在探讨制造业的未来时，一个不可忽视的趋势是高科技制造业对人工的依赖正在逐渐减少。传统观念中，人工操作往往被视为生产过程中的污染源，如呼吸、皮肤屑、头发等都会对精密制造构成威胁，同时人工操作也伴随着各种错误和失误的风险。因此，全自动化的生产车间，依托人工智能技术的强大支撑，正逐步崛起为制造业发展的新航标。
然而，在谈论人工智能(AI)时，又不得不正视一个现状：尽管AI被寄予厚望，但目前真正将AI应用得好的案例并不多。在许多场景下，AI仅仅被用作一个简单的助手，如页面弹出的小应用，帮助总结信息或生成视频，其实际价值相对有限。这引发了人们对AI实际作用的质疑。
那么，AI是否会像前三次工业革命一样，彻底改变世界?如何保障AI的发展为智能制造赋能?在由企业网D1net、信众智(CIO智力输出及社交平台)和中国企业数字化联盟共同主办的“制造业标杆两会”之“2024全国制造业数智化大会”上，非夕机器人
CIO 刘歆轶发表了“建立人工智能管理体系，保障数智化发展”的实践分享，为行业提供了宝贵的实践启示与思考。
非夕机器人 CIO 刘歆轶
制造业与AI：从历史革新到未来颠覆
刘歆轶认为，目前，AI尚未带来显著的变革，这主要是因为其发展和应用仍处于初级阶段，真正的变革时刻尚未到来。
回顾历史上四次工业革命(蒸汽机、电力、信息技术、智能化)的脉络，可以看到，自2010年起，以虚拟技术、数字孪生、云计算等为代表的新技术，正在逐步改变制造业的面貌。虚拟现实、增强现实等技术被应用于设计和生产过程，机器人和无人机等自动化设备在工厂中发挥着越来越重要的作用。
展望未来，AI必将进一步颠覆社会和生活方式。随着技术的不断进步和应用场景的拓展，AI将在制造业中发挥更加核心的作用，推动生产效率的进一步提升和工厂布局的深刻变革。
从启动到成熟的发展之路
在探索人工智能的整体发展状况时，不得不提及一个关键的概念——“技术成熟度曲线”。这一曲线将某个新技术的发展划分为五个阶段，形象地揭示了该技术从诞生到成熟的演变过程。
第一阶段：技术启动。当某个创新的技术首次亮相，它往往会吸引大量的关注和追捧。这一阶段的特征是技术的初步探索和概念的形成。
第二阶段：期望膨胀。随着技术的不断发展和媒体的炒作，公众对该技术的期望迅速上升。然而，这种期望往往超出了技术当前的实际能力，形成了一个“期望的山峰”。
第三阶段：失望谷。当该技术无法完全满足过高的期望时，人们开始感到失望。这一阶段，技术面临诸多挑战和质疑，许多项目因难以落地而被迫放弃，技术似乎跌入了“失望的谷底”。
第四阶段：爬坡阶段。对于那些真正有价值的技术来说，它们并不会在失望中消亡。相反，它们会经历一个艰难的爬坡阶段，通过不断的改进和优化，逐渐找到实际应用的场景，并逐步走向成熟。
第五阶段：生产力高地。最终，技术达到了“生产力高地”，成为广泛应用的成熟技术。在这一阶段，技术不仅稳定可靠，而且能够为社会带来显著的效益。
目前，人工智能相关的技术大多仍处于第一阶段和第二阶段。尽管有一些技术如计算机视觉、知识图谱等已经相对成熟，并在某些领域得到了广泛应用，但整体来看，AI的发展还有很长的路要走。
值得注意的是，AI技术对社会的影响还远远没有达到被高度重视的程度。这其中一个重要的原因是，目前还没有与AI技术相配套的完整设施。如果把AI技术看作是一个孤立的“发动机”，而忽视了与之相配套的“飞机设计”、“航线管理”、“通讯系统”等，那么这个“发动机”将无法真正发挥其应有的作用。
因此，从系统的角度出发，全面考虑AI技术的应用场景、配套设施、规章制度、人员培训等方面的问题，才能够让AI真正发挥其应有的价值。这是一个需要长期努力和不断探索的过程。
专业细分引领未来，广泛应用创造价值
刘歆轶表示，在当今科技日新月异的时代，AI领域正经历着两场深刻的变革，引领着未来的技术风向标。
