数据治理与要素化成为工业AI的基础，下限由数据质量决定
科技
2024-12-23 10:47
北京
![]()
![]()
编辑 | 雷小寒 刘欢
12月18日，由亿欧主办的WIM2024创新者年会在北京威斯汀酒店正式拉开帷幕。本届WIM创新者年会以“AI For X 未来产业范式跃迁”为主题。这是中国第一场专门聚焦“未来产业”的千人峰会——会议邀请了来自未来产业界的100+位头部企业专业嘉宾、超过2000位行业从业者齐聚一堂，共同总结2024年未来产业创新成果，预测2025年最新创业创新趋势。本次大会在北京、上海、深圳三地举办，三城联动、持续三天（12月18日-20日），会议以独立演讲、圆桌论坛、报告首发、百人晚宴、榜单发布等多种丰富形式，为大家带来一场商业视听盛宴！2024年是世界创新者年会（World Innovators Meet，WIM）走过的第十个年头。十年来，中国科技创新动能澎湃，新兴产业风起云涌。本次大会主论坛发起了一场关于《未来工厂-AI推动新型工业化》的圆桌讨论。鼎捷数智副总裁-信彤波
配天机器人CTO-郭涛
星环科技副总裁兼AI产品研发负责人-杨一帆
安声科技创始人-刘益帆
亿欧商务总监-刘敏慧
本次论坛由亿欧商务总监刘敏慧主持，与会嘉宾围绕未来工厂、新型工业化，共同探讨了这一领域的AI加持、应用场景、数据治理瓶颈及2025年展望等问题，以下是本次论坛的核心观点：1. 新型工业化本质是数字化、智能化、绿色化的深度融合，AI与数据是推动核心。2. 数据治理与要素化成为工业AI的基础，下限由数据质量决定。3. 工业智能化从流程驱动、模型驱动向数据驱动、数智驱动进化，企业正逐步迈向更高层次的智能决策。4. 工业机器人AI应用仍面临数据不足与泛化难题，短期内更适合单点深耕与专业化小模型。5. 行业know-how融入AI至关重要，多方协作与跨界融合是实现工业场景创新的关键。6. 多模态感知（包括视觉、声学、力觉等）将是未来工厂的核心能力，提升决策与诊断的深度和广度。7. 工业AI应用强调高实时性与高稳定性，确保毫秒级响应与可预期的可靠性能。8. 中国的工业数据与场景优势为“直道超车”创造机遇，通过数智融合可在全球竞争中取得突破。主持人（刘敏慧）：尊敬的各位嘉宾、亲爱的观众朋友们下午好，欢迎来到未来工厂AI推动新型工业化的圆桌论坛，我是本次的主持人刘敏慧。去年9月全国新型工业化推进大会在北京召开，会上传达了习近平总书记就推进新型工业化作出的重要指示，把高质量发展的要求贯穿新型工业化的全过程，今天上台的几位嘉宾正是推动新型工业化的杰出代表企业，他们将分享自己的见解与经验。接下来有请各位嘉宾作简单的自我介绍。信彤波：谢谢主持人，我叫信彤波，来自于鼎捷数智，我们公司主要在从事与软件相关的业务，主要服务的客户对象是制造业，主要服务领域也是涉及到数字化的运营、智能化车间以及数字化设计的领域，应该说我们在这个行业也做了42年，总共也有5万多家客户，也很高兴参加本次的交流。郭涛：大家好，我来自配天机器人，我们公司主要从事工业机器人自动化产线的全自主生产设计和研发，当然最近具身人工智能发展非常快，我们在这一块也布局了第二增长曲线，工业场景里仍然有大量的场景是传统的工业机器人做不到的，这也是未来在具身人工智能方面需要着力发展的方向，未来这一块是更大的蓝海。杨一帆：大家好，我叫杨一帆，我来自星环科技，是一家专注数据全生命周期的一家技术软件提供商，我们专注提供大数据服务以及人工智能的技术软件的研发，我们也成功上市了。我们研发重点和我们的关注对象可以用两句话代替，一个叫data Infra，一个叫AI Infra，其实是为了大数据和人工智能相进行融合打通，为千行百业进行赋能。