編者按：隨著ChatGPT的爆火以及具身智能的大規(guī)模出現(xiàn)，利用AI大模型的通用人工智能帶領(lǐng)人類進(jìn)入第四次工業(yè)革命的設(shè)想，在歐美世界尤其是金融圈成為最熱門的話題。受此影響，國內(nèi)不少相關(guān)人士也在強(qiáng)調(diào)美國領(lǐng)導(dǎo)的西方體系會(huì)利用其“算法+數(shù)據(jù)+算力”的三重優(yōu)勢對(duì)我國形成技術(shù)代差，從而導(dǎo)致我國在潛在的“第四次工業(yè)革命”中落于人后。 但是隨著人工智能大模型的演進(jìn)和實(shí)踐，更多人意識(shí)到，這套敘事存在邏輯瑕疵。而在這場再認(rèn)識(shí)的過程中，更多人對(duì)于人工智能的潛力和局限有了更明晰的認(rèn)知。于是就在今年4月，工業(yè)和信息化部直屬單位中國電子信息產(chǎn)業(yè)發(fā)展研究院（賽迪研究院）正式發(fā)布了《人工智能賦能新型工業(yè)化：范式變革與發(fā)展路徑》報(bào)告。 在人民大學(xué)和賽迪集團(tuán)聯(lián)合舉辦的“人工智能賦能制造業(yè)：國際治理經(jīng)驗(yàn)與產(chǎn)業(yè)安全”會(huì)議上，賽迪研究院未來產(chǎn)業(yè)研究中心人工智能研究室主任鐘新龍先生就人工智能在賦能新型工業(yè)化的過程中所遇到的阻礙和未來發(fā)展前景進(jìn)行了系統(tǒng)闡述。觀察者網(wǎng)獲人民大學(xué)國際關(guān)系學(xué)院副院長、區(qū)域國別研究院翟東升院長授權(quán)，整理、刊載鐘新龍先生演講全文。
【演講/鐘新龍，整理/觀察者網(wǎng) 唐曉甫】
很多人說“人工智能的歷史既長又短”。
其“長”，在于人工智能概念可以追溯至1950年，當(dāng)時(shí)計(jì)算機(jī)奠基人圖靈提出了著名的“圖靈測試”。他認(rèn)為，若第三方無法區(qū)分計(jì)算系統(tǒng)與人類的回答來源，則可認(rèn)為該系統(tǒng)具有智能。由此，人工智能的概念自1950年起便有了理論基礎(chǔ)。
其“短”，則在于大眾層面對(duì)人工智能的廣泛接觸，應(yīng)當(dāng)以2022年11月發(fā)布的ChatGPT為分水嶺，截至今日僅有兩年多的發(fā)展歷程。
圖靈&ChatGPT
我們認(rèn)為，大模型時(shí)代的到來標(biāo)志著人工智能進(jìn)入了一個(gè)新的發(fā)展階段。在我們看來，通用人工智能是人工智能進(jìn)入高階階段的標(biāo)志。
在這個(gè)階段，傳統(tǒng)的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)與之并非彼此排斥，實(shí)際上可以協(xié)同為制造業(yè)賦能。
迄今為止，我們已經(jīng)在智能制造領(lǐng)域建設(shè)了一批智能工廠，其中包括不少剛剛評(píng)定為卓越級(jí)智能工廠在內(nèi)的智能工廠。通過“人工智能賦能新型工業(yè)化”工作的推進(jìn)及研究過程中案例征集情況來看，我們發(fā)現(xiàn)，我國人工智能在工業(yè)領(lǐng)域的應(yīng)用正由單點(diǎn)突破向系統(tǒng)集成發(fā)展。此前，人工智能在質(zhì)檢、判別及工業(yè)流程等單一環(huán)節(jié)有較多應(yīng)用，整體較為集中。而我們當(dāng)前的目標(biāo)是實(shí)現(xiàn)其與更多工業(yè)系統(tǒng)的深度融合。
