啟動！河南省2025年人工智能產業及賦能新型工業化創新任務揭榜掛帥

11月7日，河南省工業和信息化廳發布2025年國家人工智能產業及賦能新型工業化創新任務揭榜掛帥工作的通知。

其中，“人工智能+制造”中，鋼鐵制造大模型揭榜任務：面向鋼鐵制造流程高效有序運行需求，深度融合鋼鐵行業知識、數據，研發鋼鐵制造大模型，構建大模型、小模型、機理模型協同融合的鋼鐵制造智能體平臺，實現對鋼鐵制造數據的實時采集、全面感知和智能分析，支持對制造關鍵指標的精準預測和制造過程的精確控制，提高制造流程連續化程度，提升產品質量。

預期目標：到2027年，鋼鐵制造大模型行業知識問答準確率不低于85%，支持不少于20個鋼鐵生產流程典型場景，流程連續化程度提升不低于10%，產品性能指標波動降低不低于20%，在不少于3家企業應用。

化工研發設計大模型揭榜任務：基于化工行業知識抽取、多模態理解等技術，研制化工研發設計大模型，突破面向化工反應網絡簡化任務的大模型微調技術，提升反應網絡構建和簡化的精確性，支持多源工藝流程圖（PFD）/工藝管道和儀表流程圖（P&ID）的智能識別和解析、化工工藝流程圖的自動設計與優化等，提升化工研發設計效率。

預期目標：到2027年，化工研發設計大模型行業知識問答準確率不低于85%，反應網絡中各反應方程的反應物、條件、產物的確定準確率不低于85%，對多源PFD/P&ID中設備、儀表、閥門、管線信息的識別準確率不低于95%，自動設計的化工工藝流程圖可用度不低于70%，在不少于3家企業應用。

詳情如下：

河南省工業和信息化廳辦公室關于開展2025年國家人工智能產業及賦能新型工業化創新任務揭榜掛帥工作的通知

豫工信辦數字〔2025〕193號

各省轄市、濟源示范區、航空港區工業和信息化主管部門，有關單位：

為深入貫徹落實習近平總書記關于人工智能發展的重要指示批示精神，加快推動人工智能賦能新型工業化，按照《工業和信息化部辦公廳關于開展2025年人工智能產業及賦能新型工業化創新任務揭榜掛帥工作的通知》（工信廳科函〔2025〕427號）有關要求，現就開展2025年國家人工智能產業及賦能新型工業化新任務揭榜掛帥工作有關事項通知如下：

一、任務內容

面向人工智能產業發展底座、“人工智能+制造”、智能產品裝備、共性基礎支撐等重點方向，發掘培育一批技術創新強、應用落地快、典型示范好的關鍵技術和產品，加快人工智能與工業深度融合應用，高水平賦能新型工業化。

二、推薦條件

（一）申報主體須為在河南省內注冊、具有獨立法人資格的企事業單位。已列入前期揭榜優勝的項目不得重復申報。

（二）各省轄市、濟源示范區、航空港區工業和信息化主管部門按照政府引導、企業自愿的原則，優先推薦創新能力突出、產業化前景好、行業帶動作用明顯的項目。

（三）鼓勵企業、科技服務機構、高校、科研院所及新型研發機構等以聯合體方式申報，牽頭單位為1家，聯合參與單位不超過4家。每個主體牽頭申報不超過3項，作為參與單位申報不超過5項。

三、工作要求

（一）請各申報主體于2025年11月20日前，在申報系統（https://aibest.caict.ac.cn/jbgs）完成注冊，并對照申報指南（見附件1）要求，按要求填寫申報材料（見附件2）。

（二）各省轄市、濟源示范區、航空港區工業和信息化主管部門負責組織開展本地區項目推薦工作，省屬單位按照屬地原則進行推薦。請于2025年11月24日前將加蓋公章的2025年國家人工智能產業及賦能新型工業化創新任務揭榜單位推薦表（見附件3）電子版（word及pdf格式）報送省工業和信息化廳數字化與未來產業處（電子郵箱：hngxwcyrhb@126.com）。