刘益帆：大家好，我是安声科技的刘益帆，我们公司主要聚焦智能的声学，有两个不一样。第一，其他作为整个工业的场景做智能化的服务，提供这样的技术，我们没有那么聚焦场景，我们聚焦某一类信号、数据的本身，我们对声学、听觉做智能化的应用。第二，我们的视角也不太一样，一方面我们自己作为甲方，我们做一些智能声学相关的产品，对智能化会有一些需求。同时另一方面我们把智能化AI和声学相关的技术尝试用各个的领域，去给其他的行业做服务，今天有机会从不同的视角和大家讨论一下。主持人：感谢各位嘉宾的精彩介绍，让我们对各位的企业和领域有了初步的了解。接下来正式进入今天的议题讨论环节，首先从信总开始，如何理解新型工业化，如何看待AI技术在推动新型工业化当中的作用呢？信彤波：当然新型工业化这个话题谈的很多，我就不做解读了，谈一下理解。因为新型工业化重要的聚焦科技和绿色，核心主要是三件事情，一个是数字化、智能化、绿色化。作为这三件事情，当然我们知道对工业的改善，工业本身的发展这是非常至关重要的，包括绿色的加持。谈到AI的加持，在我看来这是很容易理解的事情，AI和数据的关系非常大，新型工业化又很强调数据要素的加持，或者数据要素的作用，在这里AI作为和数据的直接关系，它会起到重要的相互支撑的作用。数据本身有着AI的分析基础，也是AI处理对象，通过AI技术可以使对数据的感知、理解、分析有非常不同的层次。在工业领域或者制造业领域，在制造业领域有太多细分场景，和这件事直接相关。我举个例子，比如说我们谈预测的场景，预测场景的时候，当然传统预测有时间序列模型，当然看的是企业内部的数据，在今天这个时代我们有机会获取更全量的数据，包括外部的数据，对趋势的数据，对未来的研判，AI在这里都可以起到非常大的作用，在制造业工业领域有非常大的能力价值。郭涛：我说说我的理解，因为新型工业化是很大的话题。说新型工业化先看工业化是什么样的，过去的工业化或者更早的时期我们国家或者工业基础的优势在劳动力红利，最早说人口红利，说白了我们用血汗钱来换钱，现在这个时代已经过去了。接下来在2005年往后，在过去的十几年里，我们经历了另一个时代，叫工程师红利，我国教育体制实在太牛了，培养大量的工程人才。在这个时代很多企业开始上自动化的产业，所以这是自动化的时代。因为工程师是知识密集型的，所以把他的很多知识变成逻辑，变成了我们的自动化设备，变成我们各种各样的软件，这是自动化的时代。我理解新型工业化是另一个逻辑，在过去的十几年另一个发展一个是互联网，另一个是数据基础，尤其是在工业领域的，像网络的数据、图文类的数据我们有优势，因为我们体量很大，但在具体工业领域来讲，中国作为世界工厂有大量的数据累计，而且我们互联网发展非常快，工业互联网发展非常好，在这个领域有大数据可以挖掘。再加上之前工程师红利逐渐从机械工程师到软件工程师，到现在大量算法工程师和AI工程师的出现，这两个结合使AI在这个方向有了一个巨大的潜力。所以我理解新型工业化本质上是一个工程师密集型+数据密集型得到的结果，所以在未来新型工业化的本质，换句话说对传统工业化逐渐从劳动力的优势转化为知识优势，转化到数据和工程师的优势，我认为这是未来的发展方向，我们逐步用更高端、更多的知识、数据来赚钱。杨一帆：这是比较大的话题，也有不同的解读，我从本质的较来讲还是整个新型工业化对数智的演进上做更好的融合、更好的促进作用。这有两个点可以谈，一个是数，第二是智，第三个点就是怎么融合。首先说数，我非常同意一个观点，看似非常多的数据，但像我手里的本子一样，很多工厂里用的数据量非常小，实际上数据没有很多，生产数据并没有有效的进行采集、归集、分析、利用在各个生产过程中。