图灵汇官网

工业AI正在稳步前进

近日，工业和信息化部运行监测协调局负责人何海林在国务院政策例行吹风会上表示，工信部将研究出台推动人工智能赋能新型工业化行动方案。随着人工智能（AI）技术逐步深化应用，大模型技术正在推动传统工业体系升级换代，AI在工业场景中的应用也在快速推进。

数据质量至关重要

高质量的数据是发展AI的基础。制造业的研发、生产、质检和管理等各个环节都会产生大量数据。然而，由于生产场景中普遍存在的数据孤岛现象，很难汇聚成高质量的数据集，这给工业AI的应用带来了挑战。

“中国有丰富的应用场景，但缺乏高质量的数据。”比亚迪集团副总裁、弗迪科技董事长罗忠良感慨道。工业场景的数据并非可以直接应用于AI项目，需要根据具体需求重新采集。要获得真正可用的数据，首先需要推动企业的信息化和数字化转型。

根据麦肯锡的研究报告，在工业领域，有价值的机器数据通常需要包括故障情况下的“坏”样本。但许多工业系统的数据可靠性较高，有效的故障样本则十分稀缺。此外，有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细微变化，这对数据存储提出了更高的要求。

“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却寥寥无几。缺乏这些数据集，AI学者很难了解工业数据的实际难题，甚至在开发大模型时也不会考虑工业数据的特殊需求。”识渊科技首席执行官茹彬鑫解释道。

可靠性和安全性不可忽视

从技术角度来看，工业场景对大模型的要求更高。不同工业领域具有各自独特的知识体系，通用的基础模型难以满足个性化需求，垂直行业模型的开发难度较大。

“工业场景涉及多目标优化，不仅要追求高准确率，还要保证模型的高效和小型化，以降低成本。多目标优化是一个更高维度的挑战。”茹彬鑫进一步补充。

首钢智慧管理大屏显示，可靠性和安全性在工业场景中至关重要。科大讯飞副总裁刘聪指出，工业场景的稳定性和准确性需求远高于普通应用。例如，在核心生产环节中，任何微小的错误都可能导致巨大损失。此外，工业数据的安全保护和模型的安全性也需要高度重视，行业需要制定严格的标准和实践。

现阶段，AI主要处于辅助阶段，尚未达到完全自主智能的水平。大模型虽然具备强大的泛化能力，但在捕捉特定行业特征和满足特定应用场景方面仍有限制。为了更好地融入行业，大模型需要适应不同的工业场景，解决不熟悉行业、不了解企业以及存在幻觉的问题。

在制造业中，尤其是那些严谨和高风险的工业场景，对模型幻觉几乎零容忍。只有通过技术手段或引入其他AI算法来最小化幻觉，或者让模型能够识别和处理潜在的幻觉，才能使大模型更加可靠和稳定，从而在工业应用中发挥更大作用。

在工业领域，我们最终可能需要的不仅仅是一个AI模型，而是一个多元化的复杂AI系统，包括预测型的视觉模型、决策类模型等，需要融合多种技术和学科。

工业企业应稳步前行

据香港生产力局统计，今年针对制造业港资企业的调查显示，只有18%的企业引入了智能解决方案，大部分企业的智能化程度仍然较低。

香港生产力局下属香港工业人工智能及机械人研发中心总裁黎少斌指出，面对丰富的制造业场景，AI解决方案厂商很难开发出一个万能的解决方案。尽管大模型的应用已有所加深，但要开发一个通用的工业大模型仍面临数据获取的困难。

投资回报率是企业在应用AI时的重要考量因素。“所有企业都需要确保投资能够带来收益。”罗忠良表示。大模型的训练成本高昂，这使得制造企业难以承担。因此，尽管一些企业家看好大模型，他们仍会选择稳步前行，而非大规模投入。

工业AI的应用需要建立多方合作、互利共赢的产业生态。中国电子信息产业发展研究院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特性之间存在矛盾，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，仅依靠人工智能技术无法实现应用。人工智能无法完全替代传统行业软件，行业软件企业与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表示。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，但我们应当理性看待其潜力，降低过高的期望值。