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。伴随人工智能（AI）技术走深向实，大模型技术正在驱动传统工业体系升级换代，AI在工业场景中的应用也在加速落地生根。
高质量公开数据集是基础
数据是发展AI的基本要素。制造业的研发、生产、质检和管理等各个环节都在时时刻刻产出大量的数据。然而，由于生产场景普遍存在数据孤岛的情况，很难汇聚形成高质量的数据集，这给工业AI落地带来了挑战。
“中国有场景但是没数据。”比亚迪集团副总裁、弗迪科技董事长罗忠良感慨地说，工业场景的数据其实是不能直接拿来使用的，如果想把数据用在AI应用上，必须按照实际需求重新采集，而要采集真正可用的数据首先要让企业完成信息化和数字化转型。
根据调研机构麦肯锡发布的报告，在工业领域，有分析利用价值的机器数据往往需要包含故障情形下的“坏”样本，但很多工业系统的数据可靠性较高，观测到故障并且已经标记的有效样本更是难能可贵。还有一些工业场景，只有在极短的时间内采集测量数据（如每秒上百万个测点），才能捕获机器设备的细微状况，这就要求时序数据库和流处理平台等专用的新一代数据存储软件提供支撑。
“大多数AI算法的跃进都是来自于公开数据集，而工业方面高质量的公开数据集基本上是微乎其微的。没有公开数据集的基础，很多AI方面的学者无法了解到工业数据到底有什么难点和痛点，甚至在做大模型的时候都不会考虑工业数据的特定需求。”识渊科技首席执行官茹彬鑫分析道。
可靠性安全性尤为重要
从技术层面来看，工业场景对大模型的要求更高。不同工业领域有其特定的知识体系，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非常大。
“工业的场景是多目标的优化，不仅仅希望你的准确率高，还希望你的模型很快，最好你的模型不要太大，太大的话硬件成本就很高，多目标的优化是更高维度的挑战。”茹彬鑫分析道。
可靠性和安全性在工业场景中尤为重要。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超普通应用。例如，在核心生产环节中，任何微小的错误都可能导致巨大的损失。安全性问题同样严峻，工业数据的保护和模型安全性都亟待解决，需要行业制定严格的标准和实践。
现阶段的AI主要处于辅助阶段，尚未达到完全自主智能的水平，这给工业应用带来了很多不确定性。以大模型为例，大模型的优势在于其强大的泛化能力，可以在不同的领域和任务上进行迁移学习，而无须重新训练，但无法充分捕捉到某个行业或领域的特征和规律，也无法满足某些特定的应用场景和需求，在真正融入行业的过程中，需要适配不同的工业场景，其核心就是要解决不懂行业、不熟企业、存在幻觉这三大问题。
通用模型的C端用户往往对于模型幻觉有很高的容忍度，而在制造业中，尤其是一些非常严谨和高风险的工业场景，对模型幻觉基本上是零容忍的。只有通过一些技术或是别的AI算法引入将幻觉最小化，或者退一步，让模型可以检查到、意识到哪些输出可能是幻觉，把大模型变得更加可靠、稳定，才能在工业中使用起来，并带来一些颠覆性的突破。
在工业领域，最终我们需要的可能不仅是一个AI模型，而是一个多元化、复杂的AI系统，包含预测型的视觉模型、决策类模型等，必须融合各种各样的技术和学科。
工业企业宜“小步快跑”
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，18%的企业引入了智能解决方案，仍有很大比例的企业智能化程度相对较低。
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唯一的解决方案。在大模型加入后，工业AI应用已经加深，但目前距离做出一个通用的工业大模型尚远，要获取足够的数据也存在困难。
投入产出比是企业考虑AI应用的一个重要指标。“做企业、做工业都有一个不能改变的目标，那就是所有的投入都要产生效益，这是改变不了的，也是我们更看重的。”罗忠良表示，大模型训练动辄上亿美元，这是制造企业投入不起的。因此，制造领域的企业家即使看好大模型，也还是选择小步快跑，而不是疯狂投入。
工业AI落地亟须建立多方协同、合作共赢的产业生态。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间存在矛盾，需要在用户配合下进行调和。工业领域的人工智能应用必须用到机理模型，必须融合运用人工智能模型与机理模型。人工智能技术必须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。人工智能无法完全代替传统行业软件，行业软件企业与人工智能企业的协同非常重要。
“现在大家对AI的期望太高了。”美国国家工程院院士吴建福表示。在他看来，AI对于制造业究竟能产生多大的助力、增加多少利润尚未可知。AI对工业的价值提升肯定是有的，但我们应该降低对他的期望值。