无论是做生产流程优化还是更多的信息处理，本质上来讲数据的信息加工过程和信息汇聚过程等等上面有一些可以更多值得做的事。第二点，有了采集这样的数据和归集的数据更好进行存、算，其实更大的还是分析。对这个产业就四件事，第一是感知，第二分析，第三认知，最后决策，对于这四种智能的方向更好的在工业化如何赋能不同的工业领域，因为工业是非常庞大的事，把这个数和智进行很好的融合，这是非常有意思的一个话题，也需要不同的层次，不管是基础层、应用层上都需要共同努力。刘益帆：我说一下我的想法，刚才主持人提到的话题叫新型工业化将来有生产趋势，我想两方面，第一是新型，第二是工业化。新型虽然不知道是什么样的新型，但毫无疑问肯定是以科技为主。第二，工业化本质也是为了市场和供需服务。所以第一个从科技的角度来看，现在的AI的逻辑是差不多的，但用到的数据不同，属于的场景不同的话可能会有天差地别效率。比如说我们公司做声学的，声学和做视觉的事情可能是完全不一样的，在台下也和信总交流过。比如说现在有一些视觉可以监测表面上的东西，但声学可以监测能够活动的东西，比如说车里的指纹组，从我们的视角来看，以这个举例，在未来要把这个事情做好，肯定不是单纯AI的逻辑、AI的模型，逻辑是不变的，但上面用到数据的类型、数据的类型、传感的类型，可能会搭载出不同的东西，所以我觉得是多模态融合的角度。另外一方面，谈到工业化，肯定是为市场服务，最终的结果大家都知道是用AI在各行各业重新做一遍，效率能提升，但整个过程当中是不是每个阶段都能算过来账，这是很重要的事情。我们都知道未来目标在哪，但路径走的过程中，就像杨总说的，工业也有很多数据，但用的并不是很好，并且还有很多数据也是非结构化的数据，在这个情况我们觉得未来不仅要在技术上多模态融合，更多在落地节奏上没有那么快，要每个符合市场规律。主持人：从目前的实践来看，咱们当前中国的新型工业化建设处于哪个阶段，当前企业处于哪个阶段，鼎捷数智更名之后智能这一块有哪些凸显？信彤波：我还是呼应杨总提到的四件事情，表达了我们对外部信息的感知到最后执行的过程，我们在鼎捷数智称之为SUPA模型。我觉得谈新型工业化这个话题相对较大，如果聚焦在企业智能化转型来讲，我想从智能化转型谈一下我的理解。虽然做任何阶段划分都是风险很高的，但我还是想尝试做理解和说明。如果我们先不谈AI，我们来看工作怎么做的，当然我刚才讲的SUPA一样，我们都经过这几个阶段，我们平时做事也是人在做事，每个企业都有人做事，我们如果看作一个0，以人为决策的阶段，我们可以看成人工智能，真正的人，人本身的智能。如果沿着数字化转型的视角来看，往上来讲，第一阶段可以称之为流程驱动，因为人是最容易受到经验、认知等等影响，流程驱动到底指什么？流程、BPR，包括软件，软件也是一样，到底在做什么？一定程度上是把人的经验固化下来，或者最佳业务实践等等一些说法。但如果我们回过头来看解决了什么？解决了下限问题，我通过流程化、流程驱动，下限不要太低，我认为这叫流程驱动。往上看，模型驱动，模型驱动表达什么？表达的不是AI模型，表达的是数学模型，包括复杂的规划，包括对算法，特别在计划领域，大家知道制造业计划比较复杂，包括库存的模型都是通过模型来做驱动，如果看作第二个层级的话。第三个层级，数据驱动，什么数据驱动？大体上可以看作是弱人工智能，或者是看作决策式人工智能的应用，在这种情况下特别强调单点应用。刚才上场对话中嘉宾讲到智能出题、智能考试，这就是一个应用，包括刚才讲的预测也是应用。甚至还有报价，报价在这个环节往往客户给到的信息是不完整的，这个过程会用到弱人工智能和少量的生成式人工智能。第四个阶段，数智驱动，不光有各种智能体，特别强调生成式人工智能，也就是最好的理想状况，我们如果有规则，甚至我有标准，系统可以自动执行，就需要有若干智能体之间互相协同起来。