在工业领域，数据扮演着至关重要的角色，而这些数据往往蕴藏着企业的核心机密。因此，如何确保数据隐私保护，成为了推动人工智能（AI）在工业领域广泛应用的首要挑战。此外，工业环境本身就具备高度的专业性与复杂性。AI大模型若要真正提供有效的解决方案，必须具备深刻理解特定行业的运行规则与知识体系的能力，否则便容易出现“水土不服”的状况，无法发挥其应有的价值。
更为关键的是，AI大模型的决策过程与输出结果的“黑箱”性质，在工业领域尤其需要谨慎处理。当AI的判断涉及安全关键区域或高价值的决策场景时，其缺乏可解释性可能会带来难以预料的决策风险。
过去一两年间，多种数字化技术正以前所未有的速度冲击着整个工业体系，其中人工智能（AI）的渗透尤为迅速。据我们了解，区域内已有超过200个国产大模型问世。然而，在制造业领域，AI技术的实际应用落地目前仍面临诸多困难。一位资深行业分析师指出，其主要原因归结为以下几个关键方面：
首先是数据问题。对于大语言模型而言，海量、高质量的数据是其赖以生存和发展的基石。但在制造业环境中，数据的获取、整合与标准化往往存在较大挑战。实际上，当前许多制造企业正在积极推动的“制造业转型升级”与“数字化转型”，其核心目标之一便是解决这些长期存在的数据难题。
其次，制造业企业对AI结果的准确度要求极高。在工业生产环境中，99%甚至98%的准确率是远远不够的。即使微小的误差，也可能导致生产线上关键设备的运行中断，甚至引发一系列严重后果，这是任何制造企业都无法容忍的。
第三，数据的隐私与安全保护是另一个核心顾虑。从这位分析师的观察来看，尽管各行各业都在积极探索AI技术的应用潜力，但真正实现大规模、通用型大语言模型在工业领域的应用，目前仍然存在较大差距。短期内，在特定领域进行单点、小规模的试验性应用，或者企业内部的探索性尝试，是具备可行性的。然而，要实现真正意义上的“工业级大语言模型应用”，当前难度依然巨大。
“企业最核心的资产之一，就是与之产品相关的数据。”PTC公司的一位高管曾坦言，“那么，有多少企业愿意将这些宝贵的数据拿出来与之共享？我们注意到，当大企业谈论IT应用时，首先考虑的总是安全性与保密性。即使是采用公有云服务，它们也会心存顾虑。”对于制造业企业而言，其核心竞争力很大程度上就体现在其独特且精密的产品数据之中。如果缺乏必要的数据支撑，企业即使想利用AI训练更为强大的模型，也只能局限于企业内部的封闭环境。因此，何时机器学习或AI能够完全取代经验丰富的设计工程师，实现行业的颠覆性增长，本身就是一个值得深入探讨的问题。
一位行业权威人士从“工业互联网产业联盟工业大数据组副主席”的角度，提出了他的见解。他认为，学术界常常将工业软件简单地视为一个纯粹的“科技问题”，但这种看法并不全面。其本质上，工业软件更应被理解为一个“经济问题”，需要关注其市场需求所在。真正的“工程问题”才是决定工业软件应用成败的关键，而算法本身，在某些情况下，反而处于次要地位。在他看来，当前的工业大模型，在研发服务过程中能够提供有力的辅助，但对于生产过程，也就是最根本的工业环节，其影响可能相对较小。
另一位专注于智能制造领域的技术专家曾指出，在基础工业行业向智能化转型的关键时期，普遍面临三大挑战：运营体系的复杂性大幅提升。全球化产业链的拓展和生产规模的扩张，使得协同工作的难度不断增加；响应灵敏度的要求日益提高。在现代工业的生产与运营中，为了追求最优的效益，对生产调度和决策的即时反馈和快速调整能力提出了更高的要求；以及技术壁垒高企。基础工业行业本身就具有技术密集和资本密集两大特征，这意味着其技术门槛和研发成本都相对较高。而区域内在这方面的技术积累和人才储备，仍有待进一步加强。
“许多创业公司都在积极探索行业模型的小范围优化和微调。”亚马逊云科技（Amazon Web Services）的一位高管表示，“相比于其他行业，制造业核心工艺相关的公开数据相对稀少，这使得预训练大规模通用模型变得颇具挑战。”对于制造行业的客户而言，AI大模型的应用核心在于找到模型准确度与推理成本之间的最佳平衡点。如果一个小型模型已经能够有效解决问题，且其成本可控，那么未必需要盲目地替换为更为庞大且昂贵的大模型。
根据一家市场研究机构发布的工业软件行业报告指出，目前AI大模型在工业领域的应用仍处于初步探索阶段。未来，四种核心模型有望在工业领域的多个细分场景中发挥关键作用。AI与工业的深度融合，有望在流程控制、质量优化、机器人应用等多个关键生产力提升领域带来显著的成效。随着工业软件向标准化、生态化、微服务化方向发展，核心技术也正朝着平台化、智能化的方向演进。区域内的国产工业软件，在产品开发、技术创新、市场应用以及服务模式等方面，都呈现出明显的积极发展趋势。展望未来，工业软件与云服务、AI、大数据等智能技术的深度结合，将共同构筑一个广阔且充满潜力的市场空间。
