經濟觀察報 宋笛/文 2015年，法國工業軟件公司達索系統開始嘗試將如火如荼地深度學習用在系統之中，一開始，這個技術只是被用來解決一些模型組合的精確度問題。10年過后，在第七代達索系統U－NIV+RSES中，人工智能已經成為一個不可或缺的元素。通過人工智能，使用者可以更有效率地完成交互、檢索和產品設計，并優化工作流程。

達索系統是法國的工業軟件公司，其旗下的SOLIDWORKS、CATIA是工業領域主流的設計軟件。工程師利用工業軟件在虛擬世界完成設計后，工廠和建筑公司再將這些設計轉變成汽車、船舶、火箭和大型建筑。

在當地時間2025年2月23日于美國休斯敦舉辦的2025年3DEX－PERIENCEWorld2025上，人工智能也是一個貫穿首尾的關鍵詞。數千名參會的工程師和企業家在會場聆聽了人工智能將給他們的工作帶來的改變。

1995年，在SOLIDWORKS作為一款3D設計的工業軟件剛剛被推出時，購買軟件的工程師會收到一本厚厚的使用手冊，上面寫著軟件的安裝方式以及各種操作指令。而今天，利用新一代SOLIDWORKS中的人工智能工具，系統會向初學者推薦“下一步”指令，幫助初學者從龐大的指令庫中更快地找到正確的指令；有資歷的工程師也可以利用人工智能的幫助完成流程性工作。

從ChatGPT的崛起開始，工業界就開始思考人工智能能夠給工業領域帶來什么改變。站在虛擬世界和物理世界邊界的達索系統，可以成為一個觀察的窗口。

“我不是大語言模型的信仰者，我更愿意談工業語言模型。”達索系統首席執行官（CEO）帕斯卡·達洛茲在接受經濟觀察報等媒體采訪時表示。帕斯卡·達洛茲認為，人工智能技術要在工業領域得到更充分地利用，需要變得更有效、更可靠、更安全以及更實惠。

達索系統采用了一個更為靈活的架構來使用人工智能，包括一個大語言模型和若干行業模型，并且只有在必要的情況下，才會調動大模型，其他情況可以用傳統技術方式完成檢索。

帕斯卡·達洛茲說：“如果你投入十個億開發模型，可能需要很長的周期才能收回投入，但如果你只投入了一千萬，可能很快就能回本。”

與科技巨頭動輒百億的投入不同，工業領域對人工智能的態度積極，但行動務實。

2024年，行業媒體e-works數字化企業網根據對三百余家企業的調研，發布了一份名為《人工智能在制造業應用的現狀報告》（下稱《報告》）。《報告》顯示，82%的企業希望通過AI應用提高效率和生產力，62%的企業希望降低成本。其次是提升現有產品和服務，以及增強企業創新能力，47%的企業將增強創新能力。另外，28%的企業將獲取新思路和新洞察等作為主要期待。

最近一段時間，國家智能制造專家委員會委員、e-worksCEO黃培連續三周奔赴廣西，兩次都與人工智能有關。第一次去是給廣西工信系統提供為期半天的培訓，主題是“AI+制造”；第二次是去廣西有色金屬企業，探討人工智能如何在這個行業優化工藝，節能減排。

黃培說：“現在全國各省區、各行業的企業都在探索人工智能應用的可能。”

但黃培觀察到，工業領域人工智能使用的真實情況是：真正在工廠中得到應用的，大部分仍然是2012年以來的傳統深度學習模式。大模型，特別是大語言模型只能在工廠的辦公室中，幫助工作人員寫投標書或者做PPT。

黃培說，從目前看，大語言模型技術更擅長的還是在知識庫的建設上。比如企業有大量維修手冊，利用大模型技術，維修人員可以通過語音或者簡單的文字就得到維修建議。這些場景中，不會因為提供的結論錯了就帶來不可挽回的結果。未來，多模態的大模型成熟應用后，工作人員拍張照片或者上傳一段短視頻，就可以知道怎么維修。

但在工廠內部，在生產領域，傳統的機器學習模型擁有更強的競爭力。

2012年，深度神經網絡算法帶來了人工智能的新一輪突破，卷積神經網絡（CNN）、遞歸神經網絡（RNN-Re－currentNeuralNetwork）等模型大幅地提高了機器視覺、聽覺的正確率。與當下如火如荼的大模型相比，這些傳統模型雖然只能應對單一任務，但是所需要的數據量要遠小于大模型，在單一任務的表現上也更加可靠。

黃培說：“對工業界來說，人工智能的可信和可解釋性是非常關鍵的，需要更嚴謹的模型，所以在工業實踐中，我們還是倡導利用有監督的機器學習模型，結合工業數據，得到更可靠的分析結果。”

黃培提供了一個案例：華中科技大學的一個科研團隊通過采集機床的功率曲線數據，發現功率曲線中一些小的脈沖跟機床刀具出現斷刀的情況有關系。團隊基于這一數據，建立了一個分析模型，通過這個模型可以延長刀具20%的使用壽命。

利用傳統人工智能模型提高生產效率、降低生產成本在工業界已經有較多可以參考的案例。比如在汽車制造和電子行業，AI質檢已經成為一個較為普遍的應用。《報告》顯示，40%的企業將AI技術應用于質量管控與缺陷檢測。

但總體看，即使是這些已經問世十年以上基于傳統機器學習模式的人工智能，在中國工業界的應用仍然處在初期。

其中一個原因是，很多企業不僅缺少專業的人員，也沒有為人工智能的落地真正做好準備。黃培說：“人工智能的應用是算法、算力加數據，工業企業沒有做好準備的一個重要原因是缺少高質量數據。”

高質量的數據建立在一系列的工業改進之上。黃培認為，第一個階段是工廠要實現精益化生產；第二個階段是在精益生產的基礎上，建立互聯工廠；第三個階段是建立透明工廠，實時了解工廠里發生的一切；第四個階段是數字化工廠，即能夠通過各種數據，洞察工業生產的各個環節，提高效率；第五個階段是建立智能工廠。

黃培說：“精益化是所有工廠智能化的基礎。”

在工業企業自身準備不足的問題外，中國工業領域AI的另一個問題是：缺少足夠可靠的AI伙伴。

黃培說：“其實我覺得有一點遺憾，因為制造業的支付能力不是很強，國內的AI公司沒有把業務重點放在制造業，而是更多地關注金融、零售、電商這些更容易獲得宏觀數據的行業。制造業的問題是千差萬別的，不同行業的數據和解決方案也有很大差異。”

黃培建議工業企業的數科公司和中國的人工智能公司可以深入工業場景，把工業中真正需要解決的問題和人工智能能夠解決的問題銜接起來。

?