行业新闻

非常荣幸今天能够参加新能源数字峰会，与业内各位专家共同探讨工业领域中 AI 场景落地相关问题以及我个人的一些思考。我的报告主要包含四个部分。

一、AI 发展现状与趋势

首先，当前人工智能和大模型热度持续居高不下。自春节以来，DeepSeek 持续火爆霸榜，引发众多热议。今天，我看到许多前面的演讲嘉宾都介绍了各自企业或产品解决方案，并且均已接入 DeepSeek，在实际应用中取得了显著效果。我个人在工作中也经常使用大模型工具来优化文档，我们团队在编程、开发过程中同样会运用 AI 工具。由此可见，大模型已成为通用 AI 的新范式，引发了关于工业应用变革的广泛讨论。

随着应用场景的不断挖掘，AI 应用快速渗透。我认为，未来 AI 的价值将进一步凸显，场景创新也将推动应用加速发展。另一方面，AI 与传统研究、科学研究不断融合，颠覆了许多传统研究范式。正如第一位嘉宾介绍的，AI for science 在这方面已开展诸多探索，成果不断涌现。

我认为 AI 工程化能力至关重要。据报道，Gartner 将人工智能工程列为年度战略技术趋势之一，它是人工智能转化为生产力的关键。我们不仅要关注大模型部署，更需重视开发平台工具体系建设以及模型管理等工作。

二、工业 AI 的现状与挑战

相较于其他行业人工智能技术的突飞猛进，工业领域的人工智能技术赋能进程相对缓慢。尽管工业迫切需要人工智能技术实现智能化转型，但工业 AI 与通用 AI 在创新重点上存在差异。许多高价值场景通常集中在与机理深度融合的领域，如设备预测性维护、生产过程智能控制优化、质量智能监测等。

目前，大模型大多集中于问答、交互、内容生成等提升效率的领域，在上述高价值场景中仍存在幻觉和专业性不足的问题。由于工业场景对精度和安全性要求极高，使用大模型面临诸多挑战。

另一方面，专用小模型生命力强劲，与工业机理深度融合后发展迅速。以我的团队为例，我们一直从事视觉检测工作。我认为，工业视觉检测数据较易获取，成果也较为显著。与人工检测相比，人工检测存在个体差异，导致对质量标准的判定不一致，且因主观因素可能产生漏检或误检风险。而基于 AI 的视觉检测能够自动提取特征，在识别复杂表面不规则缺陷方面远超人类。因此，它在处理背景复杂、缺陷微弱的工业图像时表现卓越，在智能运维、检测等多个领域广泛应用。

当然，在工业智能化转型过程中，仍面临定制化开发难、模型复用难等痛点，这在离散制造型企业中尤为明显。例如，在数据方面，工业场景下的高质量数据集极为稀缺。在许多情况下，企业开展 AI 应用需要专门成立数据采集团队进行数据采集和标注，这极大地限制了企业开展 AI 应用的步伐。

此外，每个企业的生产、管理所使用的设备和流程各不相同，场景碎片化严重，对 AI 的需求多样。跨场景后，训练样本改变，需开发相应的检测模型，导致开发周期较长。即便模型部署应用后，随着产线、工况变化以及产品型号迭代，仍需对模型进行优化，难以实现快速复用。更为复杂的是，工业领域存在大量 Know - how 知识，尤其是与工业机理融合后，追溯质量缺陷原因、实现与产线的联调互动并符合生产节拍，都极具挑战性。

另外，面向未来工厂的极限制造和高端制造，工业视觉检测仍面临诸多亟待解决的挑战。比如，如何在少样本条件下实现工业微小目标的视觉检测。在工业场景中，许多检测目标极其微小，尺度远小于计算机视觉领域的常规物体，在这种情况下保证检测精度，技术上需要深入研究。此外，工业缺陷样本数量稀少，企业通常追求高良率，若缺陷样本大量产生，则意味着生产经营出现问题。样本少，部分样本数量有限，个别样本数量极少，这就需要解决样本的长尾效应问题，在技术上采取相应处理手段，在这方面我们也有一些自己的经验和方法。

三、上海电气的 AI 应用探索与实践

第三部分我想分享一下我们的探索。我来自上海电气中央研究院，上海电气是一家高端能源装备制造企业，业务涵盖智能制造、智慧能源、数字集成等领域，为客户提供各类绿色智能系统解决方案，业务遍布全球，包括电站、火电、核电、新能源（光伏、太阳能等）、工业自动化产品（机床、工业母机）、轨道交通、电梯、机器人以及环保医疗装备等。上海电气丰富的工业门类为 AI 技术在工业中的应用提供了丰富场景，也为我们开展 AI 技术研究带来诸多便利。