總體而言，人工智能可在工業(yè)領(lǐng)域提升生產(chǎn)力和效率、創(chuàng)造價(jià)值、優(yōu)化資源配置?；谏鲜鋈矫娴馁x能，人工智能能夠加速培育新質(zhì)生產(chǎn)力，成為推動(dòng)經(jīng)濟(jì)發(fā)展的重要引擎。
以此為基準(zhǔn)，我們期望人工智能能夠賦能千行百業(yè)，實(shí)現(xiàn)“人工智能+”與“+人工智能”的雙重迭代和賦能。誠然，我們對(duì)通用人工智能賦能工業(yè)化寄予厚望；但現(xiàn)實(shí)情況是，當(dāng)前工業(yè)領(lǐng)域仍大量依賴前些年開發(fā)的小模型。當(dāng)今中國，大小模型并存的局面已成為工業(yè)實(shí)踐中的常態(tài)。
在工業(yè)領(lǐng)域，當(dāng)前小模型主要負(fù)責(zé)結(jié)構(gòu)化數(shù)據(jù)處理與精確預(yù)測；而以GPT、DeepSeek為代表的生成式大模型則擅長處理復(fù)雜的非結(jié)構(gòu)化新數(shù)據(jù)。就制造業(yè)流程而言，通?？煞譃殡x散型制造業(yè)與流程型制造業(yè)兩大類。
目前看來，人工智能在智能制造基礎(chǔ)扎實(shí)的重點(diǎn)領(lǐng)域表現(xiàn)最佳且成熟度較高，例如汽車制造業(yè)。現(xiàn)在我們看到人形機(jī)器人優(yōu)先選擇進(jìn)入汽車廠的原因在于，汽車行業(yè)作為離散型制造業(yè)，其屬于智能制造領(lǐng)域，是數(shù)據(jù)采集環(huán)境和處理能力最好的那一檔。這也是我們常說，人工智能優(yōu)先賦能合適領(lǐng)域的邏輯。
若將工業(yè)制造流程劃分為研發(fā)設(shè)計(jì)、生產(chǎn)制造、經(jīng)營管理和產(chǎn)品服務(wù)四個(gè)環(huán)節(jié)，在綜合數(shù)百個(gè)典型案例后，我們發(fā)現(xiàn)大模型和小模型在不同領(lǐng)域的應(yīng)用滲透率呈現(xiàn)“正U型”與“倒U型”疊加趨勢?？傮w而言，小模型更多用于單一場景的判別，呈現(xiàn)“倒U型”分布，這與其適用于單一場景的特性相吻合。
生成式AI（大模型）和判別式AI（小模型）在工業(yè)主要領(lǐng)域分布情況
相較而言，以生成式人工智能為主的大模型在工業(yè)賦能領(lǐng)域仍處于初級(jí)階段。當(dāng)前，大模型主流應(yīng)用集中于智能客服、業(yè)務(wù)管理或邊緣性建議中。而大多數(shù)人所期望的，是讓大模型直接介入生產(chǎn)制造流程，乃至實(shí)現(xiàn)自主決策的高階自動(dòng)化應(yīng)用方面，大模型尚在迭代探索之中。
總體來看，人工智能在制造業(yè)領(lǐng)域主要有五大賦能目標(biāo)：一是效率提升，如排產(chǎn)調(diào)度優(yōu)化等；二是質(zhì)檢改進(jìn)，通過視覺神經(jīng)網(wǎng)絡(luò)等技術(shù)提高檢測效率；三是成本降低，這是工業(yè)賦能的核心命題；四是創(chuàng)新驅(qū)動(dòng)，希望生成式大模型在產(chǎn)品設(shè)計(jì)、工藝優(yōu)化等方面提供新思路；五是決策優(yōu)化，旨在為企業(yè)管理層提供更科學(xué)、及時(shí)的決策支持。
我們現(xiàn)在常說，“AI for Science”。未來，我們期望其進(jìn)一步發(fā)展為“AI for Industry”，并最終實(shí)現(xiàn)“AI for Society”的社會(huì)價(jià)值。目前，人工智能在工業(yè)領(lǐng)域的賦能仍以人機(jī)協(xié)同、共同進(jìn)步的創(chuàng)新研究為主。
