21世纪经济报道记者董静怡上海报道

　　 人工智能 （AI）已成为推动全球社会发展的关键力量，大模型更是吸引了绝大多数的热度，中国企业也在这波AI浪潮中广泛投入。

　　《2024全球 数字经济 白皮书》显示，截至2024年，全球 人工智能 大模型1328个，中国占36%。截至2024年一季度，全球AI企业近3万家，中国占15%。

　　而应用与产业落地是今年备受关注的关键。其实，在智能制造、 智慧城市 、医疗健康、金融科技等细分领域，中国已经展现出强大的竞争力和创新能力。以智能制造领域为例，中国企业正利用 人工智能 技术推动传统制造业的转型升级，提高生产效率和产品质量，降低生产成本和资源消耗。

　　然而，尽管中国在 人工智能 领域获得了明显成就，但仍面临着一些挑战和问题。例如，在大模型的应用上，在与垂直行业的结合上还存在一些难点，如缺乏数据、准确性不足等，需要进一步探索和解决。另外， 人工智能 技术在一些特定领域的应用效果还有待提高，需要更多的创新和突破。

　　在2024世界 人工智能 大会上，华院计算开创人、老总宣晓华在接受21世纪经济报道记者采访时表示，对于企业而言，最关键的是找到适当的应用场景，追求规模本身其实不是目标。在一些特定的场景之下，小模型可以实现更低的成本和更高的效能。

　　“如果通过将特定行业的知识和专家经验整合到 人工智能 算法中，可以减少对大量数据的依赖，同时提高准确度。”宣晓华表示。

　　中国 人工智能 发展潜力巨大

　　21世纪：当下中国 人工智能 的发展处于世界什么水平？哪些细分领域处于引领的地位？

　　宣晓华： 人工智能 在中国仍具有巨大的发展潜力。中国拥有众多 人工智能 相关人才，国家对 人工智能 的注意水平高，产业应用丰富。许多中国企业愿意并善于将技术应用于工作和业务中。

　　从全球范围来看，我国的 人工智能 潜力被普遍承认，中国对 人工智能 的注意和参与度在全球范围内特别高，甚至超过了一点传统发达国家。中国公司在这一领域不断做出贡献，尤其是在产业应用方面，这些经验有望复制到全球其它国家。

　　 人工智能 的应用通常基于 大数据 ，因此，数据获取较为便利的领域往往发展较快。互联网领域拥有丰富的语言和图像数据，是 人工智能 应用较早的领域之一。我国的电商领域也较早地充分利用了 人工智能 资源。金融领域由于其业务高度依赖数据，信息化水平高，也是 人工智能 应用较早较快的领域。

　　城市管理和金融领域是 人工智能 较早和较快应用的领域。值得注意的是，一些大型制造企业，尤其是近年来，随着全国推动新工业化和智能制造，许多工业企业，包含 新能源 汽车、钢铁等行业，开始大量采用 人工智能 技术。另外，医疗领域，尤其是与影像相关的领域，如癌症早期诊断等，也是 人工智能 应用较快的领域。

　　21世纪：华院计算在夯实底层技术的同时，也在为智能制造、数字治理等多行业提供AI+行业解决方案，目前发现AI及大模型在与垂直行业结合上存在哪些难点？

　　宣晓华： 人工智能 在各个领域和行业的应用受到高度重视，通常被称为" 人工智能 +"。领域众多，涉及千行百业。智能制造是华院特别关注的领域之一。中国作为制造大国，如何利用 人工智能 提升智能制造的效益、降低碳排放，是重要的研究课题。

　　大模型在工业应用中面临诸多挑战。首先，大模型需要大量数据，而在工业领域获取数据相对困难，与互联网领域不同。工业领域的数据不仅较少，而且往往不适合或不愿意在企业之间共享，这对大模型构成挑战。因此，需要采用不一样的要领来处理这些问题。

　　在数据治理和社会治理领域， 人工智能 的应用可能拥有更多数据。例如，法律领域的大模型可能相对更加积极。然而，大模型在这些领域也面临挑战，如准确性和推理能力。在法律问题上，需要极高的准确性和一定的推理能力。大模型需要克服所谓的"幻觉"，以满足更高的要求，进行准确的推理和判断。

