2025 年 4 月 29 日,上海交通大学人工智能与微结构实验室李金金教授接受第一财经的采访,在“财经夜行线”进行了现场直播讲解,探讨人工智能如何从代码公式变成产业效能,重构新型工业化。
当前工业面临动态数据解析难、数据标注瓶颈、算力成本高企等难题,李教授提出需加强多学科交叉,建立专业标注体系。其团队研发的 AI 自控系统引入 “时间维度”,采用轻量化设计,推动工业从 “经验驱动” 转向 “智能驱动”。
针对上述挑战与解决方案,李金金教授结合自身利用人工智能在产业落地的经验和技术,在直播中通过一系列问答,阐释了人工智能如何从艰涩难懂的代码公式变成实实在在的工厂收益/产业效能,以及人工智能与工业融合的过去、现在与未来。以下是本次访谈的核心内容——
1. 从工业发展历程来看,人工智能是如何一步步融入现代工业生产体系的?
答:在人工智能和计算机科学尚未兴起时,工业发展主要依靠人们在长期实践中积累的经验。随着计算机科学和物联网技术的逐步成熟,工业制造进入了大数据挖掘阶段,企业开始通过收集和分析生产过程中的各类数据,对生产流程进行反馈和优化,工程师们也得以从数据中提炼出先验经验。而近年来,随着数据积累达到一定规模,人工智能的应用成为工业发展的必然趋势。它能够基于前期积累的海量数据,学习其中蕴含的规律并建立模型,再通过模型对工业生产进行反馈和迭代,从而推动制造水平不断提升。这一演变过程,本质上是工业生产从 “人工经验驱动” 向 “数据学习驱动” 的转变。
2. 当前 AI 在工业制造领域落地应用时,最棘手的阻碍因素是什么?该如何突破?
答:虽然工业领域积累了丰富的数据资源,但 AI 落地的实际效果却不尽如人意,其中的关键症结在于 “数据标注”。数据标注就像是一座桥梁,承担着将专业领域知识中的关键信息 “翻译” 给 AI 的重要任务。只有通过多学科的深度交叉融合,把专业知识精准地转化为 AI 能够处理的计算机语言,AI 才能有效解决具体的科学问题。一旦标注出现偏差,AI 模型的效率和最终输出结果都会受到严重影响。因此,加强跨学科协作,建立专业的标注体系,是突破 AI 在工业落地瓶颈的关键所在。
3. 您的团队在推动 AI 工业化落地方面有哪些成功实践?这些实践是如何提升生产效率的?
答:我们最近在维度超高、过程超级复杂的生物发酵工业中,开发了“AI自控系统”。在生物发酵领域,在传统生产模式下,工程师需要凭借经验对发酵过程进行 24 小时不间断监控。然而,微生物代谢过程极为复杂,人工很难对每个时段的变化进行定量预测。针对这一难题,我们团队研发的 AI 自控系统创新性地引入 “时间维度”,以秒级精度实时解析微生物的生长状态,对发酵过程进行全方位监控。该系统的应用不仅极大地解放了人力,更重要的是,AI 生成的发酵方案在实际生产中的效果远超传统人工经验。而且,通过将生产过程中产生的新数据持续反馈给模型,系统能够不断进行迭代优化,未来有望突破该领域产能的理论上限。
4. 在工业制造场景中,“时间维度” 的引入为何会成为 AI 应用的关键突破点?
答:在工业制造过程中,许多生产环节都与时间因素紧密相关。以抗生素发酵为例,其周期通常长达 7 天,在这期间,微生物每分每秒的代谢状态都在发生变化,由此形成了超高维度的动态数据矩阵。如果不引入时间维度,AI 很难理解这些数据背后随时间演变的复杂规律。而当赋予 AI “时间维度” 这一 “动态视角” 后,它就能对微生物的生长过程进行精准建模,捕捉到传统方法难以识别的细微变化,从而为生产过程的实时调控和优化提供科学依据。
5. 面对 AI 训练和部署过程中高昂的算力成本,您的团队采取了哪些创新解决方案?
答:我们开发的 AI 自控系统属于 “轻量化 AI”。在训练阶段,系统虽然需要处理海量的数据以学习生产规律,但在模型部署好之后企业实际应用时,仅需十几张显卡(成本约几万元)就能运行,这大幅降低了企业使用 AI 的算力门槛。这种轻量化设计使得中小企业也能够轻松部署 AI 系统,既保证了 AI 在生产过程中高效运行,又避免了像传统大模型那样需要大量算力资源、成本过高的弊端,为 AI 在工业领域的广泛推广和应用奠定了坚实基础。
6. 从长远发展来看,人工智能将在我国工业转型升级中发挥哪些不可替代的作用?
答:经过数十年的经验积累,人类工程师在各自专业领域的能力已逐渐接近 “经验上限”,而人工智能的介入为工业发展带来了新的突破可能。AI 不仅能够高效处理人类难以应付的复杂动态数据,还能通过持续的学习和迭代,探索工业生产中尚未被发现的潜在规律,从而实现产量提升、成本降低等目标。在未来,AI 将推动工业生产从 “经验驱动” 彻底转向 “智能驱动”,成为突破制造效能瓶颈、实现技术升级的核心驱动力,助力我国工业向高端化、智能化方向稳步迈进。
