成人免费午夜在线观看,伊人久久精品,一区二区三区精品

人工智能的三大核心是算力、算法、數(shù)據(jù)，但在實際落地過程中，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)的處理與安全應用，以及數(shù)據(jù)權屬與價值評估的劃定。由于這些問題的存在，人工智能技術在工業(yè)領域的應用效果大打折扣，需要從多方面加以突破。

具體而言，分為三點：

第一，在工業(yè)生產環(huán)節(jié)，要想獲得和整合關鍵數(shù)據(jù)并非易事。生產過程中產生的核心數(shù)據(jù)往往蘊含商業(yè)或技術機密，企業(yè)通常不愿共享這些數(shù)據(jù)。與此同時，傳統(tǒng)工業(yè)設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，同時整合也面臨著巨大挑戰(zhàn)。工業(yè)企業(yè)通常使用多個獨立信息系統(tǒng)，系統(tǒng)間的數(shù)據(jù)格式和標準上的顯著差異，導致數(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、剔除異常值或補全缺失數(shù)據(jù)，也是一項巨大工程——尤其是在此類數(shù)據(jù)與現(xiàn)在用于大模型預訓練的標準數(shù)據(jù)存在顯著差異的情況下，很容易影響模型的訓練效果與預測準確性。而要在充分利用數(shù)據(jù)價值的同時確保其安全，存在復雜的技術和管理挑戰(zhàn)，需要企業(yè)在數(shù)據(jù)加密、訪問控制和隱私保護等方面投入大量技術與管理資源。

第二，在數(shù)據(jù)權屬界定和價值評估方面，工業(yè)數(shù)據(jù)的復雜性使得其難以歸入傳統(tǒng)法律關系客體，導致產權界定模糊。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，使得達成共識變得困難。現(xiàn)有工業(yè)數(shù)據(jù)產權界定方法存在不足，缺乏靈活性和適應性，難以應對數(shù)據(jù)的動態(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_到最高水平標準，不能在準確性方面出現(xiàn)差錯。

然而，目前無論是ChatGPT，還是DeepSeek這些生成式大模型，上述三點都難以完全滿足。這是今天人工智能賦能新型工業(yè)化領域仍處于起步階段的原因之一。

實際上，人工智能自身就存在“算法黑箱”問題，因此工業(yè)生產一線的負責人和企業(yè)在推進大模型應用方面受到諸多限制；同時，由于過程機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。實際上，當一線負責人需要對生產異常進行定位或溯源時，大模型的不可解釋性就成為了最大障礙。

同時，工業(yè)生產對精度的要求極高，典型意義上往往需要達到“四個九”（99.99%）乃至“五個九”（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”，顯然無法滿足工業(yè)級工具的標準。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

所以我們在推動產業(yè)-技術雙向對接的過程中，更多是從工業(yè)企業(yè)與人工智能企業(yè)雙向對接的角度入手，但也由此又暴露出以下三大挑戰(zhàn)：

首先是因專業(yè)背景差異導致溝通鴻溝。一方面，人工智能技術人員往往缺乏工業(yè)領域的實踐經驗，難以準確理解和把握工業(yè)專家要求，常常導致前者對生產場景的特殊需求缺乏深刻理解；另一方面，工業(yè)領域的專業(yè)人員又對人工智能技術的理解和應用能力有限，難以有效配合技術支持方實現(xiàn)技術落地。

其次是因項目定制形式制約泛化應用開發(fā)，目前行業(yè)內對大模型的落地開發(fā)普遍采取項目制、定制化合作方式。這種方式雖然能夠針對單個需求進行深度適配，卻嚴重制約了大模型在工業(yè)領域的泛化應用。

一方面，深度定制使得技術方無法利用已有項目經驗和基礎進行快速復制，延長了開發(fā)周期，影響了大模型產品的規(guī)模效益。另一方面，由于大模型本身的快速迭代導致缺乏標準化解決方案，每個項目都要投入大量資源進行重置基礎工作和并進行適配，增加了項目成本，降低了企業(yè)的投資回報率。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）機制，行業(yè)主流轉向“推理大模型”。隨著大模型演進，基礎技術迭代之快也讓項目制交付的質量能否保持成為雙方都需要擔心的問題。

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，一是AI技術在工業(yè)領域的價值變現(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項目需有持續(xù)性的投入，以不斷優(yōu)化和升級模型，這導致投資回報周期被大大拉長，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)模式可參考的應用案例和標準化的收益評估體系，供需雙方對價值分配的認知也難以統(tǒng)一。

在對大模型落地至關重要的性能評估方面，學術界常用的AMIE、GPQA等頂刊基準測試，與工業(yè)應用場景的需求相去甚遠，無法衡量模型在真實生產環(huán)境中的技術水平。要想真正推動大模型在工業(yè)現(xiàn)場的規(guī)?；瘧茫叫枰罁?jù)國內外的工業(yè)基礎條件，建立一套契合實際業(yè)務場景的評估體系，才能更高效地推進大模型在工業(yè)領域的落地。

基于上述分析，我們認為，賦能新型工業(yè)化應當以循序漸進的思路推進：在初級階段，優(yōu)先在封閉且對精度要求極高的場景中采用傳統(tǒng)小模型，同時在對精度要求相對寬松的開放場景（如客服問答、流程調度等）中試用大模型。通過先易后難、先用為主的策略，以場景驅動加速技術迭代的模式，讓人工智能在工業(yè)領域不斷釋放更高的賦能價值和潛力。

現(xiàn)在通用人工智能仍處于“數(shù)字世界”中，而在進階階段，工業(yè)生產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”。現(xiàn)在不少人推動人形機器人為代表的具身智能進入工廠干活，就是這種探索的縮影。

從這個角度，以及之前提到的大模型和小模型在產業(yè)鏈上的“正U型”“倒U型”分布特性，我們希望在進階階段可以構建一個大小模型協(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)步推進應用落地。