近日，腾讯云副总裁、智能制造与智慧能源负责人曹磊在接受《中国电子报》记者专访时表示，以大模型为代表的生成式人工智能技术的爆发将加速新型工业化进程。大模型必须更“懂”产业，才能更“快”落地。

生成式人工智能将加速新型工业化进程

在以信息化带动工业化的阶段，很多工业制造企业都处于信息化从无到有的过程，或者可能是处于从薄弱的基础向不断丰富的信息化迈进的过程中。彼时，新型工业化的“新”更多指的是工具和方法。

今天，随着ICT技术的不断发展，尤其是以大模型为代表的生成式人工智能技术的爆发，为新型工业化带来了新的意义。在这个阶段，新型工业化的“新”更多则是意味着新时代需要重新定义的企业核心竞争力。

“这个‘新’可以是从追随学习到自主研发的技术能力的创新，可以是从复杂多变到全量可控的供应链的创新，也可以是从售卖设备和产品转化为提供服务的商业模式的创新。”曹磊表示。他认为，现在已经到了实践新型工业化的阶段。

曹磊认为，数字化技术，特别是云技术、大数据、5G、人工智能等技术与企业核心竞争力结合更加紧密，通过提升产业链连接广度和信息流动速度来形成并强化竞争力，数字化技术甚至可以转变为工业产品要素，为工业企业创造直接收益。人工智能技术作为高潜力、高价值的工具与方法，正在加速新型工业化进程。

制造业企业应尝试更多大模型应用

“从目前来看，传统工业企业应用大模型产生实际业务价值的案例相对比较少，这是因为离传统产业越近，产业门槛越深，大模型的应用反而需要更多的思考和尝试。”曹磊坦言道。

曹磊指出，人工智能技术发挥作用的最主要原理，就是对大量数据背后隐藏的知识与规律的机器学习，数据的密度和丰度影响着机器学习效果。国内工业企业研产供销服各业务域数字化程度决定模型是否可生成，是否有效。

工业企业具有各不相同的业务特点，在不同环节的数字化投入也有所不同。比如，电子制造企业更关注生产效率与产品质量。人工智能质检场景价值高，因此企业愿意投入大量的成本与资源来做数字化车间建设，通过布设大量传感器来采集数据，然后再进行建模。引入大模型一方面可以有效提升产能，另一方面还能提升质检的准确度，因此这类企业愿意去做相关应用的尝试。

再比如，飞机制造企业有大量的细节数据需要数字化。在整个生产制造过程中，某一个零部件发生变化，与它相关的不同类型数据都会发生变化。这些数据如果以A4纸为单位来计量的话，可能会堆起一个十层楼高的建筑。如果能够引入大模型，这些数据的采集、校对、验证过程将得到大幅简化，且数据的精准度也能有效提升，错误率将无限接近于零，且大模型还具备自我学习与组合的能力，比人工操作的效率高出很多。

“现阶段，可以看到的只有一些浅层次的应用，比如数字人、知识图谱等，更深层次的应用需要进一步探索。”曹磊表示，传统制造企业对大模型也有迫切的诉求，只是现在还没走到落地的阶段。

曹磊认为，大家还没能清晰地看到大模型应用带来的可量化投入产出比，导致对新技术的引入持谨慎态度。这也是目前已有成熟人工智能技术应用的工业企业和人工智能技术应用走到前面的科技企业应该合力探索的一个方向。

大模型必须更“懂”产业，才能更“快”落地

谈及大模型在产业端的落地，曹磊给出了自己的思考。

一是模型需要“学习”行业知识，目前市面上的通用大模型其知识多来自互联网公开数据，这些数据的优势是广度，但特定领域的专业数据强度不足，需要模型厂商和特定领域专家一起进行数据收集与融合工作，以使大模型“懂”产业。

二是大模型的“大”使其拥有强大的泛化能力，但同时也意味着使用成本比较高。大模型架构需要“训练”和“推理”两步走，为了获得更好的模型效果，“推理”过程往往要进行“结果反馈”，然后对模型进行“再训练”，这个闭环背后每一步都是计算资源的持续消耗。这意味着，对于企业来说，不仅需要腾讯这样的厂商提供模型产品支持，也需要专业的云端服务帮助企业“降本增效”，实现运营收益最大化。

三是大模型的应用对企业传统业务流程影响大。大模型的应用虽然目前并不能直接取代一个人来承担整个岗位角色，但将直接提升这个岗位角色的具体工作内容的执行效率和效果，同时也会影响到岗位角色间的协同方法和效率，这意味着企业组织流程和考核机制甚至绩效回报都将被重新设计。

“除此之外，大模型在产业端的落地还需考虑算力支撑、数据归属与安全、资本和战略定力支撑、高端人才引入等诸多方面的问题，需要更全面思考与细致周全的工作路径。”曹磊表示。

曹磊认为，随着新质生产力的提出，工业制造业已经非常明确当下及未来需要解决的核心问题是——发展路径要变，这个“变”的关键杠杆聚焦在数字技术乃至人工智能上。“面对激烈的市场竞争，腾讯要做的是练好内功，把大模型基座打磨好之后，再去进行产业化的应用。未来我们也会考虑和不同类型的客户合作，可能会在模型私有化等方面进行探索。”曹磊说道。