作者：张翔
2025 年春节期间，幻方量化的DeepSeek大模型迅速出圈，引发了海内外学术界、产业界、资本界的高度关注，标志着生成式人工智能行业从“算力军备竞赛”转向 “算法效率战争”，并进一步加剧了“数据资本赛跑 ”。
在制造业方面，中国拥有完备的产业链体系、高度优化的成本与规模、完善的基础设施和物流体系、广阔的市场空间。可以预料，生成式人工智能产业与制造业结合会是我国下一阶段新质生产力的重要方向 。
本次连载由国创中心人工智能首席科学家张翔博士供稿，首先分析当前生成式人工智能在制造业上的局限性，再由此出发讨论生成式人工智能在制造业上的发展路径。
本文介绍的是生成式人工智能在制造业的局限性。
生成式人工智能经历了从早期的理论探索到神经网络和统计模型，再到深度学习和对抗生成式网络、变分自编码器的突破，直至当前基于 Transformer 的大规模预训练模型的发展。每一阶段不仅提高了生成数据的质量和应用广度，也为产业化奠定了坚实基础。同时，当前的生成式人工智能有技术同质化的局限性，与制造业场景的结合时的数据模态也会成为问题，这两个产业还存在较大的商业逻辑和文化上的差异。
一、Transformer 架构带来的技术同质化
基于 Transformer 架构的大语言模型在实现上高度依赖于相似的、重复的注意力机制网络模块，几乎所有大模型公司（如DeepSeek、OpenAI等）都使用 Transformer架构时 ，这种技术同质化会带来众多局限性，比如：
（一）创新瓶颈与技术停滞：技术同质化可能使得业界在探索新架构、新机制方面投入不足，长期依赖 Transformer 可能使得在某些特定场景下的表现无法突破当前的瓶颈；
（二）固有局限的普遍扩散：Transformer 架构自身存在一些固有缺陷，比如计算复杂度高、长距离依赖、层次结构建模不足等，会成为行业普遍扩散的局限，导致不同产业均重复投入研发资源解决此类问题；
（三）领域适应性受限：Transformer 模型通常在通用数据集上预训练，然后在特定任务上进行微调。但当面对一些需要捕捉领域特定物理规律或复杂动态变化的任务时，同质化的架构可能缺乏足够的灵活性，难以有效适应和优化，限制了在除文本、图像、视频等典型领域之外的应用拓展；
（四）生态风险与竞争压力：同质化使得整个行业在技术上依赖单一架构，可能导致市场竞争时更多依赖于数据规模、计算资源和商业模式，而非架构本身的创新优势。这在一定程度上会加剧技术垄断和资源不均，也让整个生态系统对单一架构的安全性、稳定性和监管风险更加敏感。
虽然 Transformer 架构在当前大模型应用中表现卓越，但其同质化带来问题提示未来在模型设计和技术演进上需要寻求多样化的方向，突破单一架构的限制，从而推动人工智能技术的全面进步。
二、人类社会活动数据与制造业数据的差异性
由于当前生成式人工智能是从制造业相对萎靡的美国首先形成产业发展出来的，它在文本、图像、视频等人类社会活动数据上取得了显著进展，但这些数据模态与制造过程中的数据存在本质差异，因此在二者结合时会带来若干局限性，主要包括：
（一）数据类型的差异：文本、图像和视频数据往往是非结构化或半结构化的，而制造过程数据通常为高频、时序化、结构化的传感器数据、设备控制信号、或生产指标。生成式人工智能模型针对前者进行了大量训练，直接应用于后者可能效果不佳；
（二）数据采集难度较高：与互联网上有大量廉价的人类社会活动数据不同，制造业的数据往往涉及生产设备制造商、工厂、品牌方三者的商业机密，数据采集和共享受限，难以在技术上整合研发力量，无法积累足够多样和丰富的训练样本；
（三）物理规律与工艺约束的建模不足：制造过程受物理定律、材料属性和工艺流程等多重约束，而传统生成式人工智能缺乏对复杂物理和工程原理的内在理解，且难以将这些约束一致性地纳入模型训练和推理过程。这可能导致生成结果在预测或优化制造过程时不符合实际的工艺要求和物理规律；
