聚焦WAIC丨对话华院计算宣晓华：追求规模本身并不是目标，特定场景小模型

人工智能已成为推动全球经济社会发展的关键力量，大模型更是吸引了绝大多数的热度，中国企业也在这波AI浪潮中广泛投入。

《2024全球数字经济白皮书》显示，截至2024年，全球人工智能大模型1328个，中国占36%。截至2024年一季度，全球AI企业近3万家，中国占15%。

而应用与产业落地是今年备受关注的重点。事实上，在智能制造、智慧城市、医疗健康、金融科技等细分领域，中国已经展现出强大的竞争力和创新能力。以智能制造领域为例，中国企业正利用人工智能技术推动传统制造业的转型升级，提高生产效率和产品质量，降低生产成本和资源消耗。

然而，尽管中国在人工智能领域取得了显著成就，但仍面临着一些挑战和问题。例如，在大模型的应用上，在与垂直行业的结合上还存在一些难点，如缺乏数据、准确性不足等，需要进一步探索和解决。此外，人工智能技术在一些特定领域的应用效果还有待提高，需要更多的创新和突破。

在2024世界人工智能大会上，华院计算创始人、董事长宣晓华在接受21世纪经济报道记者采访时表示，对于企业来说，最重要的是找到合适的应用场景，追求规模本身并不是目标。在一些特定的场景之下，小模型可以实现更低的成本和更高的效能。

“如果通过将特定行业的知识和专家经验整合到人工智能算法中，可以减少对大量数据的依赖，同时提高准确度。”宣晓华表示。

中国人工智能发展潜力巨大

21世纪:当下中国人工智能的发展处于世界什么水平？哪些细分领域处于引领的地位？

宣晓华:人工智能在中国仍具有巨大的发展潜力。中国拥有众多人工智能相关人才，国家对人工智能的重视程度高，产业应用丰富。许多中国企业愿意并善于将技术应用于工作和业务中。

从全球范围来看，中国的人工智能潜力被普遍认可，中国对人工智能的重视和参与度在全球范围内非常高，甚至超过了一些传统发达国家。中国公司在这一领域不断做出贡献，特别是在产业应用方面，这些经验有望复制到全球其他国家。

人工智能的应用通常基于大数据，因此，数据获取较为便利的领域往往发展较快。互联网领域拥有丰富的语言和图像数据，是人工智能应用较早的领域之一。中国的电商领域也较早地充分利用了人工智能资源。金融行业由于其业务高度依赖数据，信息化水平高，也是人工智能应用较早较快的领域。

城市管理和金融领域是人工智能较早和较快应用的领域。值得注意的是，一些大型制造企业，尤其是近年来，随着全国推动新工业化和智能制造，许多工业企业，包括新能源汽车、钢铁等行业，开始大量采用人工智能技术。此外，医疗领域，尤其是与影像相关的领域，如癌症早期诊断等，也是人工智能应用较快的领域。

21世纪:华院计算在夯实底层技术的同时，也在为智能制造、数字治理等多行业提供AI+行业解决方案，目前发现AI及大模型在与垂直行业结合上存在哪些难点？

宣晓华:人工智能在各个领域和行业的应用受到高度重视，通常被称为"人工智能+"。领域众多，涉及千行百业。智能制造是华院特别关注的领域之一。中国作为制造大国，如何利用人工智能提升智能制造的效益、降低碳排放，是重要的研究课题。

大模型在工业应用中面临诸多挑战。首先，大模型需要大量数据，而在工业领域获取数据相对困难，与互联网领域不同。工业领域的数据不仅较少，而且往往不适合或不愿意在企业之间共享，这对大模型构成挑战。因此，需要采用不同的方法来解决这些问题。

在数据治理和社会治理领域，人工智能的应用可能拥有更多数据。例如，法律领域的大模型可能相对更加积极。然而，大模型在这些领域也面临挑战，如准确性和推理能力。在法律问题上，需要极高的准确性和一定的推理能力。大模型需要克服所谓的"幻觉"，以满足更高的要求，进行准确的推理和判断。

