AI大模型工业应用的三大挑战

我爱免费

作者：微信文章
中国工程院院士、中南大学桂卫华教授在2025年湖南省首届“湘智兴湘”大会的主旨演讲中提及AI大模型工业应用的三大挑战，对制造业企业的数字化转型、智能化升级有重要参考意义。我们先要搞懂一个基础逻辑：AI大模型的决策路径，本质是“数据→信息→知识→行动”。比如大家熟悉的空气质量判断：PM2.5低于80是好（已知数据）→今天检测值300（信息）→得出 “空气质量差”（知识）→建议戴口罩出门（决策）。这套逻辑在消费端很顺畅，但放到工业场景就复杂多了。比如某炼铜厂要判断 “电解槽是否正常”，已知数据可能是“电流密度 **A/m²、电解液温度**℃为正常”。可实际生产中，铜矿纯度波动、电极损耗都会让实时数据“跑偏”，大模型想得出准确结论，远比判断空气质量难得多。AI大模型推动传统工业AI由手工作坊转向大模型工厂模式，扩展AI应用范式。但以大模型为基座、融合工业知识需要解决AI大模型面临的三大挑战：知识问题、决策问题和验证问题。

1、知识问题：知识问题是AI大模型落地工业的“源头梗阻”。通用大模型依赖开源数据“成长”，但工业世界里，数据要么“藏着掖着”，要么“散成碎片”，导致大模型“吃不饱、学不透”，没法形成真正的工业知识。①工业数据里藏着企业的核心竞争力，这类数据属于企业的保密信息，不开源共享。据《2024中国工业数据安全报告》显示，制造企业中约75%的生产数据属于“非公开级”，其中30%是 “核心保密数据”。没有这些特定数据 “喂” 给AI大模型，是难以解决知识问题。②工厂应用场景涉及小众语料（如行业特定语料）、逻辑理解（如“行业黑话”大模型理解不了）、数学求解等难点，当前信息系统大多缺少自主可控的智能模型沉淀与应用积累；如果涉及的工业原材料或零部件来源广泛、材料纯度有差异、来料品质有差异，就会造成生产工艺、生产工况的不稳定，控制模型算法就难以适配；加之③知识分层跨域（如纵向分层涉及跨用户层、过程层、设计层；纵向分层又涉及时、日、月等多个时间尺度；横向分层则为多工序、跨空间分布等）、④多源异构（缺乏统一规模化标准），⑤数据与知识形成于各自系统没有互联互通，知识难以在大模型中协同利用。

2、决策问题：如果说知识问题是“没学好”，那决策问题就是“用不好”。工业应用缺少AI通用大模型与专用小模型协同决策机制，智能化模型构建难。①以生成式AI为主的大模型工业应用，其创造能力更适配偏向综合类、生成型的研发设计和经营管理环节，应用呈U字型分布：研发设计和经营管理的应用比例占比较高，生产制造和产品服务的应用比例占比较低。很多企业没搞懂这种差异 ，生产制造环境的高复杂性和动态变化限制了AI大模型的应用。②以判别式AI为主的大模型工业应用，更适合工业生产制造领域，呈倒U字型分布：生产制造的应用比例占比较高，研发设计、经营管理、产品服务的应用比例占比较低。③小模型的特点是专业且定制化，利用特定数据（专业数据）进行，比如某机床厂为特定型号的数控车床开发的“刀具寿命预测模型”，只用了该型号机床的5000组运行数据，精度能达92%，但换一台不同型号的机床，精度就跌到60%以下。这种“专业但封闭”的特点，制约了小模型其进一步渗透于共享迁移。

3、验证问题：工业生产容不得“试大错”。流程型工厂（如化工企业）24小时不停机，一旦模型出错，可能导致停产、安全事故；离散型工厂（如非标设备企业）的生产线调整成本高，验证一次就要停工几小时。但现在AI大模型缺一套“系统可靠的评测机制”，让企业不敢轻易落地。①消费端的AI模型（如语音助手）可以“边用边改”，但工业模型不行。工业应用缺少系统、高效、可靠评测机制，智能化技术应用难。②试错成本高，就会导致受阻；验证效果好，则节约成本，增强信任。工业设备动辄百万元、千万元，试错一次的损失难以承受，“高风险”让很多企业选择“保守”—宁愿用传统人工，也不敢试AI大模型。验证机制的缺失，限制了新技术的快速推广和深化。



AI大模型在工业应用中如何落地？中南大学以有色金属冶炼行业为例，做了一些探索：

1、通过构建高质量、多层次工业领域知识库来解决知识问题。提出了基于Modeling的元素建模方法以及面向多场景黑盒复用的元模型标准封装体系，构建上万个可重构、可移植、易复用的元模型。提出基于多层级树状分类词典的中文工业实体-关系联合识别与抽取方法，智能挖掘行业语料蕴含的显性知识，夯实工业通用知识图谱构建基础。即，将多层级分类字典输入工业领域中文实体识别方法框架中，输出结构化行业语料知识数据。围绕基座大模型的行业化微调应用，采集专利、标准、著作、期刊、学位论文等中文语料，构建5000万条Token语料基准集，为工业AI大模型微调验证提供语料数据支撑。

2、打造面向工业应用的知识增强大模型微调训一体化方案，提高多/专有场景大模型构建和应用集成效率。通过研究领域知识增量学习的行业大模型构建技术、指令微调的转由场景大模型应用适配技术，提升大模型工业自主感知、认知和决策能力。通过工业知识微调增强代码生成大模型，建立语法/语义检查反馈提示生成的软件构造工作流，自动生成符合标准的工控代码。

3、用“数字孪生” 降低试大错风险。基于AI模型和3D数据增强技术，生成精准的3D模型，结合实时扫描数据确保虚拟世界与现实世界的同步及扩展，支撑评测验证。即3D数据采集→多模态AI模型训练→3D内容生成及同步。通过高保真数字孪生模型和轻量化部署构建实物伴生平台进行验证测试。结合大模型生成的多模态数据和工业XR技术，实现虚实双向联动。


新一代人工智能技术广泛渗透应用，给各行各业赋能已成大势所趋。国家“人工智能+” 行动明确提出“推动AI在制造业深度应用”，宝武钢铁、三一重工等龙头企业已率先布局：宝武的“钢铁行业垂域大模型” 能优化高炉炼铁能耗，三一重工的“工程机械知识增强大模型”可提升设备运维效率。但对更多中小工业企业来说，资金、技术、数据都有限，没必要照搬龙头模式，关键是“找对路径、小步快跑”。中小企不用自建大模型，可选择工业互联网平台的“模型即服务（MaaS）”，调用已训练好的“通用工业大模型”，上传自身的细分数据做微调。聚焦“小场景”，避免“大而全” ，先从单一痛点切入，用小模型降本提质增效。加入“行业数据联盟”，共享“脱敏知识” ，共同训练行业小模型，每家企业分摊成本。没有条件建数字孪生的企业，可先在“非关键工序”试错，验证稳定后再扩展，降低试错损失。对制造业企业来说，闯过知识、决策、验证这三大挑战，就能让AI大模型从“实验室”走进“工厂车间”，成为数字化转型的“助推器”。


注：图片来自桂卫华院士分享的PPT