来源：@经济观察报微博

宋笛/文 2015年，法国工业软件公司达索系统开始尝试将如火如荼地深度学习用在系统之中，一开始，这个技术只是被用来解决一些模型组合的精确度问题。10年过后，在第七代达索系统U－NIV+RSES中，人工智能已经成为一个不可或缺的元素。通过人工智能，使用者可以更有效率地完成交互、检索和产品设计，并优化工作流程。

达索系统是法国的工业软件公司，其旗下的SOLIDWORKS、CATIA是工业领域主流的设计软件。工程师利用工业软件在虚拟世界完成设计后，工厂和建筑公司再将这些设计转变成汽车、船舶、火箭和大型建筑。

在当地时间2025年2月23日于美国休斯敦举办的2025年3DEX－PERIENCEWorld2025上，人工智能也是一个贯穿首尾的关键词。数千名参会的工程师和企业家在会场聆听了人工智能将给他们的工作带来的改变。

1995年，在SOLIDWORKS作为一款3D设计的工业软件刚刚被推出时，购买软件的工程师会收到一本厚厚的使用手册，上面写着软件的安装方式以及各种操作指令。而今天，利用新一代SOLIDWORKS中的人工智能工具，系统会向初学者推荐“下一步”指令，帮助初学者从庞大的指令库中更快地找到正确的指令；有资历的工程师也可以利用人工智能的帮助完成流程性工作。

从ChatGPT的崛起开始，工业界就开始思考人工智能能够给工业领域带来什么改变。站在虚拟世界和物理世界边界的达索系统，可以成为一个观察的窗口。

“我不是大语言模型的信仰者，我更愿意谈工业语言模型。”达索系统首席执行官（CEO）帕斯卡·达洛兹在接受经济观察报等媒体采访时表示。帕斯卡·达洛兹认为，人工智能技术要在工业领域得到更充分地利用，需要变得更有效、更可靠、更安全以及更实惠。

达索系统采用了一个更为灵活的架构来使用人工智能，包括一个大语言模型和若干行业模型，并且只有在必要的情况下，才会调动大模型，其他情况可以用传统技术方式完成检索。

帕斯卡·达洛兹说：“如果你投入十个亿开发模型，可能需要很长的周期才能收回投入，但如果你只投入了一千万，可能很快就能回本。”

与科技巨头动辄百亿的投入不同，工业领域对人工智能的态度积极，但行动务实。

2024年，行业媒体e-works数字化企业网根据对三百余家企业的调研，发布了一份名为《人工智能在制造业应用的现状报告》（下称《报告》）。《报告》显示，82%的企业希望通过AI应用提高效率和生产力，62%的企业希望降低成本。其次是提升现有产品和服务，以及增强企业创新能力，47%的企业将增强创新能力。另外，28%的企业将获取新思路和新洞察等作为主要期待。

最近一段时间，国家智能制造专家委员会委员、e-worksCEO黄培连续三周奔赴广西，两次都与人工智能有关。第一次去是给广西工信系统提供为期半天的培训，主题是“AI+制造”；第二次是去广西有色金属企业，探讨人工智能如何在这个行业优化工艺，节能减排。

黄培说：“现在全国各省区、各行业的企业都在探索人工智能应用的可能。”

但黄培观察到，工业领域人工智能使用的真实情况是：真正在工厂中得到应用的，大部分仍然是2012年以来的传统深度学习模式。大模型，特别是大语言模型只能在工厂的办公室中，帮助工作人员写投标书或者做PPT。

黄培说，从目前看，大语言模型技术更擅长的还是在知识库的建设上。比如企业有大量维修手册，利用大模型技术，维修人员可以通过语音或者简单的文字就得到维修建议。这些场景中，不会因为提供的结论错了就带来不可挽回的结果。未来，多模态的大模型成熟应用后，工作人员拍张照片或者上传一段短视频，就可以知道怎么维修。

但在工厂内部，在生产领域，传统的机器学习模型拥有更强的竞争力。

2012年，深度神经网络算法带来了人工智能的新一轮突破，卷积神经网络（CNN）、递归神经网络（RNN-Re－currentNeuralNetwork）等模型大幅地提高了机器视觉、听觉的正确率。与当下如火如荼的大模型相比，这些传统模型虽然只能应对单一任务，但是所需要的数据量要远小于大模型，在单一任务的表现上也更加可靠。

黄培说：“对工业界来说，人工智能的可信和可解释性是非常关键的，需要更严谨的模型，所以在工业实践中，我们还是倡导利用有监督的机器学习模型，结合工业数据，得到更可靠的分析结果。”

黄培提供了一个案例：华中科技大学的一个科研团队通过采集机床的功率曲线数据，发现功率曲线中一些小的脉冲跟机床刀具出现断刀的情况有关系。团队基于这一数据，建立了一个分析模型，通过这个模型可以延长刀具20%的使用寿命。

利用传统人工智能模型提高生产效率、降低生产成本在工业界已经有较多可以参考的案例。比如在汽车制造和电子行业，AI质检已经成为一个较为普遍的应用。《报告》显示，40%的企业将AI技术应用于质量管控与缺陷检测。

但总体看，即使是这些已经问世十年以上基于传统机器学习模式的人工智能，在中国工业界的应用仍然处在初期。

其中一个原因是，很多企业不仅缺少专业的人员，也没有为人工智能的落地真正做好准备。黄培说：“人工智能的应用是算法、算力加数据，工业企业没有做好准备的一个重要原因是缺少高质量数据。”

高质量的数据建立在一系列的工业改进之上。黄培认为，第一个阶段是工厂要实现精益化生产；第二个阶段是在精益生产的基础上，建立互联工厂；第三个阶段是建立透明工厂，实时了解工厂里发生的一切；第四个阶段是数字化工厂，即能够通过各种数据，洞察工业生产的各个环节，提高效率；第五个阶段是建立智能工厂。

黄培说：“精益化是所有工厂智能化的基础。”

在工业企业自身准备不足的问题外，中国工业领域AI的另一个问题是：缺少足够可靠的AI伙伴。

黄培说：“其实我觉得有一点遗憾，因为制造业的支付能力不是很强，国内的AI公司没有把业务重点放在制造业，而是更多地关注金融、零售、电商这些更容易获得宏观数据的行业。制造业的问题是千差万别的，不同行业的数据和解决方案也有很大差异。”

黄培建议工业企业的数科公司和中国的人工智能公司可以深入工业场景，把工业中真正需要解决的问题和人工智能能够解决的问题衔接起来。