AI+制造系列报告之一

从单机到产线，AI让制造更简单

分析师：代川

分析师: 孙柏阳

SAC 执证号：S0260517080007

SAC 执证号：S0260520080002

SFC CE.no: BOS186

021-38003678

021-38003680

daichuan @ gf.com.cn

sunboyang@gf.com.cn

请注意，孙柏阳并非香港证券及期货事务监察委员会的注册持牌人，不可在香港从事受监管活动。

核心观点：

ChatGPT的发展基础：大语言模型发展的提速。ChatGPT是OpenAI公司开发的一种大语言模型，与传统的判别式预测不同，ChatGPT是一种生成式人工智能，用来生成新的内容和观点，并实时交流。近年预训练基础模型发展较快，大语言模型的成绩较为瞩目。

AI使得单机设备更加智能化。传统的定制化加工模式有望得到重塑。工业机械化制造紧缺的是懂工艺和编程的复合人才，自然语言编程的进步，有可能降低人才培养难度和提高工程师的设计效率，因此利好需要定制化编写和调试代码的数控机床行业。

AI促使生产线更柔性化。看重“小单快反”制造业的模式，天然适合AI介入进行柔性化生产改造。基于AI的智能控制系统可以自动调整生产过程中的参数和流程，从而适应不同的生产需求和变化。AI的发展有望丰富下游的生态，利好数码印花行业。

工业软件搭载 AI后，有望更加智能化。前端生产环节，AI自然语言编程提高工程师设计效率，工厂内部一线的使用人员可以根据经验、借助自然语言直接进行软件优化和迭代，未来的效率优化空间更大，工业软件设计有望加速发展。后端仓储环节，AI也可以通过对仓库中的物品进行识别和分类，有望提高仓库管理效率。

AI有望提升机器视觉的分辨能力和应用范围。AI能够为机器视觉注入新活力，而机器视觉又协助AI进行数据生产。搭载AI的机器视觉等技术有望能够大幅提升检测效率，同时机器视觉是数字经济技术中获取数据的重要途径，通过将生产数据数字化，提供更为丰富的机器学习样本，助力算法软件迭代和研发端提效。

AI有望加速机器人的训练能力。根据谷歌和微软最新的论文，AI有望给机器人训练带来三重颠覆性改变一一分别是自然语言调试、图片推理和虚拟环境训练。未来更多机器人主机厂有望能够参与机器人的场景训练调试，推动人形机器人的应用端百花齐放，利好产业链的发展。

. 投资建议。AI技术有望重塑传统的单机定制化加工模式，利好数控机床公司，同时利好柔性化产线的应用端设备公司，例如数码印花行业。有望形成工厂全流程管控新模式，工厂自动化的软件设计有望加速发展，利好工业软件公司。AI有望提升机器视觉的分辨能力和应用范围，利好机器人视觉公司。未来机器人训练的成本有望大幅下降，应用层面有望百花齐放，产业链有望收益。

风险提示。ChatGPT发展及应用落地不及预期；应用场景探索不及预期；国产厂商的技术和发展不及预期。未来国内公司使用ChatGPT可能带来数据安全风险。

目录索引

一、CHATGPT问世，发展源于NLP和大语言模型 .4
二、基于CHATGPT，工业4.0向工业5.0 的演进. ..6
三、AI有望重塑传统的定制化加工模式. .8
四、AI改进生产流程，生产线更柔性化. .9
五、工业软件搭载AI后，有望更加智能化.. ..9
六、AI有望提升机器视觉的分辨能力和应用范围， .10
七、AI有望加速机器人的训练，反哺制造和服务业 .11
（一）自然语言调试：普通用户有望直接调试底层模型. ..12
（二）图片推理：超越文本、改造现实，机器人训练的里程碑， ..12
（三）虚拟环境训练：训练或可基于虚拟场景，有助于加快训练的进程 ..13
八、细分领域展望：当科学仪器嫁接GPT. .15
九、机械行业诸多领域有望收益. .18
十、风险提示. .18

