過去10年，人工智能技術的革新深刻改變了社會生產(chǎn)和生活方式。時至今日，人工智能技術和算法依然面臨落地應用方面的種種困難。展望未來，讓企業(yè)用上并用好人工智能，讓企業(yè)的人工智能應用可持續(xù)，是人工智能技術和算法在產(chǎn)業(yè)領域落地應用至關重要的環(huán)節(jié)。

中國工程院劉合院士研究團隊在中國工程院院刊《中國工程科學》2022年第6期發(fā)表《我國企業(yè)人工智能應用現(xiàn)狀與挑戰(zhàn)》一文。文章著眼我國AI產(chǎn)業(yè)的健康可持續(xù)發(fā)展，從企業(yè)AI應用落地的實際案例出發(fā)，梳理業(yè)界現(xiàn)狀、剖析發(fā)展挑戰(zhàn)、探討根本原因、提出應對策略。企業(yè)AI落地應用的復雜性表現(xiàn)在業(yè)務需求、數(shù)據(jù)、算法、基礎設施、配套方案等多個維度，應用成熟度取決于數(shù)據(jù)的準備程度及治理水平。在國家宏觀層面，有必要構(gòu)建更友好的AI產(chǎn)業(yè)生態(tài)環(huán)境，促進AI全產(chǎn)業(yè)鏈協(xié)同發(fā)展；以更有力的具體舉措支持AI產(chǎn)業(yè)的技術研發(fā)，特別是全棧AI、AI基礎平臺及工具體系、AI根技術等，提高我國AI核心技術的自主可控能力；鼓勵企業(yè)積極實施數(shù)字化轉(zhuǎn)型，采用AI技術進行智能化升級，形成AI產(chǎn)業(yè)技術研發(fā)、企業(yè)AI落地創(chuàng)新的強耦合及雙向循環(huán)。

一、前言

當今世界正在經(jīng)歷數(shù)字化技術驅(qū)動產(chǎn)業(yè)變革的發(fā)展過程，人工智能（AI）、大數(shù)據(jù)、物聯(lián)網(wǎng)、云計算、第五代移動通信等也在重塑創(chuàng)新版圖和產(chǎn)業(yè)鏈分工。國家高度重視這一發(fā)展趨勢，發(fā)布了《新一代人工智能發(fā)展規(guī)劃》（2017年），旨在促進AI技術和產(chǎn)業(yè)高速發(fā)展，加速滲透到更多應用領域，進一步擴大關聯(lián)產(chǎn)業(yè)規(guī)模；支持AI和實體經(jīng)濟深度融合，建設數(shù)字中國、智慧社會，推進數(shù)字產(chǎn)業(yè)化和產(chǎn)業(yè)數(shù)字化，形成具有國際競爭力的數(shù)字產(chǎn)業(yè)集群。蓬勃發(fā)展的AI產(chǎn)業(yè)，為AI領域“產(chǎn)學研”合作創(chuàng)造了機遇，也在技術創(chuàng)新和落地應用方面提出了新的要求。

AI是借由人工制造的計算機來表現(xiàn)人類智慧的技術，經(jīng)歷了數(shù)十年的發(fā)展和沉浮。2000年以來，以深度學習為代表的統(tǒng)計學習方法顯著增強了AI算法的通用性，提升了各項基礎任務的應用性能，創(chuàng)造了將AI算法應用于大量實際問題的機會；過去10年里，AI技術的革新深刻改變了社會生產(chǎn)和生活方式，逐漸催生了AI產(chǎn)業(yè)。然而時至今日，AI技術和算法依然面臨落地應用方面的種種困難，也就引發(fā)了我們的思考：要想真正讓企業(yè)用上AI、用好AI，讓企業(yè)的AI應用可持續(xù)，學術界、產(chǎn)業(yè)界需要聚焦解決哪些事情，應當如何協(xié)同以有效實現(xiàn)算法落地？

本文著眼于我國企業(yè)AI應用的落地及可持續(xù)發(fā)展，就面臨的挑戰(zhàn)、潛在的解決方案提出構(gòu)思。從AI應用于生產(chǎn)的實際案例出發(fā)，梳理業(yè)界發(fā)展現(xiàn)狀及存在的問題，剖析AI產(chǎn)業(yè)發(fā)展面臨的迫切挑戰(zhàn)，據(jù)此探討成因及應對策略，以期為我國AI產(chǎn)業(yè)健康發(fā)展提供基礎參考。

二、人工智能發(fā)展的總體現(xiàn)狀和趨勢

（一）人工智能技術發(fā)展態(tài)勢

自1956年概念提出至今，AI的發(fā)展經(jīng)歷了3次浪潮。

① 第一次浪潮（1956—1974年）是AI的誕生時期，重在讓機器具備邏輯推理能力，開發(fā)的計算機可解決代數(shù)應用題、證明幾何定理、學習并使用英文程序；研發(fā)了首款感知神經(jīng)網(wǎng)絡軟件和聊天軟件（即時通訊軟件）。

② 第二次浪潮（1980—1987年），AI變得更為實用，可解決某些領域特定問題的AI程序（“專家系統(tǒng)”）開始獲得企業(yè)應用；知識庫系統(tǒng)、知識工程成為當時研究的主要方向。

