展，不僅帶動了企業提質、降本、增效、綠色、安全發展，而且開辟了傳統工業技術升級換代的新路徑，加速人、機、物全面連接的新型生產方式落地普及，成為推動制造業高端化、智能化、綠色化發展的重要支撐。

洞察5：生成式AI在工業互聯網領域的落地尚存爭議

2022年11月，美國人工智能公司Open AI推出ChatGPT對話模型，迅速并快速迭代，在不到4個月后發布能力更強大的GPT-4，隨后又推出了聯網和第三方應用插件功能，不斷刷新生成式AI帶來的變革。目前，國內外已經涌現了部分關于生成式 AI應用于智能家居、流程自動化、智慧安防、機器人等領域的思考和初期實踐，但由于工業領域的特殊性，生成式AI在工業互聯網的落地尚存爭議。

在接受智次方研究院調研的企業中，接近30%是生成式AI技術的堅定“支持者”，他們認為雖然生成式AI在工業制造領域的應用還不成熟，但其改變傳統生產方式、推動制造業未來數字化轉型的趨勢已經勢不可擋。

過去，工業AI通常著重于故障檢測、預測性維護等用例，但2023年的一個新趨勢是生成式AI將深入制造企業的流程優化。尤其是在產品開發階段，生成式AI能夠壓縮設計和迭代的過程，從而帶來顯著的效率提升。初創公司Divergent 3D使用生成式AI為英國的豪華跑車制造商阿斯頓·馬丁設計的概念車打造后車架，從設計的提出、對比分析，到評估其可制造性，在短短一個小時之內就可進行30~40次迭代。無獨有偶，Monolith AI公司在2023年工博會上帶來其機械工程仿真解決方案，基于該方案，創建者依靠實時數據每次進行仿真都會開發一個模型，省去許多測試程序，該公司的目標是到2026年將100000名工程師的產品開發時間縮短50％。

除了研發，數據追蹤和分析的流程或許也將被重塑。對制造業管理者而言，實時了解生產進度是重中之重。在一些比較傳統的中小制造企業車間里，生產流程的記錄往往依靠紙質單據或者Excel表格，生產信息整體傳遞滯后。為了解決這類問題，不少企業開始部署數字化系統，但卻存在周期長、成本高等痛點。而生成式AI可以使用自然語言處理和機器學習技術從工業現場的儀表板上，甚至紙質數據和表格中讀取數據（GPT-4已經具備了識圖能力），并快速提取有用的特征和信息。國外的一位博主進行了這樣的嘗試，他為ChatGPT提供了Zerynth 儀表板的鏈接，生成式AI立即就讀取了儀表板中的數據和圖表，實時提供了正在發生的事情的概覽。雖然分析結果很膚淺，但這的確有助于初步分析和了解工廠的運行情況，包括哪些機器運行情況良好，哪些指標值得關注等。

在接受智次方研究院調研的企業中，超過70%是生成式AI技術的“觀望者”，在他們看來，生成式AI在工業領域的應用落地還很遙遠，甚至可能是個“偽命題”。

首先，當前大多數生成式AI模型主要關注文本和圖像，只有非常少量的模型關注將傳感器數據作為輸入，同時，工業場景中的很多數據是不可讀取的，或者即使讀取了也需要一個翻譯和解讀的過程才能理解；第二，工業領域對安全、穩定、可靠有著非常嚴苛的追求，而生成式AI的技術原理往往是尋找一種“有可能”的答案，相關結果并不一定能夠應用于生產經營場景；第三，工業制造細分領域眾多，各領域在生產流程、工藝、生產線配置、原材料及產品類型上均具有較大差異，強調的是細分行業的機理融合和行業知識，沒有海量數據標簽，因此工業領域基本上不可能形成類似GPT這樣的通用大模型。

全系列現貨出售1762-OB16 低速高轉矩輸出