行业AI应用现状与趋势-学习笔记今天学习了一整天的理论基础课程，信息量很大，很全面。PPT还没有收到，趁记忆没被睡眠洗刷掉，根据回忆和笔记整理。 教授是来自国内Top3高校工程自动化领域的专家。主题是特定行业AI应用现状与趋势。 第一部分是背景 第二部分是工业智能与智能制造的概念 第三部分是AI智能体场景化的设计方法 第四部分是开发案例 首先是宏观背景。外部环境从全球化转变为逆全球化，互相争夺技术路线主导权，以及针对性的卡脖子。从国际分工合作到注重安全自主。 其次关注了AI技术发展的背景。从1950年代达特茅斯会议，到21世纪末，从21世纪初到2017年，从2020年到当前，大致分为了萌芽期、探索沉淀期和迅猛发展期。这一部分我联想到《半拿铁》主播刘飞的《人工智能风云录》，最近刚回顾了一次，对AI早期历史有详细的介绍。值得推荐大家移步《半拿铁》或者去买来这本小书看看。 一些新知，ChatGPT的G、P、T分别是什么？ G (Generative，生成式)：代表大语言模型自己写出新东西的功能。根据概率自发“生成”连贯的文本或代码，而不是简单地提供设定好的回复。 P (Pre-trained，预训练)：大语言模型长期使用语料进行学习训练，从而具备通用性的回复能力。 T (Transformer，语言转码机制)：大语言模型的神经网络架构，“注意力机制”（Attention Mechanism）让模型能够计算长文本中词语与词语之间的上下文关联，把输入和输出转换为人类语言。 第一次看到，AI技术成熟度曲线图，28项AI技术，各自预期还有多少年才能成熟应用。Gartner发布2025年中国数据、分析和人工智能技术成熟度曲线 制造业层面，从工业1.0到工业5.0，第一次、第二次工业革命，从工厂到流水线，3.0的自动化伴随全球一体化、4.0的智能化代表信息和物理系统的融合，以及未来的5.0，可能是伦理与社会层面的。 虽然工业4.0已经伴随着较多的困难，比如数据、生产、人才和管理等4各方面，但是在这样的背景下，企业的数字化和智能化已经是一道“必答题”。 最后，国家政策也构成了背景的一部分。 第二部分 工业智能的基础概念是智能制造。 智能制造有三层意思，第一层是90年代提出的两化融合（这里果然全场愣住）两化不是中国中化和中国化工的合并，是信息化和工业化。智能制造这个概念源于两化又高于两化融合，是第三次工业革命的内在需求。 第二个层面，就是智能制造是不止于生产环节的，包括研发、生产、销售和运维服务的全链条。 第三层，智能有5个自，自感知、自分析、自执行、自决策和自学习与维护。都是为了协助人类进行非结构化、非固定模式的问题解决。 智能制造、真正的智能工厂都是聚焦复杂环境下生产运营的高效、节能、可持续（ESG），除了可配置的柔性生产，工业智能的核心引擎之一就是 新的概念是CPS，Cyber Physical System，信息物理系统。 智能工厂还有IT和OT的割裂问题需要解决，信息技术和运营技术。边缘智能、运营优化和生态共赢三个层次。边缘智能更像是设备产线边的小的维护和优化。运营优化是基于产线数据，比如MES系统的数据，进行生产调度、工艺、质量、物流、库存等综合的厂内运营。生态共赢就是供应链的共赢。 智能化是新型工业化的价值核心。 工业智能从3.0到4.0，分了六步，结合埃森哲的新“四化”，有一张大图。 第一步是计算机化，第二步是连通性，第三步是可视化，第四步是透明性。 第五步是预测力，第六步是适应力。 从自动化、信息化到网络化、智能化。 企业的运营能力有一个五步的演变，第零层是人驱动运营，第一是流程驱动，第二是模型驱动，第三是数据驱动，第四是数智驱动。 数据驱动这里举了一个宝钢引进日本自动化产线的例子，给了设备没有给控制模型参数，用光谱去测高炉的炉温，自己花功夫去摸索控制模型的故事。 流程中有RPA，Robotic Process Automation，机器过程自动化，没有决策，规则是结构化的。 数据驱动的弱人工智能，就有IPA，Intelligent Process Automation，智能过程自动化，有限的决策，非结构化的。 数智驱动的有APA，Agentic Process Automation，智能体流程自动化，自主决策能力，应对动态实时的非结构化问题。 有一张工业智能化的系统架构图，模型是工业大脑，数字孪生是高保真的镜像。智能体作为执行中枢，还有数字化平台。四个组成部分，彼此互相影响，从实体到虚拟，从虚拟再反映到实体。 工业智能要解决的就是多目标协同优化的问题。需要多种能力，意图理解、任务规划、策略生成、数字孪生模型、方案输出与人在回路决策，最后是执行反馈与再优化。 