數(shù)智化時代制造業(yè)的主要難點

　　從制造業(yè)數(shù)字化轉型遇到的問題、戰(zhàn)略層面的問題和行業(yè)整體的問題來展開。

　　1.1 制造業(yè)數(shù)字化轉型的問題

　　當前制造業(yè)數(shù)字化轉型過程中存在的問題：

　　1)當前軟件應用條塊分割、功能偏單一;技術力量和運維隊伍薄弱，平臺持續(xù)改進完善的體系機制尚等完善。

　　2)數(shù)據(jù)管理與治理當前是主要問題，數(shù)據(jù)中臺、治理工具匱乏，部分數(shù)據(jù)資源的質量源頭治理還有待提高;

　　3)智能應用尚處于起步階段，對制造業(yè)的場景優(yōu)化的機理模型還沒形成體系化;

　　4)數(shù)據(jù)的資產價值正待挖掘，數(shù)據(jù)要素對制造業(yè)業(yè)務轉型的驅動力還沒顯現(xiàn);

　　5)既懂制造業(yè)務、又有IT能力，能支撐制造業(yè)數(shù)字化系統(tǒng)建設與運維的高技術人才匱乏;需要理解制造企業(yè)戰(zhàn)略統(tǒng)籌和數(shù)據(jù)治理融合執(zhí)行的數(shù)字化領軍人才。

　　1.2從企業(yè)戰(zhàn)略層面存在的問題

　　從企業(yè)高層思考的問題有：

　　1)管理問題：條塊分隔，難以從整個企業(yè)的角度來統(tǒng)籌，難以形成戰(zhàn)略高度和執(zhí)行力。欠缺有效的管理抓手。

　　2)技術問題：數(shù)據(jù)涉及面廣、數(shù)據(jù)量大，產品質量難以保障，數(shù)據(jù)質量也難以得到有效的管控;各種風險識別缺乏有效的工具，導致技術水平不高。制造行業(yè)的新產品需求設計、質量管理、合規(guī)管理、安全生產、創(chuàng)新升級等多個場景存在如何以數(shù)據(jù)優(yōu)化驅動，以實現(xiàn)轉型升級、提質增效。

　　3)綜合問題：數(shù)字化轉型的高端人才不足，尤其是數(shù)據(jù)資產的高端人才不足。

　　4)制造業(yè)碳排放占三成，低碳也是十分重要，如何實現(xiàn)制造業(yè)綠色化、環(huán)保化也是需要解決的問題。

　　5)人工智能應用難以真正全面解決問題。

　　企業(yè)若要實現(xiàn)全方位轉型仍需突破重重困局。一是制定戰(zhàn)略目標，92%的高管認為數(shù)字化轉型的核心前提是清晰、定制化的戰(zhàn)略規(guī)劃，但目前已制定轉型戰(zhàn)略并展開行動的企業(yè)僅占50%。二是挖掘實施場景，90%的高管認同數(shù)字化轉型要找準切入點，但由于場景眾多且經驗匱乏，企業(yè)難以精準聚焦場景。三是平衡效率韌性，96%的企業(yè)供應鏈受到疫情沖擊，亟需利用數(shù)字化轉型提升響應速度和抗風險能力。四是共創(chuàng)創(chuàng)新生態(tài)，83%的高管認為數(shù)字化時代，企業(yè)之間的競爭已擴展至生態(tài)圈，企業(yè)應進一步加強與生態(tài)系統(tǒng)的互動。

　　1.3 制造業(yè)行業(yè)的問題

　　從中國制造業(yè)的痛點來看：

　　1)原創(chuàng)不強：制造業(yè)目前普遍存在創(chuàng)新能力不足，原創(chuàng)基本沒有，以當前比較強的電動汽車為例，主要也是以市場拉動一定的創(chuàng)新，在電池材料、動力驅動、儲能、自動駕駛等基本都是集成創(chuàng)新，全球領引型的原創(chuàng)不多，形成的產業(yè)鏈也主要是市場先發(fā)優(yōu)勢。

