數(shù)智化時(shí)代制造業(yè)的主要難點(diǎn)

　　從制造業(yè)數(shù)字化轉(zhuǎn)型遇到的問(wèn)題、戰(zhàn)略層面的問(wèn)題和行業(yè)整體的問(wèn)題來(lái)展開(kāi)。

　　1.1 制造業(yè)數(shù)字化轉(zhuǎn)型的問(wèn)題

　　當(dāng)前制造業(yè)數(shù)字化轉(zhuǎn)型過(guò)程中存在的問(wèn)題：

　　1)當(dāng)前軟件應(yīng)用條塊分割、功能偏單一;技術(shù)力量和運(yùn)維隊(duì)伍薄弱，平臺(tái)持續(xù)改進(jìn)完善的體系機(jī)制尚等完善。

　　2)數(shù)據(jù)管理與治理當(dāng)前是主要問(wèn)題，數(shù)據(jù)中臺(tái)、治理工具匱乏，部分?jǐn)?shù)據(jù)資源的質(zhì)量源頭治理還有待提高;

　　3)智能應(yīng)用尚處于起步階段，對(duì)制造業(yè)的場(chǎng)景優(yōu)化的機(jī)理模型還沒(méi)形成體系化;

　　4)數(shù)據(jù)的資產(chǎn)價(jià)值正待挖掘，數(shù)據(jù)要素對(duì)制造業(yè)業(yè)務(wù)轉(zhuǎn)型的驅(qū)動(dòng)力還沒(méi)顯現(xiàn);

　　5)既懂制造業(yè)務(wù)、又有IT能力，能支撐制造業(yè)數(shù)字化系統(tǒng)建設(shè)與運(yùn)維的高技術(shù)人才匱乏;需要理解制造企業(yè)戰(zhàn)略統(tǒng)籌和數(shù)據(jù)治理融合執(zhí)行的數(shù)字化領(lǐng)軍人才。

　　1.2從企業(yè)戰(zhàn)略層面存在的問(wèn)題

　　從企業(yè)高層思考的問(wèn)題有：

　　1)管理問(wèn)題：條塊分隔，難以從整個(gè)企業(yè)的角度來(lái)統(tǒng)籌，難以形成戰(zhàn)略高度和執(zhí)行力。欠缺有效的管理抓手。

　　2)技術(shù)問(wèn)題：數(shù)據(jù)涉及面廣、數(shù)據(jù)量大，產(chǎn)品質(zhì)量難以保障，數(shù)據(jù)質(zhì)量也難以得到有效的管控;各種風(fēng)險(xiǎn)識(shí)別缺乏有效的工具，導(dǎo)致技術(shù)水平不高。制造行業(yè)的新產(chǎn)品需求設(shè)計(jì)、質(zhì)量管理、合規(guī)管理、安全生產(chǎn)、創(chuàng)新升級(jí)等多個(gè)場(chǎng)景存在如何以數(shù)據(jù)優(yōu)化驅(qū)動(dòng)，以實(shí)現(xiàn)轉(zhuǎn)型升級(jí)、提質(zhì)增效。

　　3)綜合問(wèn)題：數(shù)字化轉(zhuǎn)型的高端人才不足，尤其是數(shù)據(jù)資產(chǎn)的高端人才不足。

　　4)制造業(yè)碳排放占三成，低碳也是十分重要，如何實(shí)現(xiàn)制造業(yè)綠色化、環(huán)保化也是需要解決的問(wèn)題。

　　5)人工智能應(yīng)用難以真正全面解決問(wèn)題。

　　企業(yè)若要實(shí)現(xiàn)全方位轉(zhuǎn)型仍需突破重重困局。一是制定戰(zhàn)略目標(biāo)，92%的高管認(rèn)為數(shù)字化轉(zhuǎn)型的核心前提是清晰、定制化的戰(zhàn)略規(guī)劃，但目前已制定轉(zhuǎn)型戰(zhàn)略并展開(kāi)行動(dòng)的企業(yè)僅占50%。二是挖掘?qū)嵤﹫?chǎng)景，90%的高管認(rèn)同數(shù)字化轉(zhuǎn)型要找準(zhǔn)切入點(diǎn)，但由于場(chǎng)景眾多且經(jīng)驗(yàn)匱乏，企業(yè)難以精準(zhǔn)聚焦場(chǎng)景。三是平衡效率韌性，96%的企業(yè)供應(yīng)鏈?zhǔn)艿揭咔闆_擊，亟需利用數(shù)字化轉(zhuǎn)型提升響應(yīng)速度和抗風(fēng)險(xiǎn)能力。四是共創(chuàng)創(chuàng)新生態(tài)，83%的高管認(rèn)為數(shù)字化時(shí)代，企業(yè)之間的競(jìng)爭(zhēng)已擴(kuò)展至生態(tài)圈，企業(yè)應(yīng)進(jìn)一步加強(qiáng)與生態(tài)系統(tǒng)的互動(dòng)。

　　1.3 制造業(yè)行業(yè)的問(wèn)題

　　從中國(guó)制造業(yè)的痛點(diǎn)來(lái)看：

　　1)原創(chuàng)不強(qiáng)：制造業(yè)目前普遍存在創(chuàng)新能力不足，原創(chuàng)基本沒(méi)有，以當(dāng)前比較強(qiáng)的電動(dòng)汽車為例，主要也是以市場(chǎng)拉動(dòng)一定的創(chuàng)新，在電池材料、動(dòng)力驅(qū)動(dòng)、儲(chǔ)能、自動(dòng)駕駛等基本都是集成創(chuàng)新，全球領(lǐng)引型的原創(chuàng)不多，形成的產(chǎn)業(yè)鏈也主要是市場(chǎng)先發(fā)優(yōu)勢(shì)。