这六个协同步骤也和五个“自”的每一点都可以联系起来。 在这一部分以及前后的很多段落，我都忍不住会去套用《高效能人士的七个习惯》，看到反馈和再优化就想到不断更新。人工智能也有理解、有沟通，有根据目标以终为始的策略生成，工业智能的分析也会运用要事第一的原则。 比如跳到后面到智能体场景，就会用可行性和业务价值的高低画出散点图，来判断哪些事情可以优先推进。 回到工业智能，价值链的提升主要体现在四个方面，生产效率提升、降低成本、提升产品的质量、数据转变为资产。 终于开始进入智能体Agent的正题。 OpenAI给AI进行了五级分级，L1是大语言模型，L2是推理解决问题，L3也就是当下的Agent，能够思考并行动，L4是创新者，能够推动研发，L5是组织者，可以主动独立领导任务。 智能体的定义，本质上就是无需持续人工干预的情况下，实现自我学习优化，具备高度的环境适应和泛化能力，具备原生工具调用任务闭环执行的能力。 狭义的智能体就是AI Agent，比如小龙虾，广义的智能体是Agentic AI System，可能有四种产品形态，第一就是产品型，第二种是嵌入型，第三是多Agent的协作、以至于最后达到隐形的无感Agent。 Agent的组成部分有哪些，大脑是模型，大语言模型LLM，躯体是运行环境Runtime、记忆是知识库，指令是System Prompt或者叫Context Engineering提示词或上下文。以及外加的很多能力，Skills，MCP server，Sandbox，Subagent等等。 Agent的发展也有腾讯的成熟度L1～L5，目前是L3未满的状态。具身智能可能就是L4。从初级、到中级再到高级的AI，模式上就是从Embedding内嵌的，到co-pilot，再到完全体的Agent。 上午的课程要点如上。 下午。 高质量数据集重新定义数据要素新价值 全自主运行具身智能体重新定义运行规则 AI像水电，流入生产线。 AI场景化落地的路径，有五级、六维。 六个维度分别是技术、数据、组织、战略、商业和应用。 五级分别是探索实验、局部赋能、体系优化、生态重构和认知引领。 企业的AI应用，一般都从问答机器人开始，到场景化的Agent，然后是多场景的专家Agent。 而现在的落地的痛点难点，第一个是数据的问题，第二个人才，第三个投资回报，第四个是业务价值产出，第五个方面是基础设施缺乏统一部署和统一规划， 下一部分是场景化设计的方法和问题。 首先是技术能力的边界。 北大的朱松纯教授提出了三问方法，第一问是是否有标准答案？没有的话就是文稿生成类，比较容易用AI实现。如果有标准答案，就要问第二问，标准答案是否能被找到? 能，那就是棋类游戏等几乎能被穷尽遍历的，比较容易用AI实现。如果不能找到，那就要问第三问，我们能否接受找不到标准答案的后果？能的话，也可以用AI实现，比如个性化的教育，错了还可以纠正。不能的话，就不能用AI实现，比如医疗场景。 AI的商业可行性上，主要是B2B或者B2B2C。 从收入来源可以分为两类，第一是帮客户赚钱，第二是帮客户省钱。帮客户赚钱的话，能不能被感知？能的话，要看是否影响消费行为，也可以，那就可行。帮客户省钱，就看可替代的人类工作量占比，高就可以行，低就不行。 有一个四象限图，根据任务复杂度高低和自主规划依赖程度高低，分别是全能专家（高、高）、决策专家（低、高）、高效助手（低、低）和执行专家（高、低）。 下面有具体公司举例，比如招聘智能体等。 构建智能体的方法论，有一个五步法。 第一步筛选场景、第二步可行性评估、第三步方案设计、第四步原型系统开发、第五步是场景化的生产系统持续迭代。 然后每一步有细节的展开。 高价值场景的选择，要看业务价值密度✖️数据可用性✖️流程嵌入度 可行性研究很多种，技术可行性、数据可行性、经济可行性、组织可行性等，最小可行性产品MVP，Minimum Viable Product。可行性评估不是一次性的，在MVP前要做一次快速评估，MVP之后又要再评估一次。 方案设计也要建立量化指标体系、业务流程设计（包含人机协同）、技术架构设计、数据集和提示词的设计、评估和迭代机制的设计、实施的计划和资源的估算、设计之后的检查清单。 检查清单有1234567项。量化的KPI指标、人工记录点、技术选型是否考虑了运维成本和团队的能力、各种模型真实的样例测试、测试评估数据集、实施计划的依赖关系有没有缓冲的时间、领导人的批准。 实际开发的建议是尽量选择一个小切口、纵深的方向。原型开发的时候，通常是从低代码、无代码开始。要有人机交互的界面。快速集成和安全测试的方法。规模化的部署和运营的治理。 最后一部分主要是各个方向的案例与应用介绍供参考。