怎么协同？光靠决策式人工智能是不行的，一定靠生成式人工智能更大的发展。如果谈分阶段大致可以按这样几个阶段划分，也就是从流程驱动到模型驱动、数据驱动再到数智驱动。鼎捷以前做软件，以前叫鼎捷软件，今天改名叫鼎捷数智，从一家软件公司到以数智驱动为目标公司的本身转变，我们也愿意和广大伙伴合作，当然也包括为我们的客户。主持人：郭总，AI技术在机器人领域的应用现状，以及在实际应用中遇到的主要挑战有哪些？郭涛：说到AI，看你怎么定义AI，其实AI很早就开始在机器人有应用，大概在2012、2013年视觉系统，如果假设把机器学习都叫做AI的时候，其实那时候就开始了，2012、2013年的时候深度学习的技术开始大规模普及应用，2D视觉系统、3D视觉系统作为机器人的眼睛开始大规模应用，这是上一波，这个已经落地非常多了。到了2020年前后，主要是强化学习技术和虚拟仿真技术，最直观的表现，大家知道最近人形非常火，先是2020年四足狗走的非常稳了，接下来马斯克搞人形了，同样的理论用在双足机器人同样可以搞定，在过去一直解决不了的问题现在现在基本上攻克了，现在人形机器人非常火。 AI有了非常多的应用，但也有它的问题，比如说人形机器人走的非常好了，但人形机器人干活不好，这就涉及到双臂操作，双臂操作会涉及到非常多的任务类型，比如说装配、打磨，家里处理各种各样的柔性物体，这种事情太多了。我们现在会想希望形成一个类似于大语言模型非常端到端的具身人工智能模型，但在我看来AI到底在机器人困难在哪一点？就是困难在这一点，因为端到端的大模型所需要的数据量，所需要的参数量是非常高的，而且需要非常强的泛化能力，这个在语言类模型或者图文类的单模态或者多模态是OK的，因为有互联网级的数据，但对于机器人来说训练的是行为，每一条动作观测到了什么，输出是什么，这样的数据非常少，不像互联网动辄几十亿、百亿级的。所以，首先数据量是严重不够的，对于机器人行为领域数据量严重不够。其次，机器人这个东西对模型成功率要求非常高，比如说大语言模型偶尔说错一句话无所谓，基本上能表达意思就行，但机器人给你擦盘子不行，所以模型的成功率要求非常高，但又要求足够高的泛化能力。第一个泛化，因为语言类模型也好，包括同样的生成模型也好，基本上不和真实物理环境交互，是非常纯净的环境，比如说问语言模型一句话它就告诉你一个答案，当然现在有很多技术把思路过程想出来，但基本上不需要做特别深度实时交互，但机器人不是，机器人模型一定要和环境实时深度交互，环境有任何变化要做及时的反应，所以这一点非常难的，机器人的泛化有环境和各种各样的类型的泛化。就刚才提到的，用各种各样的状态，比如说人形机器人，双腿就是要走路的，其实对于人来讲抬行李箱要拿腿顶一下，包括这个过程是非常复杂的过程。所以这个模型的维度和现在说的大语言模型也好、生成式模型也好，可能维度上有一定的区别，同时数据量不够。所以现在真正可落地的机器人模型可能达不到大语言模型这个级别的，更多是小的模型，或者非常针对专业领域做专用的模型来完成，所以这是机器人领域面对非常大的一个瓶颈，或者新型AI在机器人应用比较大的瓶颈。当然也有很多好的地方，现在人机交互没什么问题了，主要是动作生成、行为生成还有比较大的瓶颈。主持人：您讲的和今年我们访谈到的信息相吻合，商用人形机器人大量的量产在国内需要5-10年的时间段，感谢您的分享。杨总，想问一下您如何利用AI技术推动工业软件的创新，以及在全球范围内您认为AI技术在工业领域有哪些新的机遇和挑战？杨一帆：这两个问题有点复杂，我尝试回答。首先我谈谈我的观测和我总结出的要点，以及星环科技在实现过程中总结的方法论和我们实际的做法。