图表索引

图1：预训练语言模型发展脉络.. 5
图2：多模态大模型的跨模态任务示例. .5
图3：不同内容下的GPT-4与GPT-3.5的考试结果 .6
图4：工业1.0至4.0下的工业组织和运营 .7
图5：工业4.0与工业5.0的定义区别 .7
图6:工业4.0与工业5.0下的知识图谱 .7
图7：工业5.0中的多学科和跨学科.. .7
图8：多次训练下，ChatGPT对泛工业5.0 的回答. .8
图9：CNC 编码工程师可能被AI替代的工作范畴 ..9
图10：工厂内软件设计和数据采集环节有望得到较快发展. ..10
图 11：机器视觉系统架构中，算法软件相当于“大脑”，承担处理分析决策的作用
.. 11
图 12：数字经济是“智能大脑”，而机器视觉是获取数据的重要途径 ...11
图13：机器人根据用户的自然语言进行代码调试. ..12
图 14:PaLM-E模型架构，摄取不同的模态（状态和/或图像）并通过语言建模13
图 15：视觉语言数据显着提高了机器人任务的性能. ...13
图 16:PaLM-E在虚拟环境中为执行任务指定计划. ...14
图17：机器人逐渐向全场景/功能发展. ..15
图 18：应用场景的深度和宽度决定了产业化的快慢. ..15
图19：是德科技Infiniium 系列产品离线软件界面 ..16
图20：是德科技示波器的Matlab软件接入界面. ..16
图21：频谱分析仪的结构框图 ..17
图 22：频谱分析中几种函数关系. ..17
图23:ChatGPT生成python代码. .17
表1：GPT各代模型的迭代进程. .4
表2:GPT-4与 ChatGPT 的对比.. .4

一、ChatGPT问世，发展源于NLP和大语言模型

ChatGPT的发展基础：大语言模型发展的提速。ChatGPT是Open AI公司开发的一种大语言模型，与传统的判别式预测不同，ChatGPT是一种生成式人工智能，用来生成新的内容和观点，并实时交流。到目前为止，ChatGPT是基于超大对话文本的训练集，包括训练数据、文本、图表、语音等。近年预训练基础模型发展较快，大语言模型的成绩较为瞩目。纵观发展历程，基于NLP领域的积累，2018年BERT模型取得突破。随着近年预生成式训练（GPT）、GPT3、DALL-E等大规模预训练模型的涌现，AI领域开始了无监督学习条件下的大数据+大模型转变。

ChatGPT由生成式预训练模型GPT-3.5微调而来，持续迭代。在GPT3.5的基础上，引入基于人类反馈强化学习技术对模型进行微调，形成了ChatGPT。从发展历程看，2018年，GPT-1侧重生成式任务，在语言推理、文本生成、问答等情况表现较好;2019年，GPT-2容纳更大数据量，同时引入文本提示的输入方式。2020年，GPT-3能将网页描述转换为相应代码、生成游戏剧本等，以完成大多数NLP任务，但对生成内容的偏好控制能力一般。2021年WebGPT以及2022年InstructGPT模型逐步具备学习人类回答问题方式的能力。2022年3月，OpenAI发布了GPT-4，与ChatGPT不同的点是，GPT-4已是大型多模态，体现为输入端已经支持了图像和文本。

表1：GPT各代模型的迭代进程

	推出时间	训练集大小	参数个数
GPT-1	2018年	5GB	1.17亿
GPT-2	2019年	40GB	15亿
GPT-3	2020年	45TB	1750亿

数据来源：OpenAI，广发证券发展研究中心

表2:GPT-4与ChatGPT的对比

	GPT-4	ChatGPT
发布时间	2023年3月14日	2022年11月30日
模态对比	多模态一输入：文字+图像；输出：文字	单模态一输入：文字；输出：文字
图文分析	有	无
最新数据日期	2021年9月	2021年9月
SAT Math 成绩	700 / 800	590 /800
上下文窗口	32000 token	4096 token
主要算法	PRO 算法微调、RLHF（人类反馈强化学习）、RBRM（基于规则的奖励模型）	PRO 算法微调、RLHF（人类反馈强化学习）
训练方法	监督学习微调、RLHF 训练奖励模型、RBRM、PRO强化学习	监督学习微调、RLHF 训练奖励模型、PRO强化学习
训练稳定性	高	一般
安全性措施	对抗性测试和红队测试、额外的安全相关RLHF 训练提示、RBRM	RLHF训练

