综述：工业领域中的大语言模型：从产品生命周期视角出发的适配技术与应用系统综述

《ADVANCED ENGINEERING INFORMATICS》：LLMs in industrial domains: A systematic review of adaptation techniques and applications from the product lifecycle perspective

　　余冠辰|王一田|王子轩|陈亮|郑宇|刘颖中国上海200240，上海交通大学机械工程学院摘要随着大型语言模型在自然语言处理领域快速发展，其在知识整合与推理方面的能力为智能工业应用开辟了新的技术路径。本综述系统梳理了大型语言模型在工业场景中的关键适配技术、典型应用场景以及未来发展趋势，同时概述了其在核心工业流程中的应用模式与技术特点。首先分析了面向工业场景的关键适配技术，包括提示工程、检索增强生成以及参数高效微调，并总结了常用的评估指标与基于大型语言模型的评估方法。接着从产品生命周期的角度系统阐述了大型语言模型的应用实践，涵盖产品设计、工艺规划、生产制造以及运营维护等方面，探讨了其在解决实际工业问题、推动技术创新以及提升应用性能方面的作用。最后指出了当前大型语言模型在工业应用中面临的主要挑战，包括高质量数据集的匮乏、多模态融合能力的有限、领域特异性不足、可靠性问题、可解释性受限以及缺乏标准化的评估框架，并提出了相应的研究方向，如数据增强与安全共享机制的开发、新型模型架构的探索以及智能评估系统的建立。总体而言，本综述为全面研究大型语言模型在整个工业流程中的应用提供了重要参考，也为学术研究与工程实践提供了理论基础和方法指导。

引言以GPT、BERT、T5和ChatGLM为代表的大型语言模型在大规模文本语料库上经过预训练，展现出强大的语言理解、生成和推理能力，能够处理各种复杂的语言任务[1]、[2]、[3]。随着模型规模的不断扩展以及训练策略的进步，大型语言模型的性能持续提升，在多个领域展现出广阔的应用潜力。作为国家经济的重要支柱，工业领域正处于数字化转型和智能化升级的关键阶段。虽然传统人工智能技术已广泛应用于工业任务中，但其在理解复杂流程、跨场景泛化以及基于知识的决策制定方面仍存在局限。近年来，大型语言模型在自然语言理解、知识整合和推理能力方面的突破，为开发更通用、更灵活的工业智能系统提供了新的技术途径，因此，大型语言模型已成为推动工业智能化转型的重要研究方向。多个领域已经开展了关于大型语言模型应用的系统性综述研究，为了解其技术潜力与应用边界提供了重要参考。在教育、医疗、金融和法律等领域，大型语言模型的应用已得到广泛探索和系统总结。例如，Kasneci等人[4]和Wang等人[5]指出，大型语言模型可以生成个性化的学习内容，提升教育场景中的师生互动，但仍需解决版权、个体偏见和适应性等问题。Wang等人[6]和Zheng等人[7]总结了大型语言模型在疾病诊断、临床决策、药物发现以及医患沟通等方面的实际应用。此外，Kampelopoulos[8]、Lee[9]和Lai[10]分别分析了大型语言模型在工程教育、金融风险预测、投资策略分析以及司法系统中的典型案例，并从数据质量、算法公平性和行业规范等方面提出了建议。相比之下，聚焦于工业场景中大型语言模型应用的全面系统综述相对较少。尽管现有研究已探讨了大型语言模型在生产调度优化[11]、产品质量控制[12]以及设备故障诊断[13]中的应用，但大多局限于单一任务或特定工艺阶段，目前仍缺乏从生命周期角度出发的统一视角来审视大型语言模型在工业场景中的应用，尤其是在适配技术、应用模式和评估方法整合方面。这一研究空白凸显了开展面向特定领域的工业应用综述研究的必要性，也为推动大型语言模型在工业场景中的标准化和深度整合提供了机遇。本研究对大型语言模型在工业场景中的应用进行了分析和综合，主要贡献如下：（1）从产品生命周期的角度，首次系统梳理了大型语言模型的应用场景，涵盖产品设计和工艺规划、生产制造以及运营维护等方面，揭示了不同工业场景下的共性应用模式和价值内涵。（2）全面总结了支持大型语言模型在工业产品生命周期各阶段部署的关键适配技术，包括提示工程、检索增强生成以及参数高效微调，分析了这些技术的技术原理、应用条件及性能特点，为工业场景中大型语言模型的技术选型提供了实用指导。（3）明确了大型语言模型在工业应用中面临的核心挑战，并从数据、模型、部署和评估等方面探讨了未来的研究方向。（4）通过结合技术要点与典型的工业应用案例，填补了相关研究空白，为学术研究和工业实践提供了系统性的参考。为全面梳理大型语言模型在工业场景中的应用现状与研究进展，本研究采用了系统综述的方法，制定了明确的搜索策略和筛选标准，以确保所收集文献的科学性和可靠性。本研究采用的具体文献搜索策略如下：（1）数据库选择：以Web of Science、Scopus、IEEE Xplore和Google Scholar等主要学术数据库作为核心文献来源，同时纳入arXiv等预印本平台，以确保覆盖最新的预印本和会议论文。（2）关键词：根据研究问题构建了一组搜索词，包括与大型语言模型相关的术语（如“Large Language Models”“LLMs”）、工业场景相关的术语（如“Industrial applications”“Manufacturing industry”“Industrial engineering”）以及关键应用阶段相关的术语（如“Quality control”“Equipment maintenance”），并通过布尔运算符（AND、OR、NOT）组合这些术语，以便精准检索相关文献。为确保所选文献的质量和相关性，本研究制定了以下筛选标准：纳入标准：符合以下条件的研究将被纳入本文。（1）研究聚焦于大型语言模型或相关技术在工业场景中的应用，并明确描述了技术细节和实验结果。（2）发表时间在近5年内，发表载体为期刊、高水平国际会议或经过同行评审的高质量预印本。排除标准：符合以下条件的研究将被排除在本次综述之外。（1）使用指定搜索词从数据库中检索到的综述文章。（2）未提供具体实验数据或案例研究的文章，尤其是缺乏明确分析结果的文章。（3）与大型语言模型相关但未聚焦于工业场景应用的论文。（4）非英文撰写的文章。按照搜索策略，最初从多个学术数据库中检索到332篇相关文献。去除重复记录后（n=28），剩余304篇文献用于标题和摘要筛选。在此阶段，有122篇记录因与大型语言模型无关、不涉及工业应用场景或技术内容不足而被排除。随后，对182篇文章进行了全文适用性评估，又根据预设的排除标准排除了80篇论文，排除原因详见表1。最终，有102篇研究被保留作为本次综述的核心数据集。整个文献搜索和筛选过程如图1所示。对所选文献从工业产品生命周期和技术实现两个角度进行分析。在应用场景方面，设计阶段的研究主要关注智能产品设计支持和工艺知识管理，强调了大型语言模型在优化研发流程和提高知识复用效率方面的价值。生产和制造阶段的研究则集中在质量控制、异常检测和智能调度等动态场景，展示了大型语言模型在解决复杂生产问题方面的潜力。在设备运行和维护阶段，研究主要侧重于故障诊断和预测性维护，体现了大型语言模型在提升智能运维水平方面的关键作用。此外，还有部分研究探讨了大型语言模型在供应链管理和工业碳排放管理中的应用，表明了其在跨领域泛化方面的潜力。在技术实现层面，大型语言模型在工业场景中的有效应用主要依赖于提示工程、检索增强生成以及参数微调等适配技术。具体而言，提示工程通过结构化指令将工业领域知识转化为模型可理解的输入，无需修改模型参数即可快速适配特定的工业任务。检索增强生成则通过整合工业知识库，提升大型语言模型在工业场景中的知识感知能力和推理准确性。参数微调则利用高质量的工业标注数据集进行领域特定训练，使模型与下游工业任务更加契合。此外，为应对日益复杂的工业环境，一些研究采用了混合策略，整合多种技术以实现优势互补，进一步提升大型语言模型在复杂工业场景中的可靠性。本文的其余部分安排如下：第2节分析了在工业场景中应用大型语言模型的关键适配技术，包括提示工程、检索增强生成以及参数高效微调方法，并介绍了常用的评估指标。第3节系统梳理了大型语言模型在产品生命周期各阶段的实际应用，涵盖产品设计、工艺规划、生产制造以及运营维护等方面。第4节对大型语言模型在不同生命周期阶段的适用性进行了分析，并比较了典型工业任务中不同的技术方法。第5节探讨了当前面临的重大挑战，并提出了大型语言模型在工业应用方面的未来研究方向。最后，第6节对本文进行总结，并指出了进一步研究的方向。

