数据驱动的工业智能:现状与展望

新一代人工智能的迅猛发展,正在深刻影响全球新一轮工业革命。数据要素作为数字经济时代的核心要素,在智能制造应用需求和新一代人工智能的融合推动下正释放巨大价值。数据驱动的工业智能,尤其是以深度学习为代表的工业智能研究前沿,成为学术界和产业界的关注焦点。鉴于此,从工业数据全生命周期中数据预处理、数据建模、数据分析应用等各个关键环节出发,从各维度分析了数据驱动的工业智能,尤其是基于深度学习的代表性新理论与新技术。同时,深入探讨了面向智能制造的典型应用。最后,指出了数据驱动的工业智能研究领域面临的挑战和未来发展方向,这将为基于新一代人工智能的工业智能这一新兴交叉研究领域的发展,提供重要的理论与技术支撑。

工业大模型:体系架构、关键技术与典型应用

随着新一代人工智能的发展,大模型(如GPT-4o等)凭借大规模训练数据、网络参数和算力涌现出强大的生成能力、泛化能力和自然交互能力,展现出改变工业世界的巨大潜力.尽管大模型已在自然语言等多个领域取得突破性进展,但其在工业应用中的探索仍处于初级阶段,当前工业大模型的系统性研究仍属空白.工业应用中特有的异质数据模态、复杂多样的专业化场景、长流程的关联性决策、以及对于可信性实时性的高要求,使得通用大模型无法直接用于解决复杂的工业问题,亟需开展全新的工业大模型基础理论和关键技术研究.本文系统地探讨了工业大模型的挑战问题、概念内涵、体系架构、构建方法、关键技术与典型应用.从5个挑战问题的分析出发,提出了工业大模型的全新定义和体系架构;同时,提出了工业大模型的四阶段构建方法,阐述了工业大模型核心关键技术;然后,基于所提出的工业大模型6种核心应用能力,探讨了面向产品全生命周期的工业大模型典型应用场景,并给出了“基石”工业大模型原型系统在生成式人工智能方面的应用实例;最后,探讨和展望了工业大模型未来的研究方向和开放性问题.本文将为工业大模型这一全新研究方向的开辟与发展,提供基础理论、关键技术和行业应用的全面指导.