数据来源：GPT-4Technical Report，广发证券发展研究中心

图1：预训练语言模型发展脉络

数据来源：赵朝阳《ChatGPT给大语言模型带来的启示和多模态大模型新发展思路》，广发证券发展研究中心

图2：多模态大模型的跨模态任务示例

数据来源：赵朝阳《ChatGPT给大语言模型带来的启示和多模态大模型新发展思路》，广发证券发展研究中心

图3：不同内容下的GPT-4与GPT-3.5的考试结果

数据来源：GPT-4Technical Report，广发证券发展研究中心

二、基于ChatGPT，工业4.0向工业5.0的演进

在工业5.0的架构中，核心是信息社会系统中的并行智能。纵观系统的演变，从工业4.0中的信息和交互会变成工业5.0中的智能化和连接；从工业4.0中的工业自动化会演变成工业5.0中的学习自动化。同时，在工业5.0的框架下，基于人机界面，采用文字、音频、视频、图表等训练集，在大语言模型下系统具备语言智能和想象力智能;在大商业模型下系统具备算法智能。这和ChatGPT多模态的发展吻合。

图4：工业1.0至4.0下的工业组织和运营

数据来源：Fei-Yue Wang 《Chat with ChatGPTon Industry5.0:Learning and Decision-Making for Intelligent Industries》,广发证券发展研究中心

图5：工业4.0与工业5.0的定义区别

数据来源：Fei-Yue Wang 《Chat with ChatGPT on Industry5.0:Learning and Decision-Making for Intelligent Industries》,广发证券发展研究中心

图6:工业4.0与工业5.0下的知识图谱

数据来源：Fei-Yue Wang 《Chat with ChatGPT on Industry5.0:Learning and Decision-Making for Intelligent Industries》,广发证券发展研究中心

图7：工业5.0中的多学科和跨学科

数据来源：Fei-Yue Wang 《Chat with ChatGPT on Industry5.0:Learning and Decision-Making for Intelligent Industries》,广发证券发展研究中心

通过与ChatGPT对话试验，工业5.0的概念显现，且系统具备多次训练后的智能化。试验目的是为了让ChatGPT区分工业5.0和泛工业5.0，在最初对泛工业5.0名字较为陌生的情况下，训练和学习后的结果使其可以较为完善地作出回答。上述结果的实现正是基于三重的训练方式：监督学习、强化学习、模型微调。从对话和学习结果看，ChatGPT这种学习能力，对未来工业端的智能化和自迭代提效，带来质的飞跃。

数据来源：Fei-Yue Wang《Chat with ChatGPT on Industry 5.0:Learning and Decision-Making for Intelligent Industries》，广发证券发展研究中心

三、AI有望重塑传统的定制化加工模式

过去，定制化生产需要进行反复调试，因此懂工艺和编程的复合人才紧缺是一大难题。工业自动化制造中，定制化的生产线通常需要手动调整，从而需要耗费大量的时间和人力成本，并且如果工程师经验不丰富，可能会出现调整不准确的情况。过去工艺老师傅和工程师需要配合，完成一台加工机床的调试工作：首先是老师傅摸索出设备的特性和工艺的要点，然后让工程师讲信息转化为编程指令、进行机器语言的编码编译，最终才能在设备终端执行，而且诸多情况下，一位优秀的CNC工程师也是懂工艺的老师傅，因此门槛较高。

当前，AI能够实现自然语言编程，有望降低了人才培养难度。现在随着AI的升级，不懂编程语言也能通过自然语言的输入，在过去代码库的基础上、让程序自动生成。因此，做到熟悉工艺就可以通过AI编程，让一线技术工人直接介入生产和调试，相当于AI完成了原来本属于CNC编码工程师、出图师的工作。如果能够利用AI完成这些工作，生产效率有望得到提升，人才培养难度得到下降。

图9：CNC编码工程师可能被AI替代的工作范畴

数据来源：广发证券发展研究中心

四、AI改进生产流程，生产线更柔性化

在小批量生产领域，普通的“机器换人”缺乏规模效应。以自动化设备、批量生产、降低制造成本为导向的“机器换人”，在以小批量生产为主要模式的行业会遇上瓶颈。比如，自动缝纫机一台可以替代6个缝纫工，确实提高了产能节省人工，但是服装天然的特点就是品类多一一自动缝纫机要求针对不同服装款式、缝制要求，预先制作工装夹具，还需要人工编程打板，制作缝迹文件，因此未必能实现成本角度的最优解。因此，服装领域的“机器换人”的关键是如何实现软件的柔性化、敏捷编程，或自动编程。

“小单快反”领域天然适合AI介入进行柔性化生产。AI技术可以实现生产过程的自动化和智能化，从而提高生产灵活性，例如，基于AI的智能控制系统可以自动调整生产过程中的参数和流程，从而适应不同的生产需求和变化。

