王江平指出，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一夜之间爆发的，应用人工智能，产业界还没有做好相应的准备。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”。
01
AI正进入平权时代、普惠性时代
近期，人工智能发展非常迅猛，特别是推理模型、具身智能等领域。在王江平看来，近期人工智能出现两个变化，一个是开源成为越来越多人的共识，另一个是人工智能的训练和使用成本在大幅度下降。
在大模型领域，DeepSeek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实现了权重和代码等开源，是世界上最彻底的开源大模型，可建立适合企业场景的垂直模型和模型APP。此外，DeepSeek可以实现本地化部署，此前许多工业企业对使用大模型缺乏积极性，担心企业数据泄露，DeepSeek可实现本地化部署，企业能够通过自己的局域网来部署自己的模型，因此对数据泄露的忧虑大幅降低。
在具身智能领域，空间理解模型极大降低具身智能训练成本。最近，杭州一家公司发布了空间理解开源模型，可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，这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。人工智能算力是我国的短板，在大规模使用异构化算力芯片的背景下，我国算力资源面临很大的问题。据了解，有研究机构正在推动跨区域、多构架协同、光电结合等技术，有利于我国优化算力网络建设，降低算力成本。
“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。”王江平说，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。
02
拥抱AI要做哪些准备？
拥抱AI是千行百业的大势所趋。在王江平看来，应从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素养教育培训等六方面加快准备。
王江平认为，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。在建设高质量行业数据集和场景数据集方面，首先要做好数据标准的建设，还要建设高质量数据集，要包含公共数据、私有数据，通识数据、专门数据，结构性数据、非结构性数据以及高质量合成数据。此外，还需做好可信数据空间的建设，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，形成可信空间数据空间三大能力，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、推理模型可以较为容易地做出行业模型。”王江平表示，现在很多人工智能企业都在部署行业模型和场景模型。据他观察，化工、建材、医药等工业领域有许多场景是相通的，因此可以共享仿真工具，只需调整一下物性参数就可以形成模块化场景模型，但这些工作需要工业界和IT界共同研究推动。
王江平指出：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。为此，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。
王江平表示，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。他认为，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。
03
“AI+制造”要找准切入点
“‘人工智能+制造’，要奔着企业的难点去。”王江平指出，工业领域从业人员都知道，工业领域各行业中或多或少都存在工业黑箱。这是由于工业领域中的设备、系统或技术因内部机理复杂、机制不透明，难以理解、只能依靠经验仿真控制。这类工业黑箱的运行参数波动大，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。
王江平指出，人工智能时代，解决制造业企业的难题，首先可以奔着工业黑箱去做，实现参数精细及时调整。工业黑箱一类是设备控制类黑箱，如工业炉窑、反应器等等，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。
除此之外，人工智能还能应用于精准预防性维修、智能供应链、快速研发设计、质量检测等方面。“所以，人工智能进入制造业是大有可为，但是要找准切入点。”王江平说。
王江平最后表示：人工智能时代的安全问题不仅包括以往的数据安全、网络安全，还包括模型安全，要以“零信任”理念开展安全治理。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。
来源：中国电子报 图片来源网络 侵删
回顶部