　　21世纪：华院计算还关注哪些工业场景，如何推动这些领域的转型和升级，和您如何看待现在 新型工业化 发展的现状和将来的前景？

　　宣晓华：华院在工业领域，尤其是在钢铁有色这个领域，已经进行了许多尝试。尽管许多人曾试图解决这一问题但效果欠安，但华院投入了大量精力，探索使用更好的要领来处理。其实，我们已经获得了明显的成果，使客户认识到 人工智能 的确能够解决工业问题，例如表面检测。

　　然而，表面检测只是工业中的一个小问题。大量的质量控制和管理、人员优化使用、配料和生产过程的质量提升等方面，都能通过 人工智能 来优化和提升。尤其是在钢铁这种长流程行业中，存在许多可以通过 人工智能 优化的场景。

　　总体而言， 新型工业化 的目标是提高效能，优化生产过程，包含物流和营销等方面。在生产进程中， 人工智能 可以施展作用，因为它不用增加投入或设备，而是通过优化方法来提高效率。

　　 人工智能 的作用在于，它可以通过算法优化生产进程中的参数设置，从而提高产品质量和稳定性。例如，在配料方面， 人工智能 可以助推找到最好的配料方案，以提升产品质量和降低成本；在能源使用方面， 人工智能 可以在不改变现有能源方式的情景下，优化加热过程，减少能源消耗。

　　总的而言，甭管是智能制造、 新型工业化 还是“ 人工智能 +”，其目标都是使生产过程、运营方法和管理决策更加高效和优化。 人工智能 在这方面具有巨大的潜力。

　　特定场景小模型更具优势

　　21世纪：大模型在一些场景应用效果欠安的问题如何解决？

　　宣晓华：有时我们可能不用或不适合使用大型公司，而是需要相对较小的模型。尤其是需要将领域知识、专家经验和逻辑推理引入到模型中。这是法院计算近年来围绕工业问题所采取的要领。

　　例如，在工业领域的表面检测问题上，虽然看似是一个图像识别问题，但其实与以往的图像识别问题有很大不同。我们发现，使用 大数据 方法解决缺陷检测时会遇到很多困难，因为缺陷数据很少，但人类可以通过观察少数缺陷样本快速识别类似的缺陷。

　　在 人工智能 领域，如果没有大量的、可比较的数据，那么开发有效的大模型是非常艰难的。大模型的要领本质是一种归纳学习方法，归纳系统通过观察许多例子来学习，但其学习效率远低于人类。即便在图像识别这一大模型相对擅长的领域，我们也发现它其实不总是那么有效。因此，在处理问题的进程中，人类积累的科学知识是特别高效的。

　　在这个进程中，如果通过将特定行业的知识和专家经验整合到 人工智能 算法中，可以减少对大量数据的依赖，同时提高准确度。

　　我认为最关键的是找到适当的应用场景，追求规模本身其实不是目标。如果能够使用较小的模型和数据有效地处理问题并提供良好的服务，就没必要追求规模。

　　在解决特定行业或领域的问题时，需要重新考虑如何更有效地处理问题，选择啥样的模型。这极为重要。不应该盲目追求大模型，而应该追求更好的智能化方法来提高效率和处理问题。

　　对于国家而言，这一点也很关键。因为当大伙都追求大模型时，实际上可能会造成很多浪费，包含算力资源。人们可能会不加选择地购买大量算力，而算力本身也有很高的成本。因此，从应用场景的视角动身，思考需要啥样的模型，是处理问题的关键。

　　21世纪：目前在很多行业中，对于大模型仍停留在浅层利用阶段，没有引发更深条理的变革，如何看待这个现象？

　　宣晓华：其实，能够通过大模型发生完全行业变革的领域相对较少。尽管如此，任何行业都有可能利用大模型。例如，在任何领域，客服工作都能利用大模型，尤其是在电商领域，广告生成可能更为明显。大模型可以在特定的点或场景中提供特别有效的帮助。

　　然而，从当前的视角来看， 人工智能 可能还没有达到完全改变一个产业的水平。在某种意义上，这可能还不那么明显，或 人工智能 的智能水平还没有达到那个水平。这其实不一定是坏事，因为人们可能还没有准备好应对如此巨大的行业变革。