（三）工業和信息化部牽頭組織遴選入圍單位，并發布入圍單位名單。入圍單位完成攻關任務后（名單公布之日起不超過2年），工業和信息化部委托第三方專業機構開展測評工作，擇優確定優勝單位。

（四）請各省轄市、濟源示范區、航空港區工業和信息化主管部門高度重視揭榜掛帥工作，充分調動企業、高校、科研院所、相關產業聯盟及行業協會的積極性，遵循公開、公平、公正原則做好推薦工作，積極發揮地方發展優勢和特色稟賦，在政策資金支持、場景開放、應用推廣等方面為入圍和優勝單位予以支持，推動人工智能產業高質量發展。

四、聯系方式

省工業和信息化廳數字化與未來產業處

0371—65507694

技術支撐

18638114350（省人工智能協會）

附件：1.2025年人工智能產業及賦能新型工業化創新任務揭榜掛帥申報指南

2.2025年人工智能產業及賦能新型工業化創新任務揭榜掛帥申報材料

3.2025年國家人工智能產業及賦能新型工業化創新任務揭榜單位推薦表

2025年11月7日

附件1

2025年人工智能產業及賦能新型工業化創新任務揭榜掛帥申報指南

一、產業發展底座

（一）算力

1.大模型訓練芯片

揭榜任務：面向大模型訓練需求，研制大模型訓練芯片，突破芯片內核架構設計、生產工藝適配、先進封裝適配等關鍵技術，提升芯片算力和性能功耗比，支持低精度浮點格式，提高存儲帶寬和容量，實現訓練芯片設計、制造、封裝全鏈條突破。

預期目標：到2027年，大模型訓練芯片覆蓋主流模型框架，適配90%以上大模型，支持混合精度計算、低精度訓練等技術，半精度浮點數算力性能達到國際先進訓練芯片90%以上。

2.大模型高效推理集群

揭榜任務：面向高并發、高吞吐、低延遲場景，構建大模型高效推理集群，突破混合精度計算、分布式推理、多模態模型優化等關鍵技術，開展系統全棧工程優化，提升資源利用率、計算效率、并發處理能力等，滿足系統大規模服務應用需求。

預期目標：到2027年，大模型高效推理集群覆蓋主流模型架構，支持千億以上參數模型，GPU計算資源核心利用率可達到80%，首Token時延不超過200ms，推理服務穩定性不低于99.9%。

3.智算中心綜合能效管理系統

揭榜任務：研發基于液冷系統和數字化能碳管理技術的綜合能效管理系統，推動人工智能技術在智算中心的應用，實現智算中心信息設備、冷卻系統、供配電系統的狀態感知、高效聯動、智能調優升級等，提升信息設備利用效率。

預期目標：到2027年，智算中心綜合能效管理系統提升信息設備利用率不低于20%、年綜合節能率不低于10%。其中，液冷系統支持混合部署不同算力類別、品牌、型號的液冷服務器，平均無故障工作時間不低于5萬小時，可提供不少于200W/cm2的散熱能力，余熱回收量達信息設備總發熱量10%以上。

4.算力互聯調度平臺

揭榜任務：面向全域算力感知、匯聚、調度需求，構建算力互聯調度平臺，突破算力智能感知、算力調度等技術，支撐任務數據高效流通，推動多領域、多場景實踐應用，實現算力資源跨主體、跨架構、跨地域協同。

預期目標：到2027年，算力互聯調度平臺匯聚公共算力資源不少于10000P，支持多樣化編排調度策略，支持至少2個運營主體、3種系統架構、5個算力中心的智能調度，支持至少10種算力產品服務，開展不少于20個典型場景試驗應用。

5.異構智算集群云操作系統

揭榜任務：面向大模型在超大規模異構算力集群的混訓需求，研發可支持十萬卡規模的異構智算集群云操作系統，突破訓練任務精細化拆分及精準匹配、故障實時感知、秒級自愈恢復等關鍵技術，提升超大規模異構智算集群的訓練效率，降低故障率。

預期目標：到2027年，異構智算集群云操作系統適配不少于5款芯片，支持萬億參數以上規模的大模型訓練，集群資源平均利用率超過95%，可實現秒級故障恢復，周訓練有效率達99%以上。

