图灵汇官网

工业AI正不断发展

最近，工业和信息化部运行监测协调局的何海林在一次例行吹风会上提到，工信部计划制定推动人工智能赋能新型工业化的行动方案。随着AI技术逐渐被广泛应用，大型模型正在推动传统工业体系的更新换代，AI在工业环境中的应用也在迅速扩展。

数据质量是关键

高质量的数据是发展AI的基础。制造业的各个阶段，比如研发、生产和质量检查等，都会产生大量数据。不过，由于数据孤岛现象普遍存在，这些数据难以整合成高质量的数据集，这对工业AI的应用构成了障碍。

“中国有很多应用场景，但高质量的数据却很稀缺。”比亚迪集团的副总裁兼弗迪科技董事长罗忠良说道。工业环境中的数据不能直接用于AI项目，需要根据具体需求重新收集。要获取真正可用的数据，首先要推动企业的信息化和数字化转型。

麦肯锡的一份研究报告显示，在工业领域，有价值的机器数据通常需要包含故障状态下的“坏”样本。然而，许多工业系统的数据可靠性很高，有效的故障样本却非常稀少。另外，某些工业场景需要在极短时间内采集海量数据，才能捕捉到机器设备的微妙变化，这对数据存储提出了更高要求。

“大多数AI算法的进步都依赖于公开数据集，但在工业领域，高质量的公开数据集很少见。缺少这些数据集，AI研究人员难以了解工业数据的实际问题，甚至在开发大型模型时也不会考虑到工业数据的独特需求。”识渊科技的首席执行官茹彬鑫解释说。

可靠性和安全性不可忽视

从技术角度看，工业场景对大型模型的要求更高。不同工业领域都有自己的知识体系，通用的基础模型很难满足个性化需求，开发垂直行业模型的难度较大。

“工业场景涉及多目标优化，不仅要追求高准确率，还要保证模型高效且小型化，以降低成本。多目标优化是一项更高层次的挑战。”茹彬鑫补充道。

首钢智慧管理大屏幕显示，可靠性和安全性在工业环境中至关重要。科大讯飞的副总裁刘聪指出，工业场景的稳定性和准确性要求远高于普通应用。例如，在关键生产环节中，任何小错误都可能导致重大损失。此外，工业数据的安全保护和模型的安全性也需重点关注，行业需要制定严格的标准和实践。

目前，AI主要处于辅助阶段，还未达到完全自主智能的水平。虽然大型模型具有强大的泛化能力，但在捕捉特定行业特性和满足特定应用场景方面仍有局限。为了更好地融入行业，大型模型需要适应不同的工业场景，解决对行业不熟悉、对企业不了解以及存在幻觉的问题。

在制造业中，尤其是在那些严谨和高风险的工业场景里，对模型幻觉几乎是零容忍的。只有通过技术手段或引入其他AI算法来减少幻觉，或者让模型能够识别和处理潜在的幻觉，才能使其更加可靠和稳定，从而在工业应用中发挥更大作用。

在工业领域，我们可能需要的不只是一个AI模型，而是一套多元化的复杂AI系统，包括预测性的视觉模型、决策类模型等，需要融合多种技术和学科。

工业企业应稳步发展

香港生产力局的统计数据显示，今年针对制造业港资企业的调查显示，仅有18%的企业引入了智能解决方案，大部分企业的智能化水平依然较低。

香港生产力局下属的香港工业人工智能及机械人研发中心总裁黎少斌指出，在面对众多制造业场景时，AI解决方案供应商很难开发出一个万能的解决方案。尽管大型模型的应用有所增加，但要开发一个通用的工业大型模型仍面临数据获取的难题。

投资回报率是企业在采用AI时的重要考量因素。“所有企业都需要确保投资能够带来回报。”罗忠良表示。大型模型的训练成本很高，这让制造企业难以承受。因此，尽管一些企业家看好大型模型，他们还是会选择稳步发展，而不是大规模投入。

工业AI的应用需要构建多方合作、互利共赢的产业生态系统。中国电子信息产业发展研究院的副总工程师安晖提出，工业场景的精确度要求与人工智能技术的特点之间存在矛盾，需要在用户配合下进行调和。工业领域的AI应用必须结合机理模型，融合人工智能模型与机理模型。人工智能技术需要与工业行业的工艺逻辑相结合，仅靠人工智能技术无法实现应用。人工智能无法完全取代传统行业软件，行业软件企业和人工智能企业的协同合作非常重要。

“当前社会对AI的期望过高。”美国国家工程院院士吴建福说道。他认为，AI对制造业的具体贡献和利润增长尚不确定。尽管如此，AI对工业的价值提升是肯定的，但我们应该理性看待其潜力，降低过高的期望值。