预测性维护和健康管理（PHM）技术在工业生产和维护中至关重要，能够识别和预测潜在的设备故障和损坏。这有助于实施主动维护措施，提高设备可靠性，降低生产成本。最近，基于人工智能（AI）的PHM 方法取得了显著成就，并在铁路、能源和航空等各个行业中得到广泛应用，用于状态监测、故障预测和健康管理。ChatGPT 和 DALLE-E 等大规模基础模型（LSF-Models）的出现标志着 AI 从 AI-1.0 进入 AI-2.0 的新时代，深度模型从单一模态、单一任务和有限数据的研究范式迅速演变为多模态、多任务、海量数据和超大型模型范式。ChatGPT 代表了这一研究范式的里程碑成就，由于其出色的自然语言理解能力，为通用 AI 带来了希望。然而，PHM 领域在应对这一重大变化方面缺乏共识，需要系统的综述和路线图来阐明未来的发展方向。因此，本文阐述了 LSF-Models 的关键组成部分和最新发展。然后，本文系统地回答了如何构建适用于 PHM 任务的 LSF-Models，并概述了这一研究范式所面临的挑战和未来的发展路线图。