21世纪:华院计算还关注哪些工业场景，如何推动这些领域的转型和升级，以及您如何看待现在新型工业化发展的现状和未来的前景？

宣晓华:华院在工业领域，尤其是在钢铁有色这个领域，已经进行了许多尝试。尽管许多人曾试图解决这一问题但效果不佳，但华院投入了大量精力，探索使用更好的方法来解决。事实上，我们已经取得了显著的成果，使客户认识到人工智能确实能够解决工业问题，例如表面颜色检测。

然而，表面检测只是工业中的一个小问题。大量的质量控制和管理、人员优化使用、配料以及生产过程的质量提升等方面，都可以通过人工智能来优化和提升。特别是在钢铁这种长流程行业中，存在许多可以通过人工智能优化的场景。

总体而言，新型工业化的目标是提高效能，优化生产过程，包括物流和营销等方面。在生产过程中，人工智能可以发挥作用，因为它不需要增加投入或设备，而是通过优化方法来提高效率。

人工智能的作用在于，它可以通过算法优化生产过程中的参数设置，从而提高产品质量和稳定性。例如，在配料方面，人工智能可以帮助找到最佳的配料方案，以提高产品质量和降低成本；在能源使用方面，人工智能可以在不改变现有能源方式的情况下，优化加热过程，减少能源消耗。

总的来说，无论是智能制造、新型工业化还是“人工智能+”，其目标都是使生产过程、运营方法和管理决策更加高效和优化。人工智能在这方面具有巨大的潜力。

特定场景小模型更具优势

21世纪:大模型在一些场景应用效果不佳的问题如何解决？

宣晓华:有时我们可能不需要或不适合使用大型企业，而是需要相对较小的模型。特别是需要将领域知识、专家经验和逻辑推理引入到模型中。这是法院计算近年来围绕工业问题所采取的方法。

例如，在工业领域的表面检测问题上，虽然看似是一个图像识别问题，但实际上与传统的图像识别问题有很大不同。我们发现，使用大数据方法解决缺陷检测时会遇到很多困难，因为缺陷数据很少，但人类可以通过观察少数缺陷样本快速识别类似的缺陷。

在人工智能领域，如果没有大量的、可比较的数据，那么开发有效的大模型是非常困难的。大模型的方法本质上是一种归纳学习方法，归纳系统通过观察许多例子来学习，但其学习效率远低于人类。即使在图像识别这一大模型相对擅长的领域，我们也发现它并不总是那么有效。因此，在解决问题的过程中，人类积累的科学知识是非常高效的。

在这个过程中，如果通过将特定行业的知识和专家经验整合到人工智能算法中，可以减少对大量数据的依赖，同时提高准确度。

我认为最重要的是找到合适的应用场景，追求规模本身并不是目标。如果能够使用较小的模型和数据有效地解决问题并提供良好的服务，就没有必要追求规模。

在解决特定行业或领域的问题时，需要重新考虑如何更有效地解决问题，选择什么样的模型。这非常重要。不应该盲目追求大模型，而应该追求更好的智能化方法来提高效率和解决问题。

对于国家而言，这一点也很重要。因为当大家都追求大模型时，实际上可能会造成很多浪费，包括算力资源。人们可能会不加选择地购买大量算力，而算力本身也有很高的成本。因此，从应用场景的角度出发，思考需要什么样的模型，是解决问题的关键。

21世纪:目前在很多行业中，对于大模型仍停留在浅层利用阶段，没有引发更深层次的变革，如何看待这个现象？

宣晓华:实际上，能够通过大模型产生完全行业变革的领域相对较少。尽管如此，任何行业都有可能利用大模型。例如，在任何领域，客服工作都可以利用大模型，尤其是在电商领域，广告生成可能更为明显。大模型可以在特定的点或场景中提供特别有效的帮助。

然而，从目前的角度来看，人工智能可能还没有达到完全改变一个产业的程度。在某种意义上，这可能还不那么明显，或者人工智能的智能程度还没有达到那个水平。这并不一定是坏事，因为人们可能还没有准备好应对如此巨大的行业变革。