关键工业适配技术对于直接应用于工业任务的大型语言模型而言，通常面临领域知识深度不足、输出标准化程度不够以及处理复杂逻辑过程的能力有限等问题，难以满足工业应用对可靠性和精确性的要求。为使大型语言模型从通用场景有效转变为工业专用应用，需要一系列面向工业的适配技术。

以产品生命周期为导向的大型语言模型应用产品生命周期涵盖了从概念设计、制造到运营、维护以及最终处置的完整过程。对这一生命周期的智能管理是提高生产效率、优化资源分配以及保障系统可靠性的关键因素[54]。近期有研究开始从生命周期的角度分析生成式人工智能在制造业中的应用，特别是Leng等人[55]对基于AIGC的技术应用进行了综述。

基于第2节介绍的技术以及第3节回顾的以生命周期为导向的应用，可以发现大型语言模型在不同工业生命周期阶段的应用存在一定规律，需要通过对比分析来探讨大型语言模型技术的泛化能力及其在不同工业任务中的适用性。

未来研究尽管大型语言模型已在多种工业场景中得到广泛应用，但其实际部署仍存在一定限制。在考虑工业场景的实际需求和应用特点的基础上，还需要进一步探索大型语言模型在工业应用中的新研究方向。图10总结了大型语言模型未来的几个关键发展方向，具体内容将在后续小节中详细阐述。

结论大型语言模型凭借其强大的语言理解和生成能力以及高效的学习和推理机制，已成为推动工业系统智能化升级的关键技术力量。本综述系统梳理了大型语言模型在工业场景中的应用现状、关键技术以及未来发展方向。本文从产品生命周期的角度出发，对现有研究进行了整理和分析。

CRediT作者贡献说明余冠辰：撰写——初稿，方法论。王一田：撰写——初稿，概念构建。王子轩：撰写——审阅与编辑，数据整理。陈亮：撰写——审阅与编辑，形式分析。郑宇：撰写——审阅与编辑，监督，项目管理。刘颖：监督声明。利益冲突声明作者声明，他们不存在任何可能影响本文所报道工作的已知财务利益或个人关系。致谢本研究得到了中国国家重点研发计划（项目编号：2024YFB3312600）以及上海先进制造环境重点实验室和离散制造业智能工厂数字孪生系统工程研究中心的支持。