人工智能的三大核心是算力、算法、数据，但在实际落地过程中，数据治理也是人工智能落地的障碍之一。这些挑战既涉及数据的获取与整合，也涵盖了数据的处理与安全应用，以及数据权属与价值评估的划定。由于这些问题的存在，人工智能技术在工业领域的应用效果大打折扣，需要从多方面加以突破。

具体而言，分为三点：

第一，在工业生产环节，要想获得和整合关键数据并非易事。生产过程中产生的核心数据往往蕴含商业或技术机密，企业通常不愿共享这些数据。与此同时，传统工业设备并不具备完善的数据采集能力，增加了数据获取的难度，同时整合也面临着巨大挑战。工业企业通常使用多个独立信息系统，系统间的数据格式和标准上的显著差异，导致数据的统一整合面临重重困难。

即便数据能够被采集，如何清洗噪声、剔除异常值或补全缺失数据，也是一项巨大工程——尤其是在此类数据与现在用于大模型预训练的标准数据存在显著差异的情况下，很容易影响模型的训练效果与预测准确性。而要在充分利用数据价值的同时确保其安全，存在复杂的技术和管理挑战，需要企业在数据加密、访问控制和隐私保护等方面投入大量技术与管理资源。

第二，在数据权属界定和价值评估方面，工业数据的复杂性使得其难以归入传统法律关系客体，导致产权界定模糊。工业数据涉及利益主体多元，其诉求多样且存在冲突，使得达成共识变得困难。现有工业数据产权界定方法存在不足，缺乏灵活性和适应性，难以应对数据的动态变化。而且传统法律体系以及现行信息管理的规章制度，对此类数据的规范也存在一定的问题。

第三，现在大模型算法本身也和工业逻辑存在一定冲突，工业追求决策过程可解释性，要确保可控性和可追溯性达到最高水平标准，不能在准确性方面出现差错。

然而，目前无论是ChatGPT，还是DeepSeek这些生成式大模型，上述三点都难以完全满足。这是今天人工智能赋能新型工业化领域仍处于起步阶段的原因之一。

实际上，人工智能自身就存在“算法黑箱”问题，因此工业生产一线的负责人和企业在推进大模型应用方面受到诸多限制；同时，由于过程机理的不可解释性和先天的“算法黑箱”特性，往往正好与这一需求背道而驰。实际上，当一线负责人需要对生产异常进行定位或溯源时，大模型的不可解释性就成为了最大障碍。

同时，工业生产对精度的要求极高，典型意义上往往需要达到“四个九”（99.99%）乃至“五个九”（99.999%）的可靠性水平；而现阶段的生成式大模型却更常表现为“十次回答中有九次正确、一次出错”，显然无法满足工业级工具的标准。这也在很大程度上解释了为什么人工智能赋能新型工业化尚处于起步阶段。

大模型由于幻觉等问题，尚不能满足不少工业需求

所以我们在推动产业-技术双向对接的过程中，更多是从工业企业与人工智能企业双向对接的角度入手，但也由此又暴露出以下三大挑战：

首先是因专业背景差异导致沟通鸿沟。一方面，人工智能技术人员往往缺乏工业领域的实践经验，难以准确理解和把握工业专家要求，常常导致前者对生产场景的特殊需求缺乏深刻理解；另一方面，工业领域的专业人员又对人工智能技术的理解和应用能力有限，难以有效配合技术支持方实现技术落地。

其次是因项目定制形式制约泛化应用开发，目前行业内对大模型的落地开发普遍采取项目制、定制化合作方式。这种方式虽然能够针对单个需求进行深度适配，却严重制约了大模型在工业领域的泛化应用。

一方面，深度定制使得技术方无法利用已有项目经验和基础进行快速复制，延长了开发周期，影响了大模型产品的规模效益。另一方面，由于大模型本身的快速迭代导致缺乏标准化解决方案，每个项目都要投入大量资源进行重置基础工作和并进行适配，增加了项目成本，降低了企业的投资回报率。例如在DeepSeek之前，我们主要考虑的是通用大模型，在DeepSeek引入思维链（Chain of Thought）机制，行业主流转向“推理大模型”。随着大模型演进，基础技术迭代之快也让项目制交付的质量能否保持成为双方都需要担心的问题。

第三方面是因商业模式不明影响持续合作，这主要包含两点，一是AI技术在工业领域的价值变现面临着巨大的不确定性。即便是OpenAI或Google这样的行业龙头，也尚未实现稳定盈利。据奥尔特曼披露，OpenAI每年亏损约50亿至70亿美元。而AI项目需有持续性的投入，以不断优化和升级模型，这导致投资回报周期被大大拉长，从而削弱了企业的投资积极性。这是人工智能企业发展中一个悬而未决的问题。

大模型迭代速度很快

二是由于缺乏成熟的商业模式可参考的应用案例和标准化的收益评估体系，供需双方对价值分配的认知也难以统一。

在对大模型落地至关重要的性能评估方面，学术界常用的AMIE、GPQA等顶刊基准测试，与工业应用场景的需求相去甚远，无法衡量模型在真实生产环境中的技术水平。要想真正推动大模型在工业现场的规模化应用，亟需依据国内外的工业基础条件，建立一套契合实际业务场景的评估体系，才能更高效地推进大模型在工业领域的落地。

基于上述分析，我们认为，赋能新型工业化应当以循序渐进的思路推进：在初级阶段，优先在封闭且对精度要求极高的场景中采用传统小模型，同时在对精度要求相对宽松的开放场景（如客服问答、流程调度等）中试用大模型。通过先易后难、先用为主的策略，以场景驱动加速技术迭代的模式，让人工智能在工业领域不断释放更高的赋能价值和潜力。

现在通用人工智能仍处于“数字世界”中，而在进阶阶段，工业生产需要通用人工智能跨越数字与物理的边界，真正融入“物理世界”。现在不少人推动人形机器人为代表的具身智能进入工厂干活，就是这种探索的缩影。

从这个角度，以及之前提到的大模型和小模型在产业链上的“正U型”“倒U型”分布特性，我们希望在进阶阶段可以构建一个大小模型协同的赋能体系：既不盲目追求单一大模型，也不小模型，而是持续探索人工智能的能力边界，稳步推进应用落地。