97色成人综合网站,97色成人综合网站,高清freesexmovies性tv出水,大黑大巴大战欧洲美女图片,√天堂资源中文www

編者按：隨著ChatGPT的爆火以及具身智能的大規(guī)模出現(xiàn)，利用AI大模型的通用人工智能帶領人類進入第四次工業(yè)革命的設想，在歐美世界尤其是金融圈成為最熱門的話題。受此影響，國內不少相關人士也在強調美國領導的西方體系會利用其“算法+數據+算力”的三重優(yōu)勢對我國形成技術代差，從而導致我國在潛在的“第四次工業(yè)革命”中落于人后。

但是隨著人工智能大模型的演進和實踐，更多人意識到，這套敘事存在邏輯瑕疵。而在這場再認識的過程中，更多人對于人工智能的潛力和局限有了更明晰的認知。于是就在今年4月，工業(yè)和信息化部直屬單位中國電子信息產業(yè)發(fā)展研究院（賽迪研究院）正式發(fā)布了《人工智能賦能新型工業(yè)化：范式變革與發(fā)展路徑》報告。

在人民大學和賽迪集團聯(lián)合舉辦的“人工智能賦能制造業(yè)：國際治理經驗與產業(yè)安全”會議上，賽迪研究院未來產業(yè)研究中心人工智能研究室主任鐘新龍先生就人工智能在賦能新型工業(yè)化的過程中所遇到的阻礙和未來發(fā)展前景進行了系統(tǒng)闡述。觀察者網獲人民大學國際關系學院副院長、區(qū)域國別研究院翟東升院長授權，整理、刊載鐘新龍先生演講全文。

【演講/鐘新龍，整理/觀察者網 唐曉甫】

很多人說“人工智能的歷史既長又短”。

其“長”，在于人工智能概念可以追溯至1950年，當時計算機奠基人圖靈提出了著名的“圖靈測試”。他認為，若第三方無法區(qū)分計算系統(tǒng)與人類的回答來源，則可認為該系統(tǒng)具有智能。由此，人工智能的概念自1950年起便有了理論基礎。

其“短”，則在于大眾層面對人工智能的廣泛接觸，應當以2022年11月發(fā)布的ChatGPT為分水嶺，截至今日僅有兩年多的發(fā)展歷程。

圖靈&ChatGPT

我們認為，大模型時代的到來標志著人工智能進入了一個新的發(fā)展階段。在我們看來，通用人工智能是人工智能進入高階階段的標志。

在這個階段，傳統(tǒng)的機器學習、深度學習等技術與之并非彼此排斥，實際上可以協(xié)同為制造業(yè)賦能。

迄今為止，我們已經在智能制造領域建設了一批智能工廠，其中包括不少剛剛評定為卓越級智能工廠在內的智能工廠。通過“人工智能賦能新型工業(yè)化”工作的推進及研究過程中案例征集情況來看，我們發(fā)現(xiàn)，我國人工智能在工業(yè)領域的應用正由單點突破向系統(tǒng)集成發(fā)展。此前，人工智能在質檢、判別及工業(yè)流程等單一環(huán)節(jié)有較多應用，整體較為集中。而我們當前的目標是實現(xiàn)其與更多工業(yè)系統(tǒng)的深度融合。

總體而言，人工智能可在工業(yè)領域提升生產力和效率、創(chuàng)造價值、優(yōu)化資源配置?；谏鲜鋈矫娴馁x能，人工智能能夠加速培育新質生產力，成為推動經濟發(fā)展的重要引擎。

以此為基準，我們期望人工智能能夠賦能千行百業(yè)，實現(xiàn)“人工智能+”與“+人工智能”的雙重迭代和賦能。誠然，我們對通用人工智能賦能工業(yè)化寄予厚望；但現(xiàn)實情況是，當前工業(yè)領域仍大量依賴前些年開發(fā)的小模型。當今中國，大小模型并存的局面已成為工業(yè)實踐中的常態(tài)。

在工業(yè)領域，當前小模型主要負責結構化數據處理與精確預測；而以GPT、DeepSeek為代表的生成式大模型則擅長處理復雜的非結構化新數據。就制造業(yè)流程而言，通常可分為離散型制造業(yè)與流程型制造業(yè)兩大類。