　　2)質量不高：產品質量還沒形成有效的責任追溯體系，同質化競爭激烈，產品高質量的設計能力、監(jiān)測能力和管控能力還有待于更進一步的體系化。

　　3)高端制造效率相對低：加工的高端裝備、開發(fā)的基礎軟件和工業(yè)設計軟件、高端芯片、高端材料都受制于人。

　　4)利潤不高：同質化競爭，有競爭力的盈利能力不足。

　　5)成本難以下降，人力成本近幾年越來越提升，自動化換人后也存在柔性不足，產品變更升級的成本失控。

　　如何通過現(xiàn)在的大模型來解決以上問題

　　對以上問題進行總結成以下四個方面：

　　1)技術方面的難題：通過技術手段解決各場景中的一些問題，比如新產品需求設計、質量管理、合規(guī)管理、安全生產、創(chuàng)新升級、低碳轉型等

　　2)人的素質提升：需要形成從高端創(chuàng)新型人才、綜合型人才到強執(zhí)行力人才的人才梯隊。

　　3)管理方面的難題：從戰(zhàn)略設計、戰(zhàn)略優(yōu)化、戰(zhàn)略執(zhí)行(落實、執(zhí)行)等形成管理的抓手。

　　4)綜合(文化)方面的難題：價值觀、能力成熟度、組織各級的激發(fā)、戰(zhàn)略數(shù)字化領導力。

　　另外當前的大語言模型、AIGC等還不沒到通用人工智能，所以先從目前相對成熟的技術上來解決以上一些問題，受當前的技術解決能力所限，應用時還難以較好解決以上問題。

　　2.1技術場景

　　包括新產品需求設計、質量管理、合規(guī)管理、安全生產、創(chuàng)新升級、綠色低碳六個場景，在多模態(tài)大模型(LLM+AIGC)的基礎上再擴展解決。

　　主要從：AIGC的感知、情景計算，以及LLM的認知推理上進行完善及應用。技術細節(jié)不一一展開。

　　● 場景1：智能網(wǎng)聯(lián)機器人設計(機床、車輛等)

　　描述：設計一個可以自動識別材料，以及加工后的半產品(部件)形態(tài)、指標要求，可以自動進行物料檢測、物料加工工藝設計、刀頭自動選擇、加工路線自動設計、零件自動裝配、自動質量檢測的半產品。

　　要解決的問題有：用戶需求怎么形成價值可評估的指標點;如何讓全部設計人員、制造人員理解需求;物聯(lián)數(shù)據(jù)怎么有效采集?怎么有效驗證?

　　1)建立設計大模型

　　建立金屬材料、刀頭、材料力學、加工工藝、夾具、五軸計算、BOM設計、加工BOM、公差、量具等相關知識庫。

　　完善已有需求及其對應的設計資料，將設計過程盡可能詳細化。

　　2)驗證標準化設計過程

　　通過對已有標準化的需求進行設計過程的驗證，確保出錯率有效控制。

　　3)AIGC相關庫的應用

　　將CAD、CAE、CAPP等進行MBSE的標準化改造，實現(xiàn)基于SysML的可描述的過程，通過輔助代碼和AIGC實現(xiàn)過程的打通，結合已有功能分配給相應的人員或機器理解。

　　4)驗證機制的建立

　　在SysML的基礎上結合RAAML來實現(xiàn)需求功能性的驗證。通過大模型中的需求功能失效性機理模型，結合已采集或已更新的數(shù)據(jù)來進行綜合分析，這一過程還需要給出哪些數(shù)據(jù)已完備，哪些數(shù)據(jù)沒及時更新。

　　從而實現(xiàn)整個產品設計到生產的閉環(huán)驗證。增效明顯，質量的全面性有一定的提高。

　　不足點：

　　1)需求設計的標準化是否準確，設計是否有競爭力，需求是否可以創(chuàng)新式引導?深層次的有競爭力的改進還需要不斷完善。

　　2)功能需求的可視化生成是否準確，準確率有多高?材料識別、工藝識別智能性不高。所以對于可視化的結果還需要有經驗的專家把關。

　　3)功能驗證不一定全面，只能參考。

　　● 場景2：藥品GMP質量監(jiān)管

　　描述：確保每一個環(huán)節(jié)GMP是可控的，質量保證如何從材料、生產設備/設施、環(huán)境和管理上實現(xiàn)，并完成藥品質量風險可控。

　　要解決的藥企問題有：外部投訴、召回，投訴率為0，召回率為0;內部質量管控，批次不合格率為0;供應商質量控制/供應鏈穩(wěn)健性，批次不合格率為0-0.001%;研發(fā)質量設計：無效的OOS率為0;設備設施成熟度：設備設施的質量缺陷率為0-0.001%。

