然而,在谈论人工智能(AI)时,又不得不正视一个现状:尽管AI被寄予厚望,但目前真正将AI应用得好的案例并不多。在许多场景下,AI仅仅被用作一个简单的助手,如页面弹出的小应用,帮助总结信息或生成视频,其实际价值相对有限。这引发了人们对AI实际作用的质疑。
那么,AI是否会像前三次工业革命一样,彻底改变世界?如何保障AI的发展为智能制造赋能?在由企业网D1net、信众智(CIO智力输出及社交平台)和中国企业数字化联盟共同主办的“制造业标杆两会”之“2024全国制造业数智化大会”上,非夕机器人
CIO 刘歆轶发表了“建立人工智能管理体系,保障数智化发展”的实践分享,为行业提供了宝贵的实践启示与思考。
非夕机器人 CIO 刘歆轶
制造业与AI:从历史革新到未来颠覆
刘歆轶认为,目前,AI尚未带来显著的变革,这主要是因为其发展和应用仍处于初级阶段,真正的变革时刻尚未到来。
回顾历史上四次工业革命(蒸汽机、电力、信息技术、智能化)的脉络,可以看到,自2010年起,以虚拟技术、数字孪生、云计算等为代表的新技术,正在逐步改变制造业的面貌。虚拟现实、增强现实等技术被应用于设计和生产过程,机器人和无人机等自动化设备在工厂中发挥着越来越重要的作用。
展望未来,AI必将进一步颠覆社会和生活方式。随着技术的不断进步和应用场景的拓展,AI将在制造业中发挥更加核心的作用,推动生产效率的进一步提升和工厂布局的深刻变革。
从启动到成熟的发展之路
在探索人工智能的整体发展状况时,不得不提及一个关键的概念——“技术成熟度曲线”。这一曲线将某个新技术的发展划分为五个阶段,形象地揭示了该技术从诞生到成熟的演变过程。
第一阶段:技术启动。当某个创新的技术首次亮相,它往往会吸引大量的关注和追捧。这一阶段的特征是技术的初步探索和概念的形成。
第二阶段:期望膨胀。随着技术的不断发展和媒体的炒作,公众对该技术的期望迅速上升。然而,这种期望往往超出了技术当前的实际能力,形成了一个“期望的山峰”。
第三阶段:失望谷。当该技术无法完全满足过高的期望时,人们开始感到失望。这一阶段,技术面临诸多挑战和质疑,许多项目因难以落地而被迫放弃,技术似乎跌入了“失望的谷底”。
第四阶段:爬坡阶段。对于那些真正有价值的技术来说,它们并不会在失望中消亡。相反,它们会经历一个艰难的爬坡阶段,通过不断的改进和优化,逐渐找到实际应用的场景,并逐步走向成熟。
第五阶段:生产力高地。最终,技术达到了“生产力高地”,成为广泛应用的成熟技术。在这一阶段,技术不仅稳定可靠,而且能够为社会带来显著的效益。
目前,人工智能相关的技术大多仍处于第一阶段和第二阶段。尽管有一些技术如计算机视觉、知识图谱等已经相对成熟,并在某些领域得到了广泛应用,但整体来看,AI的发展还有很长的路要走。
值得注意的是,AI技术对社会的影响还远远没有达到被高度重视的程度。这其中一个重要的原因是,目前还没有与AI技术相配套的完整设施。如果把AI技术看作是一个孤立的“发动机”,而忽视了与之相配套的“飞机设计”、“航线管理”、“通讯系统”等,那么这个“发动机”将无法真正发挥其应有的作用。
因此,从系统的角度出发,全面考虑AI技术的应用场景、配套设施、规章制度、人员培训等方面的问题,才能够让AI真正发挥其应有的价值。这是一个需要长期努力和不断探索的过程。
专业细分引领未来,广泛应用创造价值
刘歆轶表示,在当今科技日新月异的时代,AI领域正经历着两场深刻的变革,引领着未来的技术风向标。
首先是从“大而全”到“小而精”的模型演变。曾经,大模型堪称AI界的明星,凭借强大的计算能力和广泛的数据覆盖,成为众人瞩目的焦点。无论是科研探索还是商业应用,大模型都扮演着举足轻重的角色。然而,未来的趋势却悄然指向了“多个模型,专业细分”的方向。
