工业物联网已广泛应用于制造、能源、交通等场景，连接成千上万的设备和传感器。但面对任务多样、环境多变的工业现场，现有人工智能（Artificial Intelligence，AI）模型往往缺乏泛化与适应能力，难以满足通用智能的要求。

针对这一挑战，作者提出以基础大模型为核心的工业智能新范式——将语言大模型（如GPT、DeepSeek）、视觉大模型（如CLIP、SAM）、时序模型（如Mantis、Time-LLM）等通用AI模型部署到工业现场，赋予机器类似人类的跨任务适应和推理能力。

本论文提出“SCCE”四维框架（如图1所示），即感知（Sensing）—计算（Computing）—连接（Connectivity）—演进（Evolution），构建了大模型与工业物联网系统融合的理论基座：

·感知维度强调大模型可自动生成设备协议代码，实现跨品牌、跨平台的即插即用；同时，关注“信息新鲜度”（比如Age of Information），提升感知数据的实时性和可靠性。

·计算维度聚焦“通信–计算一体化”新范式，打通边缘计算与网络传输的界限，为资源受限场景下的大模型部署提供一体式调度与优化方案。

·连接维度提出“具身工业物联网”概念，强调模型与真实环境的物理交互能力；并引入“模型上下文协议”，探索多模型之间的语义连接与任务路由，构建能真正协同的工业智能网络。

·演进维度探讨如何让模型在任务和环境变化中持续适应，引入持续学习（Continual Learning）与机器遗忘（Unlearning）机制。此外，还提出融合人类反馈与多模态协同，实现AI与工程人员间的高效互动与共同成长，为工业智能系统注入可持续演进的内驱力。

图1：SCCE四维框架

不同于传统综述论文仅聚焦算法层面，本文还围绕自动驾驶、工业诊断、工业机器人等典型应用场景展开分析。例如，本研究展示了如何利用视觉语言模型辅助自动驾驶车辆理解自然语言指令，利用扩散模型合成工业故障数据以提升诊断鲁棒性。这些案例体现了基础模型在实际工业中的落地潜力（如图2所示）。

图2：基于大模型的自动驾驶决策和控制

校园内真车测试（上）、仿真环境（下）

随着基础模型日益强大，本项工作为打造“能感知、会思考、能协同、可持续”的未来工业系统提供了清晰的未来研究方向，也为“智能工厂”和“工业大脑”的实现按下了加速键。

《IEEE Communications Surveys & Tutorials》是IEEE旗下通信领域影响因子最高的期刊（最新影响因子为46.7），也是电信领域最具影响力的期刊之一。期刊长期致力于发表对计算机和通信领域前沿技术具有深远影响的综述文章，被学术界和工业界广泛认可为获取领域最新进展和未来趋势的重要参考来源。

论文链接：https://ieeexplore.ieee.org/document/11030757（图文/吴贤铭智能工程学院）