处于纺织印花行业的宏华数控，正基于AI智能设计和MES系统，以家纺产品为切入点，开发柔性和智能制造的数码印花新业态，用AI实现“素材自动生产、智能风格化”等。数码喷印装备的柔性化生产，既提升纺织行业全产业链自动化程度，又解决家纺行业淡旺季的人工冗余难题，是实现“智慧工厂”和低成本快反的重要环节。

五、工业软件搭载AI后，有望更加智能化

前端生产环节:AI自然语言编程提高工程师设计效率,工业软件设计有望加速发展。过去5-10年，工厂内基本实现了数字的采集、互通和共享，在这基础上，工厂通过ERP、MES等系统进行场内的流程优化管理。但这类的管理软件智能化率不足，排产、工单分派、节拍优化等主要还是依赖工程师的定制化设计，后期的优化依然需要工程师进行代码的改进和迭代，整体来说需要投入较多的工程师人力资源。

未来，随着ChatGPT的接入，工厂内部一线的使用人员有望根据经验、借助自然语言直接进行软件优化和迭代，相当于拥有了一个可靠度很高的总调度和总编程工程师，未来的效率优化空间更大，越来越多的工厂会考虑接入MES等流程优化软件进行系统改造。我们认为，这一发展利好MES厂商的同时，也利好做数据接口的厂商，例如做DCS和PLC的厂商，或者做控制类仪表仪器的厂商，数据的完善采集才是未来ChatGPT运行的核心基础。

图 10：工厂内软件设计和数据采集环节有望得到较快发展

数据来源：广发证券发展研究中心

后端仓储环节：AI可以通过对仓库中的物品进行识别和分类，提高仓库管理效率，同时避免出现货物丢失或混淆的情况。例如，亚马逊正在利用人工智能技术来管理其全球范围内的仓库和物流系统，以加速订单处理和提高效率。同时，亚马逊还使用自主机器人和无人机等技术来实现自动化仓库管理和物流配送，从而进一步提高效率和节省成本。这些机器人可以自动导航,通过视觉和声音传感器识别周围环境，同时可以与仓库管理系统进行无缝通信和协同工作。

六、AI有望提升机器视觉的分辨能力和应用范围

以往品控依赖人工进行检测，效率低下且品控难以保障。非智能工业制造需要人工操作的环节较多，人工操作难免会存在一定的误差，例如生产线上操作员的疲劳、注意力不集中等问题，这些问题会导致生产效率低下，同时会影响产品的质量。

机器视觉等搭载AI的技术能够大幅提升检测效率。AI技术可以实现产品质量的自动检测和质量控制，从而提高产品质量。基于AI的视觉检测系统可以自动检测产品表面的缺陷和瑕疵，因此AI如果付诸实践，有望提提高产品的一致性和品质稳定性。

机器视觉的本质是为机器植入“眼睛”和“大脑”，行业发展驱动因素由算力过渡到算法。机器视觉萌芽期主要受成像技术驱动，而后逐渐由军工转为民用，在半导体等高端制造领域开始渗透；2000年之后，CPU 算力提升使机器视觉系统在PC-Base条件下可以处理一般性的问题，算力+应用共同发力，机器视觉开始应用于平板显示制造、PCB 检测、汽车制造等传统领域，步入产业发展早期；2021年之后，行业发展由“量”转“精”，以深度残差学习为代表的算法驱动机器视觉开始在包装、物流、锂电等智能能制造发力，行业进入繁荣期。

图 11：机器视觉系统架构中，算法软件相当于“大脑”，承担处理分析决策的作用

数据来源：《机器视觉发展白皮书（2021年版）》中国电子技术标准化研究院，赛迪咨询，凌云光招股书，广发证券发展研究中心

AI为机器视觉注入新活力，而机器视觉又协助AI进行数据生产。大数据与知识图谱、深度学习与小样本处理以及算力与互联网平台极大丰富了图像算子库、提高生产效能，机器视觉行业逐渐由单一工具包向图像算法组件平台发展，例如康耐视开发的VisionPro、凌云光的VisionWare、海康开发的VisionMaster等。另一方面，机器视觉是数字经济技术中获取数据的重要途径，通过将生产数据数字化，提供更为丰富的机器学习样本，从而构建起数据采集、分析、训练闭环，助力算法软件迭代和研发端提效。