從實(shí)地調(diào)研來看，AI大模型在工業(yè)領(lǐng)域的賦能尚未達(dá)到預(yù)期的成熟應(yīng)用階段，而仍處于初級(jí)階段。這背后有多重原因，其中首要問題是應(yīng)用場景推廣與落地難題。
首先，工業(yè)場景細(xì)分程度極高。我們固然期盼通用解決方案，包括大家一直期待的所謂智能體打通大模型落地的“最后一公里”，但在實(shí)際工業(yè)場景中，經(jīng)常出現(xiàn)一條指令往往會(huì)影響數(shù)億元的決策，目前的智能體尚無法對(duì)相關(guān)風(fēng)險(xiǎn)進(jìn)行充分控制，因而難以實(shí)現(xiàn)落地。
其次，工業(yè)領(lǐng)域涵蓋眾多細(xì)分行業(yè)與應(yīng)用場景，每個(gè)場景均具有獨(dú)特特點(diǎn)與需求，難以研發(fā)出通用的人工智能解決方案。過去二三十年工業(yè)化進(jìn)程中積累的數(shù)據(jù)分散于不同系統(tǒng)，人工智能應(yīng)用呈碎片化特征，往往只能適用于特定場景，難以在更廣泛范圍中推廣，這增加了技術(shù)落地的難度。
第三，由于工業(yè)生產(chǎn)過程中的數(shù)據(jù)分散于不同系統(tǒng)中，且在數(shù)據(jù)格式與標(biāo)準(zhǔn)上缺乏統(tǒng)一性，獲取與整合這些數(shù)據(jù)需要耗費(fèi)大量時(shí)間和資源。人工智能解決方案通常需要高度定制化，這進(jìn)一步增加了開發(fā)成本與實(shí)施難度。碎片化的系統(tǒng)與數(shù)據(jù)架構(gòu)必然導(dǎo)致智能體定制門檻和響應(yīng)時(shí)間呈指數(shù)級(jí)增長，可能與企業(yè)快速響應(yīng)市場需求的目標(biāo)相沖突。
最后，從企業(yè)開發(fā)角度出發(fā)，大家普遍期望擁有一個(gè)可以通行千行百業(yè)、快速復(fù)制的大模型，以降低邊際成本。然而，由于各行業(yè)之間存在巨大差異，不同場景下開發(fā)的人工智能模型難以直接應(yīng)用于其他場景，這降低了導(dǎo)致模型復(fù)用率下降，增加了總體開發(fā)成本。
這使得定制化人工智能解決方案的成本難以攤薄，投入產(chǎn)出比低，難以形成可持續(xù)的商業(yè)閉環(huán)。高成本、低回報(bào)的局面嚴(yán)重阻礙了企業(yè)采用人工智能技術(shù)的積極性。
人工智能的三大核心是算力、算法、數(shù)據(jù)，但在實(shí)際落地過程中，數(shù)據(jù)治理也是人工智能落地的障礙之一。這些挑戰(zhàn)既涉及數(shù)據(jù)的獲取與整合，也涵蓋了數(shù)據(jù)的處理與安全應(yīng)用，以及數(shù)據(jù)權(quán)屬與價(jià)值評(píng)估的劃定。由于這些問題的存在，人工智能技術(shù)在工業(yè)領(lǐng)域的應(yīng)用效果大打折扣，需要從多方面加以突破。
具體而言，分為三點(diǎn)：
第一，在工業(yè)生產(chǎn)環(huán)節(jié)，要想獲得和整合關(guān)鍵數(shù)據(jù)并非易事。生產(chǎn)過程中產(chǎn)生的核心數(shù)據(jù)往往蘊(yùn)含商業(yè)或技術(shù)機(jī)密，企業(yè)通常不愿共享這些數(shù)據(jù)。與此同時(shí)，傳統(tǒng)工業(yè)設(shè)備并不具備完善的數(shù)據(jù)采集能力，增加了數(shù)據(jù)獲取的難度，同時(shí)整合也面臨著巨大挑戰(zhàn)。工業(yè)企業(yè)通常使用多個(gè)獨(dú)立信息系統(tǒng)，系統(tǒng)間的數(shù)據(jù)格式和標(biāo)準(zhǔn)上的顯著差異，導(dǎo)致數(shù)據(jù)的統(tǒng)一整合面臨重重困難。