微软、苹果、英伟达等科技巨头纷纷推出自家专属的AI模型,这些模型不再追求大而全,而是专注于特定领域,追求小而精。以苹果最新发布的iPhone 16为例,其AI架构便包含了三层:内置小模型负责即时响应,苹果自研大模型提供深度支持,同时开放接口接入第三方大模型,根据任务需求智能调度,实现效率与效果的双重优化。
这一趋势预示着,未来的AI应用将更加贴近生活,专业领域的小模型将如毛细血管般嵌入各类设备,从智能家居到工业生产线,每个角落都将闪耀着AI的智慧之光。
第二个趋势是从“盆景”到“风景区”的应用拓展。如果说当前的AI应用还只是一盆精致的盆景,那么未来,它将成为一片广袤无垠的风景,进而发展成为带来经济效益的风景区。
现有的AI技术,如ChatGPT,虽已展现出惊人的文本生成能力,但其应用场景仍相对局限。未来的AI,将不再满足于简单的文本或视频输出,而是要将智能力量融入社会的每一个角落,让AI成为推动社会进步的重要引擎。
正如业内专家所强调的,AI的目标是将“风景”变成“风景区”,即让AI技术广泛应用于各行各业,创造实际价值,推动经济社会发展。未来,AI将与日常生活深度融合,从冰箱到洗碗机,甚至家中的每一个角落,都可能成为AI展现智慧的舞台。
全方位赋能制造业,重塑产业生态格局
在制造业转型升级的浪潮中,AI技术正逐步渗透至行业的每一个角落。从产品设计的初稿勾勒,到生产线的精密制造,再到物流运输的精准调度,乃至售后服务的细致入微,AI小助手、设计助手、运营助手等智能角色正全方位融入制造业的全产品生命周期管理。
在这场变革中,AI不仅提升了各环节的运作效率,更以自动化的数字能力,助力企业构建起智能化的运营管理体系。无论是财务后台的精细化管理,还是企业资源的优化配置,AI的嵌入都使得原本繁琐复杂的流程变得井然有序,实现了数据驱动的决策支持,让企业管理更加科学、高效。
更为深远的是,AI技术正在重塑制造业的生态格局。传统上,企业与上下游的合作往往基于偶然因素,缺乏深度挖掘与协同。而AI的引入,则如同一条智能纽带,将供应链上下游紧密连接在一起。通过AI对大数据的深度分析,企业能够发现之前未曾察觉的业务关联,挖掘出潜在的商业价值,从而构建起更加稳固、多样化的生态系统。这一变革不仅增强了企业间的协同效应,更促进了产业链上下游的资源优化配置,为制造业带来了前所未有的发展机遇。
AI技术背后的多重风险与挑战
刘歆轶指出,在AI技术日新月异的今天,其背后隐藏的安全风险不容忽视。从数据安全到语料安全,再到算法与模型的潜在问题,乃至社会伦理的深刻挑战,每一环节都值得深入剖析与警惕。
数据安全风险:全生命周期的隐忧。在AI的全生命周期中,数据安全始终是一个悬而未决的难题。尽管传统安全手段在一定程度上能够缓解风险,但面对AI领域的复杂性与多变性,这些手段往往力不从心。数据泄露、篡改等安全隐患,时刻威胁着AI系统的稳定性与可信度。
语料安全风险:标签化的双刃剑。语料作为AI训练的重要基石,其质量与安全性直接关乎AI的输出效果。然而,从互联网海量数据中提取并标签化语料的过程,不仅耗时耗力,更隐藏着巨大风险。一些企业为追求效率,不惜采用低成本的人力标签化方式,甚至引发“血汗工厂”的争议。此外,语料采集的广泛性与多样性,也可能导致输出结果的偏差与失真,进一步加剧风险。
算法与模型风险:决策的未知领域。算法与模型是AI的核心,但同时也是风险的聚集地。不良信息的传播、可解释性的缺失、伦理偏见的潜藏,都是算法与模型需要直面的挑战。在追求性能与效率的同时,如何确保算法的公正性、透明性与可解释性,成为亟待解决的问题。