　　2)質(zhì)量不高：產(chǎn)品質(zhì)量還沒(méi)形成有效的責(zé)任追溯體系，同質(zhì)化競(jìng)爭(zhēng)激烈，產(chǎn)品高質(zhì)量的設(shè)計(jì)能力、監(jiān)測(cè)能力和管控能力還有待于更進(jìn)一步的體系化。

　　3)高端制造效率相對(duì)低：加工的高端裝備、開(kāi)發(fā)的基礎(chǔ)軟件和工業(yè)設(shè)計(jì)軟件、高端芯片、高端材料都受制于人。

　　4)利潤(rùn)不高：同質(zhì)化競(jìng)爭(zhēng)，有競(jìng)爭(zhēng)力的盈利能力不足。

　　5)成本難以下降，人力成本近幾年越來(lái)越提升，自動(dòng)化換人后也存在柔性不足，產(chǎn)品變更升級(jí)的成本失控。

　　如何通過(guò)現(xiàn)在的大模型來(lái)解決以上問(wèn)題

　　對(duì)以上問(wèn)題進(jìn)行總結(jié)成以下四個(gè)方面：

　　1)技術(shù)方面的難題：通過(guò)技術(shù)手段解決各場(chǎng)景中的一些問(wèn)題，比如新產(chǎn)品需求設(shè)計(jì)、質(zhì)量管理、合規(guī)管理、安全生產(chǎn)、創(chuàng)新升級(jí)、低碳轉(zhuǎn)型等

　　2)人的素質(zhì)提升：需要形成從高端創(chuàng)新型人才、綜合型人才到強(qiáng)執(zhí)行力人才的人才梯隊(duì)。

　　3)管理方面的難題：從戰(zhàn)略設(shè)計(jì)、戰(zhàn)略優(yōu)化、戰(zhàn)略執(zhí)行(落實(shí)、執(zhí)行)等形成管理的抓手。

　　4)綜合(文化)方面的難題：價(jià)值觀、能力成熟度、組織各級(jí)的激發(fā)、戰(zhàn)略數(shù)字化領(lǐng)導(dǎo)力。

　　另外當(dāng)前的大語(yǔ)言模型、AIGC等還不沒(méi)到通用人工智能，所以先從目前相對(duì)成熟的技術(shù)上來(lái)解決以上一些問(wèn)題，受當(dāng)前的技術(shù)解決能力所限，應(yīng)用時(shí)還難以較好解決以上問(wèn)題。

　　2.1技術(shù)場(chǎng)景

　　包括新產(chǎn)品需求設(shè)計(jì)、質(zhì)量管理、合規(guī)管理、安全生產(chǎn)、創(chuàng)新升級(jí)、綠色低碳六個(gè)場(chǎng)景，在多模態(tài)大模型(LLM+AIGC)的基礎(chǔ)上再擴(kuò)展解決。

　　主要從：AIGC的感知、情景計(jì)算，以及LLM的認(rèn)知推理上進(jìn)行完善及應(yīng)用。技術(shù)細(xì)節(jié)不一一展開(kāi)。

　　● 場(chǎng)景1：智能網(wǎng)聯(lián)機(jī)器人設(shè)計(jì)(機(jī)床、車輛等)

　　描述：設(shè)計(jì)一個(gè)可以自動(dòng)識(shí)別材料，以及加工后的半產(chǎn)品(部件)形態(tài)、指標(biāo)要求，可以自動(dòng)進(jìn)行物料檢測(cè)、物料加工工藝設(shè)計(jì)、刀頭自動(dòng)選擇、加工路線自動(dòng)設(shè)計(jì)、零件自動(dòng)裝配、自動(dòng)質(zhì)量檢測(cè)的半產(chǎn)品。

　　要解決的問(wèn)題有：用戶需求怎么形成價(jià)值可評(píng)估的指標(biāo)點(diǎn);如何讓全部設(shè)計(jì)人員、制造人員理解需求;物聯(lián)數(shù)據(jù)怎么有效采集?怎么有效驗(yàn)證?

　　1)建立設(shè)計(jì)大模型

　　建立金屬材料、刀頭、材料力學(xué)、加工工藝、夾具、五軸計(jì)算、BOM設(shè)計(jì)、加工BOM、公差、量具等相關(guān)知識(shí)庫(kù)。

　　完善已有需求及其對(duì)應(yīng)的設(shè)計(jì)資料，將設(shè)計(jì)過(guò)程盡可能詳細(xì)化。

　　2)驗(yàn)證標(biāo)準(zhǔn)化設(shè)計(jì)過(guò)程

　　通過(guò)對(duì)已有標(biāo)準(zhǔn)化的需求進(jìn)行設(shè)計(jì)過(guò)程的驗(yàn)證，確保出錯(cuò)率有效控制。

　　3)AIGC相關(guān)庫(kù)的應(yīng)用

　　將CAD、CAE、CAPP等進(jìn)行MBSE的標(biāo)準(zhǔn)化改造，實(shí)現(xiàn)基于SysML的可描述的過(guò)程，通過(guò)輔助代碼和AIGC實(shí)現(xiàn)過(guò)程的打通，結(jié)合已有功能分配給相應(yīng)的人員或機(jī)器理解。

