大模型赋能工业智能化的机遇与挑战.docx

大模型赋能工业智能化的机遇与挑战

摘要

大模型为工业智能化带来了重大机遇，有望解决长期困扰工业领域的复杂性和不确定性问题。

然而，大模型在认知能力方面，尚未完全具备专家级的复杂决策能力。在数据方面，大模型对专业性强、结构复杂的工业数据理解不足，且数据要素市场不健全、隐私保护要求等因素限制了高价值工业数据的使用。

未来，大模型在工业领域的应用需要在提升认知能力、完善数据生态、确保安全合规等方面持续努力。同时，应注重人机协作，充分发挥大模型与人类专家各自的优势，共同推动工业智能化发展。

工业系统是典型的复杂系统。现代工业系统在规模和复杂度方面远超以往，已经成为复杂巨系统，造成人类认知与理解的困难。与此同时，全球正经历前所未有的技术变革，变化成为常态。市场变化、环境变化、需求变更、用户变更虽然为企业与社会发展带来全新机遇，但也带来巨大挑战。变化与变更往往引起旧系统的错配与故障，系统的复杂性和不确定性带来失控风险。提升对于系统失控风险的管控能力是当前社会发展的主要问题之一。然而，人类智能的发展是相对缓慢的。人类有限的认知能力难以认知日益复杂、快速变化、不确定性加剧的工业系统，这构成了工业发展所面临的根本矛盾之一。

发展人机协作的认知模式，是应对系统失控的新思路。与人类认知能力不同，人工智能的认知水平是随着数据和算力的增长而增长的。自2022年底，ChatGPT诞生以来，生成式人工智能快速发展。随着训练算力和数据的增长，大模型的能力仍在持续增长。一旦人工智能（AI）达到人类认知水平，具备认知工业系统的能力，这种能力是可能随着算力和数据增长而持续提升的，是可以伴随着工业系统的日益发展而持续进化的。发展工业认知，是应对工业系统巨大的复杂性和不确定性的重要思路之一。

一、工业认知的困境

（一）数据获取与治理困难

工业互联网缺少大规模高质量工业数据。首先，工业数据呈现出高度的复杂性。工业数据来源多样，包括工业设备、制造执行系统（MES）/企业资源计划（ERP）系统、计量仪表/传感器、数字孪生体、各类文档数据、行业标准等。工业数据类型复杂多样，包括非结构化、半结构化数据，可以表达为数值、文本、图像、语音、序列等不同模态。工业数据库系统异构多元，可以存储于传统事务型数据库、数据仓库、文档型数据库、图数据库、分布式文件系统等。其次，工业数据治理代价高昂。工业大数据多为生产、经营、加工与管理结果数据，缺乏过程性信息、背景知识、机理机制。工业数据治理也极为困难，人工代价高。训练各类模型需要工业数据标注，往往只有人类专家才能胜任，导致高质量标注数据稀缺。

（二）知识表示与获取困难

首先，隐性知识表示与获取困难。隐性知识来源于专家的长期实践积累与个人感悟，难以通过语言进行明确表述。其次，工业知识体系庞杂。工业知识涉及专家经验、基本事实、领域知识，还包括行业规范、标准和制度。复杂的工业体系往往涉及物理、化学、流程、工艺等多个学科的专业知识。另外，工业知识受众面窄。工业知识具有高度的专业性，通常由少数专家所掌握，工业知识体系的梳理工作也只有极少数领域专家才能胜任。

（三）智能应用与服务困难

首先，工业应用场景多样且复杂。工业应用涵盖了产品生命周期的各个阶段，涉及生产、组装、诊断、测试和运维等多个阶段。每个环境与场景有着不同的应用需求，比如运维阶段对故障的精准定位与方案推荐有着强烈需求，智能化服务与应用需充分考虑场景的特殊性和需求的多样性。总体而言，工业领域应用场景十分细碎，研发通用、普适的智能化及解决方案极具挑战。其次，工业场景对知识的应用方式复杂。大型设备故障分析涉及因素众多，需要经过长程推理才能找到根因。在消费互联网上，成熟应用的搜索和推荐方法难以满足工业需求。工业复杂性往往需要智能系统实现复杂问答、可解释性决策支持以及探索式交互，其知识应用的密度、深度和复杂性都是互联网应用难以比拟的。

二、大模型：工业智能化的新机遇

（一）大模型的意义

作为通用人工智能的代表，大模型正在引领新兴技术变革。生成式大模型具备世界建模能力，为理解复杂的现实世界和工业系统提供了可能，进而为工业智能化的发展提供了坚实基础，使得实现专家的直觉思维成为可能。

首先，大模型成为工业智能化的基础模型。具体而言，大模型通过其庞大的参数，实现了对复杂世界建模，表现出卓越的泛化能力。与依赖于有限数据集的传统小型模型相比，大模型显著减少了对高质量标注数据的依赖，只需通过有效提示或者少量示例，就能快速胜任新任务，这种泛化能力使得大模型成为工业智能化的基础模型。

其次，大模型奠定了工业的通识基础能力。大模型是通过海量通用语料进行训练的，这些语料涵盖了不同学科和领域，使大模型具备了通识能力，而通识能力是实现领域认知的前提。人类是先发展出了通识认知能力，才能继而发展领域认知、专业认知能力的，比如医生大部分