③ 第三次浪潮（1993年至今），計算性能的基礎性障礙被逐步克服，“智能代理”范式獲得廣泛接受；深度學習的理論突破使得AI技術發(fā)展超越了研究人類智能的范疇?；ヂ?lián)網(wǎng)、云計算、大數(shù)據(jù)、芯片、物聯(lián)網(wǎng)等新興技術為AI技術的發(fā)展提供了充足的數(shù)據(jù)支持與算力支撐，以“AI+”為代表的業(yè)務創(chuàng)新模式逐步成熟。從全球?qū)W術數(shù)據(jù)庫中遴選出的2011—2020年AI領域十大熱門研究主題有：深度神經(jīng)網(wǎng)絡、特征抽取、圖像分類、目標檢測、語義分割、表示學習、生成對抗網(wǎng)絡、語義網(wǎng)絡、協(xié)同過濾、機器翻譯。

AI產(chǎn)業(yè)可按基礎層、技術層、應用層進行劃分。基礎層主要指計算平臺和數(shù)據(jù)中心，如云計算平臺、高性能計算芯片、數(shù)據(jù)資源等，為AI應用提供數(shù)據(jù)支持與算力支撐。技術層指AI算法和技術，是AI產(chǎn)業(yè)的核心構(gòu)成。應用層指面向特定產(chǎn)業(yè)和場景專門研發(fā)的產(chǎn)品及服務，是AI產(chǎn)業(yè)的自然延伸。制約AI產(chǎn)業(yè)發(fā)展的因素有很多，如數(shù)據(jù)質(zhì)量、泛化能力、可解釋性等。本研究認為，企業(yè)AI落地應用是復雜的系統(tǒng)工程，主要制約因素是可解釋性。對于傳統(tǒng)的機器學習，特征提取由專家或富有經(jīng)驗的人員手動完成，嵌入了大量的專業(yè)知識；雖然提取的特征可能不夠全面，但因其良好的可解釋性而備受學術界的推崇。深度學習的特征提取則通過神經(jīng)網(wǎng)絡自動完成，因無需專家參與而減少了人為干預，對特征的提取通常也更為全面。然而，以深度學習為主的神經(jīng)網(wǎng)絡模型無法給出合理的特征解釋；如果AI不能理解知識或行為之間的深層邏輯，在采用已有模型去應對未知變量時就很容易引起模型崩塌。因此，企業(yè)AI落地應用的關鍵在于將長期積累形成的專家知識融入AI模型，據(jù)此構(gòu)建知識與數(shù)據(jù)融合的神經(jīng)網(wǎng)絡模型，從而提高模型的可解釋性和泛化能力。

（二）人工智能的國內(nèi)外進展

AI發(fā)展的經(jīng)濟社會意義正在成為世界多數(shù)國家的共識，一系列AI發(fā)展戰(zhàn)略和計劃相繼提出并得到快速更新。各國積極設立AI研究機構(gòu)，引導研發(fā)投入并注重人才培養(yǎng)，建設算力和數(shù)據(jù)基礎設施，提高平臺和資源應用水平，制定行業(yè)應用政策法規(guī)，以期為AI應用發(fā)展創(chuàng)造良好的環(huán)境。例如，美國國家科學技術委員會發(fā)布的《國家人工智能研究和發(fā)展戰(zhàn)略計劃：2019年更新版》，突出了AI研發(fā)投資的優(yōu)先事項，聚焦領域前沿的快速發(fā)展。歐盟委員會通過了《人工智能法》提案（2021年），旨在構(gòu)建值得全球信賴的AI中心，加強歐盟范圍內(nèi)AI的使用、投資和創(chuàng)新活動。

在我國，AI技術持續(xù)創(chuàng)新和突破，AI資源持續(xù)優(yōu)化整合，AI產(chǎn)業(yè)結(jié)構(gòu)逐漸完善。

① 近年來，我國的AI相關專利申請數(shù)量居世界首位，增速明顯高于其他國家；我國學者在國際一流會議和期刊上發(fā)表的論文數(shù)量穩(wěn)步增長，成為AI社區(qū)的重要貢獻力量。

② 建立AI計算中心和創(chuàng)新中心，面向產(chǎn)業(yè)需求提供基礎數(shù)據(jù)資源、計算資源、關鍵算法服務，顯著降低了中小型企業(yè)的研發(fā)成本和行業(yè)準入門檻，帶動了AI“產(chǎn)學研”協(xié)同創(chuàng)新；國產(chǎn)AI開源學習框架和開源軟件不斷豐富，昇思、飛槳等開源框架加速了行業(yè)技術創(chuàng)新。

③ AI為企業(yè)數(shù)字化轉(zhuǎn)型升級提供了源動力，智能產(chǎn)業(yè)加速創(chuàng)新發(fā)展，智能機器人、智慧城市、智能交通、智能制造等方向發(fā)展迅猛，以行業(yè)深化應用為眾多企業(yè)帶來了實際價值；總結(jié)數(shù)百個企業(yè)項目的實踐后發(fā)現(xiàn)，AI算法進入核心生產(chǎn)系統(tǒng)的比例接近30%，將AI引入核心生產(chǎn)系統(tǒng)后帶來的效率提升平均超過18%。

