划重点
01人工智能在工业场景落地面临挑战，如可靠性要求更高、行业性以及安全性问题。
02专家认为，先进入辅助非核心生产环节，再进一步过渡到生产环节可能是较为合适的路径。
03企业家们讨论如何将人工智能与工业生产相结合，实现智能化转型升级。
04此外，AI安全问题备受关注，全球政府和机构都有意愿进行监管，但尚未达成一致。
05专家建议中国积极参与全球标准制定讨论，为每个行业构建特定的智能系统和特定技术。
以上内容由大模型生成，仅供参考
尚不够可靠的人工智能（AI），如何更好助力工业化智能化转型升级？
11月5日，在第七届虹桥国际经济论坛人工智能赋能新型工业化分论坛上，2007年图灵奖得主约瑟夫希发基斯在主题演讲表示，人工智能目前仍专注于辅助，处于初期阶段，产业进化才刚刚开始。尽管取得了进展，生成式人工智能也有出色表现，例如ChatGPT，但这类大语言模型擅长回答宽泛问题，在面对非常具体的问题时可能无法提供准确的答案，可靠性不够高，无法实现完全智能，目前只有构建智能系统的积木，没有建立复杂智能系统的原则和技术。
他认为，人工智能的成功与否将取决于开发人工智能体和建立自主系统的能力，而现在面临的最大挑战是系统工程。因为人们必须引入、整合服务、电器、设备和人工智能系统，如何用不可信的部件组成可信的系统、混合架构，如何将符号知识和非符号知识联系起来，如何从设计时的正确性转移到运行时的正确性、具备适应性，以及系统验证等问题，都有待解决。
在圆桌对话中，多位企业家也就AI落地以及企业智能化转型升级进行了讨论。
人工智能赋能新型工业化分论坛圆桌讨论。澎湃新闻记者 秦盛 摄
科大讯飞副总裁、研究院院长、中国电子学会常务理事刘聪认为，AI在工业场景的落地面临三方面的挑战，首先是对可靠性要求更高，对稳定性、准确性的要求比一般场景更高。其次是行业性，工业中很多专业技术的基底模型，开发难度更大。还有安全性方面的挑战，要保证工业数据不会被非法获取，模型不会被篡改等。先进入辅助非核心生产环节，再进一步过渡到生产环节可能是较为合适的路径。
小米集团手机部副总裁、智能制造部经理许多表示，根据小米智能工厂的实践经验，要把数据当作非常重要的要素，如果数据的上行或者下行放到事后再考虑，有些断点将难以弥补。其次，工厂现在并不能实现完全的无人化，在落地时，需要考虑人和机器结合的关键的承接和转换环节是什么，怎么设定才能实现有效的转换。
许多举例称：“我们过去往往从运营的角度考虑，承接环节设得比较高，一般是工厂的厂长或者车间主任级别，他们去完成自上而下的承接和转换。今天来看，某种程度上可能想错了，我们在运营中看到，转换的关键环节可能是技术员，可能是线长，因为技术员和线长在维护机器的稳定运行，车间主任或者厂长只是在做价值管理，要接订单，谈价格，处理变化和异常，他把这些信息拿到之后再转化。”
商汤联合创始人、大装置事业群总裁杨帆表示，智能化的转型升级很重要的是时机的选择，企业自身的信息化水平，包括流程的标准化体系，以及各个环节、业务人员对于信息化、数据的感知和感受能力，都是智能化转型的基础，“就像最近几年很火的大语言模型，某种程度上我们叫认知智能，包括前几年的强化学习，未来还得有身体去感知世界知识”。
国家地方共建人形机器人创新中心首席科学家江磊表示，很多人喜欢把人形机器人归纳到科技产品，但从基建系统来说是当量多轴驱动的系统，“我们去了很多生产线，在这么高自动化的水平下，依然还有很多人类在整理线缆、柔性上下料以及布局很多柔性的贴片，这意味着我们现在的控制理论做不了。其实我们不需要设计人形，如果一个工厂的机械臂能达到60个自由度，就会产生很多柔性制造的环节，但现在的理论达不到。所以我们老说一句话，人形机器人是解决未来问题的，是很多学科的集大成者。用人形机器人可以把一个科学问题引出来，引出来以后再分解。如果我们把人形机器人看作是一个大自由度基建生产系统，我们的大模型具身智能可能会在生产线上产生巨大的作用。”
希发基斯表示，只有一个超越人类的超智能系统是不够的，因为人类的智能包含很多方面，必须通过结合不同类型的人工智能和信息通信技术来实现，目前人们并不知道如何做到这一点。要弥合自动化和自主性之间的差距还有很长的路要走，工业人工智能的发展也将需要新的科学和技术基础。
对于备受关注的AI安全问题，希发基斯认为，如今全球的政府和机构都有意愿进行监管，至于什么可以监管、什么应该监管，还没有达成一致，全球监管框架达成一致的可能性非常小，中国应该提出一个不同的愿景，不仅专注于对话式人工智能系统和其他类型的系统，还应该利用自身强大的工业基础，专注于每个行业的核心技术，从庞大而多样的工业基础中汲取大量数据，协同每个行业的国有企业，为每个行业构建特定的智能系统和特定技术。他表示，中国应该更多地参与到全球标准制定的讨论中来。
