工业统计学之父、美国国家工程院院士吴建福，比亚迪集团副总裁、弗迪科技有限公司董事长罗忠良，以及前华为“天才少年”入选者、识渊科技 CEO 茹彬鑫聚首 2024 IDEA 大会，从科学理论、企业实践、和支持系统设计的角度，讨论人工智能落地在工业行业的路径。

IDEA 研究院（署理）院长、首席科学家郭健主持本场讨论。

全球贸易格局改变，世界工厂转移。现如今以人工智能为核心的生产力革命中，AI 在全球制造业中逐步渗透。虽远未达到全面颠覆的程度，但是落地的路径，值得探讨。

（从左到右）IDEA 研究院（署理）院长、首席科学家郭健、美国国家工程院院士吴建福、比亚迪集团副总裁、弗迪科技有限公司董事长罗忠良、识渊科技 CEO 茹彬鑫

科学理论上
应把现有工业方法与 AI 融合

“整个制造的过程如果都要做成大模型，是不实际的。理由很清楚，因为没有这么多数据做训练。而且有没有经济效应、结果有没有用还不知道。”美国国家工程院院士吴建福直言。

吴建福认为，许多现有的工程技术和统计学方法，在工业领域中，仍在发挥主要价值。

拿汽车制造业来说，品质控制、减少产品差异是核心，因为工厂要造的不是一辆汽车，而是数百万辆。减少差异，意味着让每辆车都尽量一模一样。但是 AI 在这方面帮不上太多忙，因为误差评估不是 AI 的强项。

新技术的诞生，距离发挥最大价值，还需要有打牢基础、逐步应用的过程，不“好高骛远 ”。吴建福举了两个例子：一是金融机构的模型虽然拥有大量数据，但不知道如何使用。台湾的炼钢厂希望通过分析过去的数据来提高产量，但尝试数据挖掘后并没有取得预期的成功。

美国国家工程院院士吴建福

因此，他认为在科学的理论上而言，现阶段谈论 AI 在制造业的落地，还指的是 AI 领域里，将机器学习技术与传统方法结合。例如，尽管供应链领域已有成熟的方法，但是机器学习能处理大量数据，“会加速现有的统计和运筹学的方法。这是眼前做研究可以做得好、很实用的，学术上也很有价值。”

例如，在产品研发的环节里，机器学习可以加速产品化的过程。将物理定律融入机器学习模型，帮助计算机在缺乏数据的情况下，做出更准确的预测和决策。这个在学术上称为“物理信息机器学习（physics informed machine learning）”。

机器学习，是深度学习的基础。因此，吴建福认为，数据量有限的情况下，对深度学习技术的深层次运用，比直奔研发大模型更实用。深度学习通过模拟人脑多层处理信息的方式，使计算机能处理复杂任务，如图像识别和语言理解。因此，能快速识别数据中的非线性模式，即数据间的复杂关系。

“深度学习是我觉得 AI 而言，现在可以做的。而且深度学习的计算量没有大模型这么大。”吴建福表示。

基于此，AI 目前可以马上应用的实际场景里，吴建福举了销售数据处理的例子。“数据分析有很多种方式，人工智能的预测能力很好。这个可能不’sexy’，所以得不了诺贝尔奖，但却是 AI 可以胜任的。”

他进一步指明了一个未来方向。AI 系统不仅依赖数据驱动，还需要融入人类专家的知识和经验，使其决策和学习过程，更加接近人类的思维方式。

“数据不够，更应该将数据与知识结合。知识严格来说是指心理学里的 Congnitive Science（认知科学）。所以应该是数据与认知科学结合，”吴建福表示。曾经认知科学做 AI 不成功，是因为早期人类对大脑的理解不够，以及电脑算力不足，而且缺少数据来训练聪明的 AI。

企业实践现状
AI 在工业行业是小步快跑

全球制造业依赖信息化和自动化的改进，已不足以应对挑战，需要进行智能化转型。智能化本质上的价值，是赋予了机器学习和决策的能力。

“人工智能让智能体有了在工业场景落地的可能。这种智能体也许是我们过去投入的工业机器人或者买入的设备，但是增加了现在的传感手段，让它有思考和思维能力，越用越聪明、越用越有经验。这是我们更看重的。”比亚迪集团副总裁、弗迪科技有限公司董事长罗忠良表示。

从企业决策的角度，罗忠良认为 AI 在制造业的应用，目前主要受限于基础薄弱、门槛高和对风险的规避三个方面。中国制造业缺乏必要的信息化和数字化基础，而大模型训练成本高，超出了大多数企业的承受能力。因此，企业家对于大规模投入人工智能领域，倾向于小步快跑。

企业对工业 AI 化的态度不同，但是企业追求的终极目标是投入产出的效益，而 AI 技术必须服务于这一目标。因此，企业往往取其专长领域，作为融入 AI 技术的切入点。

比亚迪集团副总裁、弗迪科技有限公司董事长罗忠良

他预测，未来工厂是存在的。会是自动化、不需要太多人手的，能够灵活生产小批量的定制产品，而且成本效益高，适应顾客越发倾向于个性化和定制化产品的需求。

工业 AI 化的支持系统
80%大模型与 20%小模型

对于人工智能进入制造业，识渊科技 CEO 茹彬鑫提出了三个技术层面的挑战。

首先，制造业中缺乏高质量的公开数据集，需要企业贡献数据以推动算法进步。“没有公开数据集的基础，很多 AI 方面的学者无法了解到工业数据到底有什么难点和痛点，甚至在做大模型的时候不会考虑工业数据的特定需求，”他表示。

识渊科技 CEO 茹彬鑫

同时，工业场景是多目标的优化，意思是对 AI 模型的准确性、速度和大小都有严格要求。因此，在技术层面而言，对大模型的部署和运行条件要求更高。

再者，工业应用对模型误判是几乎零容忍的。“通过产品设计或别的 AI 算法的引入，将大模型的幻觉问题最小化。或是退一步，让模型可以先检查到、意识到哪些输出可能是幻觉。这当中要引入统计学和机器学习，让大模型更可靠和稳定，才能在工业中使用起来。”茹彬鑫指出。

进一步来说，需要打一套“组合拳”。制造业有很强的工业先验知识的积累，因此在数据量小的时候，可以通过工业先验知识的引入，对模型进行约束，让“数据不够，知识来凑”，以降低对数据的需求，把问题聚焦。

因此，他认为，未来在工业行业能看到越来越多传统统计学与深度学习、甚至不同模态的模型之间的结合。工业领域需构建集成多种技术的 AI 系统，包括视觉检测技术、决策优化技术等。基于前道 AI 模型的多种预测，这个 AI 系统进行综合汇总，做出判断和决策优化，并最终给出准确的答案。

茹彬鑫表示，“80%的工业情景可能用一种大模型就能解决，剩下 20%是用小模型、统计的方式能更高效的解决。这个 20%出现的频率和数据的积累更少。”

工业是大国重器。工业行业的每一个环节，对质量与精准度，都是极高的要求。“全面的看，人工智能前途很大，但是我们要降低对它的期望。”吴建福表示。机会广阔，不过尚需耐心与长远的投入。