编者按：随着ChatGPT的爆火以及具身智能的大规模出现，利用AI大模型的通用人工智能带领人类进入第四次工业革命的设想，在欧美世界尤其是金融圈成为最热门的话题。受此影响，国内不少相关人士也在强调美国领导的西方体系会利用其“算法+数据+算力”的三重优势对我国形成技术代差，从而导致我国在潜在的“第四次工业革命”中落于人后。

但是随着人工智能大模型的演进和实践，更多人意识到，这套叙事存在逻辑瑕疵。而在这场再认识的过程中，更多人对于人工智能的潜力和局限有了更明晰的认知。于是就在今年4月，工业和信息化部直属单位中国电子信息产业发展研究院（赛迪研究院）正式发布了《人工智能赋能新型工业化：范式变革与发展路径》报告。

在人民大学和赛迪集团联合举办的“人工智能赋能制造业：国际治理经验与产业安全”会议上，赛迪研究院未来产业研究中心人工智能研究室主任钟新龙先生就人工智能在赋能新型工业化的过程中所遇到的阻碍和未来发展前景进行了系统阐述。观察者网获人民大学国际关系学院副院长、区域国别研究院翟东升院长授权，整理、刊载钟新龙先生演讲全文。

【演讲/钟新龙，整理/观察者网 唐晓甫】

很多人说“人工智能的历史既长又短”。

其“长”，在于人工智能概念可以追溯至1950年，当时计算机奠基人图灵提出了著名的“图灵测试”。他认为，若第三方无法区分计算系统与人类的回答来源，则可认为该系统具有智能。由此，人工智能的概念自1950年起便有了理论基础。

其“短”，则在于大众层面对人工智能的广泛接触，应当以2022年11月发布的ChatGPT为分水岭，截至今日仅有两年多的发展历程。

图灵&ChatGPT

我们认为，大模型时代的到来标志着人工智能进入了一个新的发展阶段。在我们看来，通用人工智能是人工智能进入高阶阶段的标志。

在这个阶段，传统的机器学习、深度学习等技术与之并非彼此排斥，实际上可以协同为制造业赋能。

迄今为止，我们已经在智能制造领域建设了一批智能工厂，其中包括不少刚刚评定为卓越级智能工厂在内的智能工厂。通过“人工智能赋能新型工业化”工作的推进及研究过程中案例征集情况来看，我们发现，我国人工智能在工业领域的应用正由单点突破向系统集成发展。此前，人工智能在质检、判别及工业流程等单一环节有较多应用，整体较为集中。而我们当前的目标是实现其与更多工业系统的深度融合。

总体而言，人工智能可在工业领域提升生产力和效率、创造价值、优化资源配置。基于上述三方面的赋能，人工智能能够加速培育新质生产力，成为推动经济发展的重要引擎。

以此为基准，我们期望人工智能能够赋能千行百业，实现“人工智能+”与“+人工智能”的双重迭代和赋能。诚然，我们对通用人工智能赋能工业化寄予厚望；但现实情况是，当前工业领域仍大量依赖前些年开发的小模型。当今中国，大小模型并存的局面已成为工业实践中的常态。

在工业领域，当前小模型主要负责结构化数据处理与精确预测；而以GPT、DeepSeek为代表的生成式大模型则擅长处理复杂的非结构化新数据。就制造业流程而言，通常可分为离散型制造业与流程型制造业两大类。

目前看来，人工智能在智能制造基础扎实的重点领域表现最佳且成熟度较高，例如汽车制造业。现在我们看到人形机器人优先选择进入汽车厂的原因在于，汽车行业作为离散型制造业，其属于智能制造领域，是数据采集环境和处理能力最好的那一档。这也是我们常说，人工智能优先赋能合适领域的逻辑。

若将工业制造流程划分为研发设计、生产制造、经营管理和产品服务四个环节，在综合数百个典型案例后，我们发现大模型和小模型在不同领域的应用渗透率呈现“正U型”与“倒U型”叠加趋势。总体而言，小模型更多用于单一场景的判别，呈现“倒U型”分布，这与其适用于单一场景的特性相吻合。

生成式AI（大模型）和判别式AI（小模型）在工业主要领域分布情况

相较而言，以生成式人工智能为主的大模型在工业赋能领域仍处于初级阶段。当前，大模型主流应用集中于智能客服、业务管理或边缘性建议中。而大多数人所期望的，是让大模型直接介入生产制造流程，乃至实现自主决策的高阶自动化应用方面，大模型尚在迭代探索之中。

总体来看，人工智能在制造业领域主要有五大赋能目标：一是效率提升，如排产调度优化等；二是质检改进，通过视觉神经网络等技术提高检测效率；三是成本降低，这是工业赋能的核心命题；四是创新驱动，希望生成式大模型在产品设计、工艺优化等方面提供新思路；五是决策优化，旨在为企业管理层提供更科学、及时的决策支持。

我们现在常说，“AI for Science”。未来，我们期望其进一步发展为“AI for Industry”，并最终实现“AI for Society”的社会价值。目前，人工智能在工业领域的赋能仍以人机协同、共同进步的创新研究为主。

从实地调研来看，AI大模型在工业领域的赋能尚未达到预期的成熟应用阶段，而仍处于初级阶段。这背后有多重原因，其中首要问题是应用场景推广与落地难题。

首先，工业场景细分程度极高。我们固然期盼通用解决方案，包括大家一直期待的所谓智能体打通大模型落地的“最后一公里”，但在实际工业场景中，经常出现一条指令往往会影响数亿元的决策，目前的智能体尚无法对相关风险进行充分控制，因而难以实现落地。

其次，工业领域涵盖众多细分行业与应用场景，每个场景均具有独特特点与需求，难以研发出通用的人工智能解决方案。过去二三十年工业化进程中积累的数据分散于不同系统，人工智能应用呈碎片化特征，往往只能适用于特定场景，难以在更广泛范围中推广，这增加了技术落地的难度。

第三，由于工业生产过程中的数据分散于不同系统中，且在数据格式与标准上缺乏统一性，获取与整合这些数据需要耗费大量时间和资源。人工智能解决方案通常需要高度定制化，这进一步增加了开发成本与实施难度。碎片化的系统与数据架构必然导致智能体定制门槛和响应时间呈指数级增长，可能与企业快速响应市场需求的目标相冲突。

最后，从企业开发角度出发，大家普遍期望拥有一个可以通行千行百业、快速复制的大模型，以降低边际成本。然而，由于各行业之间存在巨大差异，不同场景下开发的人工智能模型难以直接应用于其他场景，这降低了导致模型复用率下降，增加了总体开发成本。

这使得定制化人工智能解决方案的成本难以摊薄，投入产出比低，难以形成可持续的商业闭环。高成本、低回报的局面严重阻碍了企业采用人工智能技术的积极性。