飞象网讯（魏德龄/文）通用大模型现在很热，甚至已经成为了很多人在日常工作中离不开的工具。例如相比传统翻译软件，能提供更加通顺的翻译内容。还能迅速在一篇篇幅较大的文字资料中，找寻到可能忽略的重点，或整理出主旨摘要。又或者依据文字或草图来创造出一副画作，甚至是创作出一段视频内容。
于是，在通用大模型火了之后，所谓的“千模”一词也火了，原理上在于依托了某一个通用大模型的基础，来灌注上所属行业的知识，进而成为行业大模型。一时间甚至出现了似曾相识的“千模大战”格局。客观的说，人工智能技术对于千行百业的赋能确实是大势所趋，不过尤其是应用在智能制造这类工业场景中，其实并没有外界想象中的那么顺理成章。
两个利好信号
在2023年，有两个事件被外界看来间接的坚定了以智能制造为主攻方向的信心和决心。其一是ChatGPT横空出世。人工智能进入了大模型时代，它的应用性能也将发生质变，使能百模千态，赋能千行万业，实现各行各业的智能化转型，人类社会正在加速迈向智能世界。其二是电动汽车的异军突起。意味着汽车的数字化，以及进一步向网联汽车、智能汽车的方向前进，随着新一代人工智能技术的深入应用，未来汽车一定会进入无人驾驶时代，汽车将成为一个智能的移动终端。
这两个事件背后意味着人工智能、数字化、网络化、智能化目前均已具备了不错的技术条件。而制造业同样需要完成数字化转型与智能化升级，首个阶段是到2027年，规上企业基本实现数字化转型，数字化制造在全国工业企业基本普及；第二个阶段是智能化升级，深入推进“制造业智能化升级重大行动”。第二阶段是到2035年，规上企业基本实现智能化升级，数字化网络化智能化制造在全国工业企业基本普及，我国智能制造技术和应用水平走在世界前列，中国制造业智能升级走在世界前列。
有专家表示，新一代人工智能技术和先进制造技术融合而成的新一代智能制造技术，将引起制造业革命性转型升级。
大模型如何应用到工业领域
目前5G+工业互联网在落地过程中，在系统、工业软件、网络通讯的技术融合方面还有很多事情要做，例如通过人工智能技术如何赋能工业互联网及相关软件，使其在工业中发挥更大作用，在技术上还有一些挑战性问题。
更重要的是，通用大模型与工业大模型其实很还存在很多差异。例如，通用大模型目前主要是进行文本处理和语音处理，很多深入的问题还无法解决。而工业上有很多机理性的问题，比如有色冶金及相关化学反应，这些运行规则和原理是无法通过简单的文本处理来解决的，这就意味着工业大模型在事前优化及使用决策中，要与机理融合起来。
此外，通用大模型更多是提供对于模型的描述性问题，但工业大模型要求可靠性与稳定性。也就是说，通用大模型所产出的方向性答案，在对于安全要求更高的工业领域，将会难以适用，试错成本极大。
由于通用大模型缺少行业专业知识，需要大模型提供方与垂直行业合作，将特定场景的专业数据加到通用大模型进行再训练，优化出行业大模型嵌入PaaS，即将生成式AI能力注入工业OS，但对中小企业仍然是高门槛。
另外，在大模型上基于海量有价值数据充分训练，待调优至理想效果后再进行知识蒸馏、量化及针对特定场景迁移等缩小模型的工作，需要混迭进行预训练与指令微调以避免预训练和微调的数据可能存在矛盾。
对此，工业应用需借助工具链引入有监督学习思维链，使推理步骤可解析，并通过变换场景增加迁移学习能力，还可以加入反事实数据测试以提高模型泛化能力，
同时，企业还要考虑自身数据安全的问题，目前一般存在中心化模式与非中心模式两种，前者企业需要将数据提供给基础大模型提供方，可能会担心数据泄漏，并且后续云边端部署仍需依赖基础模型方。后者则需要企业自身拥有很高的技术能力，而且预训练和微调数据可能不协调。
与此同时，此前的数字化转型中也已经引出了一条坚实的定律：“从解决实际问题出发。”如果工业互联网能够解决企业问题，为企业带来效益，投入就不存在问题。而一旦项目与解决问题相脱钩，投入成本问题就会显现。能够实现效益的关键则在于技术融合，即实现智能化与工业的深度融合。尤其对于中小企业来说，面临现实生存压力的情况下不敢用，如果数字化升级不能解决实际问题可能就意味着断臂求生。