即便數(shù)據(jù)能夠被采集，如何清洗噪聲、剔除異常值或補(bǔ)全缺失數(shù)據(jù)，也是一項(xiàng)巨大工程——尤其是在此類數(shù)據(jù)與現(xiàn)在用于大模型預(yù)訓(xùn)練的標(biāo)準(zhǔn)數(shù)據(jù)存在顯著差異的情況下，很容易影響模型的訓(xùn)練效果與預(yù)測準(zhǔn)確性。而要在充分利用數(shù)據(jù)價(jià)值的同時(shí)確保其安全，存在復(fù)雜的技術(shù)和管理挑戰(zhàn)，需要企業(yè)在數(shù)據(jù)加密、訪問控制和隱私保護(hù)等方面投入大量技術(shù)與管理資源。
第二，在數(shù)據(jù)權(quán)屬界定和價(jià)值評(píng)估方面，工業(yè)數(shù)據(jù)的復(fù)雜性使得其難以歸入傳統(tǒng)法律關(guān)系客體，導(dǎo)致產(chǎn)權(quán)界定模糊。工業(yè)數(shù)據(jù)涉及利益主體多元，其訴求多樣且存在沖突，使得達(dá)成共識(shí)變得困難。現(xiàn)有工業(yè)數(shù)據(jù)產(chǎn)權(quán)界定方法存在不足，缺乏靈活性和適應(yīng)性，難以應(yīng)對(duì)數(shù)據(jù)的動(dòng)態(tài)變化。而且傳統(tǒng)法律體系以及現(xiàn)行信息管理的規(guī)章制度，對(duì)此類數(shù)據(jù)的規(guī)范也存在一定的問題。
第三，現(xiàn)在大模型算法本身也和工業(yè)邏輯存在一定沖突，工業(yè)追求決策過程可解釋性，要確?？煽匦院涂勺匪菪赃_(dá)到最高水平標(biāo)準(zhǔn)，不能在準(zhǔn)確性方面出現(xiàn)差錯(cuò)。
然而，目前無論是ChatGPT，還是DeepSeek這些生成式大模型，上述三點(diǎn)都難以完全滿足。這是今天人工智能賦能新型工業(yè)化領(lǐng)域仍處于起步階段的原因之一。
實(shí)際上，人工智能自身就存在“算法黑箱”問題，因此工業(yè)生產(chǎn)一線的負(fù)責(zé)人和企業(yè)在推進(jìn)大模型應(yīng)用方面受到諸多限制；同時(shí)，由于過程機(jī)理的不可解釋性和先天的“算法黑箱”特性，往往正好與這一需求背道而馳。實(shí)際上，當(dāng)一線負(fù)責(zé)人需要對(duì)生產(chǎn)異常進(jìn)行定位或溯源時(shí)，大模型的不可解釋性就成為了最大障礙。
同時(shí)，工業(yè)生產(chǎn)對(duì)精度的要求極高，典型意義上往往需要達(dá)到“四個(gè)九”（99.99%）乃至“五個(gè)九”（99.999%）的可靠性水平；而現(xiàn)階段的生成式大模型卻更常表現(xiàn)為“十次回答中有九次正確、一次出錯(cuò)”，顯然無法滿足工業(yè)級(jí)工具的標(biāo)準(zhǔn)。這也在很大程度上解釋了為什么人工智能賦能新型工業(yè)化尚處于起步階段。
大模型由于幻覺等問題，尚不能滿足不少工業(yè)需求
所以我們?cè)谕苿?dòng)產(chǎn)業(yè)-技術(shù)雙向?qū)拥倪^程中，更多是從工業(yè)企業(yè)與人工智能企業(yè)雙向?qū)拥慕嵌热胧?，但也由此又暴露出以下三大挑?zhàn)：
