亚洲爆乳成AV人在线视菜奈实_欧美一进一出抽搐大尺度视频 _日本十八禁免费看污网站_国产一区二区怡红院_6080YY新视觉影院_蜜臀AV无码人妻精品_成人影院YY111111在线_成人欧美一区二区三区1314_少妇饥渴偷公乱A级无码

當(dāng)前，工業(yè)智能體成為學(xué)術(shù)界和產(chǎn)業(yè)界的研究熱點，國內(nèi)外諸多企業(yè)紛紛展開了相關(guān)戰(zhàn)略布局。近日，《中國電子報》組織召開工業(yè)智能體創(chuàng)新發(fā)展座談會，邀請產(chǎn)業(yè)界代表共同探討工業(yè)智能體創(chuàng)新發(fā)展路徑、挑戰(zhàn)與機遇。本報將從四個方面呈現(xiàn)此次座談會內(nèi)容，也歡迎有識之士留言，參與“云討論”。

01

學(xué)院派認(rèn)為——

賽迪研究院信息化與軟件產(chǎn)業(yè)研究所人工智能研究室主任 王宇霞

要真正推動工業(yè)智能體在工業(yè)領(lǐng)域落地仍面臨諸多挑戰(zhàn)。首先是技術(shù)成熟度問題，很多大模型算法在通用場景中表現(xiàn)良好，但由于工業(yè)門類多、行業(yè)壁壘高、數(shù)據(jù)難獲取，工業(yè)現(xiàn)場復(fù)雜度高，其適應(yīng)性、實時性、可靠性都存在較大問題。

其次是數(shù)據(jù)問題，工業(yè)現(xiàn)場存在諸多數(shù)據(jù)孤島、數(shù)據(jù)缺失、噪聲干擾等問題，現(xiàn)有數(shù)據(jù)是否足以用于訓(xùn)練工業(yè)智能體，使其達(dá)到安全可靠的水平尚且存疑。據(jù)某報告顯示，制造業(yè)數(shù)據(jù)中只有44%被有效利用。智能體與大模型的智能很大一部分來自于提示詞、CoT等數(shù)據(jù)，在通用場景中，提示詞和CoT數(shù)據(jù)的獲取與標(biāo)注都相對容易，但在工業(yè)場景中，工業(yè)知識壁壘高，構(gòu)建高級別的語料庫存在非常大的難度。

還有安全問題，智能體會以接口形式或代碼自主生成形式執(zhí)行任務(wù)，這是它跟大模型最大的一個區(qū)別——能夠?qū)崿F(xiàn)工具調(diào)用，正因如此，它也面臨更多安全威脅，如API接口漏洞、代碼供應(yīng)鏈破壞、提示詞注入等都可能導(dǎo)致智能體被認(rèn)知投毒。

此外，商業(yè)模式也存在挑戰(zhàn)。智能體投資回報不明顯帶來變現(xiàn)難題，工業(yè)智能體的算力、數(shù)據(jù)消耗及技術(shù)研發(fā)投入大，收益卻是長遠(yuǎn)的且很多時候難以量化，難以出現(xiàn)在企業(yè)報表上。智能體在企業(yè)層面的賦能是橫向的，整體提升企業(yè)人員的效率，企業(yè)運轉(zhuǎn)的效率，很多企業(yè)看不到它實實在在帶來的收益，投資意愿不足。過去工廠以產(chǎn)品級服務(wù)思維采購軟件，通過一次性購買或版權(quán)購買獲得產(chǎn)品；而在智能體時代，底座大模型持續(xù)進化，智能體交付的也并非固定產(chǎn)品，而是任務(wù)完成能力。商業(yè)模式需要從產(chǎn)品級服務(wù)轉(zhuǎn)向智能級服務(wù)，企業(yè)采購也將從“買產(chǎn)品”變?yōu)?ldquo;買長期服務(wù)”或“買任務(wù)結(jié)果”，這對企業(yè)組織架構(gòu)和付費系統(tǒng)構(gòu)成新挑戰(zhàn)，目前多數(shù)企業(yè)尚未做好充分準(zhǔn)備。

另外，還存在責(zé)任界定不清問題。自主決策的智能體責(zé)任歸屬不明，若因自主調(diào)整工藝參數(shù)導(dǎo)致產(chǎn)線報廢或設(shè)備損壞，責(zé)任到底是歸算法開發(fā)者、數(shù)據(jù)提供者還是部署應(yīng)用的企業(yè)，無法清晰界定，這為智能體的應(yīng)用和推廣埋下法律和商業(yè)風(fēng)險。