第一件事情，我们认为在AI赋能整个工业的时候有个最大的问题，首先面临的问题是数据问题，数据问题大家都谈到了很多的事，大数据讲的是5个V，什么数据量大等等问题，在工业问题上加了一个字，更，它更加复杂、更加庞大，更加价值密度低，这时候需要我们把数据的整个治理和智能化的过程相融合的手段，方法论也好、工具也好，实时最佳实践也好，相融合在每个领域细微末节的问题要处理，宏观架构也要总结。其实还有更严重的事情亟待我们做，现在讲大模型，很多的词叫语料，把原来的数据进行处理，变成被模型和应用能够使用的一种数据，这个处理过程里面除了简单的抽取，还有包括过滤、安全管控等等这些事情之外，可能在机器人领域，在自动驾驶领域很多出现数据的合成、生成，这也是在工业领域里，仿真等等非常重要的门类，在这里是既有原来传统技术，也有新的问题亟待解决的事。第二，AI赋能工业的时候，每个行业也会遇到一个问题，就是行业knowhow，需要跨学科、跨部门、跨专业的合作，这时候这种协作，我说knowhow都不对，就是首先要明确一个东西是一个问题，然后才说问题是什么，然后我再解决。这个阶段我们和工业的客户合作，在定义问题本身上就需要花费很大的功夫，不像成熟的行业所谓的问题是，但在工业里这既是科学问题，又是工程问题，所以怎么区分好、定义好这个事，我认为是很巨大的挑战，因为不同于以往的软件工程，成熟软件工程做这个是水稻水到渠成的事。第三，场景的泛化，因为工业场景门类也比较多，有些甚至生产生命周期就三个月、五个月、六个月，不能说专门为这个场景做一批数据，专门训练一批模型，这时候不管是深度学习还是统计的模型、深度学习模型或者大模型，调完之后生产周期都结束了。这里泛化性的要求也是相对比较高的，在这时候要融合更多的模态也好，还是把数据做的更加多样性，或者模型训练稳定性和这个更好，大家都在一起产学研上做更多的努力解决这个问题。还有两点，第一，我们说的推理的实时性，对于工业问题来讲它不像有一些领域可以做离线，甚至秒级的响应，在工业很多时候需要做毫秒级的响应，这时候如果管控不到位，比如说做预测性运维或者优化的时候，特别是做产能优化的时候，如果时延比较高，这时候就直接爆炸了，这是不可接受的。同时它是低计算资源、低数据资源，这时候它的实时性挑战非常巨大，也是需要在工程上、硬件上、软件上都要协同努力。最后，应用稳定性，工业是个底线，因为一谈就是2个9、3个9，AI大模型本身就是概率模型，这时候我们如何进行比较好的约束和安全性、稳定性的规范，实际上也是比较大的挑战。现在我们用O1类型的技术或者其他的方式做好这件事情，其实也是蛮具有挑战性和非常多新时代新的做法。主持人：刘总在智能声学领域有非常深厚的知识，您如何看待智能声学技术在未来工厂的应用前景，能否分享具体的案例说明智能声学技术如何助力工业自动化和智能制造的创新与发展。刘益帆：我聊一下我的想法，刚才不管是杨总还是郭总，都是在AI服务特定的工业，或者在机器人这个行业，我们聚焦在于传感这个层面，我们开始聊到不同的信号类型带来的数据或者带来背后的信息量不同的，挖掘的方式也是不同的，最后的结论也是完全不同的。这里有两个点分享一下，第一，不管是声学也好还是其他的也好，在整个工业领域要真的实现AI能够提升到一定的效益的话，它不是单纯的AI从业人员就能单独解决的问题。假如我们都是乙方的话，甲方也得做一点工作，这个参与还不是简单的参与。比如说有一些特殊的领域，最先开始提到我们兼具甲方乙方两种角色，首先我们汽车行业、消费电子行业出一些智能声学的硬件产品，举个例子，有一个问题，声学和音频是不一样的，声学属于模拟产业，有一点精度的差别对某些声音的折射属性有很大的改变。