主要观点总结
文章介绍了工业大模型的发展状况,包括其本质特征、在工业的应用情况、发展进度以及面临的挑战。
关键观点总结
关键观点1: 工业大模型的本质及特性
工业大模型是由参数化数学函数组成的计算系统,是概率模型。具有不可解释性和幻觉不可消除等主要特征。
关键观点2: 工业大模型的应用情况
工业大模型正在逐步应用于工业领域,部分场景已经具备向基础大模型投喂数据原料的可行性。目前主要聚焦在偏运营的、具有一定容错能力的场景,如知识问答、辅助设计/代码生成等。
关键观点3: 工业大模型的发展进度与预期
工业大模型的进程可能快于工业互联网,受限于大模型本身能力的进化。工业大模型的玩家与工业互联网平台玩家重合度高,市场产品、服务、落地场景都处于探索阶段。
关键观点4: 工业大模型面临的挑战
工业大模型面临诸多挑战,如模型、数据、应用和商业变现等。具体竞争要素包括基础能力、模型能力和模型应用。大小模型间不存在替代关系,而是并存且协同融合赋能的关系。
关键观点5: 工业大模型的未来发展趋势
未来随着大模型流量入口特性明朗,工业大模型有望独立成产品。服务平台化特征显现,采用垂直行业大模型+智能体+小模型+机理模型为主的平台化调用方案。
文章预览
工业大模型伴随着大模型技术的发展,逐渐渗透至工业,处于萌芽阶段。 就大模型的本质而言,是由一系列参数化的数学函数组成的计算系统,且是一个概率模型,其工作机制是基于概率和统计推动进行的,而非真正的理解和逻辑推理,因此,当前大模型具有不可解释性和幻觉不可消除等主要特征。就大模型落地工业的情况而言,工业互联网、等工作已经让部分工业企业遍历了数据采集-数据存储-数据处理-数据分析-数据资产沉淀-数据应用的过程,部分场景已经准备好了向基础大模型投喂的“数据原料”,当经过简单数据处理、微调、适配后,可以解决部分垂直细分场景问题,具有落地可行性。就工业大模型的发展进度而言,工业大模型与工业互联网一样,都是要挖掘数据资产的价值,而数据准备的阶段性工作在工业互联网时期大部分已经准备好
………………………………