中國門類齊全、基礎雄厚、產業鏈完整的制造業底蘊，為AI大模型在垂直領域，尤其是工業場景的探索性應用，提供了豐富的試驗田和廣闊的需求空間

“AI+工業”行穩致遠，還需持續突破技術瓶頸、深化場景應用、營造鼓勵創新的友好環境，在全球智能化浪潮中熔鑄出更強大的競爭優勢

文 |《瞭望》新聞周刊記者

鋼鐵企業的生產車間中，“火眼金睛”的AI讓帶鋼表面缺陷無處遁形，檢出率提升至95%；熱軋環節精準掌控，成材率提升帶來實實在在的效益，一年可多產出2萬噸鋼；油氣勘探領域，原本需要耗費地質專家一整年完成的復雜數據分析，在大模型驅動下縮短到一個月……這些成果是人工智能深度賦能中國工業的縮影。當前，AI在礦井智能化、爐溫預測、地震波勘測、高性能計算等核心環節，取得了一系列突破性應用。

為何“AI+工業”能在中國土壤快速生根發芽？受訪人士認為，其關鍵在于中國門類齊全、基礎雄厚、產業鏈完整的制造業底蘊。“這為AI大模型在垂直領域，尤其是工業場景的探索性應用，提供了豐富的試驗田和廣闊的需求空間。”受訪者表示。

中國在“人工智能+工業”的融合探索上快速發展，通過場景與技術深度融合、創新技術架構、筑牢自主可控的數字底座，形成中國工業智能化轉型升級的特色路徑。“它不僅僅是技術應用，更是推動我國產業升級和創新的核心引擎，實實在在地打造著‘新質生產力’。”多位受訪專家和企業人士評價。

未來，還需在技術底座上攻堅克難、在應用場景上深挖廣拓、在創新生態上松綁護航，持續擴大競爭優勢。
大國角力 場景決勝

“AI+工業”的落地征途并非坦途。在調研中，《瞭望》新聞周刊記者發現，“AI+工業”落地存在數據壁壘、安全顧慮、技術瓶頸等多重難點。

具體來看，數據壁壘影響較大——工業設備常因傳感器噪聲、協議割裂、老舊設備數字化不足形成“數據孤島”。據估算，全球約70%的工業數據未被有效激活；安全顧慮緊隨其后——涉及核心工藝的企業不愿在公共平臺運行數據，而依賴專家標注故障數據的高成本又制約模型訓練；技術瓶頸同樣突出——工業實時場景要求低延遲推理，但通用大模型輕量化不足、多模態數據融合困難，導致泛化能力下降。

疊加工業領域特有的知識融合難、可靠性要求高、小樣本問題，“人工智能賦能工業是最有價值的方向，也是最難走的一條路。”華為油氣礦山軍團副總裁蔣旺成說。

這場競逐中，中美兩國被視為主要領軍者，但路徑迥異。美國坐擁通用大模型與算力優勢，卻因“去工業化”而嚴重缺乏工業場景支撐。

“愛立信、IBM、谷歌、GE等企業都曾嘗試用AI深度賦能工業制造，但因各種原因效果不彰。”深圳市人工智能與機器人研究院常務副院長丁寧告訴記者。蔣旺成認為，美國大模型領先，但缺乏與之相適配的工業場景；具備一定工業場景的發達國家，又往往缺乏頂尖的互聯網和AI技術。

美國的應對之策是持續巨額投入算力，提升通用大模型性能至“人工智能體”（AI Agent）以求泛化，或依賴算力虛擬化模擬工業體系迭代，并以寬松監管護航。

相比之下，中國路徑的破局關鍵，在于深度融合海量工業場景與技術攻堅。“科技企業的大量投入，加上國內工業企業的積極支持，才共同在該領域取得一定的突破。”蔣旺成認為，豐富的真實場景與產業協同，構成了中國應對挑戰、發展工業AI的獨特優勢與突破口。

破壁壘 強架構 筑安全

面對“AI+工業”落地的全球性挑戰，中國科技企業與工業企業緊密攜手，以問題為導向，探索出一條聚焦場景落地、技術適配、安全可控的特色實踐路徑。

破數據壁壘：場景與數據深度融合。受訪者告訴記者，我國探索“AI+工業”路徑的核心在于，將大模型與具體工業痛點深度綁定，尤其強調數據采集、清洗和跨領域協作的落地環節。

以高爐爐溫預測為例，精準掌控爐溫對鋼鐵生產的穩定性、能耗控制與成本效益至關重要。傳統依賴人工經驗，波動大、風險高。在一鋼鐵行業項目中，客戶最初提出了龐雜的7000多個數據維度，如何從中提煉關鍵信息是巨大挑戰。