在产品力哪些部件控制到什么精度对的声学可以接受，有些地方差异大一点是没有关系的，这个搞AI的人是不懂的，搞声学的人才懂。这种情况下，如果我们作为甲方需要积极拥抱AI的服务商去把这个事情做好，更加重要是我们把特有的Knowhow放进去。中间还有一点，计算机科学发展很快，但计算机能解决的问题有局限性，首先必须是个问题，第二必须要是一个数学问题，不是数学问题是不可以用计算机的方式解。第三要有图灵级可解，现在AI也好、大模型也好，第三个已经有些突破了。这时候需要很多AI和做计算机科学的人要和垂直行业做碰撞，这是任重道远的事情，还有很长的路，确实不是能分清楚边界，我们也不是完全分清楚，还需要摸索的过程。但反过来说，就未来行业来看，我们作为一方，我们会把智能声学的技术用在不同的领域里，比如说刚才提到的会用声学的方式检测车上变速箱的齿轮组，视觉只能看到表面，但如果装配有问题声音一定有问题，所以好的方面来说声音检测多了一些可能性，从不好的方面来说，这些数据以前也没有积累。我们觉得这个也是另外一个方面的任重道远，在于有些特定的信号才能带来数据的话，可能没有那么多的数据量支撑，可能我们要从现在开始做积累。但从好的方面来看，中国的工业土壤蛮好的，前期的实验都是和美国做的，任重虽然道远，但还是前途光明，配合的过程不是简单的一个加法，可能是乘法的问题。主持人：感谢刘总的分享。今天上午王总也分享了AI的六大场景，美国的AI技术和中国的AI技术现在差距是100倍的投资额，在未来弯道超车的地方也是是一些未来的产业，正如今天的圆桌主题未来工厂，也是可以有弯道超车的机会。最后一个问题，AI赋能新型工业化，未来展望与预测的问题，未来几年AI赋能新型工业化的发展趋势和潜在的变革您认为是什么呢？从技术的角度预测一下AI赋能新型工业化将如何塑造未来工厂的技术格局？信彤波：这个问题我尝试着谈一下自己的观点，我们想象一下，比如说一个月饼包装盒，接着刚才的例子，当询价客户给的信息不完整，不会有一个完整的盒子给你，你要生成一个估价，但到了设计的时候，同样要怎么生成设计，现在今天单点应用都可以，比如说我可以用多个输入描述性的东西，我可以生成一个包装盒，但怎么和当时的报价成本比对，和外部纸张怎么变化结合在一起？这都是比较复杂的课题，涉及到多种数据的处理，所以在我看来单点的应用一定会迅速的展开，因为在快速的试用各种不同的场景，但场景中的融合，甚至连接会成为重要的基础框架。第二，制造业需要确定性，确定性这件事情，除了谈决策时生成式以外，重要在知识图谱这个事情会有比较广泛的研究和应用。第三，不同时序级的融合问题。比如说郭总讲到，我们在处理动作的时候一定是秒甚至毫秒这个级别，如果我们谈物流，如果车间物流的转移通常是分钟级的，计划通常是小时级的，物资保障、供应采购都是按照天、星期做的。不同时序级都要运行起来，这个企业才是真正智能化转型才能顺畅用起来。所以不同时序级怎么融合也是很重要的挑战。最后一点，今天数据的重要性变得很大，同时不仅有很多有价值的数据，今天也有很多伪数据，甚至伪知识，这也对AI的发展，特别是生成式的发展有信息的辨伪，包括信息的安全，甚至我识别的问题，怎么解决，这四项都是未来重要的技术节点。郭涛：因为AI和工业的结合，要看物理环境的交互是不是足够密切，需不需要密切和物理环境交互不太一样。现在工业互联网上了很多，很多器械上了生产线信息化系统，再结合现在大模型技术能挖掘不少东西，这一块发展的比较快。第二，像机器人系统，现在因为受数据量、模型的成功率、模型泛化能力短时间还是在受控环境下做单点应用，比如说焊接、打磨，简单的装配，这类是未来做单点突破很难出现泛化的模型。从感知来讲，感知多模态模型会成为非常重要的。