（二）數據

6.工業高質量數據集

揭榜任務：面向重點方向領域，建設工業高質量數據集，涵蓋研發設計、中試驗證、生產制造、營銷服務、運營管理關鍵環節中的基礎數據，賦能通用大模型或工業垂類模型的高效訓練與基準評測。

預期目標：到2027年，工業高質量數據集滿足規范性、完整性、準確性、一致性等至少12個質量評估維度要求，

文本數據集規模總量達到100TB以上，至少覆蓋1萬億token，圖文數據集規模總量達到1000萬對以上，音視頻數據集規模總量達到1000TB以上，賦能至少5個通用大模型或工業垂類模型的訓練與基準評測。

7.工業人工智能數據工程平臺

揭榜任務：研發工業人工智能數據工程平臺，突破工業數據多源異構融合、智能化數據標注、多模態標注、高質量數據合成等關鍵技術，實現智能化數據加工、數據合成、數據融合等功能，促進工業領域人工智能數據集的高質量供給。

預期目標：到2027年，平臺支持文本、圖片、視頻等至少3種不同模態數據加工及合成，支持ERP、CRM、MES等至少6類工業系統的數據融合，在不少于10家工業企業開展示范應用。

8.“模數共振”空間

揭榜任務：建設集“數據協同、模型訓練、應用開發、安全保障”于一體的軟硬件系統平臺，加快推動行業通識和專識數據貫通共享，賦能跨企業、跨行業的模型訓練、測試和優化迭代，智能體開發等。

預期目標：到2027年，空間支持跨3個及以上主體間的數據貫通和模型協同訓練，支撐研發設計、中試驗證、生產制造、營銷服務、運營管理等關鍵環節的人工智能應用開發，形成不少于10個人工智能應用產品。

（三）算法

9.復雜推理大模型

揭榜任務：構建具備多級推理驗證機制的大模型，突破思維鏈增強、知識圖譜融合、因果推斷建模等關鍵技術，推進模型架構創新以及與底層硬件的深度協同，實現從訓練范式到部署方案的全棧優化。

預期目標：到2027年，研制復雜推理大模型，實現至少一種關鍵技術創新，在數學證明、科學問題、邏輯推理等復雜推理任務上達到專家級水平，在專業評測集上的準確率達到全球前列，在低精度量化下的推理準確率損失不高于2%。

10.具身智能基礎模型

揭榜任務：研發具身智能基礎模型，突破多模異構數據對齊融合、環境交互和多樣化運動策略學習等技術，提高具身智能動態環境理解、感知預測、認知推理和復雜任務執行能力，增強對不同本體、多階段任務的適應性和泛化性。

預期目標：到2027年，具身智能基礎模型支持不少于3種本體適配，實現對復雜動態環境的精確理解，支持完成至少200種未訓任務，成功率不低于95%，多階段任務分解和執行的靈活性、泛化性明顯提升。

11.智能終端端側模型

揭榜任務：研發智能終端端側模型，推動端側推理引擎及模型剪枝、量化、蒸餾等關鍵技術突破，實現云端訓練到端側部署的全流程優化，性能接近云端基準模型，支持終端多場景實時推理，開展規模化應用。

預期目標：到2027年，端側模型能夠適配不少于3款終端芯片、支持不少于3類終端設備，模型輕量化后精度損失不超過3%，端側推理延遲不超過50ms，支持終端創新應用不少于10個，實現在不少于百萬臺終端部署。

（四）開發工具

12.模型遷移適配工具

揭榜任務：面向算法模型在不同軟硬件系統的遷移適配需求，開發模型遷移適配工具，突破跨框架模型轉換、異構硬件自動優化等核心技術，支持模型在軟硬件系統的高效適配與部署，降低模型遷移門檻。

預期目標：到2027年，模型遷移適配工具適配不少于5款芯片，實現模型在不同軟硬件系統遷移后精度損失不高于1%，遷移適配成功率超過99%。

13.智能體通信工具

揭榜任務：研發智能體通信工具，突破智能體通信協議、模型通信協議等關鍵技術，具備請求發送、接收響應、流式傳輸、異步操作等功能，支持不同開發平臺智能體間、智能體與外部工具間的互操作性，提升智能體開發與應用效率。