最后是人因問題，如信任危機。生成式人工智能推出后，對人的替代效應(yīng)明顯加快，原本多替代低技能勞動密集型人才，進入生成式階段后，對白領(lǐng)、知識密集型人才的替代作用也顯著增強。智能體具備工具調(diào)用能力，甚至可裝配于裝備中，對低技能或勞動密集型一線員工的替代效應(yīng)將大幅提升，這可能引發(fā)部分人的心理抵觸。當(dāng)代智能體以大模型為“大腦”，大模型的“黑箱”特性導(dǎo)致決策者難以看清完整決策鏈路，是否信任其決策成為導(dǎo)致信任危機的另一誘因。同時，當(dāng)前智能體使用學(xué)習(xí)成本較高，這也構(gòu)成其應(yīng)用落地的潛在門檻。

02

實踐派認(rèn)為——

卡奧斯工業(yè)大腦總經(jīng)理 楊健

第一，場景適配問題。工業(yè)領(lǐng)域受到生產(chǎn)設(shè)備、物料流動、人員技能、環(huán)境等因素的影響較大，很難通過大模型或智能體解決所有問題，需要選擇什么樣的場景落地智能體。第二，高質(zhì)量數(shù)據(jù)稀缺。工業(yè)領(lǐng)域中，真正能被AI利用的數(shù)據(jù)比“44%的有效數(shù)據(jù)”還要少一個數(shù)量級，可能4%都不到。例如，一臺注塑機設(shè)備一天產(chǎn)生超1G運行數(shù)據(jù)，但一周內(nèi)可用于模型訓(xùn)練的數(shù)據(jù)不超過5條——大量數(shù)據(jù)存在但可用的高質(zhì)量數(shù)據(jù)極少，這是AI落地的最大障礙。第三，供需匹配與商業(yè)化路徑問題。工業(yè)領(lǐng)域的場景價值多少能講出來，但ROI（投資回報率）不高，投入到物聯(lián)改造、數(shù)據(jù)清洗治理、AI算法開發(fā)訓(xùn)練需要大量人力和時間成本，而帶來的效果往往與成本不成正比。此外，工業(yè)場景碎片化嚴(yán)重，一個場景落地后難以復(fù)制，無法通過規(guī)模化方式分?jǐn)偝杀就度耄@也是多年來工業(yè)AI落地慢的重要原因。

和利時集團中央研究院智能軟件平臺研究所所長 李天輝

我們認(rèn)為不管是工業(yè)里的自動化、數(shù)字化還是智能化，核心都是軟件加數(shù)據(jù)。每個工廠都有差異，即使智能體能力一樣，但配置數(shù)據(jù)、工藝、管理方式都不同，不可能像手機APP那樣裝到每個工廠里不用配置就適應(yīng)。要解決的核心問題不只是提升自動化效率，更大的目標(biāo)是應(yīng)對個性化應(yīng)用、差異化需求和需求的快速變化。比如新能源汽車生產(chǎn)線，今天生產(chǎn)的車型可能三個月后就得變，這就要求工業(yè)軟件和相關(guān)系統(tǒng)跟著調(diào)整，過去調(diào)整的代價太大。以后智能體來了，可能80%的變化只需要在軟件里更新，這是我們能看到的未來趨勢。

工業(yè)場景里的技術(shù)其實是相通的，只是現(xiàn)在落地還很早，還在嘗試。比如自動化工程數(shù)據(jù)的自動翻譯就需要做特定訓(xùn)練，文本轉(zhuǎn)圖不難，但控制領(lǐng)域的梯形圖有特殊性，必須做針對性訓(xùn)練。我們現(xiàn)在做的，就是梳理典型場景里影響控制的關(guān)鍵參數(shù)，以及不同參數(shù)組合下的PID參數(shù)大概是什么，希望通過這些梳理構(gòu)建一個PID智能體，以后到現(xiàn)場，比如火電，至少能讓工程師達(dá)到現(xiàn)在的標(biāo)準(zhǔn)水平，不用因為是初級工程師就水平低。另外，我們也在探索如何利用工業(yè)智能體推動全流程優(yōu)化。比如根據(jù)外圍訂單變化、生產(chǎn)工藝變化，APS分解任務(wù)后，根據(jù)各工廠、產(chǎn)線的資源準(zhǔn)備情況，把工單下給最優(yōu)產(chǎn)線。執(zhí)行中如果有擾動，比如設(shè)備壞了，過去靠人重新調(diào)度，現(xiàn)在能不能靠APS自動分配？做這類智能體是有可能的，但核心問題是技術(shù)不能靠單一智能體，要靠多種技術(shù)手段的融合。