三、我國企業(yè)人工智能應用的典型案例

在我國，隨著相關技術的不斷演進，AI算法逐步從實驗驗證走向企業(yè)落地。例如，以華為云計算技術有限公司為代表的AI企業(yè)，已將AI落地應用于能源（如智能勘探、生產(chǎn)巡檢、智慧加油站）、城市治理（如智能辦公 / 辦事、政務智能熱線）、交通運輸（如智慧高速、智能網(wǎng)聯(lián)、城市交通治理）、工業(yè)制造（如工藝優(yōu)化、優(yōu)化控制、工業(yè)視覺）、醫(yī)藥醫(yī)療（如醫(yī)學影像、臨床輔助、藥物研發(fā)）、銀行與金融（如智能風控、智能營銷、智能雙錄）等垂直領域。無論是交通運輸、工業(yè)制造等面向企業(yè)的服務，還是智慧醫(yī)療、互聯(lián)網(wǎng)等面向個人的應用，AI算法都正在或者已經(jīng)進入核心生產(chǎn)流程，在創(chuàng)造價值的同時也伴生新的問題，反哺和驅(qū)動了AI算法研發(fā)。

（一）智能油氣勘探

智能油氣勘探是AI算法在能源產(chǎn)業(yè)落地應用的重要場景之一，可以認為AI算法深刻地改變了這一行業(yè)。在智能化，碳達峰、碳中和目標的時代背景下，石油勘探開發(fā)領域的智能化轉(zhuǎn)型是能源行業(yè)極為核心而又無法規(guī)避的發(fā)展模式。這是因為，隨著石油資源品質(zhì)的不斷劣質(zhì)化，油氣資源開采的難度持續(xù)加大，開采成本逐年攀高；拋棄“儲量為重”的舊觀點，樹立“數(shù)據(jù)為重”的新理念，加大數(shù)據(jù)挖掘力度并提升數(shù)據(jù)價值，是油氣勘探開發(fā)面臨的新挑戰(zhàn)；數(shù)據(jù)、算力、算法、場景“四位一體”，共同驅(qū)動AI技術在石油勘探開發(fā)領域的“以點帶面”式應用。

近年來，AI技術已逐步應用于石油勘探開發(fā)中的沉積儲層研究、測井解釋、物探處理、鉆完井、油藏工程等多個方向，取得了一定的進展。

① 在沉積儲層研究方面，一些學者借助巖心圖像的智能分析手段實現(xiàn)了沉積儲層的精準量化，工業(yè)應用效果良好且應用潛力突出。

② 在測井方面，部分石油企業(yè)、科研機構(gòu)利用機器學習、深度學習，在曲線重構(gòu)、巖性識別、儲層參數(shù)預測、油氣水層識別、智能分層、成像測井等方面完成了基礎研究及初步應用。

③ 在物探方面，利用目標檢測、圖像分割、圖像分類等計算機視覺技術，實現(xiàn)了構(gòu)造解釋、地震相識別、地震波場正演、地震反演、初至拾取、地震數(shù)據(jù)重建與插值、地震屬性分析等地震數(shù)據(jù)處理解釋。

④ 在鉆井AI應用方面，主要體現(xiàn)在井眼軌道智能優(yōu)化、智能導向鉆井、鉆速智能優(yōu)化等。

⑤ 在油藏工程方面，利用精細分層注水“硬數(shù)據(jù)”，實現(xiàn)了數(shù)據(jù)驅(qū)動下的油氣水井智能注水優(yōu)化，有效提高了采收率。此外，基于循環(huán)神經(jīng)網(wǎng)絡的產(chǎn)量預測、生產(chǎn)措施智能優(yōu)化等應用點上也取得了初步效果。

具體來看，巖石薄片智能鑒定是計算機視覺技術在巖心分析上的代表性案例。傳統(tǒng)薄片鑒定依賴于巖礦鑒定專家在顯微鏡下的目估觀察，存在鑒定效率低、人員數(shù)量不足、鑒定結(jié)果不易精準量化等不足。巖石薄片智能鑒定通過收集并標注海量的薄片圖像，建立深度學習所需的標簽樣本庫；利用計算機視覺技術構(gòu)建巖石顆粒分割、礦物成分鑒定、孔隙結(jié)構(gòu)分析、巖石結(jié)構(gòu)分析等智能模型，使鑒定結(jié)果更加直觀、量化、精準（見圖1）。智能分層注水是AI在油氣田開發(fā)應用方面的另一個典型案例，作為第四代智能分層注水技術，利用注水開發(fā)中的“硬數(shù)據(jù)”，結(jié)合計算幾何、形態(tài)學等技術來優(yōu)化生產(chǎn)參數(shù)，實現(xiàn)數(shù)據(jù)驅(qū)動的油氣水井智能注水優(yōu)化；形成的水驅(qū)油藏流場識別技術，實現(xiàn)了注水效果的評價、分析、實時監(jiān)測與智能控制，為注水優(yōu)化、井網(wǎng)層系調(diào)整、深部調(diào)剖等提供了可靠的方案決策依據(jù)，顯著提高了采收率。

圖1　巖石薄片智能鑒定的部分結(jié)果

中國石油天然氣集團有限公司在“十三五”時期建設了認知計算平臺，相應的功能架構(gòu)如圖2所示。平臺實現(xiàn)了多個重點場景應用，如地震初至波自動拾取、地震層位自動解釋、測井油氣層識別、抽油機井工況診斷、單井產(chǎn)量及含水規(guī)律預測等；在中國石油天然氣股份有限公司西南油氣田分公司、長慶油田分公司等企業(yè)進行了試點應用，取得良好效果，如地震層位智能解釋將人工解釋所需約1個月的工作量降至一周內(nèi)，測井油氣層智能識別將解釋符合率提高了10個百分點且單井解釋耗時從1天壓縮至10 min。