　　4)驗(yàn)證機(jī)制的建立

　　在SysML的基礎(chǔ)上結(jié)合RAAML來(lái)實(shí)現(xiàn)需求功能性的驗(yàn)證。通過(guò)大模型中的需求功能失效性機(jī)理模型，結(jié)合已采集或已更新的數(shù)據(jù)來(lái)進(jìn)行綜合分析，這一過(guò)程還需要給出哪些數(shù)據(jù)已完備，哪些數(shù)據(jù)沒(méi)及時(shí)更新。

　　從而實(shí)現(xiàn)整個(gè)產(chǎn)品設(shè)計(jì)到生產(chǎn)的閉環(huán)驗(yàn)證。增效明顯，質(zhì)量的全面性有一定的提高。

　　不足點(diǎn)：

　　1)需求設(shè)計(jì)的標(biāo)準(zhǔn)化是否準(zhǔn)確，設(shè)計(jì)是否有競(jìng)爭(zhēng)力，需求是否可以創(chuàng)新式引導(dǎo)?深層次的有競(jìng)爭(zhēng)力的改進(jìn)還需要不斷完善。

　　2)功能需求的可視化生成是否準(zhǔn)確，準(zhǔn)確率有多高?材料識(shí)別、工藝識(shí)別智能性不高。所以對(duì)于可視化的結(jié)果還需要有經(jīng)驗(yàn)的專家把關(guān)。

　　3)功能驗(yàn)證不一定全面，只能參考。

　　● 場(chǎng)景2：藥品GMP質(zhì)量監(jiān)管

　　描述：確保每一個(gè)環(huán)節(jié)GMP是可控的，質(zhì)量保證如何從材料、生產(chǎn)設(shè)備/設(shè)施、環(huán)境和管理上實(shí)現(xiàn)，并完成藥品質(zhì)量風(fēng)險(xiǎn)可控。

　　要解決的藥企問(wèn)題有：外部投訴、召回，投訴率為0，召回率為0;內(nèi)部質(zhì)量管控，批次不合格率為0;供應(yīng)商質(zhì)量控制/供應(yīng)鏈穩(wěn)健性，批次不合格率為0-0.001%;研發(fā)質(zhì)量設(shè)計(jì)：無(wú)效的OOS率為0;設(shè)備設(shè)施成熟度：設(shè)備設(shè)施的質(zhì)量缺陷率為0-0.001%。

　　以下是所需的行業(yè)大模型處理機(jī)制

　　1)建立質(zhì)量相關(guān)的大模型

　　建立細(xì)化的知識(shí)庫(kù)和指標(biāo)庫(kù)：批次接受率、投訴率(總體和關(guān)鍵)、確認(rèn)的OOS率、召回事件(總數(shù)和分類)、無(wú)效的(未確認(rèn)的)OOS率、穩(wěn)定性失效率、一次成功(返回、重新加工)率、年度產(chǎn)品回顧按時(shí)完成率、偏差重復(fù)發(fā)生率、CAPA有效率、偏差發(fā)生率、物料進(jìn)廠檢驗(yàn)率。

　　2)通過(guò)大模型建立質(zhì)量管理數(shù)據(jù)的物聯(lián)網(wǎng)

　　確保以上數(shù)據(jù)可以實(shí)時(shí)采集，同時(shí)判斷質(zhì)量可能存在的問(wèn)題。

　　3)建立以上指標(biāo)的分析、可視化庫(kù)

　　通過(guò)AIGC來(lái)讀懂多模態(tài)的工藝過(guò)程，;或者通過(guò)預(yù)測(cè)來(lái)顯示后面的指標(biāo)變化造成的問(wèn)題，幫助員工來(lái)理解如何控制質(zhì)量。

　　4)過(guò)程分析GMP工作

　　形成風(fēng)險(xiǎn)的指標(biāo)成熟度(風(fēng)險(xiǎn)中臺(tái))、質(zhì)量成熟度(質(zhì)量目標(biāo)中臺(tái))，分析統(tǒng)一化：PHA、FTA、FMECA、FMEA、HAZOP、HACCP等，質(zhì)量偏差、驗(yàn)證管理的風(fēng)險(xiǎn)模型;對(duì)創(chuàng)新藥的風(fēng)險(xiǎn)累加模型進(jìn)行設(shè)計(jì)，確保創(chuàng)新風(fēng)險(xiǎn)管控的正確性，可以讓研制人員有更好的風(fēng)險(xiǎn)管控意識(shí)。

　　產(chǎn)品缺陷檢測(cè)、產(chǎn)品質(zhì)量分析、生產(chǎn)線監(jiān)控分析，如圖1所示，將大模型和AIGC進(jìn)行系統(tǒng)級(jí)、算法級(jí)整合，來(lái)實(shí)現(xiàn)不同的應(yīng)用。

　　增效明顯，但還存在不足點(diǎn)：質(zhì)量感知不到位，質(zhì)量管控的容錯(cuò)率相對(duì)還是低，所以還是需要人為審核。

　　● 場(chǎng)景3：合規(guī)管理

　　描述：如何實(shí)現(xiàn)制造企業(yè)在法律法規(guī)的合規(guī)管理

　　要解決的問(wèn)題有：合規(guī)的主要法律風(fēng)險(xiǎn)，制造企業(yè)各主要崗位要審查的法律合規(guī)流程，

　　1)建立合規(guī)法律大數(shù)據(jù)

　　國(guó)家法律法規(guī)數(shù)據(jù)庫(kù)：官方法律法規(guī)數(shù)據(jù)庫(kù);中國(guó)裁判文書網(wǎng)：裁決書、裁定書、決定書等;由論壇、新聞、法條、司法解釋、法律咨詢、法考題、判決文書組成。隨后經(jīng)過(guò)清洗、數(shù)據(jù)增強(qiáng)等來(lái)構(gòu)造大模型的數(shù)據(jù)。

