赛意信息董事长张成康：AI时代下企业数字化来自于人机自然交互
本次会议，张成康分享了在生成式AI加成后，企业数字化平台的层次递进的变化，以及多个AI赋能企业应用系统、加强研发效率效能的实际案例。
交互方式重大提升 进入人机“对话时代”
过去企业的信息化实现经历了纸笔时代到代码+图形时代，目前AI带动下已然跨入“对话时代”。只具备基础计算机使用经验的操作员可以仅仅通过自然语言下达指令，内嵌到业务流程的AI工具会自动分析对话输入中的非结构化需求信息，自动提供实时的、上下文相关的提示，简化了用户界面。在展示的电子制造领域的工艺流程优化案例中，AI插件能够读懂电子工艺工程的需求，并智能解决文件格式不统一、工作量大和效率低的问题。这些对非结构化需求信息的处理能力，能减少人工解读文件的时间，大大解放工艺师的生产力。当前初步的测试测算结果显示，参数提取的时间可以从目前的小时级优化到分钟级，减少40%的人员需求。
从客户个性化需求到标准化可量产订单的生成一直是电子厂商在效率上需要突破的痛点，当前有望在AI的辅助下进入到拐点。从更广阔的生产制造范围可以看到，低门槛、高效率，不易出错的未来“所说即所得”式定制化生产模式悄然而至。
“未来的企业数字化来自于人机自然交互”
张成康认为，一种典型的AI落地实现路径的方法论应该是这样的：从人向机器设定作业目标开始，经过大模型处理目标请求并生成反馈、AI生成任务列表、和其他AI控制的内外部业务服务协作到处理并存储数据，AI自身会形成持续迭代任务的闭环能力。经过一系列的程序步骤，无论是开发聊天机器人等面向结果开放性的任务，或者处理结果确定性的任务（例如在供应链管理中，AI用于预测需求和库存水平，以确保及时和准确的供应），都能以精确、可靠和安全的方式达成。
未来随着AI的能力日新月异的进步，以及人们对AI能力的掌控认知逐渐提升，面向相对复杂的工业问题，不同场景中的应用价值可能会因AI+工业场景处于不同发展阶段，从而呈现较大差异性，但随着与物理化学、科学计算等更深层次机理的融合，有望产生巨大的创新价值。
AI智能研发辅助助力研发端快速落地产品
据介绍，赛意的谷神平台近期会发布融合了AI大模型的最新版本。从工业APP加速，到低代码平台能力升级两方面应用新的AI大模型技术。首先平台上下游企业大量的垂直行业知识经验，并基于此构建大量可复用的低代码开发模块和原理模型组件，能够为工业AI模型的训练奠定良好的基础，从而支撑工业APP的开发推广加速。其次基于AI能力提供代码自动化的帮助，用自然语言描述工程师想要的应用、流程或机器人，从创建组件到提供改进建议都能在更短时间内完成，使得他们能够更好使用低代码平台能力进行应用端开发。加强平台上的应用创建创新能力，降低应用开发成本在未来会成为主流趋势。
AI时代强者恒强 数据+场景洞察成壁垒
面对今年以来风起云涌的AI大潮，企业利用AI的强大能力讨论已经从“要不要”转变为“如何做”。以大语言模型为起点的颠覆性人工智能工具软件带来了更加智能化、自动化的交互模式变革，时代的进步点亮了人类科技树上生成式人工智能的分支，成为社会发展上重要的里程碑事件。
张成康指出，随着行业进入深度学习的时代，有大量的业务开始需要系统处理非结构化数据，并生成业务洞察。目前看到这次浪潮真正的变革来自于通用智能。通用智能是指机器具有面向目标的能力，能够自主决策，并调动复杂的软件系统。这意味着机器不仅能够执行任务，还能够理解和解决复杂的问题。但在实际生产环境中的一般规则的理解和调用还是需要结合工业现场的“人、机、料、法、环”等要素进行配置，工业生产要素的认知是业界核心护城河之一；另外海量的数据作为模型的原始训练素材如何进行可量度、标准化、标签化等价值输出，目前的落地路径还是掌握在多年持续服务制造业的技术服务商手中。头部厂商在数十年服务下游行业客户的过程中积累了海量工艺know-how数据，在AI大模型快速迭代发展的背景下有望率先挖掘过往数据价值为客户提供最佳工艺优化方案。
发展路径上，AI技术创新后，会按照技术创新-应用探索-工程化路径演化。AI技术创新和工业领域融合应用之间的滞后周期有望不断缩短。大模型的泛化能力经过行业专属数据的微调，监督学习等方式收敛锤炼成行业模型和场景模型，未来有望在具体的细分领域开展应用，产生大批量工业领域探索实例的时间应该不会太远。总体来说，对于行业内生态参与者、建设者，人工智能不仅是一种技术或工具，它更是一种推动制造业创新和变革的力量。