　　以下是所需的行業(yè)大模型處理機制

　　1)建立質量相關的大模型

　　建立細化的知識庫和指標庫：批次接受率、投訴率(總體和關鍵)、確認的OOS率、召回事件(總數(shù)和分類)、無效的(未確認的)OOS率、穩(wěn)定性失效率、一次成功(返回、重新加工)率、年度產品回顧按時完成率、偏差重復發(fā)生率、CAPA有效率、偏差發(fā)生率、物料進廠檢驗率。

　　2)通過大模型建立質量管理數(shù)據(jù)的物聯(lián)網(wǎng)

　　確保以上數(shù)據(jù)可以實時采集，同時判斷質量可能存在的問題。

　　3)建立以上指標的分析、可視化庫

　　通過AIGC來讀懂多模態(tài)的工藝過程，;或者通過預測來顯示后面的指標變化造成的問題，幫助員工來理解如何控制質量。

　　4)過程分析GMP工作

　　形成風險的指標成熟度(風險中臺)、質量成熟度(質量目標中臺)，分析統(tǒng)一化：PHA、FTA、FMECA、FMEA、HAZOP、HACCP等，質量偏差、驗證管理的風險模型;對創(chuàng)新藥的風險累加模型進行設計，確保創(chuàng)新風險管控的正確性，可以讓研制人員有更好的風險管控意識。

　　產品缺陷檢測、產品質量分析、生產線監(jiān)控分析，如圖1所示，將大模型和AIGC進行系統(tǒng)級、算法級整合，來實現(xiàn)不同的應用。

　　增效明顯，但還存在不足點：質量感知不到位，質量管控的容錯率相對還是低，所以還是需要人為審核。

　　● 場景3：合規(guī)管理

　　描述：如何實現(xiàn)制造企業(yè)在法律法規(guī)的合規(guī)管理

　　要解決的問題有：合規(guī)的主要法律風險，制造企業(yè)各主要崗位要審查的法律合規(guī)流程，

　　1)建立合規(guī)法律大數(shù)據(jù)

　　國家法律法規(guī)數(shù)據(jù)庫：官方法律法規(guī)數(shù)據(jù)庫;中國裁判文書網(wǎng)：裁決書、裁定書、決定書等;由論壇、新聞、法條、司法解釋、法律咨詢、法考題、判決文書組成。隨后經過清洗、數(shù)據(jù)增強等來構造大模型的數(shù)據(jù)。

　　2)與合規(guī)性相關的業(yè)務過程

　　3)結合業(yè)務過程給出每一個業(yè)務的合規(guī)要求

　　在增效、合規(guī)全面性的同時還存在：1)如何更合規(guī)缺乏指導;2)合規(guī)案例相對欠缺;3)合規(guī)變化大，法律標準經常幾年會更新，之前的案例會不準確。

　　● 場景4：安全生產

　　描述：如何確保生產車間不出事故

　　要解決的問題有：哪些是會出事故的危險源，如何確保危險源的風險，確保不出事故。

　　1)建立安全生產大模型

　　建立危險源、風險識別、風險管控等知識庫，構建大模型

　　2)AIGC用于培訓教育、風險檢測

　　3)監(jiān)測全員不出事故

　　還存在以下不足：1)大模型的風險不全、不深;2)風險數(shù)據(jù)更新不及時，難以有效監(jiān)管;3)AIGC對風險的理解還不夠，培訓效果打折扣。

　　● 場景5：創(chuàng)新升級

　　描述：制造業(yè)轉型升級

　　問題：設計出有行業(yè)競爭力的產品、可行的商業(yè)模式及支撐

　　1)建立需求+問題+專利大模型

　　2)預測創(chuàng)新趨勢

　　3)創(chuàng)新產品的大致商業(yè)模式構建

　　效果不明顯，主要在：創(chuàng)新趨勢相關性數(shù)據(jù)少，行業(yè)發(fā)展需要有基礎和顛覆性技術的符合性依據(jù)。

　　● 場景6：綠色低碳

　　描述：制造業(yè)占了碳排放的30%，有必要進行降碳

　　問題：制造業(yè)如何節(jié)能降碳

　　1)建立能耗、生產過程、工藝大模型

　　2)給出設計時的降碳綠色建議

　　效果不明顯，只有有限的做法，因為受限于能源、設備等。

　　大語言模型和AIGC的結合，形成各種可以組合的形態(tài)。

　　隨著人的能力從勞工、人事到人力資源，再到智能化輔助的數(shù)智人，現(xiàn)代管理100多年的歷史，進入到數(shù)智化時代，尤其是通用人工智能時代，目標的管理智能十分重要。