圖2　中國石油認知計算平臺功能架構(gòu)

注：GPU表示圖形處理器；FPGA表示現(xiàn)場可編程邏輯門陣列；CPU表示中央處理器。

也要注意到，雖然AI技術在石油勘探開發(fā)領域的應用穩(wěn)健展開并不斷取得新進展，但較之于看圖識花、動作識別、智能修圖等通用技術領域，相應進展仍是較為緩慢的，技術研究與落地應用之間仍存在不小的距離，尚處于“知易行難”的發(fā)展階段。石油勘探開發(fā)領域的場景復雜，需要綜合利用測井、地震、遙感等手段進行多維度分析，具有系統(tǒng)工程特征，無法僅靠數(shù)據(jù)驅(qū)動的模型來解決問題，而通用技術領域的業(yè)務場景相對簡單且所見即所得，需要識別的對象也是常見物品。同時，石油勘探開發(fā)領域面臨嚴峻的數(shù)據(jù)質(zhì)量問題，建模所用的數(shù)據(jù)多是處理解釋過的，存在小樣本、數(shù)據(jù)失真等情況；相比之下，通用技術領域的數(shù)據(jù)多為實時采集的大數(shù)據(jù)，各類公開數(shù)據(jù)集也為行業(yè)建模提供了豐富的數(shù)據(jù)來源。在研發(fā)生態(tài)方面，石油勘探開發(fā)等特定領域也相對薄弱；近年來開源的多種AI模型及代碼為AI建模提供了豐富的預訓練模型，但多是針對通用技術領域所構(gòu)建，較難直接遷移到石油領域應用。

（二）智慧城市治理

城市是人類文明的重要標志、工商業(yè)發(fā)展的產(chǎn)物，也代表著人類對更高質(zhì)量生活的追求。數(shù)字時代為城市所有物體、服務、空間的數(shù)字化提供了基礎。然而，不斷增加的主體與要素、快節(jié)奏的生產(chǎn)生活方式，對城市治理提出了更高要求。以AI算法為核心的“智慧城市”系統(tǒng)，在大規(guī)模算力、大數(shù)據(jù)技術的支持下，能夠有效鏈接建筑、學校、醫(yī)院、公共交通等城市要素，實現(xiàn)城市中各類場景的智能化決策。智慧城市的基本策略是將數(shù)據(jù)變成城市治理的資源，進而應用此資源賦能基層治理。

智能政務專線、城市交通治理是智慧城市的典型應用案例。

① 傳統(tǒng)12345熱線的服務范圍不斷延伸，導致客服人員壓力增加、服務效率降低。智能熱線方案提取政務法規(guī)、文件、內(nèi)外部通知、工單等數(shù)據(jù)，建立包括事件、時間、地點、責任主體、解決措施在內(nèi)的知識圖譜。利用知識圖譜相關算法，智能識別居民來電意圖，輔助人工坐席崗與居民進行高效交流，通過分析歷史訴求及處置情況來智能派單，形成“接得更準、分得更快、辦得更實”的熱線服務模式。在試點城市，整體派單效率提升超過50%，工單處置周期縮短20%以上，大幅改善了工單辦結(jié)的滿意度。

② 早晚高峰是城市交通面臨的巨大挑戰(zhàn)。為了緩解路網(wǎng)壓力增大造成的調(diào)度困難，智能調(diào)控信控方案利用電子警察解析的結(jié)構(gòu)化數(shù)據(jù)，分析各路口車流規(guī)律并結(jié)合交警人工經(jīng)驗進行配時建模；在構(gòu)建路口流量、綠燈空放等目標函數(shù)的基礎上，將交通知識的數(shù)學描述以約束條件的形式整合到最優(yōu)信控配時的建模過程。在試點城市，實現(xiàn)了主干道平均車速提升18%，道路排隊溢出次數(shù)下降20%，早高峰提前10~15 min消散，顯著緩解了早晚高峰的交通擁堵現(xiàn)象。

智慧城市治理是AI算法面臨的極大挑戰(zhàn)。城市治理場景復雜且變化迅速，對AI算法的高級指標（如通用性、可遷移性等）提出了更高要求。城市治理需要結(jié)合圖像、語言、語音等多種模態(tài)的數(shù)據(jù)，也契合了未來AI算法朝著多模態(tài)方向發(fā)展的趨勢。然而，當前的AI算法在靈活度、魯棒性等方面距離實際應用還存在不小的差距，往往需要進行針對性研發(fā)以適應不同的場景，導致開發(fā)及應用成本居高不下，也就難以規(guī)模化、規(guī)范化地“復制”到其他城市中去。

四、基于案例實踐促成企業(yè)人工智能應用的若干關鍵要素分析

（一）人工智能的科學研究和需求驅(qū)動同樣重要

AI作為通用目的技術，現(xiàn)階段在企業(yè)應用落地時產(chǎn)生了新穎而積極的成效，但也面臨著諸多問題和挑戰(zhàn)。目前，AI算法缺乏規(guī)范性，開發(fā)效率較低，這是因為不同行業(yè)和企業(yè)的數(shù)據(jù)模態(tài)、數(shù)據(jù)體量及質(zhì)量、硬件環(huán)境等均有較大差別。在傳統(tǒng)的開發(fā)模式下，AI算法在場景之間的遷移能力差，開發(fā)者往往需要針對不同場景分別設計神經(jīng)網(wǎng)絡結(jié)構(gòu)、執(zhí)行特定的優(yōu)化與部署流程；缺乏統(tǒng)一規(guī)范的開發(fā)模式，開發(fā)出的算法也無法滿足泛化性、魯棒性、安全性、可解釋性等要求。解決這些問題，需要從科學研究、企業(yè)應用落地兩方面同步著手。

