chatgpt 的出现或许表明，在过去几年被逐渐认为到达产业化瓶颈的 ai 行业仍是一片最具创新性的沃土，蕴含着巨大的机会。
基于单模态 GPT-3 的 ChatGPT 「地震」余波未平，多模态 GPT-4「海啸」又顷刻席卷朋友圈。
「这提醒我们，对人工智能的预测是非常困难的。」OpenAI CEO Sam Altman 曾在 DALL-E 2 发布后讲过这样一句话。事实证明他是对的。基于符号主义的专家系统的衰落，让人们一度认为人工智能已走到尽头，2012 年的深度学习又点燃了希望，如今它已统领 AI 领域。随着系统规模越来越大，训练时间和资金成本也在不断膨胀。就在大家担心向模型添加参数正达到边际效益递减时，GPT-3、GPT-4 相继昭告世人，更大规模、更加复杂的深度学习系统确实可以释放更为惊人的能力，而 ChatGPT 的诞生，更是让人看到了「颠覆性」的应用成果（假消息甚至称GPT4参数量100万亿）。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
ChatGPT 的出现或许表明，在过去几年被逐渐认为到达产业化瓶颈的 AI 行业仍是一片最具创新性的沃土，蕴含着巨大的机会。而随着新生产力初显雏形，以工业制造为代表的行业或许将迎来更深入的 AI 变革，迎来属于产业的 “ChatGPT 时刻”，在这一过程中与技术趋势契合的科技企业也有望率先出圈。
一、通用性的胜利
迄今为止，主导 AI 领域的模型仍然是面向特定任务的。AI 企业开发的模型在特定范围内有不错的表现，但工程师们发现其泛化能力不足以支持部署到更广泛场景。用业内人士的话说，已经训练了很多模型，但仍然需要茫茫多的模型。
这一瓶颈在高度碎片化工业制造领域几乎被 N 倍放大。因为工业制造中细分领域众多，各领域在生产流程、工艺、生产线配置、原材料及产品类型上均具有较大差异性。锂电池生产可分为十几道工序，工艺点数以千计，一条产线至少有 2500 个关键的质量控制点；液晶面板生产涉及上百道工序，生产过程中可能出现的面板缺陷种类多达 120 种；手机有几百种零件，涉及几百个供应商，每个零件可能有几十种缺陷要做检测。
现有的深度学习模型泛化程度低，即使在同一行业，模型的可复用比例也比较低。比如，如果要服务一家全球领先的手机品牌的整个智能产线，可能需要打造几十万个算法模型（不包括后续软硬件的迭代升级）。
现在，这个棘手的问题成了 ChatGPT 背后所代表的基础模型（大模型）的典型场景。
在 2022 年，一篇来自谷歌、斯坦福大学、北卡罗来纳大学教堂山分校以及 DeepMind 等机构的研究论文 [1]，介绍了大模型的「Emergent Ability（突现能力）」，即有些现象不存在于较小的模型中但存在于较大的模型中，他们认为模型的这种能力是突现的。虽然这种能力目前主要体现在语言模型上，但它也激发了在视觉模型、多模态模型上未来的研究。
根据斯坦福大学以人为本人工智能中心（HAI）基础模型研究中心（CRFM）的说法，「它（大模型）代表着构建 AI 系统的一种新的成功范式，在大量数据上训练一个模型，并使其适应多种应用」[2]。
这种通用能力正是工业制造所需要的。工业制造面对的场景五花八门，如何通过稳定的技术体系，在高度碎片化的需求中打造通用的技术能力，成为任何一家试图在此大展身手的科技企业的最大挑战。
思谋科技创始人贾佳亚在公司成立之初曾提到 AI 2.0 概念，其与在当下广泛采用 AI 1.0 的 AI 公司有所区别的一个核心要点，就是对通用性的强调。「我们想做新一代的 AI 体系架构，把以前别人在单个场景做的事情，用统一的架构去解决它，在不同场景里做到通用」，贾佳亚说，「从底层构建更智能的算法，用标准化的手段解决分散的工业场景，克服可复制性和标准性等关键性问题。」
思谋科技最受欢迎的产品 SMore ViMo 工业平台，就是通用性设计思维的典型例子，它是针对工业场景打造的首个跨行业中枢平台，具有多场景通用性。不仅满足新能源、半导体、汽车、消费电子等多个行业领域超过 1000 种细分应用场景需求，还灵活支持多种高难度工业视觉方案设计需求，比如产线的物料追踪、缺陷定位、工件计数、外观瑕疵检测等等。
SMore ViMo 智能工业平台的系统架构。
这条路的重要特点是比较好地平衡了敏捷、个性化与低边际成本。借助 SMore ViMo 平台，思谋科技已经可以同时支撑工业中不同行业的上百个项目，未来还有望再扩大十倍，同时支撑上千个项目，为 AI 的行业应用带来效率上的突破。