生產(chǎn)工藝?yán)锏脑O(shè)備優(yōu)化、能源優(yōu)化、工藝參數(shù)優(yōu)化、調(diào)度優(yōu)化，這些都是優(yōu)化問題，核心是優(yōu)化算法。而工業(yè)智能體和一般智能體最主要的區(qū)別是它在受限計算資源里運行。工廠里的智能化應(yīng)用場景跟生產(chǎn)相關(guān)的，數(shù)據(jù)不出廠是基本要求，沒有一個工廠會用外部大模型或云；跟控制直接相關(guān)的，必須在安全網(wǎng)里，不可能出去，出去的也是處理過的、降維的，特定事故數(shù)據(jù)都過濾掉了，對于智能體的訓(xùn)練沒有太大價值。

工業(yè)場景對實時性、準(zhǔn)確度、自信度很高，不能有幻覺，所以一般會融合應(yīng)用大模型、知識圖譜、機理模型等多種技術(shù)。工業(yè)智能體未來的發(fā)展目標(biāo)很明確：在工業(yè)里敢用、可用，不能今天可用明天不可用，那樣就沒有應(yīng)用場景。

京東方科技集團股份有限公司科學(xué)家 冷長林

在推進工業(yè)智能體落地過程中，我們也遇到一些共性問題。第一，產(chǎn)業(yè)數(shù)據(jù)要素價值釋放不夠。工廠建設(shè)年份不同，設(shè)備智能化程度不一，導(dǎo)致工業(yè)數(shù)據(jù)高度異構(gòu)、碎片化。做人工智能需要對數(shù)據(jù)進行標(biāo)注和處理，但獲取高質(zhì)量、標(biāo)準(zhǔn)化的多模態(tài)數(shù)據(jù)，需要投入大量資源，這目前是行業(yè)短板和痛點。第二，算力資源與模型部署難平衡。工廠分布地域廣，工業(yè)場景對數(shù)據(jù)實時性、安全性有要求，算力受限于成本和網(wǎng)絡(luò)通信環(huán)境，云端部署難以滿足全國工廠的全場景需求，邊端部署又對算法提出了更高要求。第三，工業(yè)智能體技術(shù)路徑目前仍以通用AI為主，需要加強與制造生產(chǎn)工藝和工業(yè)知識的融合。當(dāng)前多數(shù)工業(yè)大模型基于視覺語言構(gòu)建，離真正掌握行業(yè)制造工藝還有很大差距，實踐中還涉及跨組織協(xié)同、高價值場景挖掘等問題都需要解決。第四，評價標(biāo)準(zhǔn)和體系需要完善。我們做了一些工業(yè)核心應(yīng)用，卻很難判斷在行業(yè)中是領(lǐng)先還是落后、差距在哪，缺乏明確的評價方向。

統(tǒng)信生態(tài)合作中心總經(jīng)理 張木梁

從最開始基于對話的通用模型解決單一問題，到現(xiàn)在智能體的出現(xiàn)逐漸能處理復(fù)雜問題，這是很大的進步。但目前這些成果在應(yīng)用中，還都集中在輔助決策領(lǐng)域。核心原因在于：人工智能本質(zhì)上還是概率問題——無論用多大算力，最終給出的都是高概率結(jié)果，存在不確定性；而工業(yè)生產(chǎn)制造的最終環(huán)節(jié)，要求的是絕對確定性，過程不確定，就不可能應(yīng)用在工業(yè)生產(chǎn)中。現(xiàn)實中人工智能的不確定性恰恰存在，所以目前還只能停留在輔助決策階段。

