持续关注AI产业价值落地
未来已来：技术变革来临
人工智能发展进入生成式人工智能时代，大语言模型所呈现的“涌现”能力，正在推动人类社会向AGI的方向持续探索，这将贯穿科技公司与研究机构相当长周期的关注焦点。
聚焦当下：商业价值深化探索
企业经营与发展是当下的核心命题，人工智能，尤其是LLM开启的人工智能，对于AI商业价值的探索与实践带来哪些变化，是本次研究的重点
大模型应用尚未跨越鸿沟，尝鲜者重心在于技术突破与场景探索
1、技术局限尚需突破方能释放更大价值
• 知识更新与自主学习能力，目前大语言模型仍然为静态数据驱动的学习范式，无法实现新知识的快速学习与迭代，尤其是涉及到时效数据与专有数据的场景下存在障碍，OpenAI正在通过Plugins生态来突破这一局限
• 垂直领域泛化能力，通用任务的卓越能力已经显现，但是进入垂直细分领域与知识体系下，大模型的性能与泛化能力仍然需要增强，行业大模型训练是当前挑战的破局之道之一
• 长期记忆能力，目前正在通过增大上下文容量、数据向量化，以及AI agent等多种方式探索突破
2、巨大的模型训练与推理算力等成本拉低效益比
• 训练与微调成本，该训练成本仅针对企业应用基础模型结合行业知识与数据集进行训练与微调的成本，并非基础大模型训练成本，与上述“垂直领域泛化能力”相对应，该成本仍然为行业知识壁垒显著的企业必须承担的成本，开源基础模型在一定程度上可以降低这一阶段的训练成本
• 推理成本，大模型在参数体量巨大的情况下，仍然存在较高的推理成本，这方面可以通过模型压缩与剪枝等技术的发展进一步降低
• 模型能力与业务场景的适应成本，这部分成本虽然由于人机交互方式的变化显著降低，但是前期仍然需要考虑提示工程在特定场景的磨合成本
3、安全合规可信应用底线尚需刚性保障
• 模型安全与可控制性问题，这是人工智能普遍面临的问题，大模型并不能幸免，包括模型攻防、数据注入等问题；同时，模型能力来自于“涌现”，需要进行模型能力，尤其是生成结果的可控制，方能进入到生产环境
• 对齐问题，既包括人工智能与人类社会价值观保持一致，也包括与不同国家价值观，不同类型企业经营以及商业法则相匹配等，前者最为关键，这也是目前最为关注的AI不受控制的风险之一，目前在通过RLHF与RLAIF不同方式来实现
• 隐私与数据安全问题，无论是大模型的训练推理，还是对话应用的过程中，都存在过多的隐私暴露与数据安全风险，这有赖于技术突破和监管合规的进一步建立
大模型所加速的生成式人工智能已经渗透到多个场景
行业应用场景导向，落地为先，倒逼基础能力升级
中国生成式人工智能行业AMC应用曲线
AI驱动千行百业效率升级，大量行业场景应用价值仍待深挖
制造行业AI应用概述：提升研发生产与运营效率，提升产品核心竞争力与质量，实现可持续发展
制造行业是我国加快建设现代化产业体系的重要支撑，增强制造行业全价值链条数智化能力，全面提升智能制造整体水平与实力当务之急。
同时，制造行业在IT与数字化等基础设施建设方面，尤其是面临不同行业、不同类型与规模企业的能力不均衡，相应地，制造行业数智化升级也就面临更大挑战，需要政府、行业链主企业以及科技企业共同以生态搭建协同运营等方式，来加速推动制造行业数智化升级与AI应用落地。
制造行业当前发展现状
• 消费驱动力不足带来供需不平衡，供大于求导致行业竞争加剧
• 高端制造业向发达国家回流，低端制造业向低成本国家转移
• 创新能力不足，核心技术和核心高端设备、零部件额元器件仍受制于人
• 高能耗、高污染，碳排放压力巨大
• 国际贸易争端愈演愈烈，制造业供应链风险显著增加人工智能在推动制造行业数智化转型过程中的核心价值
• 通过自动化实现制造行业常规流程和任务，提高生产和运营效率
• 通过数据分析与建模发现质量缺陷，预测潜在问题，并通过优化工艺和生产参数来提高生产质量
• 通过优化生产计划、材料以及能源使用等，提高能源使用效率，降低废品率，实现可持续发展
• 通过引入人工智能进入产品研发流程，提升研发效率，缩短研发周期
制造行业AI应用概述：应用价值与场景
制造行业AI应用关键挑战与趋势
关键挑战
• 模型应用可靠性：工业领域，尤其是生产制造流程，最重视安全、可靠和稳定，相应地，工业制造领域最核心需要保障应用的可靠性，这就对人工智能模型，包括大模型提出了更高的要求。
• 应用成本挑战：从大模型驱动的AI应用方面，应用成本需要大幅度降低，目前定制化千亿参数通用大模型的成本难以被客户接受；算力成本仍然高居不下，训练卡价格仍然在上升，同时，未来考虑到未来LLM不断升级，训练推理成本或将持续上行；相应地，垂类大模型能够达到参数量、效果、成本和场景的匹配，此外，模型蒸馏压缩、采用MoE架构，小样本微调等技术路径也能够有效降低成本，加速落地。
• 行业Knowhow与数据资源挑战：与其他行业不同，工业场景相对来说数据样本量较小，AI训练相对困难，相应地，工业数字孪生可以通过仿真的形式生成大量数据，帮助AI模型深度优化，同时，也仍然需要制造企业强化自身数据积累与沉淀，从而提升AI应用现实可行性。
发展趋势
• 大模型将柔性融入工业制造流程，成为工厂智能中枢。大模型的出现为工业智能注入了更为强大的认知能力，将能够深入理解适应不同的生产环境和工厂特点，实现AI与传统工业设备的高度契合。通过全面理解从生产流程到设备状态的各类工业应用场景，提供智能化的监控和调度能力。柔性融合更加突显了大模型对原有工业流程的适应性和灵活性，并为工业制造的持续创新提供了可能 。
• AI将与工业大数据深度融合，成为工业智能化的关键推动力。AI通过挖掘分析工业大数据中的潜在关联和模式，将数据转化为实质性的智能决策和洞察，提供更准确实时的数据分析、决策支持、需求预测等关键能力，帮助企业更好地规划生产计划、优化库存管理等，实现降本增效，提升工业智能化水平。
• 生成式AI的应用将为工业知识的沉淀和传承提供强力支持。生成式AI通过将大量的工业数据、技术文档和专家经验整合，可构建更为智能高效的知识体系，这将支持企业有效沉淀和传承核心领域的工业知识，不仅能为工厂提供实时指导和支持，还有助于应对人才流失和知识断层问题。
制造行业AI应用图谱
关注公众号，在对话框输入“中国AI发展图谱”即可免费获取报告。