图 12：数字经济是“智能大脑”，而机器视觉是获取数据的重要途径

数据来源：《机器视觉发展白皮书（2021年版）》中国电子技术标准化研究院，广发证券发展研究中心

七、AI有望加速机器人的训练，反哺制造和服务业

根据谷歌和微软最新的论文，AI有望给机器人训练带来了三重颠覆性改变——分别是自然语言调试、图片推理和虚拟环境训练。未来更多机器人主机厂都有望能够参

与机器人的场景训练调试,推动人形机器人的应用端百花齐放，利好产业链的发展。

（一）自然语言调试：普通用户有望直接调试底层模型

机器人的流畅行动是经历了千百次的程序员调试才完成的，昂贵且低效。尽管语言是我们表达意图最直观的方式，但我们仍然严重依赖手写代码来控制机器人。当前的机器人训练需要将任务要求转化为系统代码的工程师或技术用户。这意味着工程师需要编写新的代码和规范来纠正机器人的行为。总的来说，这个过程很慢（用户需要编写低级代码），而且昂贵（需要对机器人技术有深入了解的高技能用户）和低效（需要多次交互才能使事情正常工作）。微软团队一直在探索如何改变这一情况，并使用OpenAI的新 AI 语言模型ChatGPT使自然的人机交互成为可能。

微软表示，未来用户有可能借助AI帮助机器人进行调试。过去，基于不同的场景进行训练和调试是专属工程师的工作，但现在，用户有望参与到这个过程中。根据微软最新的论文：“目前的机器人需要专门的工程师不断编写新的代码来修正机器人的行为，而我们使用ChatGPT的目标是让非技术用户参与到修正过程中，通过高级语言命令与语言模型交互，无缝部署各种平台和任务。”如果付诸实践，AI有望帮助编写新代码和规范来纠正机器人的行为，因此允许了不懂技术的广大用户提供反馈。

因此，未来人们有望能够更轻松地与机器人互动，而无需学习复杂的编程语言或有关机器人系统的详细信息。通过遵循一套设计原则，ChatGPT就可以为机器人场景生成代码，在没有任何微调的情况下，来控制不同形状的机器人来完成各种任务。

图13：机器人根据用户的自然语言进行代码调试

数据来源：Sai Vemprala《ChatGPTfor Robotics: Design Principles and Model Abilities》、广发证券发展研究中心

（二）图片推理：超越文本、改造现实，机器人训练的里程碑

语言和行动的鸿沟，阻碍了搭载AI的机器人像人一样行动。AI天生是语言的巨人和行动的矮子，以当前ChatGPT的技术水平来看，它能够轻松处理自然语言、和用户相互调侃打趣，能完全地通过图灵实验，但它却无法进入现实生活去拿起一双筷子、去处理真实世界的问题。

谷歌的机器人实验迈出重要里程碑一一超越文本、改造现实。最近在这方面，谷歌有了重点的突破一一机器人不但能够“察颜”，还能“观色”，机器人可以观察现实中的事物状态，做到了超越文本的思考。根据谷歌最新的论文《PaLM-E:Anembodied multimodal language model》，研究团队在预训练的语言类大模型中嵌入图像、状态、感知等多类型数据，可以做到让机器人超越文本思考，并推理物理世界以帮助完成机器人任务。PaLM-E模型不仅具备通用化语言能力，还能执行视觉问答、感知推理、机器操作等复杂的任务，在实验室阶段取得了良好的效果。

图 14:PaLM-E模型架构，摄取不同的模态（状态和/或图像）并通过语言建模

数据来源：Danny Driess 《PaLM-E:An embodied multimodal language model》，广发证券发展研究中心
注：语言模型（PaLM）和视觉组件（Vision Transformer，又名 ViT）

图15：视觉语言数据显着提高了机器人任务的性能

数据来源：Danny Driess 《PaLM-E:An embodied multimodal language model》，广发证券发展研究中心

（三）虚拟环境训练：训练或可基于虚拟场景，有助于加快训练的进程过去，机器人的流畅运动需要海量数据进行训练，造成了较高的成本和进入壁垒。

一般来说，机器手臂在操作过程中，动作的方向、角度、力度都需要在各类情形下反复训练才能达到较高的精确度。因此，真实场景中的训练强度、数据规模，直接影响了机器人运动的流畅性和精度。同时，通过各类传感器在真实场景中采集的数据的数量有限，且难以覆盖长尾场景，造成了机器人的训练成本较高的问题。