首先是从“大而全”到“小而精”的模型演变。曾经，大模型堪称AI界的明星，凭借强大的计算能力和广泛的数据覆盖，成为众人瞩目的焦点。无论是科研探索还是商业应用，大模型都扮演着举足轻重的角色。然而，未来的趋势却悄然指向了“多个模型，专业细分”的方向。
微软、苹果、英伟达等科技巨头纷纷推出自家专属的AI模型，这些模型不再追求大而全，而是专注于特定领域，追求小而精。以苹果最新发布的iPhone 16为例，其AI架构便包含了三层：内置小模型负责即时响应，苹果自研大模型提供深度支持，同时开放接口接入第三方大模型，根据任务需求智能调度，实现效率与效果的双重优化。
这一趋势预示着，未来的AI应用将更加贴近生活，专业领域的小模型将如毛细血管般嵌入各类设备，从智能家居到工业生产线，每个角落都将闪耀着AI的智慧之光。
第二个趋势是从“盆景”到“风景区”的应用拓展。如果说当前的AI应用还只是一盆精致的盆景，那么未来，它将成为一片广袤无垠的风景，进而发展成为带来经济效益的风景区。
现有的AI技术，如ChatGPT，虽已展现出惊人的文本生成能力，但其应用场景仍相对局限。未来的AI，将不再满足于简单的文本或视频输出，而是要将智能力量融入社会的每一个角落，让AI成为推动社会进步的重要引擎。
正如业内专家所强调的，AI的目标是将“风景”变成“风景区”，即让AI技术广泛应用于各行各业，创造实际价值，推动经济社会发展。未来，AI将与日常生活深度融合，从冰箱到洗碗机，甚至家中的每一个角落，都可能成为AI展现智慧的舞台。
全方位赋能制造业，重塑产业生态格局
在制造业转型升级的浪潮中，AI技术正逐步渗透至行业的每一个角落。从产品设计的初稿勾勒，到生产线的精密制造，再到物流运输的精准调度，乃至售后服务的细致入微，AI小助手、设计助手、运营助手等智能角色正全方位融入制造业的全产品生命周期管理。
在这场变革中，AI不仅提升了各环节的运作效率，更以自动化的数字能力，助力企业构建起智能化的运营管理体系。无论是财务后台的精细化管理，还是企业资源的优化配置，AI的嵌入都使得原本繁琐复杂的流程变得井然有序，实现了数据驱动的决策支持，让企业管理更加科学、高效。
更为深远的是，AI技术正在重塑制造业的生态格局。传统上，企业与上下游的合作往往基于偶然因素，缺乏深度挖掘与协同。而AI的引入，则如同一条智能纽带，将供应链上下游紧密连接在一起。通过AI对大数据的深度分析，企业能够发现之前未曾察觉的业务关联，挖掘出潜在的商业价值，从而构建起更加稳固、多样化的生态系统。这一变革不仅增强了企业间的协同效应，更促进了产业链上下游的资源优化配置，为制造业带来了前所未有的发展机遇。
AI技术背后的多重风险与挑战
刘歆轶指出，在AI技术日新月异的今天，其背后隐藏的安全风险不容忽视。从数据安全到语料安全，再到算法与模型的潜在问题，乃至社会伦理的深刻挑战，每一环节都值得深入剖析与警惕。
数据安全风险：全生命周期的隐忧。在AI的全生命周期中，数据安全始终是一个悬而未决的难题。尽管传统安全手段在一定程度上能够缓解风险，但面对AI领域的复杂性与多变性，这些手段往往力不从心。数据泄露、篡改等安全隐患，时刻威胁着AI系统的稳定性与可信度。
语料安全风险：标签化的双刃剑。语料作为AI训练的重要基石，其质量与安全性直接关乎AI的输出效果。然而，从互联网海量数据中提取并标签化语料的过程，不仅耗时耗力，更隐藏着巨大风险。一些企业为追求效率，不惜采用低成本的人力标签化方式，甚至引发“血汗工厂”的争议。此外，语料采集的广泛性与多样性，也可能导致输出结果的偏差与失真，进一步加剧风险。
算法与模型风险：决策的未知领域。算法与模型是AI的核心，但同时也是风险的聚集地。不良信息的传播、可解释性的缺失、伦理偏见的潜藏，都是算法与模型需要直面的挑战。在追求性能与效率的同时，如何确保算法的公正性、透明性与可解释性，成为亟待解决的问题。