刚才刘总提到声学，比如说做焊接，之前判断焊接质量一堆，老师傅焊的时候听一下就知道好不好，所以我们机器人焊接能不能通过声音判断我的焊接质量。现在讲很多多模态往往大家集中在图像、文字这些模态上，比如说力学的感知，包括视觉、声音整个做深度的融合，这是一个方向。未来应该不是本质的问题，应该会越来越多，使我们单点应用越来越好用。多模态行为，现在提的比较少，更多做机器人应用都是做简单的动作或者几个简单的动作组合，当你总装线看的时候，你会发现每个单独的动作对机器人都很复杂，然后多臂协同，还要判断环境的变化，还要根据环境变化调整自己的动作。所以这样多模态行为的输出，当然这是更长远的方向。经过这些之后，机器人真的可以把单点应用从简单的逐步突破，是不是真正能出现泛化端到端的大模型，每一个做机器人的都想，什么时候能出来我也不好说。杨一帆：我谈谈我的想法，我非常同意前面两位，第一是关于数据，还是因为工业上的问题，工业使用AI，核心的问题数据首先是一个下限，如果没有数据上面任何不管是模型、实验验证、反馈统统是空中楼阁，所以是一个下限。因为数据质量优劣做数据的生成也好、合成也好，包括真的假的数据安全、评估也好，实际上可以决定最终的效率能提升多少，所以这个事是数智融合非常重要的点，数据还是非常根本的东西。同时，我认为AI对本身新工业的发展会有意想不到的体系和方法轮上的提升。举个例子，在很早之前大家不会想到用深度学习的视觉、声音、时序、因果关系用AI的东西做，传统的方式是纯软工的算法解决，AI给大家一些想法，原来从80%的准确率提升到90%，这时候已经可以变成工业可用的状态，对整个生产的模式都发生了根本性的改变。现在大模型出来，比如说出来的视觉大模型有做分割的，原来我只是单一的训练，现在事实上变成了比较通用的解决的问题，这时候大模型哪怕是多模态的模型已经切入改变了我们的工业上的生产的模式和原来的做法。在这个地方上，核心谈到第三点还是变成数智化转型的核心的构建，在这个地方数据要素的作用，以及AI模型整个形成数、模型、业务的整个闭环，可能是在今后发展中非常重要的，我们肯定可以观测到一件事情。刘益帆：这个话题是很大的话题，前面三位讲的比较全面，我在具体的内容上没有要补充的，我觉得讲的很全面。刚才主持人提到今天上午王总提到，国外对AI的投资是我们的100倍，本身就有很大的差距。另外又提到弯道超车的机会，如果咱们真正看过F1的比赛，很少有弯道超车，基本上都是直道超车。刚才杨总说叫数智结合，其实在智这方面人家投了100倍以上的投入，我们可能很难在短时间之内，甚至拉齐都很难，我们尊重现实。但在数的方面我们还是有绝对的优势，他们有100倍的投入，也是先我们很多年就投，资源也比较丰富。从数的角度来说，我们的数上，整个国家、社会、工业体系，我们投入的可比他们投的多很多，以及未来就算有数据，某些传感类型的数据目前没有，但土壤在这。所以最后不是非要针锋相对的态势，而是互相结合优势互补的方式，最重要还是在直道上超车，最终有可能某一些直道你强一点，我觉得可能是比较丰富的形态，虽然各个方面都有一家擅长的，但整体要解决问题还是多角色、多传感类型、多应用场景比较丰富的业态。主持人：非常感谢各位嘉宾今天的讨论，非常深入，也分享了自己的见解和经验。前面通过议题探讨我们对未来工厂AI推动新型工业化的现状和未来的发展有了更加清晰和全面的认识，相信在座各位嘉宾和现场的各位观众对整个行业有了全面的了解，也相信在座各位嘉宾以及整个行业的共同努力下，AI赋能新型工业化肯定会在不久的将来迎来更加辉煌的发展阶段，像刘总说的，我们还是有直道超车的机会，不一定是弯道超车。最后，感谢各位嘉宾来参与圆桌论坛，因为时间的原因今天圆桌论坛就到这里结束，谢谢大家！
