大模型落地应用：破解难题与激活生态

9.5K 0

大模型的广泛应用已成为当前科技领域的热门话题。尽管市场上已有超过190个通过国家网信办备案的大模型，注册用户超过6亿，但大模型的实际应用场景仍然有限。如何打通大模型落地应用的“最后一公里”，成为业内外共同关注的焦点。从百花齐放到实际场景的落地，大模型应用面临哪些挑战？又该如何激活生态、解决难题？本文将通过采访各大模型开发企业、设计研发机构、制造企业和终端厂商，探讨大模型如何助推研发、生产提质增效，并赋能终端用户提升体验。

大模型重构科研生产关系

当前，AI正为科研带来前所未有的变革。自2018年以来，科学智能（AI for Science）作为一种新的科研范式，已经在学术界达成共识。中国科学院院士田中群指出，AI不仅为理论计算提供了可能，还显著提高了计算效率。例如，在电化学领域，AI技术为能源安全提供了更多保障，能够更高效地检测和控制储能系统的安全问题。

在蛋白质研究方面，AI同样展现出巨大潜力。基于深势科技的Uni-Mol分子构象大模型，研究人员可以实现分子生成、性质预测等通用能力。通过AI技术，科学家能够在短时间内精确预测蛋白质的三维构象，极大地提升了对蛋白质的认知。此外，AI还可以根据特定功能需求设计自然界不存在的蛋白质或改进现有蛋白质，为药物研发、材料科学等领域带来新的突破。

大模型在深空探测中的应用

AI大模型不仅在地球科研中发挥了重要作用，在深空探测领域也展现出了巨大的潜力。随着人类深空探测活动的快速推进，探测数据呈指数级增长。中国科学院院士欧阳自远表示，AI技术在数据管理和应用方面具有明显优势。例如，月球专业大模型能够识别月球撞击坑的特征，极大提高了科研效率。科研人员只需输入月球撞击坑图像及相关问题，月球专业大模型即可调用多模态数据进行分析，准确率达到80%以上。

大模型落地面临的挑战

尽管AI大模型为科学研究带来了巨大价值，但在工业领域的应用仍面临诸多挑战。深势科技联合创始人孙伟杰认为，要让AI真正理解微观粒子的宇宙，解决微观世界的问题，需要融合多学科知识和技术。此外，AI大模型在制造业的落地还需解决数据量庞大且碎片化的问题，以及高昂的算力和部署成本。为了应对这些挑战，企业需要算法工程师、数据工程师和一线管理者的共同努力，特别是在数据收集及标注、模型微调及流程优化等方面投入更多精力。

大模型赋能制造业

AI大模型正逐渐渗透到制造业的各个环节，成为制造业智能化、柔性化和自动化的核心技术之一。政府层面也在积极推动大模型在生产制造领域的应用。例如，海尔天津洗衣机互联工厂通过天智工业大模型，将注塑工序的经验转化为可量化的数据和指标，显著降低了能耗并提升了生产效率。在汽车制造领域，生成式人工智能技术可以帮助优化焊接工序编排和总装工程编程，提高工艺文件编制效率。在化工行业，生成式人工智能通过优化工艺设计，推动了工业装置运行的智能化。

端侧AI加速AI技术普及

如果说云端大模型展示了AI的强大技术能力，那么端侧AI则是加速AI技术红利普及的载体。随着大模型逐渐进入终端设备，消费者可以通过简单的对话实现复杂操作，如调整电脑音量、生成摘要等。小米集团AI实验室主任王斌认为，随着模型变得更小、计算能力更强，预计端侧会出现一些杀手级的AI应用。智能手机上的AI用例，如图像识别、语音唤醒等，对芯片的算力和带宽提出了更高的要求。高通公司在设计SoC时，专门针对大模型的需求进行了优化，以满足多样化的应用场景。