“人工智能+制造”要奔着企业破题去
作者： 王江平
人工智能（AI）技术尽管酝酿已久，但从通用模型到推理模型，几乎是在一夜之间爆发，应用人工智能产业界尚未做好相应的准备。现在，应用人工智能产业界要从高质量数据集建设、行业和场景模型建设、数据治理和商业模式等方面，加快准备，找准切入点，让人工智能在制造业中大有可为。
人工智能技术逐渐转变为普惠性技术
人工智能近期发展迅猛，特别是在推理模型、具身智能等领域。此外，人工智能领域还出现了两个变化：开源成为越来越多人的共识；人工智能的训练和使用成本大幅度下降。
DeepSeek在大模型领域产生了“鲶鱼效应”。一方面，该公司进行了一系列构架和工程优化，实现算力效能的大幅提升，降低了使用大模型的成本，带动大模型进入千行百业。另一方面，DeepSeek是非常彻底的开源大模型，可建立适合企业场景的垂直模型和模型APP。许多工业企业此前对使用大模型缺乏积极性，担心企业数据泄露。现在，DeepSeek可实现本地化部署，企业能够通过局域网来部署自己的模型，对数据泄露的忧虑大幅降低。
人工智能技术正在从少数国家、少数企业、少数机构的专属工具，逐渐转变为普惠性技术，推动人工智能快速步入平权时代、普惠时代。通过专有数据，中小企业、个人都可以部署自己所需要的模型。
在具身智能领域，空间理解模型极大降低了具身智能的训练成本。最近，杭州一家公司发布了空间理解开源模型，可以提高场景合成数据可用性，使具身智能机器人线上训练成为可能，将有利于推动具身智能走向真正的工业场景。
在算力领域，跨域算力协同、异构算力协同路径降低了算力成本。据了解，研究机构正在推动跨区域、多构架协同、光电结合等技术，将有利于我国优化算力网络建设，降低算力成本。
“人工智能+制造”要解决企业的难点
拥抱AI是千行百业的大势所趋。我们应该从六个方面加快准备，分别是：建设高质量行业数据集和场景数据集，建设行业模型和场景模型，全面推行企业数据治理，积极探索AI商业模式，加强国家模型检测评估体系建设，开展AI素养教育培训。
高质量专业数据集建设到哪里，“人工智能+”就可以发展到哪里。
建设高质量行业数据集和场景数据集，首先要建设好数据标准，还要建设高质量数据集，要包含公共数据和私有数据、通识数据和专门数据、结构性数据和非结构性数据以及高质量合成数据。此外，还需建设好可信数据空间，大力发展高性能智能合约、多链组网架构、异构跨链交互、链上链下交互等关键技术，明确各方数据模型分享要求和激励措施，形成可信数据空间三大能力，即价值共创能力、资源交互能力、可信管控能力。
有了数据集，现在的通用模型、推理模型，就能较为容易地做出行业模型。
现在，很多人工智能企业都在部署行业模型和场景模型。化工、建材、医药等工业领域有许多场景相通，只需要调整一下物性参数，就可以形成模块化场景模型。上述工作，需要工业界和IT界共同研究推动。
AI时代的企业数据治理是数字化转型2.0，较之以往的数字化转型，更要注重数据的全面性、可靠性、及时性，注重数据的资源化、资产化、资本化。因此，要进一步完善数据管理标准，并在产业界开展数据治理体系标准推进工作。
我们还要积极探索AI商业模式。算力、算法和数据是人工智能三大核心要素，其商业模式也离不开这三者，要做好算力建设和运营、模型服务、数据服务、AI终端制造四方面工作。
人工智能进入制造业，将大有可为，重点是要找准切入点。
“人工智能+制造”要解决企业的难点。工业领域的各个行业中，或多或少都存在着工业黑箱。工业领域中的设备、系统或技术内部机理复杂、机制不透明，难以理解，只能依靠经验仿真控制，就形成了工业黑箱。这类工业黑箱运行参数如果波动大，会导致过程调优困难、设备维护与诊断不及时、安全与可靠性风险高等问题。
工业黑箱，一类是设备控制类黑箱，如工业炉窑、反应器等。另一类是工艺系统类黑箱，参数多设备多，需要系统建模优化。
这类工业黑箱，过去主要靠有经验的工人师傅来掌握，知识的沉淀难度大。人工智能时代，首先可以奔着控制工业黑箱去做，及时精细调整参数。还有，在精准预防性维修、智能供应链、快速研发设计、质量检测等方面，人工智能也将大有可为。
人工智能技术不仅是未来经济社会发展的最大变量，也是重塑制造业竞争格局的核心驱动力，产业界要主动拥抱人工智能，抓紧准备，全面落实“人工智能+制造”行动各项任务，共同谱写制造业高质量发展新篇章。
（本文作者系工业和信息化部原副部长、研究员级高级工程师）
工业黑箱
可以理解为制造业中那些“内部复杂难懂，但关注输入和输出就能操作或优化的系统或设备”。
责编：孙庭阳 [email protected]
美编：孟凡婷