首先是因?qū)I(yè)背景差異導(dǎo)致溝通鴻溝。一方面，人工智能技術(shù)人員往往缺乏工業(yè)領(lǐng)域的實(shí)踐經(jīng)驗(yàn)，難以準(zhǔn)確理解和把握工業(yè)專家要求，常常導(dǎo)致前者對(duì)生產(chǎn)場景的特殊需求缺乏深刻理解；另一方面，工業(yè)領(lǐng)域的專業(yè)人員又對(duì)人工智能技術(shù)的理解和應(yīng)用能力有限，難以有效配合技術(shù)支持方實(shí)現(xiàn)技術(shù)落地。
其次是因項(xiàng)目定制形式制約泛化應(yīng)用開發(fā)，目前行業(yè)內(nèi)對(duì)大模型的落地開發(fā)普遍采取項(xiàng)目制、定制化合作方式。這種方式雖然能夠針對(duì)單個(gè)需求進(jìn)行深度適配，卻嚴(yán)重制約了大模型在工業(yè)領(lǐng)域的泛化應(yīng)用。
一方面，深度定制使得技術(shù)方無法利用已有項(xiàng)目經(jīng)驗(yàn)和基礎(chǔ)進(jìn)行快速復(fù)制，延長了開發(fā)周期，影響了大模型產(chǎn)品的規(guī)模效益。另一方面，由于大模型本身的快速迭代導(dǎo)致缺乏標(biāo)準(zhǔn)化解決方案，每個(gè)項(xiàng)目都要投入大量資源進(jìn)行重置基礎(chǔ)工作和并進(jìn)行適配，增加了項(xiàng)目成本，降低了企業(yè)的投資回報(bào)率。例如在DeepSeek之前，我們主要考慮的是通用大模型，在DeepSeek引入思維鏈（Chain of Thought）機(jī)制，行業(yè)主流轉(zhuǎn)向“推理大模型”。隨著大模型演進(jìn)，基礎(chǔ)技術(shù)迭代之快也讓項(xiàng)目制交付的質(zhì)量能否保持成為雙方都需要擔(dān)心的問題。
第三方面是因商業(yè)模式不明影響持續(xù)合作，這主要包含兩點(diǎn)，一是AI技術(shù)在工業(yè)領(lǐng)域的價(jià)值變現(xiàn)面臨著巨大的不確定性。即便是OpenAI或Google這樣的行業(yè)龍頭，也尚未實(shí)現(xiàn)穩(wěn)定盈利。據(jù)奧爾特曼披露，OpenAI每年虧損約50億至70億美元。而AI項(xiàng)目需有持續(xù)性的投入，以不斷優(yōu)化和升級(jí)模型，這導(dǎo)致投資回報(bào)周期被大大拉長，從而削弱了企業(yè)的投資積極性。這是人工智能企業(yè)發(fā)展中一個(gè)懸而未決的問題。
大模型迭代速度很快
二是由于缺乏成熟的商業(yè)模式可參考的應(yīng)用案例和標(biāo)準(zhǔn)化的收益評(píng)估體系，供需雙方對(duì)價(jià)值分配的認(rèn)知也難以統(tǒng)一。
在對(duì)大模型落地至關(guān)重要的性能評(píng)估方面，學(xué)術(shù)界常用的AMIE、GPQA等頂刊基準(zhǔn)測試，與工業(yè)應(yīng)用場景的需求相去甚遠(yuǎn)，無法衡量模型在真實(shí)生產(chǎn)環(huán)境中的技術(shù)水平。要想真正推動(dòng)大模型在工業(yè)現(xiàn)場的規(guī)?；瘧?yīng)用，亟需依據(jù)國內(nèi)外的工業(yè)基礎(chǔ)條件，建立一套契合實(shí)際業(yè)務(wù)場景的評(píng)估體系，才能更高效地推進(jìn)大模型在工業(yè)領(lǐng)域的落地。
基于上述分析，我們認(rèn)為，賦能新型工業(yè)化應(yīng)當(dāng)以循序漸進(jìn)的思路推進(jìn)：在初級(jí)階段，優(yōu)先在封閉且對(duì)精度要求極高的場景中采用傳統(tǒng)小模型，同時(shí)在對(duì)精度要求相對(duì)寬松的開放場景（如客服問答、流程調(diào)度等）中試用大模型。通過先易后難、先用為主的策略，以場景驅(qū)動(dòng)加速技術(shù)迭代的模式，讓人工智能在工業(yè)領(lǐng)域不斷釋放更高的賦能價(jià)值和潛力。