举几个案例，在焊缝缺陷检测方面，工业中有许多焊缝场景，如何检测焊接部位的内部缺陷呢？通常采用无损检测方法。这就如同医生借助 X 光、CT、磁共振等手段诊断人体器官病变，如今许多 AI 技术可辅助医师阅片，将三甲医院经验丰富医师的水平融入 AI，让基层医疗机构也能享受到专家级诊疗，避免漏诊。

我们也是如此。在电站高端装备生产线上，如果运行过程中放过缺陷，可能会引发事故，造成巨大成本和代价。因此，我们开发了智能阅片辅助软件，它能够自动识别焊缝部位拍片后出现的气孔、未融合、未焊透等内部缺陷，保障高端智能装备安全。由于检测数量庞大，每个工厂可能有二三十万张片子，人工阅片稍有疏忽就可能漏检，后果严重。该系统部署在现场近两年，从未发生漏检事故，检测效率极高，还可对历史片子进行筛选和复查，几分钟内即可筛查完所有历史拍片，为质量管控提供有力保障。

在工业中，还有许多清点密集堆叠物体数量的场景，也可借助 AI 实现。例如，在三角形容器中密集堆叠着约六七千根物体，以往在入库领料盘点时，采用简便估算方式，要求物体排列整齐，否则难以准确估算。如今，只需将物体放在 AI 视觉检测镜头前，或由 AGV 小车在送到检测桩前自动检测，即可精准得出数量，并运送到下一道工序。这个场景极具挑战性，因为 AI 视觉需要从几千上万个密集堆叠的物体中逐一区分，我们在算法上进行了大量创新。

在常规新能源领域智能化运维方面，利用无人机进行异物遮挡检测、红外检测，正如前面嘉宾介绍的数字仪表状态识别等，都具有重要的经济价值和意义。一方面，传统存量配电间众多，更换智能仪表自动采集数据虽方便，但会导致原有系统停电；而采用 AI 视觉检测则不会影响原有系统运行。另一方面，一个摄像头即可覆盖大片区域，在经济性和成本上更具优势。

此外，在字符识别方面，我们不仅能实现普通 OCR 识别，对于遮挡、歪斜的字符也有较高识别率；在裂纹检测、极细小表面缺陷检测等方面也有成果。还有在特定视窗内，通过摄像头视觉进行无人监测，可在恶劣工况下，对设备运行时的沸腾、雾化、气泡状态以及高度、电压、电流、功耗等数据进行多模态分析，判断设备是否处于正常运行状态。

四、工业 AI 发展模式思考与展望

鉴于工业领域目前以小模型应用为主的现状，我们思考如何提高模型复用率，因此正在开发工业 AI 数字底座，以数据为基础、模型为核心构建一站式开发体系。

我们将在各类案例中积累的数据汇集到智能数仓，将算法整合到算法工坊。随着大模型时代的到来，进一步推进大小模型结合。正如前面有人提到的 Agent，它在此有发挥空间。大模型在交互调度、任务理解与拆解方面具有优势，可用于调度和交互；小模型负责推理和执行。例如，对于三角形容器中物体数量统计场景，如果有一张钢筋图片需要统计数量，只需通过自然语言与智能体交互，大模型就能理解意图，自动调用底座上的统计数量小模型，并返回结果，无需重新开发系统，从而实现对以往工业案例的复用，形成大小模型协同的工作流，由大模型决策，小模型进行感知。

最后，简单总结一下我的思考。如今，AI 发展已广为人知，其意义和重要性不言而喻。但业内众多企业仍在探讨如何实现 AI 商业化成功与闭环。我认为，提高模型复用率是 AI 发展的关键因素。如果无法解决工业场景下的长尾问题，产品将过于碎片化，难以完善 AI 商业化价值闭环。每个场景都开发特定任务模型，必然导致重复研发，项目周期延长，企业和客户都难以承受，无法实现商业化成功。

随着大模型在多模态、语言模型等方面的发展，其在任务理解、意图识别、内容生成等方面能力显著增强。但工业领域需要的是能够反映物理世界的语义模型，更期望模型稳定运行，整合分散数据以提高效率。因此，我认为大模型决策、小模型感知的 Agent 形式可能是未来的发展模式。

大模型负责交互调度，小模型承担实际场景的推理和执行工作，并将结果反馈给大模型。二者相互协同进化，从而在工业领域形成一系列场景模型，或进一步积累形成垂直领域智能体。以上便是我个人的思考与感悟，再次感谢大家的聆听！谢谢！