預期目標：到2027年，智能體通信工具支持主流通信協議，具備跨平臺兼容性、跨協議版本兼容性，提供至少3種語言的SDK實現，通信延遲小于100ms，實現智能體場景應用示范不少于50個，適配支持超過50個主流智能體（通用智能體不少于10個）。

14.大模型服務及管理平臺

揭榜任務：研發大模型服務及管理平臺，支持基于基座大模型進行微調，具備大模型量化壓縮、推理加速、云邊端部署與協同管理能力，實現大模型及其服務的全流程管理，降低大模型使用門檻，推動大模型賦能千行百業。

預期目標：到2027年，平臺具備健全的服務水平協議，平均調用成功率不低于99.99%，響應時延不高于1秒，支持對至少10類系列大模型進行微調、重訓、量化壓縮和推理加速。公有云模式下企業客戶不少于500家，或私有化部署的項目數不少于50個。

15.智能體開發與應用平臺

揭榜任務：研發智能體開發與應用平臺，具備智能體開發部署、組件工具集成、智能體應用管理等功能，支持數據處理分析、工具和軟件系統接入、算法模型內置、多智能體集成應用等，提升智能體開發及應用效率。

預期目標：到2027年，智能體開發與應用平臺API響應速度不高于500ms，服務請求成功率不低于95%，集成不少于80種組件工具，能夠同時管理100個以上智能體協同，智能化應用不少于500個，在至少50家企業落地應用。

二、“人工智能+制造”

（一）原材料

16.鋼鐵制造大模型

揭榜任務：面向鋼鐵制造流程高效有序運行需求，深度融合鋼鐵行業知識、數據，研發鋼鐵制造大模型，構建大模型、小模型、機理模型協同融合的鋼鐵制造智能體平臺，實現對鋼鐵制造數據的實時采集、全面感知和智能分析，支持對制造關鍵指標的精準預測和制造過程的精確控制，提高制造流程連續化程度，提升產品質量。

預期目標：到2027年，鋼鐵制造大模型行業知識問答準確率不低于85%，支持不少于20個鋼鐵生產流程典型場景，流程連續化程度提升不低于10%，產品性能指標波動降低不低于20%，在不少于3家企業應用。

17.化工研發設計大模型

揭榜任務：基于化工行業知識抽取、多模態理解等技術，研制化工研發設計大模型，突破面向化工反應網絡簡化任務的大模型微調技術，提升反應網絡構建和簡化的精確性，支持多源工藝流程圖（PFD）/工藝管道和儀表流程圖（P&ID）的智能識別和解析、化工工藝流程圖的自動設計與優化等，提升化工研發設計效率。

預期目標：到2027年，化工研發設計大模型行業知識問答準確率不低于85%，反應網絡中各反應方程的反應物、條件、產物的確定準確率不低于85%，對多源PFD/P&ID中設備、儀表、閥門、管線信息的識別準確率不低于95%，自動設計的化工工藝流程圖可用度不低于70%，在不少于3家企業應用。

18.新材料研發智能工具

揭榜任務：面向金屬材料、高分子材料、復合材料等新材料研發，研制基于人工智能和高通量計算技術的智能軟件工具，實現新材料性質預測與篩選，揭示新材料設計與性能之間的深層次規律，支持材料的智能設計、合成及表征，推動材料研發制造的自動化和智能化，提高研發效率，降低研發成本。

預期目標：到2027年，新材料研發智能工具支持材料性質預測與篩選、合成路徑設計、逆向設計等不少于3個場景功能，新材料研發效率提升超過30%，在新材料研發流程中實現規模示范應用。

19.原材料生產工藝智能優化系統

揭榜任務：面向石化化工、有色、建材等某一個原材料行業的生產優化控制需求，基于材料性能數據、機理模型、工藝流程知識等多模態數據，研發原材料生產工藝智能優化系統，突破生產工藝優化大模型技術，分場景部署垂直細分模型或智能體，實現工藝參數動態優化、關鍵指標精準預測和調控，提高精益生產水平。