現(xiàn)在通用人工智能仍處于“數(shù)字世界”中，而在進(jìn)階階段，工業(yè)生產(chǎn)需要通用人工智能跨越數(shù)字與物理的邊界，真正融入“物理世界”?，F(xiàn)在不少人推動(dòng)人形機(jī)器人為代表的具身智能進(jìn)入工廠干活，就是這種探索的縮影。
從這個(gè)角度，以及之前提到的大模型和小模型在產(chǎn)業(yè)鏈上的“正U型”“倒U型”分布特性，我們希望在進(jìn)階階段可以構(gòu)建一個(gè)大小模型協(xié)同的賦能體系：既不盲目追求單一大模型，也不小模型，而是持續(xù)探索人工智能的能力邊界，穩(wěn)步推進(jìn)應(yīng)用落地。
最終，在高階階段，我們的目標(biāo)是實(shí)現(xiàn)高度智能的“通用智能制造”。
現(xiàn)在大模型在經(jīng)濟(jì)性、泛化性與專業(yè)性之間存在“不可能三角”。我們希望通過大模型和小模型串聯(lián)，基于類似Mixture of Experts（MOE）的架構(gòu)，將大模型與小模型有機(jī)串聯(lián)，覆蓋端到端、全流程、全要素、全場景的需求，從而為工業(yè)整體提供深度賦能。
大模型“不可能三角”
基于上述設(shè)想，我們認(rèn)為工業(yè)模型的培養(yǎng)與應(yīng)用亦需循序漸進(jìn)、分階段推進(jìn)。初階段應(yīng)著力優(yōu)化提示工程與引導(dǎo)，通過精心設(shè)計(jì)的提示詞與示例，為模型提供明確的指導(dǎo)，以提升其對(duì)任務(wù)需求的理解和場景適應(yīng)能力，實(shí)現(xiàn)“先行實(shí)施”的目標(biāo)。
進(jìn)階階段需要賦予工業(yè)模型檢索增強(qiáng)能力，使其在生成過程中能夠根據(jù)需要查閱外部知識(shí)庫或調(diào)用“知識(shí)記憶”，在擴(kuò)展模型知識(shí)儲(chǔ)備的同時(shí)，進(jìn)一步拓展應(yīng)用場景。
高階階段則需通過大規(guī)模采集行業(yè)內(nèi)的多源異構(gòu)數(shù)據(jù)，從頭預(yù)訓(xùn)練原生工業(yè)大模型。在這一階段，應(yīng)采用模型并行化等前沿技術(shù)，充分融入領(lǐng)域知識(shí)與實(shí)踐經(jīng)驗(yàn)，使大模型能夠與其所在領(lǐng)域?qū)崿F(xiàn)“天生適配”，而非簡單地將DeepSeek一體機(jī)直接搬入工廠，實(shí)現(xiàn)所謂的“開箱即用”。這種“開箱即用”只能用，但是用得好不好，我想一線人員是很清楚的。
在其他配套要素方面，同樣分為初階、進(jìn)階和高階階段。算力方面，初階階段政府可利用現(xiàn)有算力資源，集中力量打造區(qū)域算力中心，為工業(yè)大模型的預(yù)訓(xùn)練與工程應(yīng)用提供基礎(chǔ)支撐，并規(guī)劃建設(shè)城市級(jí)算力網(wǎng)絡(luò)，初步實(shí)現(xiàn)毫秒級(jí)的低時(shí)延算力供應(yīng)。
進(jìn)階階段，隨著工業(yè)大模型逐步成熟、各行業(yè)場景應(yīng)用落地，算力需求將快速攀升。須加快建設(shè)高性能算力集群，提供算力“加油站”，以滿足工業(yè)大模型、尤其是推理環(huán)節(jié)對(duì)海量算力的迫切需求；同時(shí)加速部署市級(jí)算力網(wǎng)絡(luò)，進(jìn)一步縮短時(shí)延，確保算力高效調(diào)度。