　　2)與合規(guī)性相關(guān)的業(yè)務(wù)過(guò)程

　　3)結(jié)合業(yè)務(wù)過(guò)程給出每一個(gè)業(yè)務(wù)的合規(guī)要求

　　在增效、合規(guī)全面性的同時(shí)還存在：1)如何更合規(guī)缺乏指導(dǎo);2)合規(guī)案例相對(duì)欠缺;3)合規(guī)變化大，法律標(biāo)準(zhǔn)經(jīng)常幾年會(huì)更新，之前的案例會(huì)不準(zhǔn)確。

　　● 場(chǎng)景4：安全生產(chǎn)

　　描述：如何確保生產(chǎn)車間不出事故

　　要解決的問(wèn)題有：哪些是會(huì)出事故的危險(xiǎn)源，如何確保危險(xiǎn)源的風(fēng)險(xiǎn)，確保不出事故。

　　1)建立安全生產(chǎn)大模型

　　建立危險(xiǎn)源、風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)管控等知識(shí)庫(kù)，構(gòu)建大模型

　　2)AIGC用于培訓(xùn)教育、風(fēng)險(xiǎn)檢測(cè)

　　3)監(jiān)測(cè)全員不出事故

　　還存在以下不足：1)大模型的風(fēng)險(xiǎn)不全、不深;2)風(fēng)險(xiǎn)數(shù)據(jù)更新不及時(shí)，難以有效監(jiān)管;3)AIGC對(duì)風(fēng)險(xiǎn)的理解還不夠，培訓(xùn)效果打折扣。

　　● 場(chǎng)景5：創(chuàng)新升級(jí)

　　描述：制造業(yè)轉(zhuǎn)型升級(jí)

　　問(wèn)題：設(shè)計(jì)出有行業(yè)競(jìng)爭(zhēng)力的產(chǎn)品、可行的商業(yè)模式及支撐

　　1)建立需求+問(wèn)題+專利大模型

　　2)預(yù)測(cè)創(chuàng)新趨勢(shì)

　　3)創(chuàng)新產(chǎn)品的大致商業(yè)模式構(gòu)建

　　效果不明顯，主要在：創(chuàng)新趨勢(shì)相關(guān)性數(shù)據(jù)少，行業(yè)發(fā)展需要有基礎(chǔ)和顛覆性技術(shù)的符合性依據(jù)。

　　● 場(chǎng)景6：綠色低碳

　　描述：制造業(yè)占了碳排放的30%，有必要進(jìn)行降碳

　　問(wèn)題：制造業(yè)如何節(jié)能降碳

　　1)建立能耗、生產(chǎn)過(guò)程、工藝大模型

　　2)給出設(shè)計(jì)時(shí)的降碳綠色建議

　　效果不明顯，只有有限的做法，因?yàn)槭芟抻谀茉础⒃O(shè)備等。

　　大語(yǔ)言模型和AIGC的結(jié)合，形成各種可以組合的形態(tài)。

　　隨著人的能力從勞工、人事到人力資源，再到智能化輔助的數(shù)智人，現(xiàn)代管理100多年的歷史，進(jìn)入到數(shù)智化時(shí)代，尤其是通用人工智能時(shí)代，目標(biāo)的管理智能十分重要。

　　從信息化時(shí)代的目標(biāo)：合規(guī)設(shè)計(jì)、精益管理;到數(shù)字化時(shí)代的目標(biāo)：財(cái)務(wù)全面內(nèi)控、卓越績(jī)效;再到通用人工智能的目標(biāo)：全面風(fēng)險(xiǎn)、全員盡責(zé)。

　　通過(guò)對(duì)所有的人、物、環(huán)境、管理風(fēng)險(xiǎn)源的全面梳理，整合到全面風(fēng)險(xiǎn)中的風(fēng)險(xiǎn)時(shí)空中，實(shí)現(xiàn)風(fēng)險(xiǎn)動(dòng)態(tài)指標(biāo)化，通過(guò)管理手段的映射，從風(fēng)險(xiǎn)時(shí)空進(jìn)行技術(shù)、管理、文化派生到責(zé)任時(shí)空中，責(zé)任時(shí)空中再實(shí)現(xiàn)“人人有責(zé)、人人盡責(zé)”的機(jī)制，同時(shí)再根本履責(zé)缺陷來(lái)實(shí)現(xiàn)培訓(xùn)、教育提升的機(jī)制。

　　可以實(shí)現(xiàn)目標(biāo)指標(biāo)、風(fēng)險(xiǎn)指標(biāo)、責(zé)任指標(biāo)、能力(素質(zhì))指標(biāo)再到價(jià)值指標(biāo)的指標(biāo)智能。

　　實(shí)例可以讓每一個(gè)管理人員都具有數(shù)字化的領(lǐng)導(dǎo)力，通過(guò)不同的指標(biāo)關(guān)系，快速顯示能力有缺陷的責(zé)任點(diǎn)及責(zé)任人，實(shí)現(xiàn)量化的科學(xué)決策。(具體實(shí)例可以參考責(zé)聯(lián)網(wǎng)體系)

　　通用人工智能的升級(jí)需要

　　3.1 可自我完善的AGI

　　通用人工智能：會(huì)分析問(wèn)題，想象場(chǎng)景，理解瓶頸問(wèn)題，給出瓶頸問(wèn)題的原理，給出數(shù)據(jù)驅(qū)動(dòng)的機(jī)理模型，形成可行的解決方案，并進(jìn)行過(guò)程驗(yàn)證，根據(jù)驗(yàn)證結(jié)果再進(jìn)行改進(jìn)，對(duì)于復(fù)雜的，可以逐步驗(yàn)證并及時(shí)修正。

