成人免费午夜在线观看,伊人久久精品,一区二区三区精品

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(lèi)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(mén)的話題。受此影響，國(guó)內(nèi)不少相關(guān)人士也在強(qiáng)調(diào)美國(guó)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(shì)對(duì)我國(guó)形成技術(shù)代差，從而導(dǎo)致我國(guó)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(chǎng)再認(rèn)識(shí)的過(guò)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(guó)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(guó)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(lái)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(guò)程中所遇到的阻礙和未來(lái)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(guó)際關(guān)系學(xué)院副院長(zhǎng)、區(qū)域國(guó)別研究院翟東升院長(zhǎng)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(shuō)“人工智能的歷史既長(zhǎng)又短”。

其“長(zhǎng)”，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(cè)試”。他認(rèn)為，若第三方無(wú)法區(qū)分計(jì)算系統(tǒng)與人類(lèi)的回答來(lái)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(lái)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(lái)，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(guò)“人工智能賦能新型工業(yè)化”工作的推進(jìn)及研究過(guò)程中案例征集情況來(lái)看，我們發(fā)現(xiàn)，我國(guó)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(chéng)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(lài)前些年開(kāi)發(fā)的小模型。當(dāng)今中國(guó)，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(cè)；而以GPT、DeepSeek為代表的生成式大模型則擅長(zhǎng)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，通常可分為離散型制造業(yè)與流程型制造業(yè)兩大類(lèi)。

目前看來(lái)，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(chē)制造業(yè)?，F(xiàn)在我們看到人形機(jī)器人優(yōu)先選擇進(jìn)入汽車(chē)廠的原因在于，汽車(chē)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(shuō)，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(yíng)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(shì)?？傮w而言，小模型更多用于單一場(chǎng)景的判別，呈現(xiàn)“倒U型”分布，這與其適用于單一場(chǎng)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(lái)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(guò)視覺(jué)神經(jīng)網(wǎng)絡(luò)等技術(shù)提高檢測(cè)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(shuō)，“AI for Science”。未來(lái)，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(lái)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(wèn)題是應(yīng)用場(chǎng)景推廣與落地難題。

首先，工業(yè)場(chǎng)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(chǎng)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(wú)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(chǎng)景，每個(gè)場(chǎng)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(guò)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(chǎng)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(guò)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(kāi)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(mén)檻和響應(yīng)時(shí)間呈指數(shù)級(jí)增長(zhǎng)，可能與企業(yè)快速響應(yīng)市場(chǎng)需求的目標(biāo)相沖突。

最后，從企業(yè)開(kāi)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?gòu)?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(chǎng)景下開(kāi)發(fā)的人工智能模型難以直接應(yīng)用于其他場(chǎng)景，這降低了導(dǎo)致模型復(fù)用率下降，增加了總體開(kāi)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。