高階階段，隨著人形機(jī)器人、自動(dòng)駕駛等新興場景興起，相關(guān)模型訓(xùn)練與推理對(duì)算力需求將呈現(xiàn)爆發(fā)式增長。此階段要著眼長遠(yuǎn)，擴(kuò)容升級(jí)算力集群，構(gòu)建核心算力樞紐，實(shí)現(xiàn)毫秒級(jí)跨域調(diào)度，為“十五五、十六五”乃至“十七五”期間邁向AGI提供協(xié)同配套。
在數(shù)據(jù)層面，以此前特斯拉FSD在中國落地效果不佳為例，其主要原因在于缺乏中國本土的一手視頻數(shù)據(jù)、未針對(duì)中國場景進(jìn)行優(yōu)化。因此，我們期望未來在匯集各行業(yè)結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)的基礎(chǔ)上，對(duì)這些多元異構(gòu)數(shù)據(jù)及真實(shí)迭代數(shù)據(jù)進(jìn)行反復(fù)推理與訓(xùn)練，形成閉環(huán)的數(shù)據(jù)飛輪，攻克能力上的“最后一公里”難題。
因此，我們必須尊重客觀實(shí)際，讓大模型優(yōu)先在數(shù)據(jù)基礎(chǔ)較好、數(shù)字化水平較高的行業(yè)開展試點(diǎn)示范。這些行業(yè)在信息化建設(shè)方面已有較深積累，能夠提供相對(duì)豐富且高質(zhì)量的數(shù)據(jù)資源，為人工智能模型的訓(xùn)練與優(yōu)化提供充分“糧食”，并通過先行先試發(fā)揮示范引領(lǐng)作用，形成可復(fù)制、可推廣的經(jīng)驗(yàn)?zāi)Ｊ健?/p>
同時(shí)，需要依托龍頭及骨干企業(yè)的資源與研發(fā)優(yōu)勢，優(yōu)先解決重大應(yīng)用難題。一方面，龍頭企業(yè)應(yīng)發(fā)揮引領(lǐng)示范作用，充分利用技術(shù)、資金、人才等雄厚資源，聚焦行業(yè)共性需求，加快推動(dòng)人工智能規(guī)?；瘧?yīng)用；另一方面，也要以大模型為牽引，借助后發(fā)優(yōu)勢，引領(lǐng)國產(chǎn)工業(yè)軟件實(shí)現(xiàn)彎道超車。
中小微企業(yè)因自身難以研發(fā)大模型、承擔(dān)原生模型訓(xùn)練與調(diào)優(yōu)工作，應(yīng)利用體制機(jī)制的靈活性，聚焦場景迭代。通過鼓勵(lì)中小微企業(yè)參與大模型的數(shù)據(jù)迭代，可以為大模型發(fā)展提供多元場景支持，構(gòu)建大中小企業(yè)協(xié)同的智能體系。
我們常說，在工業(yè)應(yīng)用領(lǐng)域，我國相較于美國的優(yōu)勢在于擁有完整的產(chǎn)業(yè)鏈體系和更多的工業(yè)場景。但是更多的工業(yè)場景并不代表我們的需求會(huì)比美國方面更大，這些場景真正的價(jià)值在于由此產(chǎn)生的持續(xù)迭代數(shù)據(jù)。通過模型與數(shù)據(jù)飛輪的迭代模式，我們更有可能獲得強(qiáng)有力的創(chuàng)新成果。這正是憑借全產(chǎn)業(yè)鏈體系和豐富工業(yè)場景，在未來長期競爭中取得優(yōu)勢的關(guān)鍵。
本文系觀察者網(wǎng)獨(dú)家稿件，文章內(nèi)容純屬作者個(gè)人觀點(diǎn)，不代表平臺(tái)觀點(diǎn)，未經(jīng)授權(quán)，不得轉(zhuǎn)載，否則將追究法律責(zé)任。關(guān)注觀察者網(wǎng)微信guanchacn，每日閱讀趣味文章。
熱門跟貼