預期目標：到2027年，原材料生產工藝智能優化系統具備完善的工藝智能控制與優化模型庫，對關鍵工藝參數預測準確性達到90%以上，生產制造周期縮短10%以上，在不少于3家企業應用，形成20個以上典型場景應用案例。

（二）電子信息

20.芯片研發智能工具

揭榜任務：面向高可靠、高質量、高效率的芯片研發設計需求，研發基于人工智能的芯片設計或仿真驗證工具，實現芯片智能化設計分析、仿真優化等功能，通過智能算法提升芯片性能、優化布局布線、加速電路仿真和功能驗證等，提高芯片研發效率。

預期目標：到2027年，智能工具在不少于2款芯片設計中開展應用，芯片性能、功耗等提升超過20%，前仿真和后仿真驗證效率提升不低于50%。

21.CPU多指令集轉化智能工具

揭榜任務：基于ARM、LoongARCH、x86等芯片指令集，研發支持主流操作系統平臺的CPU多指令集轉化智能工具，構建多指令集轉碼映射開源訓練數據集，面向數學庫、圖像與信號處理庫、求解器等場景，開發支持指令轉碼與計算優化的人工智能模型，降低不同指令集之間算力轉碼損耗。

預期目標：到2027年，研制形成CPU多指令集轉化智能工具，具備指令轉碼與計算優化功能，支持相關人工智能模型輕量化并與系統級芯片（SoC）集成，x86與ARM、LoongARCH等二進制指令編碼、互轉效率損失縮小不超過5%，基礎硬件平臺兼容性和擴展性得到提升。

（三）消費品

22.生物醫藥研發智能工具

揭榜任務：面向化學藥、生物制品等生物醫藥研發流程，基于機器學習、高通量技術等開展生物醫藥虛擬篩選和實驗優化研究，研發藥物靶點預測與藥物篩選的智能化工具，實現從藥物實驗設計、數據分析到臨床前驗證的全流程智能化，大幅提升研發效率、降低研發成本。

預期目標：到2027年，生物醫藥研發智能工具支持靶點發現、藥物篩選、合成路徑優化等核心場景功能不少于3個，在藥物研發流程中實現規模示范應用，使藥物研發效率提升不低于40%，研發成本降低不低于20%。

23.服裝智能化定制系統

揭榜任務：面向服裝行業用戶定制化設計、快速打樣制造等設計生產協同需要，研發服裝智能化定制系統，支持基于大模型的草繪生成設計、圖片生成設計、自然交互式修改、虛擬試衣展示等功能，突破成衣設計到制造工藝的自動編排，實現根據現有生產設備和物料狀態生成制造生產方案，有效縮短制樣時間、快速響應市場變化。

預期目標：到2027年，服裝智能化定制系統支持智能輔助設計、成衣效果展示、自動工藝分解、生產資源調配等功能，具備不少于50款基礎服裝樣版類別的智能輔助設計生產模型，模型調用時間不高于50ms，打樣交付時間不高于72小時，在至少15個以上的服裝生產基地開展示范應用。

（四）通信

24.基于大模型的無線網絡仿真系統

揭榜任務：研發基于大模型的無線網絡仿真系統，面向無線信號傳播機理解構難、原始數據與大模型匹配柔性差等難題，突破高精度無線信號大模型及新一代無線仿真技術，構建涵蓋仿真數據、真實路測數據等的高質量數據集，打造融合高精三維數字地圖、衛星影像數據的無線場景庫，實現無線網絡仿真測試及量化評價，助力打造高性能精品網絡。

預期目標：到2027年，基于大模型的無線網絡仿真系統涵蓋城市高樓密集區、郊區、開闊田野等無線傳播場景不低于30種，高質量數據集不少于5TB，相比傳統統計性仿真方法，平臺信號強度預測精度提升不低于30%，支持接入無線網絡規劃、運營、優化系統。