1. 依據(jù)企業(yè)技術需求進行AI算法的迭代演進

從訓練數(shù)據(jù)的角度看，大數(shù)據(jù)時代的絕大部分數(shù)據(jù)都沒有標注信息。例如，從互聯(lián)網(wǎng)公開領域獲取的數(shù)據(jù)中，具有語義標簽的數(shù)據(jù)占比低于1%；為了充分利用這些數(shù)據(jù)以提升大模型的質(zhì)量，需要構(gòu)建高效的自監(jiān)督學習算法。雖然學術界提出了針對圖像、文本等特定模態(tài)的自監(jiān)督學習算法，但訓練效率有限、訓練所得模型的能力難以評估。不同模態(tài)數(shù)據(jù)之間存在差異性，也使得從圖像、文本等數(shù)據(jù)中學習的語義知識難以在同一語義空間中對齊。需要設計跨模態(tài)的模型訓練和評測方案，擺脫對模型體量的盲目追求，讓大模型不再依賴下游任務而是根據(jù)自身對數(shù)據(jù)的理解能力進行評測，這樣才能解決AI落地過程中的模型生產(chǎn)問題。

從模型的角度看，深度學習的重要障礙在于模型的泛化能力和可解釋性。當模型遇到不在訓練數(shù)據(jù)分布范圍之內(nèi)的測試樣本時，模型的效果會顯著下降，加之神經(jīng)網(wǎng)絡模型通常無法解釋自身推理過程，使得專業(yè)人員對模型預測結(jié)果持懷疑態(tài)度，也就限制了模型在實際生產(chǎn)場景下的應用。遷移學習、對抗攻防、激活單元可視化等技術研究盡管取得了一定進展，但距離魯棒、可泛化、可解釋的AI算法尚有距離。

鼓勵學科交叉研究，推動AI與其他學科融合，以雙向互促實現(xiàn)協(xié)同發(fā)展。將AI算法應用于其他學科的前沿研究（如醫(yī)學影像、生物制藥、科學計算等）潛力巨大，但對AI算法提出了更高要求。例如，科學計算區(qū)別于與傳統(tǒng)的AI應用場景，AI算法設計面臨輸入數(shù)據(jù)是否完備、數(shù)據(jù)量是否充足、計算架構(gòu)是否合理等實質(zhì)性挑戰(zhàn)，解空間的復雜度極高。因此，AI算法需要具備處理不確定性數(shù)據(jù)的能力并與知識計算、自動機器學習等算法相結(jié)合，才能輔助各學科的科學家探索未知領域。

2. 在技術體系與架構(gòu)設計中有機結(jié)合場景、算法和平臺

基于深度學習的AI算法需要大量的計算資源，訓練成本較高。企業(yè)在技術體系與架構(gòu)設計中，應追求與AI行業(yè)有機結(jié)合，在云端部署大模型，合理規(guī)避基于通用數(shù)據(jù)訓練模型的過程；配合高效工具鏈，以較低的成本在私有數(shù)據(jù)上驗證大模型，便于將模型部署到端側(cè)和邊側(cè)設備，從而降低使用成本。這一發(fā)展方式才能讓更多的企業(yè)受惠于AI算法。

AI作為新興的交叉學科，關鍵基礎源自計算機科學的細分領域。將AI算法落地到企業(yè)應用，需要不同類型的人員緊密配合：具備AI專業(yè)級技能的算法開發(fā)者和架構(gòu)師，理解AI基礎邏輯的產(chǎn)品經(jīng)理，接受AI應用理念的企業(yè)技術人員。應鼓勵AI培訓深入企業(yè)，通過實際案例提高企業(yè)技術和管理人員對AI的深刻認知，從而創(chuàng)造良好的協(xié)同環(huán)境。

（二）以系統(tǒng)性思維推進企業(yè)人工智能應用落地

當前，企業(yè)界對于AI的認知水平參差不齊，許多企業(yè)甚至認為“AI就是算法”，忽略了“基礎設施”“配套方案”，使得AI應用落地的復雜度被嚴重低估，往往導致項目應用成效低下甚至失敗。實際場景具有需求多變性、數(shù)據(jù)多樣性的特點，往往需要結(jié)合領域?qū)＜业男袠I(yè)知識將多種模型進行組合，才能打通企業(yè)的業(yè)務生產(chǎn)系統(tǒng)。企業(yè)在實施AI應用時，需要建立系統(tǒng)思維，統(tǒng)籌考慮點 / 面、上 / 下、橫向 / 縱向維度的因素，確?！巴袋c清晰、步驟合理、量力而行”。在開發(fā)和應用階段都需堅持系統(tǒng)性思維，這對AI行業(yè)與企業(yè)的協(xié)同進步是極為必要的。

