AI在工业软件中的创新应用是个热门话题。今天有幸做评委，从参赛项目中学到了一些东西，也引发了我的思考，让我深信技术发展是有规律的。规律的表现之一，是项目类型比较集中。特定类型的项目成为热点，往往有特定的机会做支撑。正如我在创新课上常讲的：认识机会，才能找到合适的创新项目。

首先，模式识别类项目（重点是图像识别）所占的比例很高。大约四分之一的项目与图像识别有关。这个热点大概持续了10多年了，是伴随深度学习产生的机会。至今仍然是重要的应用领域。这类技术主要用于缺陷识别和故障诊断。

其次，接近四分之三的项目与研发设计等工作有关。这部分项目中，大约一半CAD、CAE等工作有关。这部分项目往往涉及到大的计算和存储量，机会的产生与计算能力增强有关。剩下的一部分与大模型有关，是今年刚刚开始的，与DeepSeek开源的机会有关。在我看来，大模型在这些项目中的主要用途本质上是知识管理。这两部分做得好的项目，往往是很好地梳理了业务流程，进而把技术与业务流程深度绑定。这样，知识就不是知识库里面的“死知识”，而是在解决业务问题时应用的“活知识”。

还有个别项目是把大数据和ＡＩ结合。在国外，Palantir成为热点后，国内很多企业都自称是中国的Palantir。但在我看来，国内企业的认识基本上都停留在皮毛阶段。Palantir之所以有价值，是因为提升了分析过程的效率。有人可能会说：遇到问题时，编个程序就可以分析出来了，计算机的效率很高啊？ 其实，所谓的效率问题，指的就是“编程”这个过程的效率低。编程的过程效率为什么会低呢？要看针对什么问题了。有些问题是突发的，个性化原因引发的，前提是需要个性化的分析问题。而且，人们对解决问题的时效性要求很高。传统的编程根本来不及。这就好比，高铁速度很快。但是，要马上到达一个没有高铁的地方，不能先修高铁再坐高铁过去。这些问题需要进行探索性分析，需要层层递进的分析过程，而不仅仅是自动地统计若干数据。故而不适合用编程的办法解决。这时候，AI就可以起作用了。起作用就是快速提高分析效率。

几年前，我曾经私信国资委领导，认为AI应用的机会主要会出现在三个方面：1、与图像识别相关的问题。因为深度学习等技术的进展，解决了传统技术无法解决的“感知到认知”、“信号到信息”的难题，弥补了传统自动化的短板，是个重大的机会。一般来说，人们对质量和管理要求越高，这类技术的需求就越大。2、远程化与AI的结合。这类机会与5G、AI有关。这次大赛中，没有出现这类技术。这是因为大赛的口径问题，不是针对这类问题。3、AI与研发设计、采购销售、生产管理等问题的结合。其本质是彻底摆脱知识工程的困境，往往是通过人机结合解决问题（而不是用在自动化上）。这类技术的机会主要与大模型有关。

我还发现，现在的项目往往存在普遍性的问题。这些常见的问题包括：

首先是产品意识差。什么是产品意识？就是开发出来的东西可以作为产品去卖。这样，技术就要适合各种应用场景的变化，而不能每次都个性化开发。开发出的东西不能仅仅适合理想的工况，要稳定抗干扰，要适合生产过程中场景的变化。比如，工厂的产品可能经常变化。如果产品变化时需要对软件或算法重新修订，就会对用户带来很大的麻烦，就难以做为产品推广。

其次是项目内容不够聚焦。要把一件事做好，一定要聚焦特定的场景和问题。聚焦以后，做的工作才会有深度、才会有特长。这样，用户就会觉得技术是“雪中送炭”而不是“锦上添花”。反之，就会让用户觉得平谈无奇，什么问题都涉及、什么问题都解决不了。深度聚焦的特征之一，是让人的参与尽量少。在人机合作的过程中，人的参与往往是工作的“断点”。断点多了，就难以发挥计算机算力强大的优势。如果不聚焦，就无法消除人类工作的断点。

第三是手段与目标的关系混乱。工程师做事的目标是解决实际问题，不是为了尝试应用某个先进技术。从解决问题的角度看，所用的方法一定是“以简为优”，而不是方法越先进越好。如果为了应用先进方法而影响应用，是非常不合适的。所以，AI的滥用也是要防止的。

最后是巧妙的设想比较少。什么是巧妙？巧妙往往是用数字化技术促进业务模式的创新。这类创新往往需要有想象力，是以技术和业务的深度融合为基础的。其关键是提出和策划问题。这一点，往往是我国科技工作者所缺少的：我们善于模仿和跟随，却不善于真正的创新。

这四点，往往与我国的企业缺乏创新经验有关。

来源：微信号 蝈蝈创新随笔

作者：郭朝晖

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。