　　對(duì)產(chǎn)品質(zhì)量，到底是加工工藝引起的，還是加工過(guò)程管控不力累積引起的，還是原材料質(zhì)量檢測(cè)不力，還是后續(xù)污染引起的，比如對(duì)創(chuàng)新產(chǎn)品就需要有這么一個(gè)通用機(jī)理+專用機(jī)理，可以用于智能分析和智能決策。

　　3.2通用人工智能的架構(gòu)

　　通用人工智能目前還沒(méi)一個(gè)完整的藍(lán)圖，定義相關(guān)的可以參考附2。目前全網(wǎng)知識(shí)搜索的結(jié)果只有預(yù)測(cè)，并沒(méi)有清晰的路線圖，目前OpenAI對(duì)外發(fā)布的AGI也不清晰。但有一點(diǎn)有相當(dāng)?shù)墓沧R(shí)，即通用人工智能是與意識(shí)相關(guān)的。

　　所以如何對(duì)意識(shí)進(jìn)行建模是關(guān)鍵，ChatGPT的大語(yǔ)言模型提供了類似意識(shí)的能力，通過(guò)建立高維關(guān)聯(lián)，實(shí)現(xiàn)詞(Token)間的類似意識(shí)的能力。

　　意識(shí)最難建模的是其不確定性，而這個(gè)不確定性是分層級(jí)。

　　時(shí)間和空間的不確定性是相對(duì)固有的，不完全屬于意識(shí)空間，這屬于物自體空間的，有時(shí)候也稱為環(huán)境的不確定性。

　　其中感覺(jué)的不確定性，有視覺(jué)、聽(tīng)覺(jué)、味覺(jué)、嗅覺(jué)、觸覺(jué)、味覺(jué)上的不確定性，可以形成對(duì)時(shí)空不確定性的疊加，比如太陽(yáng)是圍繞地球轉(zhuǎn)的錯(cuò)覺(jué);情景上的不確定性，有動(dòng)作、表情、情緒、內(nèi)心想法等。

　　其中目標(biāo)上的不確定性，則是為了完成某一動(dòng)作、活動(dòng)或協(xié)作所擬定的(多)目標(biāo)(集)，影響目標(biāo)完成的不確定性，有法律、法規(guī)、標(biāo)準(zhǔn)、制度、設(shè)備設(shè)施、環(huán)境方面的綜合影響。

　　其中價(jià)值上的不確定性，則是人的能力、價(jià)值觀上的不確定性。

　　能表征不確定性就可以很好地表征意識(shí)，但窮舉了目前已有的建模機(jī)制或算法都很難表征。參考ISO31000-2018和GB/T 24353-2022對(duì)風(fēng)險(xiǎn)的定義為：影響目標(biāo)的不確定性，以及如圖8所示現(xiàn)代風(fēng)險(xiǎn)管理的歷程，可以列出如表2所示的風(fēng)險(xiǎn)和不確定性的對(duì)應(yīng)關(guān)系。基本確定用全面風(fēng)險(xiǎn)來(lái)建模意識(shí)會(huì)是當(dāng)前最佳選項(xiàng)。

　　風(fēng)險(xiǎn)可以分為人的風(fēng)險(xiǎn)、物的風(fēng)險(xiǎn)、環(huán)境的風(fēng)險(xiǎn)、管理風(fēng)險(xiǎn)、協(xié)同風(fēng)險(xiǎn)和文化風(fēng)險(xiǎn)。當(dāng)然協(xié)同風(fēng)險(xiǎn)也可以認(rèn)為是人的風(fēng)險(xiǎn)。

　　于是綜合以上，通用人工智能的架構(gòu)所示，形成從感覺(jué)智能、情感智能、管理智能再到責(zé)任智能的多級(jí)AGI能力架構(gòu)。

　　可以認(rèn)為大語(yǔ)言模型(LLM)如Llama是助理級(jí)別，形成了通用人工智能的世界智能基座，當(dāng)然目前的世界知識(shí)基座還是不夠支撐，比如實(shí)時(shí)更新能力、學(xué)習(xí)能力、糾錯(cuò)能力、幻覺(jué)控制等能力不足，這些不足能力又形成了AGI世界知識(shí)的風(fēng)險(xiǎn);而AIGC + Llama(包括輸入、輸出)則具有了高級(jí)助理的能力，使得各種輸入不限于文本，還有圖像、視頻、聲音、味道、觸覺(jué)等，同時(shí)輸出時(shí)也可以采用這些媒介，使得溝通機(jī)制更多樣化，尤其是通過(guò)世界知識(shí)處理后，能快速實(shí)現(xiàn)較好效果的功能，有明顯的增效、降本效果，世界知識(shí)深入溝通后還可以有提質(zhì)之效。

　　情感智能級(jí)，也是加入了情感計(jì)算，包括動(dòng)作/行為的識(shí)別、表情識(shí)別、情緒管控、內(nèi)心想法判斷等，實(shí)現(xiàn)了以人為本式的激勵(lì)機(jī)制，所以可以用于執(zhí)行或落實(shí)任務(wù)這一層級(jí)。也開(kāi)始正式進(jìn)入到通用人工智能的低層級(jí)。

