在2025年的世界人工智能大会上，“AI如何推动新型工业化进程”成为了备受瞩目的热门话题。从生成式AI技术到具备实体形态的智能机器人，再到工业操作系统和各行业专属的大模型，人工智能正逐步构建起从底层设备到中层系统，直至顶层决策的全方位连接。
根据麦肯锡的调研数据，今年初评选出的全球17座“灯塔工厂”中，AI在制造成本、生产周期及缺陷率等方面的改善幅度超过50%。然而，值得注意的是，这些工厂在AI应用的前五大案例中，判别式AI占比高达77%，而生成式AI的应用仅占9%。
咨询公司Gartner预测，到2029年，中国将有60%的企业将AI融入其主要产品和服务中，使之成为推动核心营收增长的关键因素。然而，AI要从实验室走向工厂生产线，仍需跨越三大难关：高质量数据的获取、模型幻觉问题的控制，以及场景适配的规模化。
高质量数据是AI模型能否在工业场景中成功应用的关键前提。中国电子信息产业发展研究院信息化与软件产业研究所的报告指出，大规模且高质量的数据是提升大模型泛化能力的基石。随着模型训练所需数据集的急剧膨胀，对数据的数量、多样性及更新速度提出了更高要求。例如，GPT-4的数据量相较于其前身有了数十倍的增长。
在工业领域，数据结构的多样性和数据质量的不均衡性构成了严峻挑战。国金证券的研究报告指出，工业领域涵盖众多细分领域，数据结构复杂多样，且质量参差不齐。从设备加工到运输装配，各个环节的数据相互交织，增加了数据处理的复杂性。因此，企业在应用AI时，需要投入大量时间和资源进行数据清洗、预处理和校验。
卡奥斯物联科技股份有限公司副总经理谢海琴在大会上表示，许多企业在信息技术层面已积累大量数据，但在操作技术层面的数据积累仍显不足，尤其是在设备加工等底层环节。她强调，数据治理是一个长期且系统的工程，需要在组织机制上为数据要素注入真实业务价值，以确保模型训练的可靠性和工程可用性。
工业场景对AI模型的容错率极低，任何模型幻觉都可能带来安全风险或经济损失。AI幻觉指的是模型生成的看似合理但实际错误的内容，其成因包括训练数据不足、模型过拟合等。为了控制幻觉风险，企业需要从提升数据质量与行业理解、引入外部知识体系以及建立模型校验机制等方面入手。
范式集团高级副总裁柴亦飞指出，工业决策场景对可靠性要求极高，任何预测错误都可能导致实质性损失。因此，公司在设计中引入了决策模型，通过工程逻辑和业务规则对模型输出进行约束校验，以降低幻觉风险。国金证券则提出了一种“大模型指挥、小模型执行”的架构，以在不同场景中发挥各自优势。
在工业领域，定制化适配是AI模型成功应用的关键。工业互联网的特征在于其深度而非广度。谢海琴表示，无论是流程工业还是离散工业，每个细分行业的工艺流程都高度专业化，这要求平台型企业必须基于深刻的行业理解进行定制化适配。卡奥斯物联通过深度服务家电、电子等产业，积累了扎实的工业基础，为拓展其他领域提供了重要支撑。
在具身智能领域，定制化同样是穿透场景的前提。优艾智合联合创始人赵万秋指出，具身智能的价值不仅在于提升自动化效率，更在于支撑柔性制造趋势。通过具身智能机器人及其调度系统，工厂能够实现物料在不同生产节点间的智能流转与动态调整，满足多品类、小批量的定制化生产需求。
算法层面的适配挑战同样显著。柴亦飞表示，不同场景的数据结构和特征差异巨大，因此在实际应用中需要对模型进行差异化设计。第四范式的垂直模型更偏向任务导向型，其核心作用在于预测下一个动作或状态，而非纯粹的语言生成，这种预测类应用更贴近广义智能决策。
文章采集于互联网