聚焦WAIC丨對話華院計算宣曉華：追求規模本身並不是目標，特定場景小模型或能更加有效

21世紀經濟報道記者 董靜怡 上海報道

人工智能（AI）已成爲推動全球經濟社會發展的關鍵力量，大模型更是吸引了絕大多數的熱度，中國企業也在這波AI浪潮中廣泛投入。

《2024全球數字經濟白皮書》顯示，截至2024年，全球人工智能大模型1328個，中國佔36%。截至2024年一季度，全球AI企業近3萬家，中國佔15%。

而應用與產業落地是今年備受關注的重點。事實上，在智能製造、智慧城市、醫療健康、金融科技等細分領域，中國已經展現出強大的競爭力和創新能力。以智能製造領域爲例，中國企業正利用人工智能技術推動傳統制造業的轉型升級，提高生產效率和產品質量，降低生產成本和資源消耗。

然而，儘管中國在人工智能領域取得了顯著成就，但仍面臨着一些挑戰和問題。例如，在大模型的應用上，在與垂直行業的結合上還存在一些難點，如缺乏數據、準確性不足等，需要進一步探索和解決。此外，人工智能技術在一些特定領域的應用效果還有待提高，需要更多的創新和突破。

在2024世界人工智能大會上，華院計算創始人、董事長宣曉華在接受21世紀經濟報道記者採訪時表示，對於企業來說，最重要的是找到合適的應用場景，追求規模本身並不是目標。在一些特定的場景之下，小模型可以實現更低的成本和更高的效能。

“如果通過將特定行業的知識和專家經驗整合到人工智能算法中，可以減少對大量數據的依賴，同時提高準確度。”宣曉華表示。

中國人工智能發展潛力巨大

21世紀：當下中國人工智能的發展處於世界什麼水平？哪些細分領域處於引領的地位？

宣曉華：人工智能在中國仍具有巨大的發展潛力。中國擁有衆多人工智能相關人才，國家對人工智能的重視程度高，產業應用豐富。許多中國企業願意並善於將技術應用於工作和業務中。

從全球範圍來看，中國的人工智能潛力被普遍認可，中國對人工智能的重視和參與度在全球範圍內非常高，甚至超過了一些傳統發達國家。中國公司在這一領域不斷做出貢獻，特別是在產業應用方面，這些經驗有望複製到全球其他國家。

人工智能的應用通常基於大數據，因此，數據獲取較爲便利的領域往往發展較快。互聯網領域擁有豐富的語言和圖像數據，是人工智能應用較早的領域之一。中國的電商領域也較早地充分利用了人工智能資源。金融行業由於其業務高度依賴數據，信息化水平高，也是人工智能應用較早較快的領域。

城市管理和金融領域是人工智能較早和較快應用的領域。值得注意的是，一些大型製造企業，尤其是近年來，隨着全國推動新工業化和智能製造，許多工業企業，包括新能源汽車、鋼鐵等行業，開始大量採用人工智能技術。此外，醫療領域，尤其是與影像相關的領域，如癌症早期診斷等，也是人工智能應用較快的領域。

21世紀：華院計算在夯實底層技術的同時，也在爲智能製造、數字治理等多行業提供AI+行業解決方案，目前發現AI及大模型在與垂直行業結合上存在哪些難點？

宣曉華：人工智能在各個領域和行業的應用受到高度重視，通常被稱爲"人工智能+"。領域衆多，涉及千行百業。智能製造是華院特別關注的領域之一。中國作爲製造大國，如何利用人工智能提升智能製造的效益、降低碳排放，是重要的研究課題。

大模型在工業應用中面臨諸多挑戰。首先，大模型需要大量數據，而在工業領域獲取數據相對困難，與互聯網領域不同。工業領域的數據不僅較少，而且往往不適合或不願意在企業之間共享，這對大模型構成挑戰。因此，需要採用不同的方法來解決這些問題。

在數據治理和社會治理領域，人工智能的應用可能擁有更多數據。例如，法律領域的大模型可能相對更加積極。然而，大模型在這些領域也面臨挑戰，如準確性和推理能力。在法律問題上，需要極高的準確性和一定的推理能力。大模型需要克服所謂的"幻覺"，以滿足更高的要求，進行準確的推理和判斷。