　　管理智能級(jí)，實(shí)現(xiàn)了目標(biāo)的管理風(fēng)險(xiǎn)的指標(biāo)化，同時(shí)可以集成上面的人、物、環(huán)境的風(fēng)險(xiǎn)，形成崗位能力匹配的風(fēng)險(xiǎn)清單和責(zé)任清單，并實(shí)現(xiàn)人的能力的提升，以及價(jià)值的更好實(shí)現(xiàn)。是通用人工智能的中級(jí)能力。

　　責(zé)任智能級(jí)，則可以實(shí)現(xiàn)目標(biāo)的風(fēng)險(xiǎn)自動(dòng)化、全員盡責(zé)輔助自動(dòng)化。創(chuàng)新、文化等也形成為相應(yīng)的目標(biāo)。且在一定程度上可以實(shí)現(xiàn)自動(dòng)盡責(zé)，這就形成了具身智能。是通用人工智能的高級(jí)能力。

　　發(fā)展趨勢(shì)

　　4.1 盡責(zé)學(xué)習(xí)

　　為了實(shí)現(xiàn)目標(biāo)、價(jià)值不確定性的學(xué)習(xí)機(jī)制，從而將感知智能形成為通用人工智能的高階認(rèn)知智能。

　　需要將當(dāng)前各種學(xué)習(xí)機(jī)制進(jìn)行大一統(tǒng)，需要將表1的風(fēng)險(xiǎn)知識(shí)庫(kù)通過(guò)深度學(xué)習(xí)形成可靠的風(fēng)險(xiǎn)大模型，其中就有目標(biāo)、價(jià)值的認(rèn)知智能，而這一塊定義為盡責(zé)學(xué)習(xí)。

　　實(shí)際使用時(shí)，可以定義多個(gè)目標(biāo)，自動(dòng)生成履責(zé)的風(fēng)險(xiǎn)、責(zé)任清單，以及相應(yīng)的指標(biāo)內(nèi)容，如圖10所示，可以實(shí)現(xiàn)全員的輔助盡責(zé)。

　　4.2 具身智能

　　在上一節(jié)的基礎(chǔ)上，可以輔助人工盡責(zé)，則通過(guò)對(duì)硬件設(shè)計(jì)后，也具有擔(dān)責(zé)能力，而這就具有了法律意義上的履責(zé)身份可能，如圖11所示，就形成了不同履責(zé)能力的具身智能(軟硬件一體)。

　　具身機(jī)器人(包括車、船、飛機(jī)等)實(shí)現(xiàn)具身型，也是真正可以與人在技術(shù)、管理、文化上進(jìn)行協(xié)同。

　　4.3 認(rèn)知型芯片

　　芯片也可以從信息型，向認(rèn)知型發(fā)展。

　　附1、當(dāng)前的政策解讀

　　北京市人民政府辦公廳于2023年5月印發(fā)《北京市促進(jìn)通用人工智能創(chuàng)新發(fā)展的若干措施》的通知。2023年6月26日《人民日?qǐng)?bào)》刊登文章：中共中央政治局會(huì)議指出，要重視通用人工智能發(fā)展，營(yíng)造創(chuàng)新生態(tài)，重視防范風(fēng)險(xiǎn)。

　　2023年6月14日歐洲議會(huì)投票通過(guò)了關(guān)于《人工智能法案》的談判授權(quán)草案。這是歐盟準(zhǔn)備針對(duì)ChatGPT等應(yīng)用的人工智能法規(guī)，旨在確保人工智能系統(tǒng)(AI)受到監(jiān)管，決定如何對(duì)人工智能應(yīng)用進(jìn)行分類，以及什么樣的活動(dòng)不被允許。該法案將嚴(yán)格禁止“對(duì)人類安全造成不可接受風(fēng)險(xiǎn)的人工智能系統(tǒng)”，包括有目的地操縱技術(shù)、利用人性弱點(diǎn)或根據(jù)行為、社會(huì)地位和個(gè)人特征等進(jìn)行評(píng)價(jià)的系統(tǒng)等，涉及安全、透明度、隱私和人力監(jiān)督等方面的問(wèn)題，有著直接禁止的人工智能用例的明確清單。

　　附2、AGI定義與大模型

　　通用人工智能(AGI)指的是一種理論上的形式的人工智能，具有全面理解、學(xué)習(xí)和應(yīng)用知識(shí)的能力，與人類智能在各方面上都相當(dāng)或者超越。這種類型的AI能夠理解、學(xué)習(xí)和應(yīng)用其在一個(gè)領(lǐng)域?qū)W到的知識(shí)到任何其他領(lǐng)域。

　　通用人工智能的定義還有：是指達(dá)到或超越人類水平的、能夠自適應(yīng)地應(yīng)對(duì)外界挑戰(zhàn)的、具有自我意識(shí)的人工智能。

　　通用人工智能與當(dāng)前存在的人工智能(通常被稱為弱人工智能或窄人工智能)有很大的不同。當(dāng)前的AI系統(tǒng)通常在一個(gè)非常特定的任務(wù)或一組任務(wù)中表現(xiàn)出超人的性能，例如圍棋、語(yǔ)言翻譯、圖像識(shí)別等，但它們?nèi)狈υ谝粋€(gè)任務(wù)上學(xué)到的知識(shí)應(yīng)用到其他任務(wù)的能力，也沒(méi)有真正理解它們正在做什么的能力。

　　當(dāng)前火熱的GPT等大模型仍然是一種窄人工智能(Narrow AI)或特定人工智能(Specific AI)。它們被訓(xùn)練來(lái)執(zhí)行特定的任務(wù)(在這種情況下是生成文本)，而并不具有廣泛的理解能力或適應(yīng)新任務(wù)的能力，這是AGI的特征。

