“AI重在應用，不重在發(fā)明。發(fā)明AI只是一家IT公司，應用AI則會強大一個國家?！?/p>

近日，任正非在ICPC上沒有談大模型的參數(shù)競賽，也沒有談技術巨頭的軍備比拼，而是將話題引向了高爐、礦井和碼頭這些實體經(jīng)濟的核心場景。

他的判斷引發(fā)了行業(yè)的廣泛共鳴，也讓一個共識逐漸浮現(xiàn)：AI的下半場，不在于模型本身有多強大，而在于它能在多大程度上與真實世界的復雜場景相結合。

01

技術的價值在于落地

技術史反復印證了一個規(guī)律：一項顛覆性技術的價值，最終由其應用場景所定義。多年前，施樂率先發(fā)明了圖形界面和鼠標，但這些足以改變世界的技術卻被鎖在實驗室；直到喬布斯將它們嵌入個人電腦，才真正開啟了一個時代。

今天的AI正處于一個類似的十字路口。頂尖科技巨頭們紛紛構建更強大的通用大模型，他們將此視為類似“發(fā)電廠”的基礎設施。然而，對工業(yè)制造、能源開采、交通物流等具體產(chǎn)業(yè)場景而言，它們需要的遠不止是“點亮一盞燈泡”那么簡單。

發(fā)電廠發(fā)出的電，須經(jīng)過一整套由變壓器、輸電線、配電柜組成的復雜電網(wǎng)系統(tǒng)，進行穩(wěn)壓、適配、傳輸，才能安全地驅動工廠里的每一臺設備。同理，AI要真正實現(xiàn)產(chǎn)業(yè)落地，也需要這樣一張復雜而強大的“適配網(wǎng)絡”，一頭連著通用大模型，另一頭則連著礦井下的傳感器、鋼鐵廠的高爐、港口的岸橋......

它需要將抽象的算法，與具體的行業(yè)知識（Know-how）、實時的工藝數(shù)據(jù)、復雜的流程管理等進行深度融合，以解決三個核心難題：

第一是場景的極端性與碎片化，如地下500米的礦井充斥粉塵、潮濕與信號屏蔽；精密面板產(chǎn)線上可能存在上百種微米級缺陷，通用模型難以直接應對這些極端、離散的現(xiàn)場環(huán)境。

第二是流程的復雜與高風險，煉鋼是一個典型的例子，幾十道工序環(huán)環(huán)相扣，一個環(huán)節(jié)的參數(shù)微調，可能引發(fā)整條產(chǎn)線的連鎖反應；AI的決策如果出現(xiàn)“幻覺”，造成的可能不是一段錯誤的文字，而是數(shù)以百萬計的經(jīng)濟損失和安全事故。

第三是知識的隱性與專業(yè)化，一位經(jīng)驗豐富的礦山地質工程師，能通過巖層的微小變化判斷出風險；一位資深的港口調度員，能在腦中快速規(guī)劃出上百輛集卡的最佳路徑。這些寶貴的行業(yè)知識大多是隱性的，難以被簡單地數(shù)據(jù)化和“喂”給模型。

對于這些難題的解決程度決定了AI在實體經(jīng)濟中到底是昂貴的玩具，還是真正的生產(chǎn)力工具。因此，產(chǎn)業(yè)與AI之間需要一種全新的角色入場——這個角色既要懂AI的“大腦”，又要能深入產(chǎn)業(yè)的“肌體”，去搭建連接兩者的“神經(jīng)網(wǎng)絡”。

02

構建產(chǎn)業(yè)智能的“神經(jīng)網(wǎng)絡”

那么，什么樣的“神經(jīng)網(wǎng)絡”才能滿足產(chǎn)業(yè)需求？

地處呼倫貝爾大草原深處的伊敏露天煤礦，是上世紀七八十年代國內首批建設的露天礦之一，年產(chǎn)能3000萬噸，是內蒙古煤炭主產(chǎn)區(qū)的重要支柱。然而，施工及交通運輸中的安全風險、高企的燃油成本、因工作強度大環(huán)境艱苦導致的卡車司機短缺等難題，長期困擾著礦山運營，且隨時間推移愈發(fā)凸顯。

一般而言，伊敏煤礦的難題在整個煤礦行業(yè)普遍存在，無人駕駛可以在很大程度上解決這些難題，但對于伊敏煤礦來說，極寒、富水、軟巖等疊加的復雜地質條件讓這里成了無人駕駛“最不友好”的地方。

然而，今年5月15日，100臺純電動無人駕駛礦用卡車正式投運伊敏煤礦。這不僅是全球率先實現(xiàn)極寒地區(qū)百臺規(guī)模的無人電動礦卡集群、中國率先取消駕駛室的無人礦卡項目，更是全球率先融合5G-A、云技術、端側融合感知技術的露天礦創(chuàng)新實踐。

整個項目由華能蒙東公司聯(lián)合徐工集團、華為、國網(wǎng)公司、北科大等國內科技創(chuàng)新的頭部企業(yè)共同研發(fā)，基于華為5G-A技術，研發(fā)高效的車—云—網(wǎng)協(xié)同調度系統(tǒng)，集成無人駕駛調度和自動換電調度云平臺，網(wǎng)絡全部下沉，平臺管控能力超過1000臺。同時，實現(xiàn)無人電車在作業(yè)過程中秒級采圖分鐘級地圖更新，也創(chuàng)新研發(fā)了工作面混編模式。

