张晨逸：新质生产力需要AI与科学范式深度融合

2022年12月，ChatGPT横空出世后，全球范围内掀起了一股人工智能（AI）大模型发展浪潮，Gemini、文心一言、LLaMA、SAM、SORA等各式大模型如雨后春笋般相继涌现，科技巨头们围绕AI展开的争夺战成为社会焦点。

当前，信息时代正加速进入智能时代，AI技术不断突破和演进升级，赋能千行百业的发展，深刻改变着生产生活方式。

人工智能（AI）已经成为新质生产力形成的关键因素。

习近平总书记指出，把新一代人工智能作为推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力量，努力实现高质量发展。

新质生产力背景下，企业如何抓住人工智能（AI）的风口实现转型？今天就与大家一同探讨。

人工智能在许多领域都发展迅猛，有些领域的AI能力甚至已经超越了人类。

AI的发展类似于人类学习技能的过程，我们可以通过一个简单的比喻来理解AI的运作：

试想一下，一个人如果想学舞蹈，就需要先掌握最基础的身体各部位的协调性，正如AI的芯片和硬件是必不可少的前提。另外，想要学好跳舞，还需要练好基本功，比如AI的芯片使能决定了它的基本能力。

其次，我们还可以选择一个合适的舞蹈机构去进修，快速提升舞蹈水平，这就好比选择一个合适的AI框架，可以帮助开发者快速搭建自己的AI应用，提高开发效率。

舞蹈机构会安排舞蹈课程，老师会系统性地传授知识，通过大量的训练来帮助我们掌握舞蹈技能，正如人工智能中的预训练模型和模型训练阶段。

最后，我们需要上台表演，验收学习成果。这就好比是AI模型推理阶段，让已经训练好的模型对新的未知数据进行预测，观察并验证结果是否符合预期。

当我们对舞蹈有了一定的了解之后，我们还可以精进学习某个舞种（芭蕾/拉丁/街舞/爵士等），这里可以理解为将AI技术应用到某个具体行业场景中（电力/金融/医药/互联网等）。

在这个过程中，AI学习的方式可以分为无监督学习、监督学习和强化学习三种。其中，大模型可以被理解为深度学习的一种形式。

这就好比一个人根据老师布置的学习范围，自己上自习课总结归纳。

在没有给定事先标记过的训练示例的情况下，人工智能需要自动对无规律的、没有任何标注过的数据进行分类或分群。

老师会列出所有学习的重点，并讲授答案。

这相当于数据中带有标签，有正确答案。通过训练资料，我们可以学到或建立一个模式，并依此模式推测新的实例。

通过不断做模拟题，老师给对错的形式，从而促进学生提高。

在强化学习中，通过对作用者的一些动作产生奖励的回馈机制来促进学习。

因此，AI的本质是对人类智慧的模拟和探索，通过模拟人类实现识别、认知、分类和决策等多种功能。

在早期阶段，机器学习只能在一个相对较小的数据规模空间内，由人工设计特征并让计算机进行深度学习，以此来模拟人类的行为。

随着技术的演进，现代的深度学习已经能够让AI直接从数据中学习，利用深度神经网络模拟人脑来解析数据特征。

然而，这个过程却需要消耗大量的算力，这也是当前AI时代所面临的普遍现状和挑战。

自上世纪八十年代，全球工业领域一直在探索和应用AI。

早在八十年代，就有专家系统被用于设备运维和生产调度。九十年代以后，人们开始使用早期的神经网络算法、模式识别等进行工业智能控制。进入二十一世纪后，深度学习被应用于机器视觉和工业质量检测任务。到现在，大模型和AIGC（人工智能生成内容）为各种场景带来更丰富的优化......

自从ChatGPT在2022年底启动以来，新一代AI技术的新迭代每月都会发布几次。在不到一年半的时间里，各种各样的大模型涌现，比如近期发布的多模态模型GPT-4o、AI文生视频工具Pika等。

最近，OpenAI的CEO Sam Altman在达沃斯经济论坛上表示，如果GPT-4目前只能完成人类任务的10%，那么GPT-5预计能处理15%至20%的任务。