AI應用開發(fā)的全流程作為一項系統(tǒng)工程，其本質(zhì)是將算法開發(fā)的流水線進行工程化，形成降本增效的應用場景；通過子流程的密切配合，形成小型閉環(huán)（見圖3）。其中，數(shù)據(jù)標注用于將數(shù)據(jù)集打上標簽以支持后續(xù)算法的訓練；數(shù)據(jù)處理對異常數(shù)據(jù)進行清洗和整理，通過數(shù)據(jù)增強和精煉等方式提高數(shù)據(jù)量；算法訓練開發(fā)新算法或者選擇已有算法，使用數(shù)據(jù)進行訓練已建立模型；模型評估基于測試數(shù)據(jù)集對模型進行評估，反復進行調(diào)優(yōu)；應用生成對多個模型進行邏輯編排，指定輸入 / 輸出路徑；應用評估基于業(yè)務數(shù)據(jù)集開展進一步評估；部署推理包含應用的部署、監(jiān)控和維護。例如，在監(jiān)控和維護階段發(fā)現(xiàn)異常時，系統(tǒng)會將數(shù)據(jù)回流到數(shù)據(jù)標注環(huán)節(jié)，進行難例標注后補充異常數(shù)據(jù)，重新發(fā)起算法訓練。

AI進入企業(yè)核心生產(chǎn)環(huán)境也是一項系統(tǒng)工程，最重要的環(huán)節(jié)是行業(yè)機理模型與AI模型的結(jié)合。各個行業(yè)都有長期的專業(yè)積累，形成了涵蓋物理、化學、生物等知識表達，數(shù)量眾多的機理模型。為了在不同行業(yè)落地應用，AI算法應結(jié)合行業(yè)知識、企業(yè)專有數(shù)據(jù)，完成通用到專用的轉(zhuǎn)變。在此過程中，應緩解通用數(shù)據(jù)與行業(yè)數(shù)據(jù)之間的領域鴻溝，支持大模型與各類行業(yè)知識庫的整合，降低大模型在各個行業(yè)的微調(diào)成本。

應用系統(tǒng)工程的方法論，開展需求分解、架構(gòu)設計、系統(tǒng)開發(fā)、集成驗證，形成端到端的解決方案。以某企業(yè)落地的工業(yè)優(yōu)化控制項目為例，AI系統(tǒng)依托云端計算平臺，以容器化部署方式對外提供服務接口；通過邊緣應用，完成工廠生產(chǎn)環(huán)境下生產(chǎn)作業(yè)系統(tǒng)數(shù)據(jù)接口的協(xié)議轉(zhuǎn)換，由此打通了AI系統(tǒng)與工廠生產(chǎn)環(huán)境舊系統(tǒng)之間的數(shù)據(jù)與指令交互；采取系統(tǒng)工程的可靠性設計方法，確保數(shù)據(jù)通道的安全性和穩(wěn)定性，保障企業(yè)的安全生產(chǎn)。鑒于工業(yè)生產(chǎn)工況的復雜多變，數(shù)據(jù)驅(qū)動的AI模型可能遇到從未“見過”的工況，需要以“邊云”協(xié)同的系統(tǒng)能力建立反饋回路，從而對AI應用的異常結(jié)果進行監(jiān)控和迭代。這種AI應用系統(tǒng)和企業(yè)業(yè)務系統(tǒng)的組合，可視為AI與核心生產(chǎn)系統(tǒng)融合的大型閉環(huán)。

圖3　AI應用開發(fā)全流程

注：MLOPS表示機器學習運維。

（三）為人工智能落地創(chuàng)造良好的協(xié)同發(fā)展環(huán)境

1. 切入明確的企業(yè)應用場景是成功應用的開端

發(fā)掘企業(yè)應用場景是AI落地應用的第一步。為了準確定位行業(yè)AI，需要深刻理解企業(yè)需求的場景業(yè)務狀況，清醒認識AI算法的能力及所能解決的問題。一個持續(xù)演進的良性循環(huán)反映在：多部門、多類型專業(yè)人員協(xié)作，針對具體的業(yè)務場景問題明確AI應用落地的邊界，以企業(yè)內(nèi) / 外部的數(shù)據(jù)治理及資產(chǎn)化水平來評估應用AI的可能性及潛在價值，以現(xiàn)有的企業(yè)知識來優(yōu)化數(shù)據(jù)驅(qū)動的AI模型，在社會價值和商業(yè)價值的實現(xiàn)過程中補充并完善更多的數(shù)據(jù)。

企業(yè)AI應用場景可分為海量重復場景、專家經(jīng)驗傳承場景、多域協(xié)同場景。通過場景化問題分析，可以找到問題邊界；通過行業(yè)知識引入，可以減少落地過程中的彎路，以此提高企業(yè)AI落地的質(zhì)量。以智能油氣勘探為例，地震資料的采集、處理和解釋流程涉及數(shù)十個工序，而作為基礎和關鍵業(yè)務環(huán)節(jié)的地震層位追蹤，目前主要采用人工解釋的方式完成；大的地震數(shù)據(jù)量導致人工解釋工作十分繁瑣，而利用AI進行層位自動追蹤可大幅減少重復性的專業(yè)勞動，縮短勘探周期并節(jié)省勘探成本。