　　然而，GPT和AGI的關(guān)聯(lián)在于，GPT是當(dāng)前AI研究為實(shí)現(xiàn)AGI所做出的努力中的一部分。它表明了預(yù)訓(xùn)練模型的潛力，并給出了一種可能的路徑，通過(guò)不斷增加模型的規(guī)模和復(fù)雜性，可能會(huì)接近AGI。但是，這仍然是一個(gè)未解決的問(wèn)題，并且需要更多的研究來(lái)確定這是否可行，以及如何安全有效地實(shí)現(xiàn)這一目標(biāo)。

　　盡管GPT在生成文本上表現(xiàn)出了強(qiáng)大的性能，但它并不理解它正在說(shuō)什么。GPT沒(méi)有意識(shí)，也沒(méi)有理解或意愿，它只是學(xué)會(huì)了模擬人類語(yǔ)言模式的統(tǒng)計(jì)模型。這是目前所有AI系統(tǒng)(包括GPT)與AGI之間的一個(gè)關(guān)鍵區(qū)別。

　　AIGC(Artificial Intelligence Generated Content / AI-Generated Content)中文譯為人工智能生成內(nèi)容，一般認(rèn)為是相對(duì)于PCG(專業(yè)生成內(nèi)容)、UCG(用戶生成內(nèi)容)而提出的概念。AIGC狹義概念是利用AI自動(dòng)生成內(nèi)容的生產(chǎn)方式。廣義的AIGC可以看作是像人類一樣具備生成創(chuàng)造能力的AI技術(shù)，即生成式AI，它可以基于訓(xùn)練數(shù)據(jù)和生成算法模型，自主生成創(chuàng)造新的文本、圖像、音樂(lè)、視頻、3D交互內(nèi)容等各種形式的內(nèi)容和數(shù)據(jù)，以及包括開(kāi)啟科學(xué)新發(fā)現(xiàn)、創(chuàng)造新的價(jià)值和意義等。

　　我們?nèi)匀贿h(yuǎn)離實(shí)現(xiàn)通用人工智能。實(shí)現(xiàn)這個(gè)目標(biāo)需要解決許多重大的科學(xué)和技術(shù)挑戰(zhàn)，包括但不限于語(yǔ)義理解、共享和遷移學(xué)習(xí)、推理和規(guī)劃，以及自我知覺(jué)和自我理解。

　　《北京市促進(jìn)通用人工智能創(chuàng)新發(fā)展的若干措施》給出的探索通用人工智能新路徑：

　　發(fā)展面向通用人工智能的基礎(chǔ)理論體系，加強(qiáng)人工智能數(shù)學(xué)機(jī)理、自主協(xié)同與決策等基礎(chǔ)理論研究，探索通用智能體、具身智能和類腦智能等通用人工智能新路徑。支持價(jià)值與因果驅(qū)動(dòng)的通用智能體研究，打造統(tǒng)一理論框架體系、評(píng)級(jí)標(biāo)準(zhǔn)及測(cè)試平臺(tái)，研發(fā)操作系統(tǒng)和編程語(yǔ)言，推動(dòng)通用智能體底層技術(shù)架構(gòu)應(yīng)用。推動(dòng)具身智能系統(tǒng)研究及應(yīng)用，突破機(jī)器人在開(kāi)放環(huán)境、泛化場(chǎng)景、連續(xù)任務(wù)等復(fù)雜條件下的感知、認(rèn)知、決策技術(shù)。支持探索類腦智能，研究大腦神經(jīng)元的連接模式、編碼機(jī)制、信息處理等核心技術(shù)，啟發(fā)新型人工神經(jīng)網(wǎng)絡(luò)模型建模和訓(xùn)練方法。

　　附3、可工程化的人工智能

　　附3.1 AI工程化

　　AI工程化，按Gartner比較官方的定義，是“使用數(shù)據(jù)處理、預(yù)訓(xùn)練模型、機(jī)器學(xué)習(xí)流水線(MLOps) 等開(kāi)發(fā)AI軟件的技術(shù)統(tǒng)稱，幫助企業(yè)更高效的利用AI創(chuàng)造價(jià)值”?！爸悄芟鄬?duì)論”認(rèn)為，AI工程化更簡(jiǎn)單的理解，就是已經(jīng)十分成熟的軟件工程將“軟件”擴(kuò)展到AI后的一種針對(duì)AI開(kāi)發(fā)特點(diǎn)的適配與進(jìn)化，通過(guò)系統(tǒng)化、規(guī)范化、可度量地使用各種工程方法和工具，確保AI軟件能夠達(dá)到預(yù)期。

　　問(wèn)題描述：

　　人工智能的核心是機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)目前最核心的是深度學(xué)習(xí)，目前都是缺乏一套完整的數(shù)理基礎(chǔ)，所以人工智能更多是一種大雜燴，而不是一個(gè)真正意義上的學(xué)科。

　　各種機(jī)器學(xué)習(xí)這幾年無(wú)論是理論上還是應(yīng)用上，都十分熱，比如監(jiān)督式學(xué)習(xí)、增強(qiáng)學(xué)習(xí)、自監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、聯(lián)邦學(xué)習(xí)等不同的機(jī)器學(xué)習(xí)方法都在不同程度地進(jìn)行算法完善、理論擴(kuò)展，以及應(yīng)用試水。但總的效果不是很理想，主要表現(xiàn)在：復(fù)雜工程化和產(chǎn)業(yè)化普及不了，性價(jià)比低下，效果不及預(yù)期。以AI換人目前完全做不到，無(wú)人工廠更多只是取代標(biāo)準(zhǔn)化操作規(guī)程，難于滿足市場(chǎng)競(jìng)爭(zhēng)所需要的動(dòng)態(tài)價(jià)值變現(xiàn)需求。