　　從信息化時代的目標：合規(guī)設計、精益管理;到數(shù)字化時代的目標：財務全面內控、卓越績效;再到通用人工智能的目標：全面風險、全員盡責。

　　通過對所有的人、物、環(huán)境、管理風險源的全面梳理，整合到全面風險中的風險時空中，實現(xiàn)風險動態(tài)指標化，通過管理手段的映射，從風險時空進行技術、管理、文化派生到責任時空中，責任時空中再實現(xiàn)“人人有責、人人盡責”的機制，同時再根本履責缺陷來實現(xiàn)培訓、教育提升的機制。

　　可以實現(xiàn)目標指標、風險指標、責任指標、能力(素質)指標再到價值指標的指標智能。

　　實例可以讓每一個管理人員都具有數(shù)字化的領導力，通過不同的指標關系，快速顯示能力有缺陷的責任點及責任人，實現(xiàn)量化的科學決策。(具體實例可以參考責聯(lián)網(wǎng)體系)

　　通用人工智能的升級需要

　　3.1 可自我完善的AGI

　　通用人工智能：會分析問題，想象場景，理解瓶頸問題，給出瓶頸問題的原理，給出數(shù)據(jù)驅動的機理模型，形成可行的解決方案，并進行過程驗證，根據(jù)驗證結果再進行改進，對于復雜的，可以逐步驗證并及時修正。

　　對產品質量，到底是加工工藝引起的，還是加工過程管控不力累積引起的，還是原材料質量檢測不力，還是后續(xù)污染引起的，比如對創(chuàng)新產品就需要有這么一個通用機理+專用機理，可以用于智能分析和智能決策。

　　3.2通用人工智能的架構

　　通用人工智能目前還沒一個完整的藍圖，定義相關的可以參考附2。目前全網(wǎng)知識搜索的結果只有預測，并沒有清晰的路線圖，目前OpenAI對外發(fā)布的AGI也不清晰。但有一點有相當?shù)墓沧R，即通用人工智能是與意識相關的。

　　所以如何對意識進行建模是關鍵，ChatGPT的大語言模型提供了類似意識的能力，通過建立高維關聯(lián)，實現(xiàn)詞(Token)間的類似意識的能力。

　　意識最難建模的是其不確定性，而這個不確定性是分層級。

　　時間和空間的不確定性是相對固有的，不完全屬于意識空間，這屬于物自體空間的，有時候也稱為環(huán)境的不確定性。

　　其中感覺的不確定性，有視覺、聽覺、味覺、嗅覺、觸覺、味覺上的不確定性，可以形成對時空不確定性的疊加，比如太陽是圍繞地球轉的錯覺;情景上的不確定性，有動作、表情、情緒、內心想法等。

　　其中目標上的不確定性，則是為了完成某一動作、活動或協(xié)作所擬定的(多)目標(集)，影響目標完成的不確定性，有法律、法規(guī)、標準、制度、設備設施、環(huán)境方面的綜合影響。

　　其中價值上的不確定性，則是人的能力、價值觀上的不確定性。

　　能表征不確定性就可以很好地表征意識，但窮舉了目前已有的建模機制或算法都很難表征。參考ISO31000-2018和GB/T 24353-2022對風險的定義為：影響目標的不確定性，以及如圖8所示現(xiàn)代風險管理的歷程，可以列出如表2所示的風險和不確定性的對應關系?；敬_定用全面風險來建模意識會是當前最佳選項。