25.通信網絡運維優化大模型

揭榜任務：圍繞網絡割接、網絡配置、故障告警、網絡修復、網絡優化、運維資料檢索、個性報表制作等典型場景，研發通信網絡運維優化大模型，構建運維優化高質量數據集，支持網絡自動化配置、網絡隱患自動發現與維護、故障自動診斷與隔離、事件自動處理、網絡性能優化、運維知識智能問答、運維數據智能分析等功能，提升網絡運維效率。

預期目標：到2027年，通信網絡運維優化大模型行業知識問答準確率不低于85%，支持不少于10項網絡運維優化功能，構建運維優化高質量數據集不少于5個，在不少于10個場景中開展示范應用，提升運維效率不低于30%。

（五）無線電

26.電磁頻譜智能監測和分析系統

揭榜任務：面向9kHz-31GHz的無線電監測需求，研發基于人工智能技術的電磁頻譜智能監測和分析系統，構建電磁頻譜知識圖譜，攻克頻譜寬帶智能監測、精細化分析、干擾和異常智能查找、精確定位等關鍵技術，實現電磁頻譜日常精細化智能監測。

預期目標：到2027年，電磁頻譜智能監測和分析系統支持“黑廣播”和非法無線電設備查找、黑飛無人機發現等功能，在典型無線電業務場景中的信號檢測準確率大于90%、異常信號發現準確率大于95%、干擾樣式識別準確率大于90%。

27.智能化高精度無線信號識別處理系統

揭榜任務：研發智能化高精度無線信號識別處理系統，構建多維信號樣本特征庫，突破基于人工智能的電磁頻譜特征提取、廣域高動態電磁態勢協同感知、自適應干擾抑制、無線信號智能識別等關鍵技術，實現電磁空間實時監測和信

號研判的高效、精準預警機制。

預期目標：到2027年，智能化高精度無線信號識別處理系統支持9kHz至6GHz頻段內的信號覆蓋與動態干擾感知，多維異構信號特征庫的標注數據不小于100萬組，無線信號識別準確率不小于90%，形成可規模化推廣的智能化機動式解決方案。

三、智能產品裝備

（一）智能產品

28.智能終端產品

揭榜任務：面向消費者智能終端應用需求，研制智能手機、智能PC、智能手表、智能眼鏡等終端產品，突破智能終端產品環境感知、意圖理解、人機交互等關鍵技術，顯著提升智能終端服務體驗。

預期目標：到2027年，智能終端支持文本、語音、圖像、視頻、傳感器數據的跨模態融合感知、分析與理解，支持觸摸、語音等多模態的人機交互方式，交互準確率不低于90%，實現基于用戶意圖的智能算法調用和編排，提供多場景、跨應用的智能化功能不少于20項，產品出貨量超千萬。

29.人形機器人

揭榜任務：面向工業制造、民生服務、特種作業等領域，研制人形機器人，突破多模態大模型、大小腦深度融合、移動操作泛化等關鍵技術以及一體化關節、靈巧手、高性能傳感器等本體關鍵零部件，實現人形機器人高價值場景梯次規模引用，提高經濟社會運行效率。

預期目標：到2027年，人形機器人支持不少于10種行為活動，操作成功率不低于90%，精度在厘米級以下，支持根據外部指令和行動結果優化決策，決策有效性不低于90%，在零部件分揀、物料轉運、精密裝配、人機協同作業、康養陪伴、應急救援、危險作業等場景中開展示范應用。

30.智能家庭陪護機器人

揭榜任務：面向未來生活智能化需求，研發智能家庭陪護機器人，突破多模態人機自然交互技術、人-機-環混合增強技術、動力學實時模型等關鍵技術，構建與智慧家庭相結合的陪護服務系統和解決方案，保障重要人群生活需要。

預期目標：到2027年，智能家庭陪護機器人支持與至少15種智能家電設備的交互，構建智能陪護服務系統，在老年人健康和安全監測、飲食輔助、異常情況救助等典型場景中開展示范應用。

31.智能冶煉機器人

揭榜任務：面向鋼鐵、有色等行業冶煉流程，研發智能冶煉機器人，實現冶煉關鍵環節的機器人自主作業，并結合全流程工藝決策模型，串聯多臺智能機器人，構建協同操作的冶煉機器人系統，實現跨流程協調調度，顯著提升作業安全性與效率。