目前看來，人工智能在智能制造基礎扎實的重點領域表現(xiàn)最佳且成熟度較高，例如汽車制造業(yè)?，F(xiàn)在我們看到人形機器人優(yōu)先選擇進入汽車廠的原因在于，汽車行業(yè)作為離散型制造業(yè)，其屬于智能制造領域，是數據采集環(huán)境和處理能力最好的那一檔。這也是我們常說，人工智能優(yōu)先賦能合適領域的邏輯。

若將工業(yè)制造流程劃分為研發(fā)設計、生產制造、經營管理和產品服務四個環(huán)節(jié)，在綜合數百個典型案例后，我們發(fā)現(xiàn)大模型和小模型在不同領域的應用滲透率呈現(xiàn)“正U型”與“倒U型”疊加趨勢?？傮w而言，小模型更多用于單一場景的判別，呈現(xiàn)“倒U型”分布，這與其適用于單一場景的特性相吻合。

生成式AI（大模型）和判別式AI（小模型）在工業(yè)主要領域分布情況

相較而言，以生成式人工智能為主的大模型在工業(yè)賦能領域仍處于初級階段。當前，大模型主流應用集中于智能客服、業(yè)務管理或邊緣性建議中。而大多數人所期望的，是讓大模型直接介入生產制造流程，乃至實現(xiàn)自主決策的高階自動化應用方面，大模型尚在迭代探索之中。

總體來看，人工智能在制造業(yè)領域主要有五大賦能目標：一是效率提升，如排產調度優(yōu)化等；二是質檢改進，通過視覺神經網絡等技術提高檢測效率；三是成本降低，這是工業(yè)賦能的核心命題；四是創(chuàng)新驅動，希望生成式大模型在產品設計、工藝優(yōu)化等方面提供新思路；五是決策優(yōu)化，旨在為企業(yè)管理層提供更科學、及時的決策支持。

我們現(xiàn)在常說，“AI for Science”。未來，我們期望其進一步發(fā)展為“AI for Industry”，并最終實現(xiàn)“AI for Society”的社會價值。目前，人工智能在工業(yè)領域的賦能仍以人機協(xié)同、共同進步的創(chuàng)新研究為主。

從實地調研來看，AI大模型在工業(yè)領域的賦能尚未達到預期的成熟應用階段，而仍處于初級階段。這背后有多重原因，其中首要問題是應用場景推廣與落地難題。

首先，工業(yè)場景細分程度極高。我們固然期盼通用解決方案，包括大家一直期待的所謂智能體打通大模型落地的“最后一公里”，但在實際工業(yè)場景中，經常出現(xiàn)一條指令往往會影響數億元的決策，目前的智能體尚無法對相關風險進行充分控制，因而難以實現(xiàn)落地。

其次，工業(yè)領域涵蓋眾多細分行業(yè)與應用場景，每個場景均具有獨特特點與需求，難以研發(fā)出通用的人工智能解決方案。過去二三十年工業(yè)化進程中積累的數據分散于不同系統(tǒng)，人工智能應用呈碎片化特征，往往只能適用于特定場景，難以在更廣泛范圍中推廣，這增加了技術落地的難度。

第三，由于工業(yè)生產過程中的數據分散于不同系統(tǒng)中，且在數據格式與標準上缺乏統(tǒng)一性，獲取與整合這些數據需要耗費大量時間和資源。人工智能解決方案通常需要高度定制化，這進一步增加了開發(fā)成本與實施難度。碎片化的系統(tǒng)與數據架構必然導致智能體定制門檻和響應時間呈指數級增長，可能與企業(yè)快速響應市場需求的目標相沖突。

最后，從企業(yè)開發(fā)角度出發(fā)，大家普遍期望擁有一個可以通行千行百業(yè)、快速復制的大模型，以降低邊際成本。然而，由于各行業(yè)之間存在巨大差異，不同場景下開發(fā)的人工智能模型難以直接應用于其他場景，這降低了導致模型復用率下降，增加了總體開發(fā)成本。

這使得定制化人工智能解決方案的成本難以攤薄，投入產出比低，難以形成可持續(xù)的商業(yè)閉環(huán)。高成本、低回報的局面嚴重阻礙了企業(yè)采用人工智能技術的積極性。