2. 企業(yè)數(shù)字化是AI成功應用的基礎

企業(yè)的數(shù)字化水平?jīng)Q定了數(shù)據(jù)要素的準備程度，這對AI應用落地的效果至關重要。以深度學習為主的AI技術對數(shù)據(jù)的依賴性很強，特別是面向行業(yè)場景，因公開數(shù)據(jù)集有限而需企業(yè)自身積累大量的數(shù)據(jù)，對信息化、數(shù)字化基礎能力提出了較高要求。在企業(yè)數(shù)字化轉(zhuǎn)型、智能化發(fā)展的過程中，及時構(gòu)建統(tǒng)一的行業(yè)數(shù)據(jù)標準，為企業(yè)建立數(shù)據(jù)管理模式及信任機制提供基礎依據(jù)；逐步完善數(shù)據(jù)的知識產(chǎn)權(quán)保護和共享機制，避免強中心化帶來的“數(shù)據(jù)孤島”問題。

數(shù)據(jù)質(zhì)量也是重要方面。如果數(shù)據(jù)管理分散、規(guī)范性不足，則需先期進行數(shù)據(jù)治理以形成符合要求的數(shù)據(jù)平臺和數(shù)據(jù)資產(chǎn)，隨后才能部署AI解決方案。以某供熱企業(yè)的智能化升級為例，AI上線至少有3個前置條件：

① 基礎數(shù)據(jù)的清理，從熱源、換熱站、機組、單元閥到室內(nèi)溫采等一系列設備的參數(shù)，都要系統(tǒng)化地收集和建模；

② 至少1個供暖季的設備歷史運行數(shù)據(jù)、天氣數(shù)據(jù)等，作為AI訓練集和驗證集；

③ 針對歷史數(shù)據(jù)缺失的異常場景（如數(shù)據(jù)斷連、設備數(shù)據(jù)異常、閥門異常、極端天氣等）進行分析和進一步的仿真，獲得更豐富、更可靠的數(shù)據(jù)集。以高質(zhì)量行業(yè)數(shù)據(jù)為代表的前置條件只有足夠充分，才能訓練形成完整的AI調(diào)控方案。

3. 通過中樞化建設促成AI應用場景的互聯(lián)互通并實現(xiàn)價值

中樞化建設是AI系統(tǒng)工程需要采用的模式。提前策劃在不同部門之間共建AI算法和算力，才能避免“各行其是”以消除重復建設與資源浪費；AI能力需從單點的算法匯聚至水平互通的中樞引擎層，以實現(xiàn)不同AI算法的共性能力復用和高效積累。換言之，通過中樞的算力底座解決物理資源的零散問題（如云計算的本質(zhì)，就是將大量的零散算力資源進行打包、匯聚，實現(xiàn)更高可靠性、更高性能、更低成本的算力），由中樞的引擎層來解決AI算法的局部性問題。將中樞化的思維和模式同時應用于場景問題定義、AI平臺建設等維度，才能將AI的應用價值從局部提升至整體。

以智慧城市建設為例，當前的多數(shù)問題都屬于由復雜關聯(lián)的局部問題造成的整體問題。AI在對應場景中的應用效果，很大程度上取決于應用場景的問題定義和建設模式。對于城市交通資源優(yōu)化，如果局限于解決單一路口的擁堵問題，即使通過AI算法將問題求解到最優(yōu)，也很難對城市的整體交通狀況、車輛在途率形成根本性的改善。針對這類問題，需要采取中樞化的建設思維，將視野從局部拓展到整體，才能夠?qū)⒕植績?yōu)化輻射到全局層面，從而驅(qū)動整個系統(tǒng)產(chǎn)生更大的價值。具體而言，在設計AI算法之前，率先考慮數(shù)據(jù)、資源、場景能否互通互聯(lián)；如果不能，需要優(yōu)先解決互通問題，才能再考慮如何將AI應用于優(yōu)化后的問題及系統(tǒng)。

城市運行“一網(wǎng)統(tǒng)管”是代表性的實踐案例。與單一管理部門應用場景不同，“一網(wǎng)統(tǒng)管”實質(zhì)上是中樞化的建設模式，實現(xiàn)了多個管理部門的互通互聯(lián)；將原先只能局部閉環(huán)的城市問題，通過多部門協(xié)同尋求了更高效、更優(yōu)化的處置方案。針對重新設計后的全局化問題，AI應用就從原先局限于特定事件的感知和發(fā)現(xiàn)，拓展到了通過知識圖譜挖掘跨管理部門事件的處置關聯(lián)性，從而精準推薦事件處置的措施和責任主體，達到處置效率、處置滿意度的全局優(yōu)化。

（四）用發(fā)展的思維解決發(fā)展過程中的挑戰(zhàn)

AI技術的發(fā)展和應用是一個循序漸進的過程。如果對AI算法缺乏寬容，實際應用時一旦出現(xiàn)問題就導致信任危機，容易遏制技術的迭代和提升，也就帶來AI應用落地的額外阻力。宜采用發(fā)展的思維來看待AI企業(yè)落地過程中的問題和挑戰(zhàn)：既要給予發(fā)展機會和周期，也要在系統(tǒng)、流程、機制等方面提供支持，促成良性、可持續(xù)的能力演進。

