人工智能+的科研与发展基本上已经形成共识了，人工智能正在深入的改造传统的科研与工业的实践运行。不管是认为超前了，还是认为传统的应该坚持，不争的事实就是都在探索如何结合。

从广义的角度来说，任何需要人的思考决策推理的领域，其实都已经进入了人工智能延伸的触角范围内了。

就工业领域来说，传统上不管有没有现成的软件或者工具来支撑，凡事需要人来介入的，其实都是人工智能融合发展的目标领域。

人工智能对于工业业务领域的介入，目前看起来核心就是三个方面：数据或知识、模型与训练、智能体构建。

但是需要说明的是，人工智能不只是大模型。从应用效果来说，凡是之前需要人来介入并利用知识和经验进行思考推理解决业务问题的形式，如果建立了一套模型或者机制实现了自动的推理求解，其实都可以认为是某种形式上的“人工智能”。

对于数据和知识来说，任何工业业务领域，很难说之前没有研究的，应该都是有一些研究积累或者说成果知识的。这些东西还需要重新被发现吗？肯定是不需要的（现在的大模型其实本质上来说都是在重复发现或者总结，并且这种发现和总结没接触到实质性的知识，比如工业上强调的物性知识）。这些数据或者知识如何在人工智能当中得到充分的应用就是必然要解决的问题，这也是工业智能的特点。

人工智能的推理模型，本质上来说是一种概率性质的结果预测，这也是transformer以及基于这个机制的大语言模型等应用的核心特点。工业业务领域所积累的数据和知识，其实很大程度上是具有确定性的，人工智能的概率性推理其实本质上不确定性的，确定性或者不确定性其实与结果的正确性并不矛盾也不冲突。工业业务领域已经积累的数据或知识必须要能够融入到推理机制当中。不管是出于针对盲目的随机概率推理范围收缩？还是出于提高推理结果的正确性收敛？都是非常重要的。

工业智能下推理模型的构建必须面向具体的应用场景，最起码刚开始做的时候，越具体越好，也越容易着手，也才能够为后续的整合提供支撑，一屋不扫何以扫天下？推理模型构建的核心其实就是面向具体问题的建模（模型构建的意思其实就是建模）。对于一个模型来说，其实就是输入、转化与输出，其中转化就是最核心的。转化代表了推理机制，现有研究积累下的规则知识其实都是转化的具体体现，这些规则和知识其实都是确定性的。当前人工智能推理模型，本质上来说是不确定性的，是一种概率性质的结果预测，确定性的基于知识与规则的推理与基于数据关联的不确定性的结果预测，这两者之间的融合就是工业智能最为核心的内容。

其实可以从另外一个角度来看，现有的规则与知识，其实是广义上的数据关联的一种内在体现，可能是部分上的体现。但两者本质上来说是统一的。只是从表现形式上来说，现有的规则和知识是显性的，而数据关联内在的知识和规则是隐性的。

从方法论的角度来说，我们总希望有一个统一的机制，一劳永逸的甚至黑盒子傻瓜式的能够把结果推导出来，大模型似乎给了大家的期望。但对于工业领域来说，既有的规则和知识其实是应该充分沿用或者利用，尤其是不应该重新发现或者总结出来。其实现在的大模型也没有这种能力，这里说的这种能力是指发现新的规则或者知识，现有的达摩性技术更多的是在既有文本组合下的一种概率性的推论。如果要等待这样的大模型出现，那大模型就不是简单的现在这种回答问题应用状态下的大模型，而是可以涵盖所有专业技术领域已知和未知知识的大模型了，估计这个过程应该还是很遥远的（这也是大模型的一个未来发展方向，相当于可以指导进行科学发现之类的，现在应该还达不到这种程度）。

当然了，现有的规则或者知识，如果能够已经解决当前某个业务领域的问题了，其实也就没有什么人工智能大模型什么事情了。那我们现在遇到的问题就是，现有的规则或者知识，可能都是在某些限定条件下或者某种场景下可以得到计算结果的规则或者知识，可能对于一个业务问题的输入与输出来说，现有的规则和知识，可能只是某些方面，而不是全面的，这是第1个问题。第2个问题就是这些规则与知识如何能够耦合利用，构建一个模型，形成从输入到输出之间的一个转化机制，这应该是当前人工智能+的核心应用方式。至于说第3个问题，就是发现新的知识与规则，应该还是有待于大模型技术继续发展下去，才能够提供技术底座或者技术范式。

利用既有的规则和知识并且结合或者参考当前大模型数据关联的概率性结果推理得出，这是当前工业智能急需探索和应用的核心模式（上文的问题2）。这种模式不应该只是简单的规则或者知识的一种应用，或者类似解析方式的一种应用，而应该结合当前大模型数据驱动概率性推导形式的应用形态。如果说既有规则和知识是a，大模型数据关联的概率性结果推理是b，那这种融合方式就有两种： a融入b，或者b融入a。现在伴随着大模型技术的发展，其实更多的是体现为a融入b，相当于推理方式用的是b的这种方式，但在这其中考虑了既有规则和知识的运用，比如现在开展的知识图谱与大模型相结合的运行方式。但是对于工业智能来说，应该还存在一定的变数，或者说需要探索之处。

人工智能的推理方式，现在基本上还是基于transformer这种范式的。工业智能涉及到的专业领域推理求导的过程，如何从之前的解析式精准计算转变为数据驱动的概率性计算，其实这是最为核心的建模技术。不同的工业场景问题也是不一样的，我也在结合自己开展的工作进行琢磨和探索。但最起码可以预见的是，目前大语言模型的那套机制应该是不适合的或者并不能够包打天下，作为辅助融入到这个求解推理过程当中应该还是可以考虑的。

不管人工智能如何+，工业上各个业务场景的既有研究仍然是需要持续推动的，哪怕它看起来传统，但这是对于规则和知识的一种积累，是永远也不会过时的。人工智能只是提供了基于这些知识和规则推理应用的一种技术手段而已，但工业场景的规则和知识才是真正的源头。所以，一个结论就是：面向工业场景的智能推理应用还是要由深耕于工业领域场景领域的具有领域性专门知识和经验的研究人员来做，才是正途！为了技术而技术肯定是不可取的，也许有的工业业务场景问题的推理求解可能并不需要当前的人工智能大模型技术，这应该是很正常的现象，一切都是要面向工业业务场景问题得到解决才是该有的思考立足点。

来源：微信号  智能制造随笔

作者：王爱民

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。