這一實踐背后，折射出產(chǎn)業(yè)需要的是在標準化數(shù)字基礎設施底座上培育出專屬自己領域的模型與智能化應用，其核心思路并非追求通用能力的無限泛化，而是構建“L0層的通用大模型+L1層的行業(yè)大模型+ L2層的場景模型”的分層架構：

L0層是基礎，華為提供語言、視覺、多模態(tài)等通用AI能力。

L1層是關鍵，行業(yè)伙伴將海量的行業(yè)數(shù)據(jù)和專家知識注入模型，聯(lián)合訓練出煤礦、政務、汽車、氣象等領域的“行業(yè)大模型”。

L2層是應用，無數(shù)的解決方案伙伴可以基于L1的行業(yè)模型，快速開發(fā)出針對具體業(yè)務場景的細分應用。

這套架構沒有試圖用一個萬能模型去硬解所有問題，而是讓懂AI者和懂行者各司其職、協(xié)同創(chuàng)新。前者是提供高品質“水泥、鋼筋、預制板”（即連接、算力、平臺）的“建筑商”。真正的“設計師”和“施工隊”，是華能、國網(wǎng)這些深耕行業(yè)數(shù)十年的龍頭企業(yè)和伙伴。

03

產(chǎn)業(yè)智能的深層變革

這種“平臺+生態(tài)”的模式，真正改變的是產(chǎn)業(yè)知識（Know-How）傳承與創(chuàng)新。它所帶來的變革，遠比解決單個場景的效率問題更為深刻。

在傳統(tǒng)工業(yè)領域，最寶貴的資產(chǎn)，往往不是設備，而是老師傅們腦海里那些無法量化的經(jīng)驗。一位頂尖的化工調機師傅，能通過聽聲音、聞氣味、摸溫度來判斷設備狀態(tài)，但這種手藝難以復制，且會隨著人的退休而流失。

AI大模型的出現(xiàn)，第一次提供了一種強大的工具，能夠將這些零散、隱性、非結構化的專家經(jīng)驗，與海量的生產(chǎn)數(shù)據(jù)結合，進行學習和推理，最終固化為可調用、可迭代的“行業(yè)知識模型”。從此，一個寶貴的個人技能，就轉變成了可以被整個企業(yè)、乃至整個行業(yè)調用的數(shù)字資產(chǎn)。

其次，它改變了智能化創(chuàng)新的模式，從項目制走向平臺化。

過去，企業(yè)想做智能化改造，往往是做一個“交鑰匙”工程。一個項目結束，成果可能只適用于一條特定的產(chǎn)線。當外部環(huán)境變化或流程調整時，整個系統(tǒng)可能又要推倒重來，成本高、周期長、無法規(guī)模化復制。

而“L0+L1+L2”的分層架構，本質上是一種工業(yè)化的AI生產(chǎn)線。L1行業(yè)大模型沉淀了通用規(guī)律，就像一個預制好的“發(fā)動機毛坯”。無數(shù)的合作伙伴可以基于這個“毛坯”，快速、低成本地開發(fā)出滿足各種L2場景需求的“定制化發(fā)動機”。例如在礦山領域，一個伙伴基于盤古礦山大模型開發(fā)出的皮帶機異物識別應用，其核心視覺能力可快速被另一個礦區(qū)的無人機巡檢應用復用。

這使得創(chuàng)新不再是少數(shù)巨頭的專利，而是變成了整個生態(tài)伙伴可以廣泛參與的開放式命題。知識得以沉淀、能力得以復用、應用得以規(guī)?；?，這才是產(chǎn)業(yè)智能化的根本解法。

最終，催生一種全新的“人機協(xié)同”關系。

AI并非要取代人，而是要將人從重復、危險、低效的勞動中解放出來，讓人成為更高級的“決策者”和“創(chuàng)造者”。當AI接管了99%的常規(guī)巡檢和數(shù)據(jù)分析后，人的精力就可以集中于處理那1%的極端異常情況和進行工藝流程的優(yōu)化創(chuàng)新。

這種深入產(chǎn)業(yè)的AI實踐，其核心價值不在于替代了多少人力，而在于它建立了一套全新的知識生產(chǎn)、復用和傳承的機制，讓寶貴的行業(yè)Know-How得以永續(xù)，讓創(chuàng)新的門檻降低，讓人的價值得到體現(xiàn)。

回望技術史，每一次真正改變世界的技術力量，都會經(jīng)歷從顯眼到隱形的過程。電力從世紀發(fā)明變成了墻上的插座，網(wǎng)絡從信息高速路變成了基礎公共設施。

或許有一天，人們不再爭論哪家模型的參數(shù)更大，而是聚焦于AI賦能的哪座工廠的良率更高、哪條供應鏈更穩(wěn)定、哪款產(chǎn)品更貼合需求，到那時，AI才算真正“長大”。

大模型仍在狂奔，但中國制造業(yè)已給出了奔跑的方向：AI向實，讓技術在真實世界中歸位，把智能嵌入實體產(chǎn)業(yè)，在實際用戶體驗中兌現(xiàn)價值。