近一年來，以ChatGPT為代表的大模型技術(shù)引發(fā)通用人工智能新一輪發(fā)展熱潮，成為改變世界競爭格局的重要力量。圍繞人工智能治理的議題探討顯著增多，全球人工智能治理體系加速構(gòu)建。與此同時，人工智能加速向各產(chǎn)業(yè)滲透，已成為促進新興產(chǎn)業(yè)與傳統(tǒng)產(chǎn)業(yè)、技術(shù)與社會跨界融合發(fā)展不可忽視的動力。

伴隨第四次工業(yè)革命以及工業(yè)數(shù)字化、網(wǎng)絡化、智能化發(fā)展的大浪潮，工業(yè)制造業(yè)持續(xù)深化探索人工智能融合創(chuàng)新及應用：深度學習、大模型等技術(shù)創(chuàng)新、組合賦能和工程化落地不斷加速；產(chǎn)業(yè)爆發(fā)期臨近，老玩家不斷推陳出新、新玩家入局積極活躍；一批新應用場景涌現(xiàn)，并不斷向研發(fā)、生產(chǎn)等核心環(huán)節(jié)滲透賦能，在更大范圍內(nèi)發(fā)揮更核心的作用。

工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟組織產(chǎn)業(yè)界系統(tǒng)梳理了相關(guān)內(nèi)容，展開工業(yè)智能系列科普活動。

Q1 問 工業(yè)智能落地推進存在哪些問題？

從企業(yè)應用實踐來看，工業(yè)智能發(fā)展還面臨很多切實問題與困難。

一是工業(yè) AI技術(shù)方案實施的資金及人力投入大，企業(yè)難以負擔成本。

二是深度學習的可解釋性不強。深度學習這種“聯(lián)結(jié)主義”算法本質(zhì)是一個端到端的黑箱系統(tǒng)，模型很難對推理結(jié)果做出解釋，導致歸因溯源、異常排查等變得十分困難限制核心環(huán)節(jié)或直接決策應用。

三是模型無法滿足現(xiàn)場計算更新實時性的需求，部分高節(jié)拍的生產(chǎn)流程對工業(yè)智能模型的推理及參數(shù)更新效率提出較高要求，邊緣設備算力有限，未經(jīng)優(yōu)化裁剪的原始模型往往無法滿足。

四是適合訓練的樣本數(shù)量不足，深度學習模型性能在相當程度上取決于有效數(shù)據(jù)量的多少但工業(yè)普遍存在樣本數(shù)據(jù)獲取困難和高質(zhì)量標注等問題，小樣本下的學習建模成為常態(tài)。

五是硬件適配不足，工業(yè)領(lǐng)域的芯片終端等硬件種類多，軟件框架往往很難跟上工業(yè)芯片的發(fā)展從而導致底層芯片和軟件框架的不適配。

六是模型與方案復制推廣難。行業(yè)、產(chǎn)品、一藝等維度的差異性，導致工業(yè) AI面對的場景及其需求差異化較大，任務多樣性明顯，不同行業(yè)1產(chǎn)品工藝的需要重新建模、訓練、部署。

七是作業(yè)環(huán)境惡劣加劇型落地應用難度。工業(yè)生產(chǎn)環(huán)境經(jīng)常面臨高溫、高壓、濕度大等極端物理情況，同時光照不均、高強度振動等因素也極大影響模型的使用效果。

八是應用開發(fā)周期慢，當前還無法擺脫人工調(diào)參、模型訓練的模式，應用開發(fā)/維護需要算法工程師深度參與。

九是數(shù)據(jù)模型的安全與知識產(chǎn)權(quán)問題有待解決。工業(yè)部分智能化場景存在數(shù)據(jù)集共建、數(shù)據(jù)流通共享及模型應用共建的需求，但當前面臨企業(yè)顧慮多、技術(shù)還不成熟、法規(guī)尚未健全等問題。

Q2 問 上述困難與問題的本質(zhì)原因是什么？

導致上述困難與問題的本質(zhì)原因可歸結(jié)為三大方面:一是關(guān)鍵融合技術(shù)尚未突破，主要指以深度學習為核心的AI算法及軟硬件配套技術(shù)在可解釋性、實時性、數(shù)據(jù)可用性、易用性與適配性四方面還沒有實現(xiàn)突破性進展;二是應用場景缺乏進一步識別，需要進行高價值高需求場景或可復制推廣場景的梳理及遴選。三是產(chǎn)業(yè)生態(tài)與保障機制還不完善，主要是數(shù)據(jù)共建共享機制、模型知識所屬權(quán)界定等問題

審核編輯：劉清