社会伦理风险：价值观的碰撞。AI的价值观与人类价值观的一致性，是AI技术能否被社会广泛接受的关键。然而，伦理的多元性与文化背景的差异，使得这一目标的实现困难重重。不同国家、不同民族对于伦理的理解与界定各不相同，这可能导致AI在决策过程中产生与人类社会伦理相悖的行为，进而引发社会争议与冲突。
可解释性风险：黑盒决策的隐忧。AI决策的黑盒状态，是当前AI技术面临的又一重大挑战。当AI做出的决策无法被人类理解或解释时，其可信度与接受度将大打折扣。这种不可知的决策过程，不仅可能损害用户利益，更可能对社会稳定与安全构成潜在威胁。
鲁棒性：AI的脆弱一面。AI系统在面对外界攻击时，可能会表现出令人担忧的鲁棒性。这种脆弱性源于系统对逻辑审查的绕过，使得攻击者能够利用巧妙的话术或策略，诱使AI做出不符合预期的行为。这种风险不仅关乎数据的安全，更可能触及法律与道德的底线。
知识产权：AI创作的模糊地带。AI生成内容的知识产权问题，是当前法律与科技界争论的焦点。从伦勃朗画作的复制，到网站生成的无版权人脸，再到猴子自拍引发的法律争议，一系列案例揭示了AI创作与知识产权之间的复杂关系。目前，由于西方采用案例法，AI生成的内容大多不被视为受知识产权保护的作品。然而，这一现状正面临着越来越多的挑战与质疑，未来如何平衡AI创作与人类的知识产权，将是一个亟待解决的问题。
实体风险：AI识别系统的安全隐患。AI在实体世界的应用，如自动驾驶汽车、智能识别系统等，同样面临着严峻的安全挑战。从穿错T恤导致的误识别，到激光笔攻击造成的交通混乱，再到不透明胶带引发的识别错误，这些案例揭示了AI识别系统在特定情境下的脆弱性。这些风险不仅可能危及个人安全，更可能对社会秩序造成严重影响。
内容准确性：AI理解的局限。AI生成的内容往往缺乏精确性，其背后的原理是基于概率学的字词关联，而非对语境的深入理解。这种局限性导致AI在面对具体、准确的问题时，可能会给出错误的答案。未来，随着因果推理技术的发展，AI有望真正理解世界的逻辑，从而提供更加准确、可靠的输出。
构建AI标准体系，助力技术规范发展
随着AI技术背后的安全与管理问题日益凸显，且各领域各自为政的现状，使得AI技术的规范与发展缺乏统一的指导与监督。为此，ISO组织成立了专门的42小组，致力于构建全面的AI标准体系，为AI的健康发展保驾护航。
ISO 42小组制定的AI相关标准，其框架涵盖了基础标准治理、风险管理、影响评估、质量管理等多个关键领域。自成立以来，该小组已推出了31项标准，为AI技术的规范应用提供了有力支持。其中，2023年12月推出的ISO 42001标准，更是标志着AI标准框架的正式确立，为AI系统的全面管理提供了整体公认的框架标准。
ISO 42001作为AI管理的整体框架，旨在全面评估AI系统对个人、小群体及社会可能产生的影响，不仅与其他标准存在紧密的关联与继承关系，更将影响并引导未来AI相关标准的制定。
与ISO 27001安全认证类似，ISO 42001也将成为AI系统安全性的重要认证依据。通过这一认证，企业可以证明自己的AI系统符合公认的安全标准，从而增强用户与合作伙伴的信任。这种可认证性，不仅有助于提升AI系统的可信度，更为AI技术的广泛应用奠定了坚实的基础。
ISO 42小组在制定标准的同时，还高度关注AI风险的管理与最佳实践的提炼。其目录A+B页列出了AI风险相应的控制目标及最佳实践，为使用者提供了具体的操作指南。此外，附录C页更是列出了8个不同的风险源，帮助使用者识别并应对AI技术可能带来的各种风险。
总之，ISO 42小组及其制定的AI标准体系，正为AI技术的规范与发展提供着强有力的支持。通过ISO 42小组的努力，AI技术将更好地赋能制造行业，推动其向更加智能化的方向发展。同时，这一标准体系也将助力构建更加可信、安全的AI环境，为AI技术的广泛应用创造有利条件。
