首先，工業涉及領域廣泛，且對數據安全要求較高，而目前工業數據結構多樣，數據質量參差不齊。工業大模型數據質量和安全性有待進一步提升。其次，工業生產環境往往涉及複雜工藝流程、高精度操作控制以及嚴苛安全標準，任何模型預測或決策失誤都可能導致生產事故、質量問題或經濟損失。工業大模型還需滿足高可靠性和實時性要求。另外，高額成本限制了工業大模型應用的投入產出比。
縱然面臨種種挑戰，但發展工業大模型是大勢所趨。
工業大模型的降本增效作用顯而易見。張平安舉例，高爐冶煉被認為是人工智能落地最難的應用場景，高爐是一個5000立方米的“黑箱”，內部最高溫度達2300攝氏度，冶煉過程“看不見、摸不著”，高度依賴人工經驗。如果使用盤古大模型，可將“黑箱”變成“灰箱”，甚至“白箱”，指導高爐精準控制，每噸鐵水可減少1千克焦炭消耗，使成本降低3元。
隨著技術演進，工業大模型應用落地將跑得更快更穩。
《報告》認為，通過工業基礎大模型和工業App的結合，能廣泛、快速應對工業領域的挑戰，推動各類工業場景智能化升級。同時，隨著智能體、具身智能等新技術發展，大模型將在工業領域開辟更多應用場景，提高生產效率和安全性。此外，大模型壓縮相關技術將有效減少模型的參數量和計算需求，降低訓練和部署成本，使大模型更適用於資源受限的環境，加速在工業領域應用推廣。 |