谷歌在论文中提出了一个解决方案—训练数据可以来源于虚拟场景。在PaLM-E的训练的过程中，研发人员构建了高度仿真现实空间的虚拟场景，在其中可以自由设置各种情况的发生。较大规模、较高质量的三维空间感知和状态数据，成为PaLM-E模型具有较强空间感知能力并最终实现机器操作的前提，有望降低训练成本。

图16：PaLM-E在虚拟环境中为执行任务指定计划

数据来源： Danny Driess 《PaLM-E:An embodied multimodal language model》，广发证券发展研究中心

我们预计，未来机器人训练的成本有望大幅下降，推动人形机器人的产业化实现更多可能性。过去，人形机器人的训练受制于三方面一一数据、算法和算力，唯有特斯拉在独占螯头，一方面，Dojo提供了强算力，节省了训练的时间，另外，D1芯片的性能功耗比比较强，但最核心的还是，特斯拉的自有工厂是天然的训练场，对每一个动作进行成千上万次的训练、实现性能的优化。

如果能够实现在虚拟环境中的训练，各类主机厂都能够参与其中。如果虚拟环境的训练能够达到较好的效果、不再要求大量的实际场地，那么人形机器人的训练过程将被极大简化，从而机器人参与玩家更多，应用端将有更为丰富的可能性，是对于整个人形机器人产业链的利好。

图17：机器人逐渐向全场景/功能发展

数据来源：广发证券发展研究中心

图18：应用场景的深度和宽度决定了产业化的快慢

数据来源：广发证券发展研究中心

八、细分领域展望：当科学仪器嫁接GPT

仪器仪表行业正在从自动化发展到人工智能化。未来仪器仪表将更进一步发展，将含有一定的人工智能。当前网络技术的飞速发展，正在逐渐向智能仪器仪表系统设计领域渗透，实现仪器仪表系统的网络化接入。实现智能仪器仪表系统基于互联网的通讯能力以及对设计好的智能仪器仪表系统进行远程升级、功能重置和系统维护。

虚拟仪器也许是智能仪器发展的新阶段。数据分析和显示可用PC机的软件来完成，基于PC机的测量仪器称为虚拟仪器。在虚拟仪器中，使用同一个硬件系统，只要应用不同的软件编程，就可得到功能完全不同的测量仪器。预计未来的智能仪器，将可以替代部分人的脑力劳动，具备一定学习能力，一定程度在视觉、思维具有自主性，可以无需人的干预自主进行检测、分析或者控制。

对电子测量仪器嫁接GPT的展望：配套软件迭代更迅速，数据处理管理进一步强化。我们以电测测量仪器为例，其国产化率较低，且涉及的技术壁垒较高，在考虑未来潜在的GPT等人工智能进一步嫁接后，软件端的能力迭代有望提速，更丰富的应用功能可期。（1）数字示波器：根据是德科技的产品手册，在信号采集处理后进行处理的时候，用户可以自己选配公司的软件，且可以与Matlab等工具搭配接口。展望软件端，GPT的发展和嫁接有望进一步加速示波器的智能化，在数据分析、误差控制等领域进一步完善。（2）频谱分析仪：频谱分析仪是将各种时域信号变换到频域上分析的仪器，可以将各类信号的波形分解为各个频率分量，获得信号的频率结构及各谐波的幅值和相位信息等。频谱分析仪的主要分析方法包括傅式谱、功率谱、相干分析、传递函数、幅值概率分布等。GPT的发展和嫁接，有望增强频谱分析仪的处理速度和稳定性。

仪器设计制造端的优化：GPT增量显著。展望仪器设计阶段，若在建模软件中嵌入GPT，有望加速三位模型呈现和设计，并优化迭代参数和细节。展望仪器制造阶段，因多SKU特点，GPT基于图像和文字的多模态识别，可以有效提高制造端的一致性和良品率。

图19：是德科技lnfiniium系列产品离线软件界面

数据来源：是德科技手册5992-3132，广发证券发展研究中心

图20：是德科技示波器的Matlab 软件接入界面

数据来源：是德科技手册5992-3132，广发证券发展研究中心

图21：频谱分析仪的结构框图

数据来源：常西畅《频谱分析仪及其在故障诊断中的应用》，广发证券发展研究中心

图22：频谱分析中几种函数关系

数据来源：常西畅《频谱分析仪及其在故障诊断中的应用》，广发证券发展研究中心

图23:ChatGPT生成python代码

数据来源：Junaid Qadir《Engineering Education in the Era of ChatGPT: Promise and Pitfallsof GenerativeAlfor Education》，广发证券发展研究中心