科技企業的解法是組建跨領域合作團隊——鋼鐵工藝專家與AI工程師協同作業，基于對高爐冶煉機理的理解，通過反復分析、試驗，從海量數據中篩選出約1500個核心維度用于模型訓練。這種深度融合跨越了專業壁壘，匹配了工業需求，將預測準確率提升至90%以上，保障了高爐順行和降本增效。

受訪者說，我國“AI+工業”高度重視大模型與具體工業場景的緊密結合，不盲目追求通用性，而是扎根于具體工業場景，依靠“懂行人”與“技術派”的深度協作，將數據價值最大化。

克技術瓶頸：創新模型架構驅動規模化應用。針對工業領域小樣本、負樣本難窮舉等痛點制約小模型發展的問題，科技企業在模型架構上尋求突破。

例如，業內一家領軍型的科技企業創新性地采用“非正常即異常”的架構思路，通過定義正常狀態，任何偏離即為異常，簡化了學習目標，規避負樣本窮舉問題。

受訪者介紹，自2022年起，該科技企業與客戶共同構建了強適用性的底層平臺。其信息化三產公司依托自身技術力量，已在該平臺上開發并持續迭代上百個適用場景。

這種平臺化模式可在一定程度上解決工業AI應用碎片化、定制化成本高的難題，實現從單點突破到規模化推廣。據了解，這一模式成效顯著，已在全國范圍內推開。

解安全之憂：筑牢安全可信的數據底座。數據安全是工業企業的核心關切，不少企業擔心在人工智能與業務結合過程中出現核心數據外泄風險。為解決工業企業對核心數據安全的顧慮，科技企業與工業企業探索構建安全可信的技術基礎設施。

以某互聯網企業與南方電網的合作為例，該互聯網企業副總裁、政企業務總裁李強介紹，該企業與南方電網的合作從IT基礎設施云化升級、數據技術中臺建設、分布式云數據庫部署到信息網絡安全加固，打造了堅實的“云數底座”。

這一模式在保障核心數據私密性的同時，可利用公有云彈性資源。“采用‘私有云+公有云’模式，成功納管上千臺服務器，提供上萬臺云主機，支撐數百個業務應用，實現數據統一管理、協同變更，為南方電網國產化云平臺能力提升和核心業務智能化提供了安全可靠的基礎。”李強說，這一模式為工業企業提供了數據和業務安全的關鍵保障，使其可以放心擁抱AI。

多措并舉 擴大優勢

隨著大模型成本持續走低與端側應用廣泛鋪開，“AI+工業”浪潮將更深度地滲透千行百業。在這場定義未來工業格局的全球競逐中，中國依托深厚的制造根基與科技企業、制造業企業的深度融合實踐，走出一條以真實場景為牽引、以落地應用為核心、以安全可信為保障的路徑。

受訪者認為，“AI+工業”行穩致遠，還需持續突破技術瓶頸、深化場景應用、營造鼓勵創新的友好環境，在全球智能化浪潮中熔鑄出更強大的競爭優勢。

技術攻堅，軟硬協同。“算法與算力、芯片與大模型，是相互促進、共同演進的關系。”相關專家表示，當前需通過軟硬協同創新，優化大模型和芯片性能，特別是推動國產大模型與國產芯片的深度適配，保持模型水平緊跟國際前沿。同時，不僅要攻關芯片先進制程，也要高度重視存儲領域的技術突圍。加強AI與物聯網、大數據等前沿技術的融合。

深化應用，開放場景。丁寧等專家建議，鼓勵企業持續投入研發，優化模型在準確率、泛化性、智能化等方面的性能，并進一步開放更多工業應用場景，推動大模型在千行百業落地生根。

深圳市工業和信息化局副局長、深圳市人工智能產業辦公室主任林毅認為，隨著大模型成本降低和端側應用加速，應推動更多終端產品集成智能功能，如AI手機、AI電腦、AI玩具、可穿戴設備、智能家居、智能駕駛等，構建廣泛的智能產品矩陣，拓寬賦能邊界。

營造環境，審慎包容。多位專家建議，監管應以“寬容”為基調，破除可能阻礙創新的制度性障礙，允許一定范圍內的試錯。“應用不落地，實踐就無從談起”，制定的監管措施就很難有針對性。“先放后管、先立后破”，更有利于中國人工智能在全球競爭中脫穎而出。

此外，還應加大對垂直領域，尤其是制造業應用大模型的支持推廣力度，提高工業場景的普及性和模型的泛化能力。

來源：新華社

免責聲明：本網站部分文章、圖片等信息來源于網絡，版權歸原作者平臺所有，僅用于學術分享，如不慎侵犯了你的權益，請聯系我們，我們將做刪除處理！