社会伦理风险:价值观的碰撞。AI的价值观与人类价值观的一致性,是AI技术能否被社会广泛接受的关键。然而,伦理的多元性与文化背景的差异,使得这一目标的实现困难重重。不同国家、不同民族对于伦理的理解与界定各不相同,这可能导致AI在决策过程中产生与人类社会伦理相悖的行为,进而引发社会争议与冲突。
可解释性风险:黑盒决策的隐忧。AI决策的黑盒状态,是当前AI技术面临的又一重大挑战。当AI做出的决策无法被人类理解或解释时,其可信度与接受度将大打折扣。这种不可知的决策过程,不仅可能损害用户利益,更可能对社会稳定与安全构成潜在威胁。
鲁棒性:AI的脆弱一面。AI系统在面对外界攻击时,可能会表现出令人担忧的鲁棒性。这种脆弱性源于系统对逻辑审查的绕过,使得攻击者能够利用巧妙的话术或策略,诱使AI做出不符合预期的行为。这种风险不仅关乎数据的安全,更可能触及法律与道德的底线。
知识产权:AI创作的模糊地带。AI生成内容的知识产权问题,是当前法律与科技界争论的焦点。从伦勃朗画作的复制,到网站生成的无版权人脸,再到猴子自拍引发的法律争议,一系列案例揭示了AI创作与知识产权之间的复杂关系。目前,由于西方采用案例法,AI生成的内容大多不被视为受知识产权保护的作品。然而,这一现状正面临着越来越多的挑战与质疑,未来如何平衡AI创作与人类的知识产权,将是一个亟待解决的问题。
实体风险:AI识别系统的安全隐患。AI在实体世界的应用,如自动驾驶汽车、智能识别系统等,同样面临着严峻的安全挑战。从穿错T恤导致的误识别,到激光笔攻击造成的交通混乱,再到不透明胶带引发的识别错误,这些案例揭示了AI识别系统在特定情境下的脆弱性。这些风险不仅可能危及个人安全,更可能对社会秩序造成严重影响。
内容准确性:AI理解的局限。AI生成的内容往往缺乏精确性,其背后的原理是基于概率学的字词关联,而非对语境的深入理解。这种局限性导致AI在面对具体、准确的问题时,可能会给出错误的答案。未来,随着因果推理技术的发展,AI有望真正理解世界的逻辑,从而提供更加准确、可靠的输出。
构建AI标准体系,助力技术规范发展
随着AI技术背后的安全与管理问题日益凸显,且各领域各自为政的现状,使得AI技术的规范与发展缺乏统一的指导与监督。为此,ISO组织成立了专门的42小组,致力于构建全面的AI标准体系,为AI的健康发展保驾护航。
ISO 42小组制定的AI相关标准,其框架涵盖了基础标准治理、风险管理、影响评估、质量管理等多个关键领域。自成立以来,该小组已推出了31项标准,为AI技术的规范应用提供了有力支持。其中,2023年12月推出的ISO 42001标准,更是标志着AI标准框架的正式确立,为AI系统的全面管理提供了整体公认的框架标准。
ISO 42001作为AI管理的整体框架,旨在全面评估AI系统对个人、小群体及社会可能产生的影响,不仅与其他标准存在紧密的关联与继承关系,更将影响并引导未来AI相关标准的制定。
与ISO 27001安全认证类似,ISO 42001也将成为AI系统安全性的重要认证依据。通过这一认证,企业可以证明自己的AI系统符合公认的安全标准,从而增强用户与合作伙伴的信任。这种可认证性,不仅有助于提升AI系统的可信度,更为AI技术的广泛应用奠定了坚实的基础。
ISO 42小组在制定标准的同时,还高度关注AI风险的管理与最佳实践的提炼。其目录A+B页列出了AI风险相应的控制目标及最佳实践,为使用者提供了具体的操作指南。此外,附录C页更是列出了8个不同的风险源,帮助使用者识别并应对AI技术可能带来的各种风险。
总之,ISO 42小组及其制定的AI标准体系,正为AI技术的规范与发展提供着强有力的支持。通过ISO 42小组的努力,AI技术将更好地赋能制造行业,推动其向更加智能化的方向发展。同时,这一标准体系也将助力构建更加可信、安全的AI环境,为AI技术的广泛应用创造有利条件。