九、机械行业诸多领域有望收益

基于对于当前产业趋势的判断，我们认为AI的突飞猛进的发展之势，让机械股票中两类标的收益：

第一类：AI重塑制造业生产方式，诸多公司收益。

1．AI技术有望重塑传统的定制化加工模式，自然语言编程技术有望降低工艺和编程工程师的培养难度，利好数控机床公司，同时利好具有小单快反模式、要求柔性化产线的应用端设备公司，例如数码印花行业公司。

2.AI改进生产流程，有望形成工厂全流程管控新模式，从而提高定制化工程师的设计效率，因此工厂自动化的软件设计有望加速发展，利好工业软件公司。

3．AI提升工厂品控水平，有望从检测到预测实现全面优化，利好机器人视觉公司。第二类：未来机器人训练的成本有望大幅下降，应用层面有望百花齐放，机器人/人形机器人产业链有望受益。

十、风险提示

ChatGPT发展及应用落地不及预期：近年ChatGPT基于大语言模型和NLP技术发展较快，若未来发展的进度变慢，或者需求落地不及预期，可能影响产业链的推进速度。若应用落地的进度不及预期，可能影响相关企业信心。

制造业领域对ChatGPT的应用场景探索不及预期：制造业正在进行从自动化到智能化的升级，目前阶段ChatGPT的发展优先会拉动算力需求，对于制造业相关领域的拉动强度若不及预期，可能影响相关企业成长的斜率和弹性。

国产厂商的技术和发展不及预期：国内厂商在GPT技术的影响下，也在积极探索和布局，但仍是追赶角色。若国内企业的配套和技术迭代进度不及预期，可能影响国内企业的综合竞争力。

未来国内公司使用ChatGPT可能带来数据安全风险。如果制造业使用ChatGPT优化流程，需要把生产过程当中新的数据和历史数据要不断地投喂模型。尽管私有云可以解决部分问题，但依然有关键数据泄露的风险。

广发机械行业研究小组

代川：首席分析师，中山大学数量经济学硕士，2015年加入广发证券发展研究中心。

孙柏阳：联席首席分析师，南京大学金融工程硕士，2018年加入广发证券发展研究中心。

朱宇航：资深分析师，上海交通大学机械电子工程硕士，2020年加入广发证券发展研究中心。

范方舟：高级分析师，中国人民大学国际商务硕士，2021年加入广发证券发展研究中心。

汪家豪：高级分析师，美国约翰霍普金斯大学金融学硕士，2022年加入广发证券发展研究中心。

王宁：高级研究员，北京大学金融硕士，2021年加入广发证券发展研究中心。

石城：高级研究员，上海交通大学船舶与海洋工程硕士，2022年加入广发证券发展研究中心。

蒲明琪：研究员，纽约大学计量金融硕士，2022年加入广发证券发展研究中心。

姚佳：研究员，北京大学环境科学硕士，2022年加入广发证券发展研究中心。

广发证券—行业投资评级说明

买入：预期未来12个月内，股价表现强于大盘10%以上。

持有：预期未来12个月内，股价相对大盘的变动幅度介于-10%～+10%。

卖出：预期未来12个月内，股价表现弱于大盘10%以上。

广发证券—公司投资评级说明

买入：预期未来12个月内，股价表现强于大盘15%以上。

增持: 预期未来12个月内，股价表现强于大盘5%-15%。

持有：预期未来12个月内，股价相对大盘的变动幅度介于-5%～+5%。

卖出: 预期未来12个月内，股价表现弱于大盘5%以上。

联系我们

地址	广州市	深圳市	北京市	上海市	香港
	广州市天河区马场路	深圳市福田区益田路	北京市西城区月坛北	上海市浦东新区南泉	香港德辅道中189号
	26号广发证券大厦	6001号太平金融大	街2号月坛大厦18	北路429号泰康保险	李宝椿大厦29及30
	47楼	厦31层	层	大厦37楼	楼
	510627
邮政编码客服邮箱	gfzqyf@gf.com.cn	518026	100045	200120

法律主体声明

本报告由广发证券股份有限公司或其关联机构制作，广发证券股份有限公司及其关联机构以下统称为“广发证券”。本报告的分销依据不同国家、地区的法律、法规和监管要求由广发证券于该国家或地区的具有相关合法合规经营资质的子公司/经营机构完成。