預期目標：到2027年，冶煉機器人本體末端最大載荷不小于400kg，感知系統識別準確率不低于99%，投料類作業效率不低于50kg/min，支持單生產線上超10臺機器人的協同操作，作業任務類型不少于3種，典型場景示范應用不少于3個。

32.智能無人飛行系統

揭榜任務：面向低空領域應用，研制具備自主智能的無人飛行系統，開發基座模型，并針對視覺語言導航、空間推理、任務規劃等研發專用垂類模型，突破“態勢感知-空間認知-規劃行動”的端到端自主智能關鍵技術，構建低空世界模擬器，支持基于城市三維實景的無人飛行系統模擬訓練，在巡檢安監、應急救援、物流配送等場景實現規模應用。

預期目標：到2027年，無人飛行系統具身基座模型及專用垂類模型性能達到國際先進水平，模擬器支持在至少20個城市三維實景中開展模擬訓練，無人飛行系統可實現自主導航避障，滿足續航、可靠性、安全性等低空應用需求，在不少于5個場景開展規模示范應用。

（二）智能裝備

33.人工智能數控機床

揭榜任務：面向數控機床工藝優化、精度提升和健康保障等智能應用場景，研發人工智能數控機床，突破基于新一代人工智能的高端數控系統關鍵技術，包括高性能數控軟硬件平臺、大模型垂直應用等，提升數控機床自主感知、自主學習、自主決策和自主執行能力等，滿足航空航天、新能源汽車、消費電子等制造領域數控機床高端化應用需求。

預期目標：到2027年，人工智能數控機床技術就緒度不小于8級，可靠性MTBF不小于30000小時，開發工藝編程與優化、誤差測量與補償、故障診斷與運維智能化等智能應用模塊不小于20個，在制造領域推廣應用不少于500套。

34.線性工程建造運維智能軟件與裝備

揭榜任務：面向軌交、公路、管線等線性工程建造運維需求，構建涵蓋方案設計、施工缺陷、安全隱患、材料使用、設備狀態等的多模態數據集，研發基于專用視覺大模型的智能三維設計軟件、質量安全監管系統、智能巡檢裝備等關鍵智能軟件與裝備，推進在重點領域的應用示范。

預期目標：到2027年，專用視覺大模型問答準確率不小于80%，多模態數據集不少于1000萬張圖片和5000萬字對應中文語料，關鍵智能軟件與裝備在不少于8條線性工程落地應用。

35.高端裝備智能裝配工藝系統

揭榜任務：面向航空、航天、船舶、汽車等高端裝備復雜工藝柔性化裝配需求，研發集成工業模型庫、材料庫、工藝庫的智能裝配工藝系統，突破三維模型解析、多源異構數據組織與重構、多模態數據融合等技術，實現裝配工藝智能化。

預期目標：到2027年，高端裝備智能裝配工藝系統支持基于人工智能技術賦能裝配工藝路徑規劃、工序設計、參數設計、工藝優化等，裝配工藝設計效率提升超過30%，在不少于3家企業應用。

36.制造裝備智能運維系統

揭榜任務：研發基于多模態大模型的制造裝備智能運維系統，深度融合視覺、時序、文本等多模態數據，突破裝備狀態實時監測、故障智能診斷與預測、遠程協同運維等關鍵技術，實現制造裝備運行數據的精準采集、智能分析與決策支持，推動制造裝備運維從被動響應向主動預防轉變，提升制造裝備全生命周期管理效率。

預期目標：到2027年，制造裝備智能運維系統可實現萬臺裝備在線運維，支持基于多模態大模型的故障診斷，診斷準確率不低于95%，運維效率較傳統模式提升3倍以上，開展規模示范應用。

37.電力裝備智能運行分析系統

揭榜任務：面向風電、火電、水電、核電、光伏等電力裝備運行需求，研發基于多模態大模型的電力裝備運行分析系統，圍繞發輸變配等環節，突破行業知識深度耦合、多模態數據融合分析、復雜系統優化決策等技術，提升電力生產調度效率和智能化水平。

