本文来自腾讯研究院。
对于制造业，人工智能一直是智能制造、工业4.0、工业互联网等领域的重要部分。大模型的崛起并没有对人工智能在制造业的应用范式引起根本性的变革，但是在不同的环节增添了特定的需求。
例如在算法层面，基于Transformer、U-Net等架构的基础模型成为生成式人工智能进入制造领域的基础；在通用支撑技术领域，向量数据库、MaaS等也成为重要的数字基础设施；在工业知识及经验领域，不同以往对时间序列等结构化数据的需求，生成式AI对高质量文本、图片、文档等数据的要求不断提升。
人工智能在制造业渗透率对比
虽然大模型仍在原有的范式下进行应用，但是大模型技术会不断的拓展人工智能在工业领域应用的空间。根据埃森哲测算，Al可以在2035年将制造业的附加值提高近4万亿美元；据Marketresearch预测，到2032年，全球生成式人工智能制造市场规模将达到63.98亿美元。
生成式AI大模型在制造业领域
仍需克服三大挑战
人工智能在工业领域的应用仍具备非常广阔的空间，根据凯捷统计，只有欧洲顶级制造企业AI应用普及率超过30%，日本制造企业AI应用率达到30%；美国制造企业AI应用率达到28%;中国制造企业普及率达到11%，这个调查表明人工智能在工业领域的普及率仍有很高的空间。但是生成式AI大模型的应用仍需面临一些挑战：
01
尚未出现投入产出比非常明确的场景
在ChatGPT爆发之前，人工智能虽然在制造业拥有很多场景的探索，但是较为认可的领域仍然聚焦于的质量检测和设备预测性维护。这两种场景被认可的核心原因就是在项目实施后的效果较为明显，例如产品表面缺陷检测能够同过人力成本的节省来计算明确的ROI，设备预测性维护能够基于设备故障发现的时间节点来衡量效果。但是在生成式AI的应用，尚未出现类似以上两种经济效应较为明显的场景，大多数场景的探索处于试点和探索阶段。
目前面向工业领域大模型的做法，大多都是从精调做起，并没有经过预训练阶段，而预训练才是真正知识灌输阶段，让模型真正学习领域数据知识，做到适配领域。从精调做起或者直接集成大模型只是激发原有大模型的能力，并没有从实现对领域知识的理解和推理。而当前的基础模型发展仍处于通用大模型竞争的白热化阶段，对面向行业的基础模型关注较少，目前也仅有少数的企业开始从预训练阶段构建制造业领域的生成式大模型应用。
03
制造业领域场景高度碎片化
碎片化的场景对大模型这种对数据、算力要求较高的范式也提出了挑战。工业数字化领域经常流传一个逻辑，“工业数字化是万亿级的市场，但其是一万个亿级市场的组合”，对于细分领域来说，很难有足够多可用的数据来从预训练阶段开始训练大模型，通用的大模型又无法适配聚焦细分领域的场景需求，这种天然的矛盾会阻碍大模型的发展。