在率先于大规模工业场景使用 Transformer 技术，极大提高智能制造效率之后，思谋也再次第一时间拥抱大模型。思谋团队是最早对大模型在工业领域的 Emergent Ability 开展研究和产业化的团队，其工业大模型利用少量缺陷样本进行 in-context learning，从而使基础模型快速适应特定工业场景，并完成特定任务。
在一些业内人士看来，ChatGPT 及其背后更加具有通用性的技术的成功，将推动 AI 应用进入一个新的阶段。在以工业制造为代表的各行各业中，过去扎根产业，拥抱这一趋势，完成数据与技术落地闭环的企业拥有更多优势，在未来应用大爆发的过程中亦会更受到青睐。
二、加速 AI 普惠
在工业制造领域，不同「语言」之间也有着深刻隔阂。有业内人士表示，工业制造产业积累了很多数据，但制造业的工程师（比如机械工程师、材料工程师）还是很少去写程序来把这些数据利用起来，而 AI 开发者也面临理解产业问题的挑战，这在很大程度上约束了技术的落地。
思谋科技的算法工程师表示，ChatGPT 背后的技术，如 RLHF (Reinforcement Learning from Human Feedback，基于人类反馈的强化学习)，让他们看到可以在现有的工作上更进一步。
RLHF 是强化学习的一个扩展，它将人类的反馈纳入训练大模型的过程，为机器提供了一种自然的、人性化的互动学习过程，就像人类从另一个专业人士身上学习专业知识的方式一样。通过在 AI 和人类之间架起一座桥梁，RLHF 让 AI 快速掌握了人类经验。
他们表示，工业 AI 未来可以孕育出一个主动学习 AIaaS（AI As a Service，人工智能即服务）平台，通过算法工程师和标注专家的配合，利用 RLHF 技术训练大模型，用人类知识让 AI 理解工业问题，并满足特定工业任务的要求，让不会编程的工业专家也能训练 AI 模型。
目前，思谋科技已经在探索 RLHF 和工业结合的应用场景。
此外，ChatGPT 这种简单的交互模式与工业制造中落地 AI 的策略亦十分相似。工业领域场景复杂，好的产品一定是简单易用的，比如通过简明的交互，一键化部署方案，减少交付过程中的培训成本与学习负担。
许多程序员表示，ChatGPT 相当于重新构建了一座宏伟的巴别塔，与计算机的交流，不再是程序员的专利，它已经可以理解部分需求，并生产简单的代码方案。但现在，我们可以预见在不久的将来，制造领域的从业者也可以在 AI 平台上实现自行编程，根据产线需求开发模型。这样也能帮助解决制造业 AI 人才短缺的问题。
「只有当计算机系统可以突破工业落地中的几大难题，实现自动算法组合和部署，人类仅需参与少量定制化算法设计时，AI 的跨领域规模产业化才具备实现的可能。」贾佳亚曾表示。
事实上，思谋科技很早开始便构想打造一个可实现技术快速迭代的开发平台，只需把图片上传，即可自动标注缺陷，一键测试得到产品级的模型或 SDK，减少项目中大量投入的算法成本。
随着项目的迭代，思谋科技逐渐把更加成熟的行业方案和实用经验整合到产品中，继而推出了完整的产品类型，让客户无需在思谋科技员工的帮助下即可自行体验与使用，从而形成了产品最早的商业化应用。
随着技术的进步，无论是面向消费者，还是面向工业制造这样的产业，我们已经看到了更普惠技术应用，正在带来巨大的机遇。
三、ChatGPT 只是一个起点
十年以来，AI 技术的商业化受到了诸多质疑。这一次，ChatGTP 背后所代表的技术突破，预示着一场革命的到来，AI 有可能真的成为普世的生产力基础设施。
「GPT (generative pre-trained transformer）也完全可以是 general - purpose technology （通用技术）的缩写」，《经济学人》的一篇文章中写到，「一种翻天覆地的创新，可以像蒸汽机、电力和计算机那样提升各行各业的生产率」[3]。
始于 20 世纪 80 年代的个人电脑革命，到 90 年代末开始真正提升生产力，因为这些机器变得更便宜、更强大，还能连接到互联网。深度学习的转折发生在 2012 年，彼时 AlexNet 神经网络在 ImageNet 比赛中获得冠军，至此大量研究开始铺开，激发人们将其应用于各个领域。十多年的时间，深度学习技术正在跨越大规模赋能产业的门槛。
回顾工业制造智能化的发展历程，技术能力和算法无法满足实际应用需求、解决方案复制性较差难以落地、新技术公司与制造业企业沟通成本高等挑战一直存在。而目前基础模型（大模型）表现出多领域多任务的通用化能力，正在打破这些行业「壁垒」，并用低成本、普惠的方式，「席卷」容错率极低、成本敏感的产业应用。
用 AI 解决产业问题蕴含着机会，ChatGPT 是一个起点，随着一些扎根产业的技术公司的持续深耕，越来越多的行业正在迎来 AI 应用的 “ChatGPT 时刻”。