（四）实时性与稳定性的挑战：制造业对实时监控、决策和反馈有严格要求，而生成式模型在生成结果时需要较大算力，同时可能存在不确定性、延时或 “幻觉”现象。这样的不稳定性在工业生产环境中可能引发安全隐患和生产风险，难以满足高精度、实时控制的需求；
（五）领域适应性与泛化能力的局限：目前大多数生成式人工智能模型主要针对开放领域或通用场景训练，其在特定制造业环境中的适用性和效果可能受限。制造业场景具有高度专业化和特定性，模型需要进行大量领域数据的微调和验证，否则容易出现泛化不足、预测误差较大的问题。
总体来说，生成式人工智能与制造业的结合面临数据类型和采集方式、物理工艺建模、实时性要求、可解释性以及领域适应性等多方面的挑战。这些局限性提示在推动智能制造转型过程中，需要针对制造业数据特点进行模型改进、跨领域数据融合和多模态融合探索，以实现更符合工业要求的生成式智能应用。
三、人工智能和制造业的商业逻辑与文化差异
除了 Transformer 架构的同质化和数据来源差异外，制造业与生成式人工智能产业在商业逻辑和从业人员思维方式上也存在明显区别，这些区别可能在二者结合时带来一定的组织局限性，主要体现在以下几个方面：
（一）商业逻辑和目标侧重点不同
a) 制造业：制造业通常注重生产效率、成本控制、质量稳定和长期可靠性。决策往往基于严格的风险评估和回报分析，投资周期较长，强调设备稳定性、工艺标准化以及符合严格的安全和监管要求；
b) 生成式人工智能产业：生成式人工智能领域更关注技术突破、创新应用和市场扩展，其商业模式往往依赖于快速迭代、规模化推广和先发优势。资本投入和风险容忍度较高，追求的是在短周期内抢占市场和引领技术潮流。
（二）从业人员的背景与思维模式差异
a) 制造业从业人员：多数具备工程、生产管理或工艺技术背景，习惯于基于物理规律、工艺流程和工程实践进行决策。他们更倾向于循序渐进的改进，注重标准化、流程化和安全性，对变革的接受度相对谨慎，追求可解释性；
b) 生成式人工智能从业人员：通常来自计算机科学、数据科学、数学等领域，强调算法创新、数据驱动和实验性探索。他们对技术迭代、模型优化和快速原型开发有更高的容忍度和热情，思维方式更开放和探索性强，倾向于尝试颠覆传统模式的解决方案 ，无需追求可解释性。
（三）决策机制和组织文化的差异
a) 制造业：由于涉及大规模资本投入和严格的安全质量标准，制造业组织结构往往更为层级化和规范化，决策流程较为稳健且保守，强调长远规划和稳步推进；
b) 生成式人工智能企业：像DeepSeek和OpenAI这样的企业，通常采用更为灵活和扁平化的组织结构，鼓励快速决策和实验性试错，能够迅速调整战略方向。这种文化有助于在技术风口期迅速抢占市场，但在跨界整合到传统制造环境时，可能会因节奏和风险偏好不同而出现磨合问题。
（四）创新与风险管理理念不同
a) 制造业：强调系统稳定性和过程控制，任何技术变革都需要经过严格验证，确保不会对现有生产流程造成破坏。风险管理主要围绕设备安全、工艺稳定性和质量保证展开；
b) 生成式人工智能产业：更注重前沿技术的探索和市场试水，对“失败”的容忍度较高，创新速度快。虽然这种方式能够带来突破性成果，但在应用到要求高可靠性和安全性的制造业时，可能需要额外的验证和改造，以确保新技术符合工业标准。
总体来说，这两种产业在商业逻辑和从业人员思维方式上的差异，会导致在将生成式人工智能技术引入制造业时，需要进行跨领域的文化融合和管理调整。企业不仅要在技术层面进行适配，更需要在组织架构、决策流程、风险控制和创新容错机制上找到平衡点，以实现技术与传统制造业务的有效整合。