随着全球新一轮科技革命和产业变革的深入，AI产业迎来了黄金发展时期：

从学术界到产业界，从钱到人，AI都将是越来越重要的趋势。

企业必须抓住此次AI风口，将其应用于实际生产中，包括工业生产安全、工艺优化等。

人类探索认知世界的脚步从未停止过。

科学范式并不是永恒不变的，而是会经历周期性的革命和更替。当一个科学范式发现了当下理论解决不了的问题时，新的理论方法就会被提出。科学革命主要包括四个范式：

在人类对物理世界和客观世界认识有限的早期阶段，通过观察自然和社会现象，发现其内在规律，以获得和检验科学结论。

例如，伽利略的物理学和动力学、牛顿的力学等。

随着科学的发展，科学家开始研究理论科学，即第二范式。理论科学使用数学公式、模型和算法等形式表示，强调普遍性规律的形式化，并通过演绎推导得出科学结论。

例如，系统科学、科学逻辑学、科学动力学、混沌理论等。

在理论科学的基础上，为了追求应用的速度，如材料或新药的发现和规模量产，科学家开始使用仿真和模拟技术，通过计算机加速科学研究。

例如，SPSS社会科学统计分析、MATLAB、SAS等。

2000年以后，我们进入了数据科学时代，这是在前三个范式的基础上发展起来的。数据科学结合了科学实验、理论模型或算法、计算机模拟和密集型数据处理，以自动化的方式探索科学问题，推动科学发展。

例如，大数据搜索引擎、推荐引擎系统、人工智能、ChatGPT等。

在科技革命的推进中，我们能深刻地感受到技术革命性突破对新质生产力的驱动和先导作用。

AI与科学范式必须深度融合，这将有助于人类从重复简单活动中解放出来，更好地瞄准经营目标、优化资源配置、改变研发设计等，实现真正的业务驱动。

通过深度融合，AI可以为科学研究和实际应用带来更多的价值和创新。

在工业领域，领导厂商正在全面拥抱AI，主要有3个方向：生产制造流、产品全生命周期流和价值创造流。例如：

通过这些企业案例，我们可以看到AI技术在工业领域的应用正逐渐深入。

从技术角度来看，AI与科学的融合，特别是与科学范式的融合，是企业未来发展的关键。

目前，华为云工业AI核心引擎将AI大模型与科学范式深度融合，为矿山、钢铁、电力、油气制造等各行各业提供个性定制化服务。

如果把制作一道精美菜肴作为比喻，我们已经有了火（昇腾云/昇腾算力）和锅（盘古大模型），现在需要的是帮助企业客户成为大厨，将他们自己的行业数据、知识和标准注入其中，便可以共同打造属于企业自己的大模型。

比如，在精益生产变革方面，我们与某能源集团合作，在重介选媒分选密度这一智能控制场景中，实现了0.2%的提升。

虽然这个数字看起来很小，但实际上它可能代表着上千万甚至上亿的收益。这个改变摆脱了传统作业方式依赖人工经验、控制滞后的缺陷，采用AI算法代替人工实现精准控制。

未来3年，企业将被分为两类：一种是拥抱AI的，一种是不拥抱AI的，两者将差距巨大。

只有拥抱AI的企业，才能在商业竞争中生存下来。

本着“自己的狗粮自己先吃，自己生产的降落伞自己先跳”的原则，华为已经将AI应用于自身的制造、物流、零售过程中，并帮助众多制造企业实现人工智能的落地。对此，我个人给出几点建议：

我认为，企业落地大模型，首先需要围绕大模型构筑全生命周期管理平台，包括建立“高性能稳定”的AI算力底座、“高质量数据加工”的数据底座、“高效灵活” 的模型开发平台，以及“外溢变现” 的资产运营平台等等。

大模型的成功应用不仅仅是技术问题，更是涉及整个组织的系统工程，离不开领导者的强大意志力和有力推动。

围绕企业的主航道业务方向，从场景价值、技术可行性、数据准备度、需求紧迫性等多维度评估筛选，让业务专家深度参与。

对AI的投入虽然在初期可能不会立即达到盈亏平衡，但我相信，随着时间的推移，AI的持续运营将带来商业价值的实现。

企业可以在关键业务场景中进行小范围实验，允许试错。一旦突破，就能为企业树立更大的信心，推动后续的发展。

有效的团队建设能够确保企业的AI转型之路走得更远、更稳。

在实际业务中，我们需要找到平衡，因为有时候问题不仅仅是技术上的，还涉及管理层面。业务团队需要与领导团队合作，找到双方都能接受的平衡点，达成默契。

*文章仅代表专家个人的专业意见表达，不代表本平台的任何观点与立场。