人工智能的进程正在加速, 并且开始走向车间内部。但是, 记者近期的走访行动涵盖了众多的中小企业情况。经过调查发现, 存在着三个明确的关卡问题。
这三个关卡分别是安全问题、成本问题以及技术问题。这些问题的存在使得最终的落地执行进程远远不如人们之前的预期效果那么好。目前这一现象亟需受到社会各界的重视与关注。
开放网络放大安全风险
长期以来, 工业生产都是依赖于封闭的内网来运行的, 这样的系统是独立的, 风险也是可控的。然而, 人工智能的深度应用需要打通设备之间的壁垒, 并且要实现内外网的互联。当工业系统从封闭转向开放之后, 病毒入侵的风险和数据泄露的风险出现了显著上升的情况, 这使得不少企业心存顾虑。
记者经过调查发现, 现在所提到的工业数字安全体系, 这个情况还是仍然有待于进行更完善的处理, 绝大多数处于中小微企业地位的企业们, 都缺乏具备专业水准的安全团队, 其防控能力方面是比较薄弱的, 应急处置机制也不够健全, 行业内的人士提出建议, 要将安全这个问题贯穿到智能化转型的整个过程中去, 以此来筑牢数字安全屏障。
改造成本让中小企业望而却步
智能化改造的门槛是比较高的, 去升级设备或者自己建造大模型, 都是需要投入大量的资金和人才的。那些大型的制造企业在资源方面是充沛的, 而且在转型方面是走在前面的, 但是数量多、面广的中小企业在面临订单不稳定和市场波动的情况下, 是更看重投入产出的效率的, 心里是有顾虑的。
据记者了解, 部分中小企业在测算之后认为, 改造的回报周期过于漫长, 高昂的成本加上没有把握的收益, 让企业拿不定主意, 工业AI这种应用的呈现状态是结构上的失衡情况, 在短时段内很难于中小企业这个范围里实现全面的普及。
技术迭代快于模型落地
工业生产标准复杂和流程精密, 对AI系统的稳定性要有极高的要求, 同时必须保证可验证性, 大模型的更新周期在不断缩短, 有的企业投入了研发的工业模型还没来得及全面投入使用, 就直接面对技术迭代的问题。
有一部分工业AI存在算法黑箱, 效果难以核验, 技术稳定性不足。企业不敢轻易替代传统工序, 数字化改造进度因此受阻。资源闲置与重复投入现象时有发生。
安全体系需全链路补齐
多位在采访中被问到的企业领导人都明确指出, 眼下最急着要做的就是建立工业场合里的数据安全规矩, 把内部网络和外部网络连在一起时候的那个界限还有符合标准的要求说清楚。
有些地方已经开始了尝试性的实验活动, 但是这些实验能够覆盖到的地方还是太少了, 那些规模比较小的企业想要得到安全方面帮助所要付出的钱依旧是非常高的。
行业内的一些专业人士给了一些建议，他们认为要建立一套分等级分类别的工业安全评估机制。这个机制要为那些中小企业提供一些轻巧的、花钱不多就能承受的安全解决方案。这样做是为了防止那种什么都一刀切的合规要求进一步加重企业的负担。最终目的是要让安全措施真正能够落地实施。
轻量化方案降低转型门槛
为了应对成本控制所面临的困难, 一些企业正在尝试一种模块化且支持即插即用的方式来部署人工智能技术, 其目的是降低一次性所需支付的成本费用。
根据记者在走访过程中了解到的情况, 有一家制造零部件的企业透露, 在使用了属于云端类型的部署方案之后, 初期需要投入的资金减少了大概百分之四十左右, 同时进行改造所需要消耗的时间缩短了接近一半的幅度。
专家发出呼吁, 希望大家一起去推广那些标准化的、可以被重复使用的工业人工智能中间件, 以此来减少因为重复开发而造成的资源浪费现象。金融机构可以针对那些需要智能化改造的中小企业, 专门推出贷款政策并给予利息补贴, 这样就可以降低企业使用资金时的门槛, 同时还能缩短企业在看到回报方面的心理期待周期。
长效适配机制仍需健全
技术迭代的速度太快了。针对这一点, 接受采访的企业大多数都希望建立一种长期的、能够一直适应工业AI新情况的机制。这样做的目的是, 确保以前花费投入的那些钱和精力, 不会因为技术的不断更新而发生清零的状况。
在部分处于领先地位的大企业当中。他们已经开始和一些大学联合建立了共同的研究实验室。通过这些做法来努力缩短从研究开发阶段到实际生产车间阶段的距离。
人工智能的价值, 最终是要在车间的一线这个地方体现出来的, 只有走出了实验室, 并且融入了生产的那个场景里面, 这才能够真正地产生出一个价值来。
我们要持续地破除掉那些落地过程中出现的堵点, 还要补上发展方面存在的短板, 这样才能够让工业的人工智能变得更加安全、更加稳定、也更加实用, 从而去赋能制造业进行转型和升级。
您所在的企业在ai落地的过程中。最难以推进的是哪一个环节? 欢迎您在评论区进行留言交流。并且将这条内容点赞。再转发给更多的行业同行看一看。
