以下数据及分析来自于前瞻产业研究院工业智能研究小组发布的《中国工业智能（工业 AI）行业发展前景预测与投资战略规划分析报告》

行业主要上市公司：埃斯顿（002747.SZ）；汇川技术（300124.SZ）；工业富联（601138.SH）；中控技术（688777.SH）；海尔智家（600690.SH）等

本文核心数据：工业智能；发展框架

汽车工业已延伸至大模型应用

汽车工业智能应用的意识和重视度相对超前，已经从传统 AI 延伸至大模型应用。在应用水平方面，90% 的车企已试点或应用生成式 AI 技术，40% 的车企已开始自身的生成式 AI 模型训练，尤其是造车新势力是创新主力；在产业生态方面，传统车企、新势力、互联网等多元玩家踊跃布局，已有超 100 家工业智能解决方案供应商，覆盖汽车全价值链环节；在技术方面，汽车产业各环节数据、算法与算力准备就绪度高，行驶数据反馈智驾系统研发形成良性循环的数据飞轮；算法持续迭代和成熟，解释性提高，赋能自动驾驶、车联网（V2X）、智能座舱、生产制造等细分方向；积极投入算力平台，支撑自动驾驶系统的训练和优化。

同时，企业面临产品研发周期缩短、降低研发成本、个性化生产等挑战。竞争加剧、用户需求变化快，倒逼车企加速新产品的研发和上市；智驾系统开发面临数据标注和处理成本高的问题，数据采集和挖掘效率低；算力是自动驾驶的刚需，但当前国内主机厂的算力资源仍有不足，车企在自建算力或使用算力云服务时面临巨大成本压力；供应链管理面临品类多、协同难、响应慢等问题，难以支持大规模定制化的即时要求。为了应对这些挑战，合理加速汽车研发设计、柔性生产与排程、加速数据采集和处理、开展精细化的用户营销与运营将是车企工业智能转型的重点方向。

半导体工业产业生态快速发展

半导体工业智能应用的潜力大、产业生态快速发展。在应用水平方面，视觉识别、数据建模与优化类应用已有机器视觉质检、芯片仿真、良率分析等成功案例，生成式 AI 也加速渗透，英伟达开发的 ChipNeMo、Aitomatic 开发的 SemiKong 等大模型相继问世；在产业生态方面，国内半导体智能制造厂商快速成长，国产 EDA 厂商如华大九天、概伦电子等获得了更多认可；在技术方面，前沿 AI 算法成熟，公开数据集丰富，且已覆盖 EDA 设计、生产、制造缺陷等多领域。

同时，行业面临研发周期长、高端人才短缺、良率不足、网络攻击等挑战。芯片功能设计、物理设计、验证流程复杂且耗时，全新芯片设计耗时 1-3 年以上；芯片涉及复杂的专业知识，高端技术人才培养周期长、门槛高；芯片制造过程涉及数百道工艺，其间微小偏差都会影响成品的良率，目前国内的高端制程在良品率方面仍存在明显差距；半导体行业整体产值高，掌握大量敏感数据，极易受网络攻击威胁。针对这些挑战，加速芯片研发与验证，帮助提升良率是未来半导体工业智能的发展方向。

机械装备工业庞大、类别众多

机械装备工业庞大、类别众多，正积极推动智能化转型。在应用水平方面，超 90% 国内先进装备制造工厂已应用 AI、数字孪生等技术；在产业生态方面，国内已涌现华为盘古、有鹿具身等十余款具身智能大模型；在技术方面，算力、数据与算法基础扎实，数据集覆盖伺服、电机检测等细分领域，具身智能运控算法持续突破，头部企业算力还实现对外共享。工业机器人是工业智能应用前沿，2B 商用机器人在商业服务、极端作业场景应用渐广，2C 家用机器人虽落地难度大但居家前景广阔，有望规模化落地发展，其工业搬运、装配等标准化场景为重要试验场，覆盖汽车、3C 制造、仓储物流等多场景。

同时，行业面临硬件设计复杂、设备运维难度大、质量一致性与追溯难、混线生产调度复杂等挑战。为此，行业正以智能技术赋能数据合成、运控算法优化、硬件设计等方向，重点布局 AI 辅助设计、智能排程、AI 质检、预测性维护、具身智能等高价值场景。

医药工业处于智能化渗透阶段

医药研发与工业智能融合度高，算法和生态实现突破，正处于智能化渗透阶段。在应用水平方面，全球超 68% 药企在研发阶段应用 AI，中国医药制造大模型快速落地，覆盖药物研发、知识问答等领域；在产业生态方面，国内智能制药企业加速涌现，形成 AI+Biotech、AI+CRO、AI+SaaS 三类主流玩家，但整体仍处起步初期，数量远少于美国；在技术层面，多种算法已有落地，AlphaFold 3 等算法推动靶点结构预测，数据集成为核心瓶颈，数据质量参差不齐限制算法应用。

同时，行业面临罕见病用药不足、管线研发难度大、研发成本高、临床试验患者招募难等挑战，新药研发周期长、淘汰率高、成本高昂。工业智能加速药物开发与患者筛选成为重要趋势，未来将围绕研发设计、临床试验优化、智能生产、安全监测等环节，推动制药企业数字化转型。

钢铁工业以点带面加速发展

钢铁工业正处于头部企业率先探索工业智能、以点带面加速发展期。在应用水平方面，18% 的钢铁企业已开展局部智能应用，80% 企业试点大数据模型，质量检测、工艺参数调优等场景成效显现，但大模型推理决策应用尚不成熟；在产业生态方面，国家积极培育，钢铁行业大模型提供商快速涌现；在技术方面，高质量数据集建设仍处早期。

同时，行业面临 " 黑箱 " 流程管控难、工作环境恶劣、质量不稳定、环保等严峻挑战。行业 90% 为长流程工艺，高炉冶炼、转炉冶炼、电炉冶炼、轧制等复杂工序形成 " 黑箱 "，实时信息获取困难；大量巡检和生产现场工作处在高温和烟尘环境，对员工身体健康不利；高端钢材质量稳定性、可靠性、一致性与国际先进水平存在差距；生产能耗高，碳排放占全行业 15%，环境污染严重。未来钢铁工业智能将持续发力，聚焦改善黑箱模型精度、优化作业环境、提升质量缺陷管控、降低能耗减碳等方向，推动行业智能化、绿色化升级。

更多本行业研究分析详见前瞻产业研究院《中国工业智能（工业 AI）行业发展前景预测与投资战略规划分析报告》。

同时前瞻产业研究院还提供产业大数据、产业研究报告、产业规划、园区规划、产业招商、产业图谱、智慧招商系统、行业地位证明、IPO 咨询 / 募投可研、IPO 工作底稿咨询等解决方案。在招股说明书、公司年度报告等任何公开信息披露中引用本篇文章内容，需要获取前瞻产业研究院的正规授权。

更多深度行业分析尽在【前瞻经济学人 APP】，还可以与 500+ 经济学家 / 资深行业研究员交流互动。