　　問(wèn)題產(chǎn)生的背景：

　　學(xué)術(shù)界先提出，卡耐基梅隆大學(xué)軟件工程學(xué)研究所于近年啟動(dòng)人工智能工程化研究，并聯(lián)合高校和工業(yè)界承擔(dān)了一項(xiàng)由美國(guó)官方機(jī)構(gòu)資助的國(guó)家研究計(jì)劃;世界知名人工智能專家喬丹院士(Michael I. Jordan，美國(guó)科學(xué)院等三個(gè)院的院士)、邢波教授等認(rèn)為人工智能工程化是一門新興的工程科學(xué)，是人工智能從理論學(xué)科到工程學(xué)科發(fā)展的趨勢(shì)。產(chǎn)業(yè)界如Gartner 連續(xù)兩年把人工智能工程化列為年度戰(zhàn)略技術(shù)趨勢(shì)之一，阿里云等企業(yè)把人工智能工程化視作將AI 變?yōu)槠髽I(yè)生產(chǎn)力的關(guān)鍵。

　　在2019年，由國(guó)際系統(tǒng)工程理事會(huì)(INCOSE)主辦的“系統(tǒng)工程的未來(lái)”(FuSE)研討會(huì)上，首次提出了“SE for AI”(又稱SE4AI)這一術(shù)語(yǔ)，來(lái)描述應(yīng)對(duì)人工智能實(shí)際應(yīng)用的挑戰(zhàn)所需要的工程方法與技術(shù)，這些挑戰(zhàn)主要被概括為三方面：AI系統(tǒng)本身的不可預(yù)測(cè)性、AI系統(tǒng)中新的故障模式、以及AI系統(tǒng)在可信和健壯性方面的不足。

　　2021年10月，在Gartner公司發(fā)布的《2022年十二大重要戰(zhàn)略技術(shù)趨勢(shì)》中，將AI工程(AI Engineering)列為未來(lái)三到五年 企業(yè)數(shù)字業(yè)務(wù)創(chuàng)新的加速器。

　　Gartner的研究表明，只有53%的項(xiàng)目能夠從AI原型轉(zhuǎn)化為生產(chǎn)。而AI 要成為企業(yè)的生產(chǎn)力，就必須以工程化的技術(shù)來(lái)解決模型開(kāi)發(fā)、訓(xùn)練、預(yù)測(cè)等全鏈路生命周期的問(wèn)題。

　　AI工程的出現(xiàn)，正好能彌補(bǔ)這個(gè)短板。進(jìn)一步，隨著AI大規(guī)模的“平民化”，應(yīng)用場(chǎng)景的豐富會(huì)不斷催熟AI工程;而AI工程則會(huì)對(duì)場(chǎng)景落地提供關(guān)鍵支撐，相輔相成。

　　附3.2 AI與風(fēng)險(xiǎn)

　　美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院(NIST)于2023年1月發(fā)布了《人工智能風(fēng)險(xiǎn)管理框架》(AI RMF)(以下簡(jiǎn)稱《框架》)1.0版，可供相關(guān)組織設(shè)計(jì)和管理的可信賴和負(fù)責(zé)任的人工智能，旨在指導(dǎo)機(jī)構(gòu)組織在開(kāi)發(fā)和部署人工智能系統(tǒng)時(shí)降低安全風(fēng)險(xiǎn)，避免產(chǎn)生偏見(jiàn)和其他負(fù)面后果，提高人工智能可信度。

　　七國(guó)集團(tuán)(G7)數(shù)字與技術(shù)部長(zhǎng)會(huì)議的參會(huì)者于2023年4月30日同意對(duì)人工智能采取“基于風(fēng)險(xiǎn)”的監(jiān)管。但七國(guó)集團(tuán)部長(zhǎng)同時(shí)表示，此類監(jiān)管還應(yīng)為人工智能技術(shù)的發(fā)展“保持開(kāi)放和有利的環(huán)境”，并以民主價(jià)值觀為基礎(chǔ)。

　　歐盟于2023年6月通過(guò)《人工智能法案》草案，如附表1所示，在風(fēng)險(xiǎn)管控上比當(dāng)前美國(guó)的更易于在技術(shù)規(guī)制上進(jìn)行操作。

　　歐盟人工智能法案

　　美國(guó)人工智能權(quán)利法案藍(lán)圖

　　風(fēng)險(xiǎn)管控

　　對(duì)人工智能系統(tǒng)風(fēng)險(xiǎn)程序進(jìn)行分級(jí)，分為不可接受的風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)、有限風(fēng)險(xiǎn)、最小風(fēng)險(xiǎn)，并對(duì)不同風(fēng)險(xiǎn)程度采取不同的監(jiān)管措施

　　不涉及風(fēng)險(xiǎn)分級(jí)

　　技術(shù)規(guī)制措施

　　對(duì)于創(chuàng)建和應(yīng)用人工智能技術(shù)的公司或企業(yè)，提案規(guī)定了在八種高風(fēng)險(xiǎn)領(lǐng)域范圍內(nèi)使用人工智能技術(shù)，嚴(yán)格的防護(hù)機(jī)制，若企業(yè)違反規(guī)定將處以高達(dá)3000萬(wàn)歐元的行政罰款或其全球年度總營(yíng)業(yè)額的2%-6%，取兩者較高金融處罰。

　　在技術(shù)管理方面，僅陳述問(wèn)題，并未給予實(shí)際規(guī)制措施