大模型：驱动工业智能化的关键力量

　　ChatGPT引发的大模型时代变革正在加速演进。近日，腾讯研究院发布《工业大模型应用报告》(简称《报告》)指出，工业正处于从数字化向智能化迈进的阶段，大模型凭借其卓越的理解能力、生成能力和泛化能力，有望成为推动工业智能化的关键力量。

　　挖掘人工智能应用新场景

　　《报告》指出，人工智能在工业领域的应用，尽管已经取得了一些显著成果，但整体来看，其应用的普及率仍处于相对较低的水平。据统计，欧洲顶级的制造企业人工智能应用普及率仅超过30%，而日本和美国制造企业的AI应用率分别为30%和28%。相较于这些发达国家，中国制造企业人工智能应用普及率尚不足11%。这显示出该领域巨大的发展潜力和广阔的空间。

　　“相较于以往的小模型，大模型有望挖掘工业领域人工智能应用的新场景，提升人工智能应用的普及率。”《报告》认为，在研发设计领域，大模型能够深度挖掘和分析海量数据，为产品设计提供更为精准和创新的思路。在经营管理领域，大模型能够实现对生产流程、供应链管理等各个环节的监控和智能优化，从而提升企业的运营效率和市场竞争力。

　　真正“相融”还需跨过“三道坎”

　　“大模型的优势在于其强大的泛化能力，可以在不同的领域和任务中进行迁移学习，而无需重新训练。但大模型无法充分捕捉到某个行业或领域的特征和规律，也无法满足某些特定的应用场景和需求。”《报告》强调，大模型在真正融入行业的过程中，需要适配不同的工业场景。其核心就是要解决不懂行业、不熟企业、存在幻觉这三大问题。

　　《报告》认为，大模型在处理特定行业任务时，往往表现出对行业知识、术语、规则等的不理解，导致生成的解决方案与实际需求存在偏差。这主要是由于大模型对行业知识匮乏，在应对工艺流程优化、设备故障预测等专业问题时有所缺陷，难以提供精确、可靠的解决方案，无法满足工业现场的个性化要求。“不熟企业”的问题，往往使大模型接入企业系统时，难以全面理解企业的业务流程、数据结构和运营模式，导致生成的解决方案与企业实际需求不匹配。另外，在某些情况下，大模型会产生与实际情况不符的错误输出，即“幻觉”现象。这对工业领域的影响是全方位的，无论是生产过程中的质量控制、设备维护，还是供应链管理、市场预测等环节，错误的输出都可能导致严重的决策失误和经济损失。

　　积极有效应对三大挑战

　　《报告》指出了工业大模型应用面临的三大挑战：数据质量和安全、可靠性、成本。

　　一方面，当前，工业生产过程中的各个环节相互交织，数据结构多样、数据质量参差不齐，并且工业数据通常包含企业的核心机密和商业秘密，安全要求高，给工业大模型的训练和应用带来挑战。因此，确保数据的准确性和一致性、重视数据保护是关注重点。另一方面，工业生产环境往往涉及复杂的工艺流程、高精度的操作控制以及严苛的安全标准。因此，在某些领域，工业大模型应用必须具备极高的准确性和稳定性，以确保在各种复杂和动态变化的工业场景中都能提供可靠的支持。再者，工业大模型的训练和推理成本高昂，企业应用工业大模型的同时也会考虑长期运营成本。由于当前工业大模型仍处于初级阶段，投入产出比并不明确，企业对此存在一定困惑和担忧。

　　《报告》最后对未来一段时间工业大模型应用进行了预测。第一，工业大模型的应用模式将是“基础大模型+工业APP”。这种模式能够促使工业大模型广泛且快速地应对工业领域的挑战，推动各类工业场景的智能化升级。第二，随着大模型各类新的技术和应用模型不断涌现，比如长文本能力的提升、Sora等视频生成能力的增强，将进一步扩展大模型在工业应用的场景。第三，随着大模型的不断发展和参数规模的增加，所需的计算资源和存储空间也随之增加。业界也在探索各类模型压缩技术，在降低硬件成本的同时，还能提升大模型在移动设备、边缘计算等资源受限环境下的性能，加快大模型在工业领域的渗透速度。