广发证券股份有限公司具备中国证监会批复的证券投资咨询业务资格，接受中国证监会监管，负责本报告于中国（港澳台地区除外）的分销。

广发证券（香港）经纪有限公司具备香港证监会批复的就证券提供意见（4 号牌照）的牌照，接受香港证监会监管，负责本报告于中国香港地区的分销。

本报告署名研究人员所持中国证券业协会注册分析师资质信息和香港证监会批复的牌照信息已于署名研究人员姓名处披露。

重要声明

广发证券股份有限公司及其关联机构可能与本报告中提及的公司寻求或正在建立业务关系，因此，投资者应当考虑广发证券股份有限公司及其关联机构因可能存在的潜在利益冲突而对本报告的独立性产生影响。投资者不应仅依据本报告内容作出任何投资决策。投资者应自主作出投资决策并自行承担投资风险，任何形式的分享证券投资收益或者分担证券投资损失的书面或者口头承诺均为无效。

本报告署名研究人员、联系人（以下均简称“研究人员”）针对本报告中相关公司或证券的研究分析内容，在此声明：（1）本报告的全部分析结论、研究观点均精确反映研究人员于本报告发出当日的关于相关公司或证券的所有个人观点，并不代表广发证券的立场；（2）研究人员的部分或全部的报酬无论在过去、现在还是将来均不会与本报告所述特定分析结论、研究观点具有直接或间接的联系。

研究人员制作本报告的报酬标准依据研究质量、客户评价、工作量等多种因素确定，其影响因素亦包括广发证券的整体经营收入，该等经营收入部分来源于广发证券的投资银行类业务。

本报告仅面向经广发证券授权使用的客户/特定合作机构发送，不对外公开发布，只有接收人才可以使用，且对于接收人而言具有保密义务。广发证券并不因相关人员通过其他途径收到或阅读本报告而视其为广发证券的客户。在特定国家或地区传播或者发布本报告可能违反当地法律，广发证券并未采取任何行动以允许于该等国家或地区传播或者分销本报告。

本报告所提及证券可能不被允许在某些国家或地区内出售。请注意，投资涉及风险，证券价格可能会波动，因此投资回报可能会有所变化，过去的业绩并不保证未来的表现。本报告的内容、观点或建议并未考虑任何个别客户的具体投资目标、财务状况和特殊需求，不应被视为对特定客户关于特定证券或金融工具的投资建议。本报告发送给某客户是基于该客户被认为有能力独立评估投资风险、独立行使投资决策并独立承担相应风险。

本报告所载资料的来源及观点的出处皆被广发证券认为可靠，但广发证券不对其准确性、完整性做出任何保证。报告内容仅供参考，报告中的信息或所表达观点不构成所涉证券买卖的出价或询价。广发证券不对因使用本报告的内容而引致的损失承担任何责任，除非法律法规有明确规定。客户不应以本报告取代其独立判断或仅根据本报告做出决策，如有需要，应先咨询专业意见。

广发证券可发出其它与本报告所载信息不一致及有不同结论的报告。本报告反映研究人员的不同观点、见解及分析方法，并不代表广发证券的立场。广发证券的销售人员、交易员或其他专业人士可能以书面或口头形式，向其客户或自营交易部门提供与本报告观点相反的市场评论或交易策略，广发证券的自营交易部门亦可能会有与本报告观点不一致，甚至相反的投资策略。报告所载资料、意见及推测仅反映研究人员于发出本报告当日的判断，可随时更改且无需另行通告。广发证券或其证券研究报告业务的相关董事、高级职员、分析师和员工可能拥有本报告所提及证券的权益。在阅读本报告时，收件人应了解相关的权益披露（若有）。

本研究报告可能包括和/或描述/呈列期货合约价格的事实历史信息（“信息”)。请注意此信息仅供用作组成我们的研究方法/分析中的部分论点/依据/证据，以支持我们对所述相关行业/公司的观点的结论。在任何情况下，它并不（明示或暗示）与香港证监会第5类受规管活动（就期货合约提供意见）有关联或构成此活动。

权益披露

(1)广发证券（香港）跟本研究报告所述公司在过去12个月内并没有任何投资银行业务的关系。

版权声明

未经广发证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。

广发证券-机械设备行业专题研究-AI+制造系列报告之一：从单机到产线，AI让制造更简单-230327.pdf