列車運行故障動態(tài)檢測系統(tǒng)的應用場景具有代表性：采用列檢設備拍攝貨車底部和側(cè)部照片，通過審圖判斷貨車是否存在安全風險。列車速度極快、室外環(huán)境復雜，加之故障類型多達數(shù)百種，AI系統(tǒng)面臨在長尾數(shù)據(jù)上進行小樣本學習的困難。AI研發(fā)企業(yè)與鐵路科研單位合作開展了AI技術應用，經(jīng)過迭代式開發(fā)和測試，使得誤檢、漏檢樣本快速進入系統(tǒng)，模型能力不斷提升，最終達到專家人工判讀的水平。在類似的發(fā)展過程中，更加開放地優(yōu)化組織流程，讓行業(yè)專家與AI專家高效配合，應用主動學習等技術提升人工輔助效率，將顯著加速AI應用落地。

在過去的10多年，AI是發(fā)展最快的科技領域之一，這得益于業(yè)界在技術研究和產(chǎn)業(yè)落地之間的良性循環(huán)，即技術研究的成果為企業(yè)落地創(chuàng)造了可能性，而企業(yè)落地的收益反哺了AI技術研究。也要注意到，在深度學習爆發(fā)式增長10年后，AI技術研究逐漸進入深水區(qū)，易于攻克或提升的技術點越來越少；為了維系良性循環(huán)，應深入挖掘技術研究與產(chǎn)業(yè)落地的“結(jié)合點”。AI的應用旨在“減少重復勞動”“擴展人類知識邊界”，瞄準這一根本目標，保持技術研究和行業(yè)落地的緊密結(jié)合，才能兼顧技術實現(xiàn)與社會價值創(chuàng)造。

五、我國企業(yè)人工智能應用的發(fā)展建議

人類社會正在進入泛智能時代，在此關鍵時期，單項技術的重大突破、單一解決方案的深刻變化，都有可能改變各行業(yè)的競爭格局。種種跡象表明，當前正處于AI大規(guī)模落地應用的爆發(fā)前夕。世界范圍內(nèi)的企業(yè)尤其是領軍企業(yè)，普遍重視AI，加大投入以緊跟潮流并獲得領先優(yōu)勢。如果在布局階段錯失機遇，一旦馬太效應形成，后發(fā)者可能處于更為弱勢的境地。相應地，我國應高度重視AI產(chǎn)業(yè)發(fā)展，積極發(fā)布AI企業(yè)落地配套政策，引導國產(chǎn)AI根技術、基礎平臺、關鍵行業(yè)應用等層面的協(xié)調(diào)發(fā)展，以更好推動AI技術的產(chǎn)業(yè)集聚、促進AI與實體經(jīng)濟的深度融合。

建議支持AI產(chǎn)業(yè)鏈發(fā)展，扶持全棧AI國產(chǎn)化，完善AI基礎平臺及工具體系，培育國產(chǎn)AI根技術，提高AI核心技術的自主可控能力。

① 加大底層根技術的研發(fā)投入，構(gòu)建算力、算法、數(shù)據(jù)三位一體的AI新生態(tài)，鼓勵企業(yè)、高校、社會服務等加速應用AI根技術；以核心產(chǎn)業(yè)主體多方共建的方式，積極構(gòu)建具有國際有影響力、分布于若干行業(yè)的AI根技術應用體系，構(gòu)筑AI企業(yè)應用的技術縱深。

② 支持AI根技術持續(xù)創(chuàng)新，引導優(yōu)勢企業(yè)開展AI根技術研發(fā)攻關，支持行業(yè)示范應用，促進國產(chǎn)AI大模型、框架、芯片等核心技術突破及產(chǎn)業(yè)化落地。③ 鼓勵優(yōu)勢AI企業(yè)加速完善包括端到端的AI基礎平臺、工具鏈在內(nèi)的AI共性支撐技術體系，實質(zhì)性提高自主可控能力并形成一定的比較優(yōu)勢。

建議支持企業(yè)積極采用AI進行智能化升級，形成技術研發(fā)和產(chǎn)業(yè)智能創(chuàng)新的雙向大循環(huán)。企業(yè)智能化所需的生產(chǎn)要素，如數(shù)據(jù)、算法、算力等，通常很難依靠單一企業(yè)來構(gòu)建齊備。應建立科學合理的算力、數(shù)據(jù)、算法開放共享機制，持續(xù)開放并積累各行業(yè)的算法、模型、數(shù)據(jù)，促進跨企業(yè)的智能化協(xié)作，以要素的規(guī)?；嵘髽I(yè)AI應用的水平。

① 地方政府可借助新型基礎設施建設的發(fā)展機遇，新建或擴建包括AI計算中心（公共算力）、一體化大數(shù)據(jù)中心（數(shù)據(jù)共享）、AI創(chuàng)新中心（模型共享）在內(nèi)的AI公共要素體系。

② 由企業(yè)、管理部門注入數(shù)據(jù)和應用需求，支持企業(yè)開展基于云計算、大數(shù)據(jù)的AI應用創(chuàng)新示范；鼓勵企業(yè)采用AI進行技術換代、流程再造、服務升級，形成自主技術研發(fā)和產(chǎn)業(yè)智能創(chuàng)新循環(huán)互促的發(fā)展格局。③ 制定相關標準，規(guī)范AI技術研究，以發(fā)展的思維積極應對AI落地過程中可能帶來的問題；完善與企業(yè)AI應用相關的法律法規(guī)和流程制度，促進產(chǎn)業(yè)智能化良性發(fā)展，防控潛在技術和社會風險。

劉合，能源與礦業(yè)工程管理專家，中國工程院院士。

主要從事采油工程技術及裝備研發(fā)、工程管理創(chuàng)新與實踐研究。

編輯：黃飛

?