杭州熾橙科技副總經(jīng)理、首席運營官 韓鵬

工業(yè)智能體雖火，但在落地過程中還有很多難啃的“硬骨頭”。第一，數(shù)據(jù)“方言”難互通。構(gòu)建高質(zhì)量數(shù)據(jù)集的關(guān)鍵在于多元、異構(gòu)數(shù)據(jù)的融合，包括IT、OT、ET數(shù)據(jù)的融合。技術(shù)很簡單但有些系統(tǒng)沒把數(shù)據(jù)集合在一起，所以先得進行系統(tǒng)集成，打通數(shù)據(jù)“方言”仍有一些工作量。第二，實時與控制“慢半拍”。大模型多部署在中央、云上或集團數(shù)據(jù)中心，邊緣側(cè)還會用小語言模型，大語言模型定義任務(wù)，小語言模型來執(zhí)行控制，規(guī)劃得很好但到執(zhí)行層常常存在問題，大語言模型部署后，對于復(fù)雜的問題要等待2、3秒，這是已經(jīng)優(yōu)化很多的狀態(tài)，但業(yè)務(wù)不會容忍。很多現(xiàn)場不喜歡用推理模型，因為想快速看結(jié)果，所以要把智能體真正落地到工業(yè)，落地到OT層、控制層，路還很長，不僅需要算力的優(yōu)化，還有架構(gòu)上的優(yōu)化。第三，中小企業(yè)“夠不著”。很多中小企業(yè)產(chǎn)值低，不僅基礎(chǔ)差、缺數(shù)據(jù)，還缺人，缺既懂業(yè)務(wù)又懂技術(shù)的人，工業(yè)智能體需要不斷降低成本、不斷標(biāo)準(zhǔn)化后才可能逐步落地。

IBM科技事業(yè)部自動化技術(shù)專家 林凱迪

Deepseek發(fā)布后，很多企業(yè)都表示要上AI、用智能體，但深入現(xiàn)場后發(fā)現(xiàn)，他們并不具備用AI的場景，甚至連最基本的信息化、數(shù)字化都沒完成，這種情況在中小企業(yè)中非常普遍。要走向AI代表的智能化，信息化還是少不了。畢竟智能體是“AI+自動化”的結(jié)合，原來沒補的課還是要補齊。

這里有個特別的現(xiàn)象：我們幫一個汽車客戶做產(chǎn)線維修的備件管理，涉及庫存預(yù)測、庫存金額控制、向供應(yīng)商發(fā)起采購流程等，整個鏈條用智能體打通，還升級了他們的舊系統(tǒng)。但最后客戶最認(rèn)可的，不是大模型或智能體技術(shù)本身，而是基于他們原有系統(tǒng)，用小模型做的庫存用量預(yù)測，因為這能帶來實實在在的收益。智能體技術(shù)本質(zhì)上還是在節(jié)省人力，但如果有一個更好的小模型，能夠帶來的幾千萬甚至上億庫存10%~20%的優(yōu)化，這種收益遠(yuǎn)高于人力成本節(jié)約。

這就引出第二個點：投資回報率問題。我們和很多企業(yè)溝通發(fā)現(xiàn)，AI部署越復(fù)雜的場景，對模型能力要求越高，硬件、軟件、部署等成本也越高。有些簡單場景，我們能做到98%-99%的準(zhǔn)確率，但客戶一算賬，會覺得投資回報率不高。所以，找到工業(yè)智能體的好應(yīng)用場景很重要——讓企業(yè)看到價值，愿意投入做試點，才能進一步在企業(yè)內(nèi)部推廣。現(xiàn)在很多企業(yè)哪怕和廠商合作，其實也是在“花錢買未來”，直白說就是買業(yè)績。

阿里巴巴達(dá)摩院算法專家 趙亮

構(gòu)建工業(yè)智能體的挑戰(zhàn)主要有兩方面：第一，精確性和安全性的高要求。工業(yè)企業(yè)雖有大量數(shù)據(jù)，但可用、準(zhǔn)確的數(shù)據(jù)少，影響智能體構(gòu)建。解決工業(yè)生產(chǎn)問題時需將機理模型與生成式模型融合，這種融合不能靠堆積數(shù)據(jù)或硬件來解決，而要深入系統(tǒng)機理。第二，可復(fù)制性差。工業(yè)場景定制化程度高，適配難度大，導(dǎo)致推廣成本高，影響長期商業(yè)化發(fā)展。

愛動超越人工智能科技總經(jīng)理 高志勇

第一，數(shù)據(jù)收集、治理、清洗難，很多企業(yè)工單、故障代碼還是紙質(zhì)的；第二，人才配合難，工業(yè)智能體不是純做IT或人工智能的企業(yè)自己就能完成的，需要和業(yè)務(wù)部門進行協(xié)調(diào)和配合，但他們對智能體和大模型可能不熟悉；第三，整體實施落地中的配合性不高，智能體在很多企業(yè)都是一把手工程，但實際做這個事是有一定抵制的，數(shù)字員工、數(shù)字工程師會影響現(xiàn)有崗位；第四，安全與數(shù)據(jù)隱私問題；第五，持續(xù)優(yōu)化與服務(wù)，初期期望值高，實際達(dá)標(biāo)難，比如目標(biāo)定了98%，實際做到60%-70%很容易，90%以上就很難，這也符合現(xiàn)在AI發(fā)展的狀況。