“人工智能+制造”要奔著企業破題去

人工智能（AI）技術盡管醞釀已久，但從通用模型到推理模型，幾乎是在一夜之間爆發，應用人工智能產業界尚未做好相應的準備。現在，應用人工智能產業界要從高質量數據集建設、行業和場景模型建設、數據治理和商業模式等方面，加快準備，找準切入點，讓人工智能在制造業中大有可為。

人工智能技術逐漸轉變為普惠性技術

人工智能近期發展迅猛，特別是在推理模型、具身智能等領域。此外，人工智能領域還出現了兩個變化：開源成為越來越多人的共識；人工智能的訓練和使用成本大幅度下降。

DeepSeek在大模型領域產生了“鯰魚效應”。一方面，該公司進行了一系列構架和工程優化，實現算力效能的大幅提升，降低了使用大模型的成本，帶動大模型進入千行百業。另一方面，DeepSeek是非常徹底的開源大模型，可建立適合企業場景的垂直模型和模型APP。許多工業企業此前對使用大模型缺乏積極性，擔心企業數據泄露。現在，DeepSeek可實現本地化部署，企業能夠通過局域網來部署自己的模型，對數據泄露的憂慮大幅降低。

人工智能技術正在從少數國家、少數企業、少數機構的專屬工具，逐漸轉變為普惠性技術，推動人工智能快速步入平權時代、普惠時代。通過專有數據，中小企業、個人都可以部署自己所需要的模型。

在具身智能領域，空間理解模型極大降低了具身智能的訓練成本。最近，杭州一家公司發布了空間理解開源模型，可以提高場景合成數據可用性，使具身智能機器人線上訓練成為可能，將有利于推動具身智能走向真正的工業場景。

在算力領域，跨域算力協同、異構算力協同路徑降低了算力成本。據了解，研究機構正在推動跨區域、多構架協同、光電結合等技術，將有利于我國優化算力網絡建設，降低算力成本。

“人工智能+制造”要解決企業的難點

擁抱AI是千行百業的大勢所趨。我們應該從六個方面加快準備，分別是：建設高質量行業數據集和場景數據集，建設行業模型和場景模型，全面推行企業數據治理，積極探索AI商業模式，加強國家模型檢測評估體系建設，開展AI素養教育培訓。

高質量專業數據集建設到哪里，“人工智能+”就可以發展到哪里。

建設高質量行業數據集和場景數據集，首先要建設好數據標準，還要建設高質量數據集，要包含公共數據和私有數據、通識數據和專門數據、結構性數據和非結構性數據以及高質量合成數據。此外，還需建設好可信數據空間，大力發展高性能智能合約、多鏈組網架構、異構跨鏈交互、鏈上鏈下交互等關鍵技術，明確各方數據模型分享要求和激勵措施，形成可信數據空間三大能力，即價值共創能力、資源交互能力、可信管控能力。

有了數據集，現在的通用模型、推理模型，就能較為容易地做出行業模型。

現在，很多人工智能企業都在部署行業模型和場景模型。化工、建材、醫藥等工業領域有許多場景相通，只需要調整一下物性參數，就可以形成模塊化場景模型。上述工作，需要工業界和IT界共同研究推動。

AI時代的企業數據治理是數字化轉型2.0，較之以往的數字化轉型，更要注重數據的全面性、可靠性、及時性，注重數據的資源化、資產化、資本化。因此，要進一步完善數據管理標準，并在產業界開展數據治理體系標準推進工作。

我們還要積極探索AI商業模式。算力、算法和數據是人工智能三大核心要素，其商業模式也離不開這三者，要做好算力建設和運營、模型服務、數據服務、AI終端制造四方面工作。

人工智能進入制造業，將大有可為，重點是要找準切入點。

“人工智能+制造”要解決企業的難點。工業領域的各個行業中，或多或少都存在著工業黑箱。工業領域中的設備、系統或技術內部機理復雜、機制不透明，難以理解，只能依靠經驗仿真控制，就形成了工業黑箱。這類工業黑箱運行參數如果波動大，會導致過程調優困難、設備維護與診斷不及時、安全與可靠性風險高等問題。

工業黑箱，一類是設備控制類黑箱，如工業爐窯、反應器等。另一類是工藝系統類黑箱，參數多設備多，需要系統建模優化。

這類工業黑箱，過去主要靠有經驗的工人師傅來掌握，知識的沉淀難度大。人工智能時代，首先可以奔著控制工業黑箱去做，及時精細調整參數。還有，在精準預防性維修、智能供應鏈、快速研發設計、質量檢測等方面，人工智能也將大有可為。

人工智能技術不僅是未來經濟社會發展的最大變量，也是重塑制造業競爭格局的核心驅動力，產業界要主動擁抱人工智能，抓緊準備，全面落實“人工智能+制造”行動各項任務，共同譜寫制造業高質量發展新篇章。

（本文作者系工業和信息化部原副部長、研究員級高級工程師）

工業黑箱

可以理解為制造業中那些“內部復雜難懂，但關注輸入和輸出就能操作或優化的系統或設備”。

責編：孫庭陽""suntingyang@ceweekly.cn

美編：孟凡婷