　　風險可以分為人的風險、物的風險、環(huán)境的風險、管理風險、協(xié)同風險和文化風險。當然協(xié)同風險也可以認為是人的風險。

　　于是綜合以上，通用人工智能的架構所示，形成從感覺智能、情感智能、管理智能再到責任智能的多級AGI能力架構。

　　可以認為大語言模型(LLM)如Llama是助理級別，形成了通用人工智能的世界智能基座，當然目前的世界知識基座還是不夠支撐，比如實時更新能力、學習能力、糾錯能力、幻覺控制等能力不足，這些不足能力又形成了AGI世界知識的風險;而AIGC + Llama(包括輸入、輸出)則具有了高級助理的能力，使得各種輸入不限于文本，還有圖像、視頻、聲音、味道、觸覺等，同時輸出時也可以采用這些媒介，使得溝通機制更多樣化，尤其是通過世界知識處理后，能快速實現(xiàn)較好效果的功能，有明顯的增效、降本效果，世界知識深入溝通后還可以有提質之效。

　　情感智能級，也是加入了情感計算，包括動作/行為的識別、表情識別、情緒管控、內心想法判斷等，實現(xiàn)了以人為本式的激勵機制，所以可以用于執(zhí)行或落實任務這一層級。也開始正式進入到通用人工智能的低層級。

　　管理智能級，實現(xiàn)了目標的管理風險的指標化，同時可以集成上面的人、物、環(huán)境的風險，形成崗位能力匹配的風險清單和責任清單，并實現(xiàn)人的能力的提升，以及價值的更好實現(xiàn)。是通用人工智能的中級能力。

　　責任智能級，則可以實現(xiàn)目標的風險自動化、全員盡責輔助自動化。創(chuàng)新、文化等也形成為相應的目標。且在一定程度上可以實現(xiàn)自動盡責，這就形成了具身智能。是通用人工智能的高級能力。

　　發(fā)展趨勢

　　4.1 盡責學習

　　為了實現(xiàn)目標、價值不確定性的學習機制，從而將感知智能形成為通用人工智能的高階認知智能。

　　需要將當前各種學習機制進行大一統(tǒng)，需要將表1的風險知識庫通過深度學習形成可靠的風險大模型，其中就有目標、價值的認知智能，而這一塊定義為盡責學習。

　　實際使用時，可以定義多個目標，自動生成履責的風險、責任清單，以及相應的指標內容，如圖10所示，可以實現(xiàn)全員的輔助盡責。

　　4.2 具身智能

　　在上一節(jié)的基礎上，可以輔助人工盡責，則通過對硬件設計后，也具有擔責能力，而這就具有了法律意義上的履責身份可能，如圖11所示，就形成了不同履責能力的具身智能(軟硬件一體)。

　　具身機器人(包括車、船、飛機等)實現(xiàn)具身型，也是真正可以與人在技術、管理、文化上進行協(xié)同。

　　4.3 認知型芯片

　　芯片也可以從信息型，向認知型發(fā)展。

　　附1、當前的政策解讀

　　北京市人民政府辦公廳于2023年5月印發(fā)《北京市促進通用人工智能創(chuàng)新發(fā)展的若干措施》的通知。2023年6月26日《人民日報》刊登文章：中共中央政治局會議指出，要重視通用人工智能發(fā)展，營造創(chuàng)新生態(tài)，重視防范風險。

　　2023年6月14日歐洲議會投票通過了關于《人工智能法案》的談判授權草案。這是歐盟準備針對ChatGPT等應用的人工智能法規(guī)，旨在確保人工智能系統(tǒng)(AI)受到監(jiān)管，決定如何對人工智能應用進行分類，以及什么樣的活動不被允許。該法案將嚴格禁止“對人類安全造成不可接受風險的人工智能系統(tǒng)”，包括有目的地操縱技術、利用人性弱點或根據(jù)行為、社會地位和個人特征等進行評價的系統(tǒng)等，涉及安全、透明度、隱私和人力監(jiān)督等方面的問題，有著直接禁止的人工智能用例的明確清單。

　　附2、AGI定義與大模型

　　通用人工智能(AGI)指的是一種理論上的形式的人工智能，具有全面理解、學習和應用知識的能力，與人類智能在各方面上都相當或者超越。這種類型的AI能夠理解、學習和應用其在一個領域學到的知識到任何其他領域。