21世紀：華院計算還關注哪些工業場景，如何推動這些領域的轉型和升級，以及您如何看待現在新型工業化發展的現狀和未來的前景？

宣曉華：華院在工業領域，尤其是在鋼鐵有色這個領域，已經進行了許多嘗試。儘管許多人曾試圖解決這一問題但效果不佳，但華院投入了大量精力，探索使用更好的方法來解決。事實上，我們已經取得了顯著的成果，使客戶認識到人工智能確實能夠解決工業問題，例如表面顏色檢測。

然而，表面檢測只是工業中的一個小問題。大量的質量控制和管理、人員優化使用、配料以及生產過程的質量提升等方面，都可以通過人工智能來優化和提升。特別是在鋼鐵這種長流程行業中，存在許多可以通過人工智能優化的場景。

總體而言，新型工業化的目標是提高效能，優化生產過程，包括物流和營銷等方面。在生產過程中，人工智能可以發揮作用，因爲它不需要增加投入或設備，而是通過優化方法來提高效率。

人工智能的作用在於，它可以通過算法優化生產過程中的參數設置，從而提高產品質量和穩定性。例如，在配料方面，人工智能可以幫助找到最佳的配料方案，以提高產品質量和降低成本；在能源使用方面，人工智能可以在不改變現有能源方式的情況下，優化加熱過程，減少能源消耗。

總的來說，無論是智能製造、新型工業化還是“人工智能+”，其目標都是使生產過程、運營方法和管理決策更加高效和優化。人工智能在這方面具有巨大的潛力。

特定場景小模型更具優勢

21世紀：大模型在一些場景應用效果不佳的問題如何解決？

宣曉華：有時我們可能不需要或不適合使用大型企業，而是需要相對較小的模型。特別是需要將領域知識、專家經驗和邏輯推理引入到模型中。這是法院計算近年來圍繞工業問題所採取的方法。

例如，在工業領域的表面檢測問題上，雖然看似是一個圖像識別問題，但實際上與傳統的圖像識別問題有很大不同。我們發現，使用大數據方法解決缺陷檢測時會遇到很多困難，因爲缺陷數據很少，但人類可以通過觀察少數缺陷樣本快速識別類似的缺陷。

在人工智能領域，如果沒有大量的、可比較的數據，那麼開發有效的大模型是非常困難的。大模型的方法本質上是一種歸納學習方法，歸納系統通過觀察許多例子來學習，但其學習效率遠低於人類。即使在圖像識別這一大模型相對擅長的領域，我們也發現它並不總是那麼有效。因此，在解決問題的過程中，人類積累的科學知識是非常高效的。

在這個過程中，如果通過將特定行業的知識和專家經驗整合到人工智能算法中，可以減少對大量數據的依賴，同時提高準確度。

我認爲最重要的是找到合適的應用場景，追求規模本身並不是目標。如果能夠使用較小的模型和數據有效地解決問題並提供良好的服務，就沒有必要追求規模。

在解決特定行業或領域的問題時，需要重新考慮如何更有效地解決問題，選擇什麼樣的模型。這非常重要。不應該盲目追求大模型，而應該追求更好的智能化方法來提高效率和解決問題。

對於國家而言，這一點也很重要。因爲當大家都追求大模型時，實際上可能會造成很多浪費，包括算力資源。人們可能會不加選擇地購買大量算力，而算力本身也有很高的成本。因此，從應用場景的角度出發，思考需要什麼樣的模型，是解決問題的關鍵。

21世紀：目前在很多行業中，對於大模型仍停留在淺層利用階段，沒有引發更深層次的變革，如何看待這個現象？

宣曉華：實際上，能夠通過大模型產生完全行業變革的領域相對較少。儘管如此，任何行業都有可能利用大模型。例如，在任何領域，客服工作都可以利用大模型，尤其是在電商領域，廣告生成可能更爲明顯。大模型可以在特定的點或場景中提供特別有效的幫助。

然而，從目前的角度來看，人工智能可能還沒有達到完全改變一個產業的程度。在某種意義上，這可能還不那麼明顯，或者人工智能的智能程度還沒有達到那個水平。這並不一定是壞事，因爲人們可能還沒有準備好應對如此巨大的行業變革。