預期目標：到2027年，電力裝備智能運行分析系統在設備缺陷智能識別、用電負荷預測、發電優化調度等不少于5個場景中應用，任務處置準確率不低于90%，形成規模化示范效應。

38.基于人工智能的儀器儀表設計制造系統

揭榜任務：面向儀器儀表產品設計嚴重依賴人員經驗、工藝設計與制造數據龐雜且標準化程度低的問題，研發基于人工智能的儀器儀表設計制造系統，突破儀器儀表制造工藝知識抽取技術、智能化測試技術等，構建產品設計、制造工藝知識庫與數據庫，實現儀器儀表的智能化生產、自動化測試、可視化校準等。

預期目標：到2027年，基于人工智能的儀器儀表設計制造系統具備工藝知識推理模型不少于2個，工藝知識庫與數據庫包含工藝知識不少于1000條，數據規模不少于1TB，系統支持與MES/PLM系統集成，具備可視化操作、測試任務自動生成、工藝程序自動下發等功能，在至少10家典型儀器儀表制造企業開展示范應用。

（三）智能軟件

39.流體仿真智能軟件

揭榜任務：面向航空、航天、能源工程等領域，研發基于人工智能技術的快速流體仿真軟件，圍繞飛行器、汽車、船舶、發動機、渦輪機等典型產品研發過程中面臨的氣（水）動力求解、流場模擬、氣動噪聲模擬、湍流模擬、燃燒模擬等流體仿真任務，實現高精度計算流體力學模擬，減少真實試驗次數，有效提升產品研發效率，降低設計研發成本。

預期目標：到2027年，流體仿真智能軟件應支持不少于3個場景，相比于傳統計算流體力學求解器，求解結果誤差不高于3%，求解時間降低30%以上，在不少于3家企業應用。

40.結構仿真智能軟件

揭榜任務：面向航空、航天、汽車等領域，圍繞結構仿真建模時間過長，效率較低，求解設置和相關參數設置高度依賴專家經驗、試錯迭代耗時長等問題，實現基于人工智能技術的自然語言交互、參數自動解析、智能糾錯、結果檢驗優化等功能，有效提升產品仿真效率，降低設計研發成本。

預期目標：到2027年，結構仿真智能軟件應支持不少于10個場景，建模和求解設置等效率提升300%以上，在不少于10家制造企業應用。

41.電磁仿真智能軟件

揭榜任務：面向航空、船舶、汽車等領域，研發基于人工智能技術的電磁仿真軟件，圍繞傳統電磁兼容仿真求解器計算慢，模型試驗周期長、成本高等問題，實現基于人工智能方法的近遠場電磁安全性和電磁干擾等電磁仿真任務，減少真實試驗次數，有效提升產品研發效率，降低設計研發成本。

預期目標：到2027年，電磁仿真智能軟件應支持不少于15個場景，相比于傳統電磁仿真求解器，平均求解誤差不高于3dB，產品模型試驗量降低50%以上，求解時間降低90%以上，在不少于10家企業應用。

42.基于大模型的零部件設計軟件

揭榜任務：研發基于大模型的零部件設計軟件，突破文生三維零部件設計的大模型技術，支持三維建模操作指令序列生成、執行并輸出三維模型文件等功能，降低零部件設計軟件操作復雜度，提升設計效率和設計質量。

預期目標：到2027年，基于大模型的零部件設計軟件支持對不少于20種設計指令的自然語言理解，設計意圖理解準確率不低于90%。對需三條及以上設計指令的復雜設計意圖的理解準確率不低于60%，三維模型尺寸精度可達0.05毫米，在通用設備、飛行器、車船、管網或壓力容器等領域開展零部件設計示范應用。

43.軟件智能開發測試工具

揭榜任務：面向高復雜度、高可靠性軟件研發需求，研制基于大模型的軟件智能開發測試工具，深度融合程序語言特性、算法等知識，結合監督微調、檢索增強、知識圖譜等工程化技術，賦能代碼生成、代碼檢查、單元測試、測試用例生成、測試腳本生成、測試數據生成等軟件研發流程，提升軟件