　　通用人工智能的定義還有：是指達到或超越人類水平的、能夠自適應地應對外界挑戰(zhàn)的、具有自我意識的人工智能。

　　通用人工智能與當前存在的人工智能(通常被稱為弱人工智能或窄人工智能)有很大的不同。當前的AI系統(tǒng)通常在一個非常特定的任務或一組任務中表現(xiàn)出超人的性能，例如圍棋、語言翻譯、圖像識別等，但它們缺乏在一個任務上學到的知識應用到其他任務的能力，也沒有真正理解它們正在做什么的能力。

　　當前火熱的GPT等大模型仍然是一種窄人工智能(Narrow AI)或特定人工智能(Specific AI)。它們被訓練來執(zhí)行特定的任務(在這種情況下是生成文本)，而并不具有廣泛的理解能力或適應新任務的能力，這是AGI的特征。

　　然而，GPT和AGI的關聯(lián)在于，GPT是當前AI研究為實現(xiàn)AGI所做出的努力中的一部分。它表明了預訓練模型的潛力，并給出了一種可能的路徑，通過不斷增加模型的規(guī)模和復雜性，可能會接近AGI。但是，這仍然是一個未解決的問題，并且需要更多的研究來確定這是否可行，以及如何安全有效地實現(xiàn)這一目標。

　　盡管GPT在生成文本上表現(xiàn)出了強大的性能，但它并不理解它正在說什么。GPT沒有意識，也沒有理解或意愿，它只是學會了模擬人類語言模式的統(tǒng)計模型。這是目前所有AI系統(tǒng)(包括GPT)與AGI之間的一個關鍵區(qū)別。

　　AIGC(Artificial Intelligence Generated Content / AI-Generated Content)中文譯為人工智能生成內容，一般認為是相對于PCG(專業(yè)生成內容)、UCG(用戶生成內容)而提出的概念。AIGC狹義概念是利用AI自動生成內容的生產方式。廣義的AIGC可以看作是像人類一樣具備生成創(chuàng)造能力的AI技術，即生成式AI，它可以基于訓練數(shù)據(jù)和生成算法模型，自主生成創(chuàng)造新的文本、圖像、音樂、視頻、3D交互內容等各種形式的內容和數(shù)據(jù)，以及包括開啟科學新發(fā)現(xiàn)、創(chuàng)造新的價值和意義等。

　　我們仍然遠離實現(xiàn)通用人工智能。實現(xiàn)這個目標需要解決許多重大的科學和技術挑戰(zhàn)，包括但不限于語義理解、共享和遷移學習、推理和規(guī)劃，以及自我知覺和自我理解。

　　《北京市促進通用人工智能創(chuàng)新發(fā)展的若干措施》給出的探索通用人工智能新路徑：

　　發(fā)展面向通用人工智能的基礎理論體系，加強人工智能數(shù)學機理、自主協(xié)同與決策等基礎理論研究，探索通用智能體、具身智能和類腦智能等通用人工智能新路徑。支持價值與因果驅動的通用智能體研究，打造統(tǒng)一理論框架體系、評級標準及測試平臺，研發(fā)操作系統(tǒng)和編程語言，推動通用智能體底層技術架構應用。推動具身智能系統(tǒng)研究及應用，突破機器人在開放環(huán)境、泛化場景、連續(xù)任務等復雜條件下的感知、認知、決策技術。支持探索類腦智能，研究大腦神經元的連接模式、編碼機制、信息處理等核心技術，啟發(fā)新型人工神經網(wǎng)絡模型建模和訓練方法。

　　附3、可工程化的人工智能

　　附3.1 AI工程化

　　AI工程化，按Gartner比較官方的定義，是“使用數(shù)據(jù)處理、預訓練模型、機器學習流水線(MLOps) 等開發(fā)AI軟件的技術統(tǒng)稱，幫助企業(yè)更高效的利用AI創(chuàng)造價值”?！爸悄芟鄬φ摗闭J為，AI工程化更簡單的理解，就是已經十分成熟的軟件工程將“軟件”擴展到AI后的一種針對AI開發(fā)特點的適配與進化，通過系統(tǒng)化、規(guī)范化、可度量地使用各種工程方法和工具，確保AI軟件能夠達到預期。

　　問題描述：

　　人工智能的核心是機器學習，機器學習目前最核心的是深度學習，目前都是缺乏一套完整的數(shù)理基礎，所以人工智能更多是一種大雜燴，而不是一個真正意義上的學科。

　　各種機器學習這幾年無論是理論上還是應用上，都十分熱，比如監(jiān)督式學習、增強學習、自監(jiān)督學習、無監(jiān)督學習、聯(lián)邦學習等不同的機器學習方法都在不同程度地進行算法完善、理論擴展，以及應用試水。但總的效果不是很理想，主要表現(xiàn)在：復雜工程化和產業(yè)化普及不了，性價比低下，效果不及預期。以AI換人目前完全做不到，無人工廠更多只是取代標準化操作規(guī)程，難于滿足市場競爭所需要的動態(tài)價值變現(xiàn)需求。

　　問題產生的背景：

　　學術界先提出，卡耐基梅隆大學軟件工程學研究所于近年啟動人工智能工程化研究，并聯(lián)合高校和工業(yè)界承擔了一項由美國官方機構資助的國家研究計劃;世界知名人工智能專家喬丹院士(Michael I. Jordan，美國科學院等三個院的院士)、邢波教授等認為人工智能工程化是一門新興的工程科學，是人工智能從理論學科到工程學科發(fā)展的趨勢。產業(yè)界如Gartner 連續(xù)兩年把人工智能工程化列為年度戰(zhàn)略技術趨勢之一，阿里云等企業(yè)把人工智能工程化視作將AI 變?yōu)槠髽I(yè)生產力的關鍵。

　　在2019年，由國際系統(tǒng)工程理事會(INCOSE)主辦的“系統(tǒng)工程的未來”(FuSE)研討會上，首次提出了“SE for AI”(又稱SE4AI)這一術語，來描述應對人工智能實際應用的挑戰(zhàn)所需要的工程方法與技術，這些挑戰(zhàn)主要被概括為三方面：AI系統(tǒng)本身的不可預測性、AI系統(tǒng)中新的故障模式、以及AI系統(tǒng)在可信和健壯性方面的不足。

　　2021年10月，在Gartner公司發(fā)布的《2022年十二大重要戰(zhàn)略技術趨勢》中，將AI工程(AI Engineering)列為未來三到五年 企業(yè)數(shù)字業(yè)務創(chuàng)新的加速器。

　　Gartner的研究表明，只有53%的項目能夠從AI原型轉化為生產。而AI 要成為企業(yè)的生產力，就必須以工程化的技術來解決模型開發(fā)、訓練、預測等全鏈路生命周期的問題。

　　AI工程的出現(xiàn)，正好能彌補這個短板。進一步，隨著AI大規(guī)模的“平民化”，應用場景的豐富會不斷催熟AI工程;而AI工程則會對場景落地提供關鍵支撐，相輔相成。

　　附3.2 AI與風險

　　美國國家標準與技術研究院(NIST)于2023年1月發(fā)布了《人工智能風險管理框架》(AI RMF)(以下簡稱《框架》)1.0版，可供相關組織設計和管理的可信賴和負責任的人工智能，旨在指導機構組織在開發(fā)和部署人工智能系統(tǒng)時降低安全風險，避免產生偏見和其他負面后果，提高人工智能可信度。

　　七國集團(G7)數(shù)字與技術部長會議的參會者于2023年4月30日同意對人工智能采取“基于風險”的監(jiān)管。但七國集團部長同時表示，此類監(jiān)管還應為人工智能技術的發(fā)展“保持開放和有利的環(huán)境”，并以民主價值觀為基礎。

　　歐盟于2023年6月通過《人工智能法案》草案，如附表1所示，在風險管控上比當前美國的更易于在技術規(guī)制上進行操作。

　　歐盟人工智能法案

　　美國人工智能權利法案藍圖

　　風險管控

　　對人工智能系統(tǒng)風險程序進行分級，分為不可接受的風險、高風險、有限風險、最小風險，并對不同風險程度采取不同的監(jiān)管措施

　　不涉及風險分級

　　技術規(guī)制措施

　　對于創(chuàng)建和應用人工智能技術的公司或企業(yè)，提案規(guī)定了在八種高風險領域范圍內使用人工智能技術，嚴格的防護機制，若企業(yè)違反規(guī)定將處以高達3000萬歐元的行政罰款或其全球年度總營業(yè)額的2%-6%，取兩者較高金融處罰。

　　在技術管理方面，僅陳述問題，并未給予實際規(guī)制措施