人工智能重塑产业的奇点临近

如果说，2023年有什么行业以肉眼可见的速度影响着我们的生活，那么答案非“人工智能”莫属。

从2022年底一直火爆到今年夏天的生成式人工智能，还有汽车厂商“卷”起来的智能驾驶，以及药物智能研发、机器人……人工智能产业的热度丝毫未减，并且开始渗透其他各行各业。有不少人已经将“AI+”视为下一个“互联网+”，并对AI可能带来的产业变革报以极大的信心。

对于各行各业来说，AI赋能产业发展已成为主流趋势。根据艾瑞咨询数据，2022年我国AI产业规模达到1958亿元，产品形态和应用边界不断拓宽。

上一个产业爆发热潮，的确是在互联网领域产生的。如今的人工智能产业又能否重现彼时的盛况？又能不能给更多人带来“一飞冲天”的发展机遇呢？

制造到“智造”的跃迁

9月20日，2023世界制造业大会在合肥开幕。值得注意的是，今年的大会，首次设立了数字化转型展区，“世界灯塔工厂”“国家级智能工厂”示范场景、AI大模型成了大会的亮点。

制造业的高质量发展，向来是经济高质量发展的重中之重。而人工智能蕴含的产业变革潜力，将促进制造向“智造”跃迁。将人工智能技术应用到制造业，可以使制造业在数字化和网络化的基础上，实现机器的自主反馈和自主优化。

根据中泰证券的分析，Al+制造业的产业结构包括三层，分别是基础层、技术平台层、应用层，涉及AI芯片、工业机器人、工业物联网等软硬件资源，公有制造云、制造业大数据、制造业AI算法，和利用Al技术在制造业生产和服务的各个环节创造价值。

目前，在制造业的多个环节，如产品设计、生产、销售、售后等过程中，人工智能均有渗透且成熟度不断提升。例如，在产品设计环节通过AIGC完成工程设计中重复的低层次任务，或者通过AIGC生成衍生设计，为工程师提供灵感。在生产计划策划环节，则可以进行需求预测、智能排产。例如，用AI分析不同数据，包括销售历史数据、供应链建构、产品价格等数据，做出更加准确的需求预测，从而使企业更好地安排生产计划，降低库存水平，降低运输、仓储、供应链管理成本；或者，在给定工单、可用资源、约束条件和公司目标多重条件下，生成最佳生产计划。

在制造生产过程当中，则可以实时运行预测性设备维护、生产工艺优化、智能化产品检测、智能搬运等。通过挖掘和提炼生产中产生的海量信息，优化设备运转、工艺流程、提高检测效率、提高自动化程度，减少设备损耗，提高生产效率。此外，在销售和售后环节，利用Al技术实现精准营销、快速响应的售后服务。

以被称为“智能制造之眼”的机器视觉领域为例，它在制造业越发重要，Markets and Markets数据显示，2021年全球机器视觉市场规模约为804亿元，同比增长12.15%。GGII预计至2025年该市场规模将超过1200亿元。它的四大核心驱动力是成像、算法、算力和应用。机器视觉算法与软件的结合是机器视觉产业的根基，伴随下游应用持续拓宽，亦对算力提出了更高要求。

而AI技术的发展，为机器视觉实现进一步智能化提供了必要技术支持。在AI的加持下，机器视觉迎来了底层技术的突破。从算法、技术到应用，AI技术极大程度赋能机器视觉在图像模型上的智能化应用，优化了图像识别的复杂度及精度，实现万物识别。例如，Meta公司发布了首个图像分割基础模型SAM（Segment Anything Model，分割一切），底层以NLP模型的通用方式解决图像分割和识别问题，SAM模型可应用于各种领域，用于查找和分割图像中的任何对象。

分割技术是图像处理的底层技术，Meta以NLP的通用模型，极大地降低了图像处理的门槛，是机器视觉领域的底层突破性技术。又如，基于全球市场需求持续增长而来的产能和质量提升的诉求，催发了AI动力电池缺陷检测解决方案的需求。这样的解决方案既要能满足总部逐层管控的要求，还需要具备更高效的实时缺陷检测能力，即在图像处理速度上实现单工序400FPS以上且达到零漏检的目标。

为此，电池业巨头宁德时代在电池产品制造工厂的每一条电池生产线上都部署了多个摄像头，每秒钟即可产生数百张图片，而一个厂区至少有十几条生产线，所以一个厂区每一秒就有几千张甚至上万张图片产生。为了处理这些海量的图片，宁德时代引入了集成AI加速能力的英特尔至强可扩展平台产品组合，构建起了一套横跨“云-边-端”，融合计算机视觉（CV）、深度学习（DL）和机器学习（ML）技术的AI电池缺陷检测方案。

除了机器视觉，数控系统也是制造业与AI融合日益加深的一个很好的例子。数控系统可以控制装置根据加工程序进行插补运算，发出控制指令到伺服驱动系统，后者将控制指令放大，由伺服电机驱动机械按要求运动，位置测量系统检测机械的运动位置或速度，并反馈到控制系统，来修正指令。它的底层是软件算法，在应用层，数据交换、数据库搭建、实时监控等均可借助AI（主要是决策式AI）来实现，进而快速收集数据，进行决策分析。AI具备类神经网络可对硬件运行状态实时跟踪并反馈，从而对错误运行及时纠偏，保障系统稳定运行。

目前，借助AI技术，国产数控系统正在加快缩小与国外先进技术的差距，国产化将加快推进。中泰证券认为，国家政策支持叠加头部数控企业自身技术实力的提升，中高端通用型数控系统的国产化率持续提升，通过布局AI，国产数控系统有望在高速、高精、高稳定性等方面缩短与国际顶尖数控系统企业的差距。

人工智能可以帮助工厂们摆脱对土地、人力资源的依赖，转而对知识技能型人才、金融、产业链生态产生高黏性。智能化、数字化转型逐渐成为制造业的必选项，智能制造带来的跃迁式变革成果也显而易见。

上汽乘用车临港工厂，得益于焊接、涂装、整车装配实现了数字装备全链接，通过供应链一体化协同平台，以点带链、以链带面，可以拉动上下游1100多家零部件企业配套协同生产；安波福中央电气自主创新的研、产、供、销、人、财、物高效协同的智能信息系统和高度模块化、自动化、柔性化的智能装备，可以使产品研发周期提升26%、运营成本下降30%。中科云谷总经理助理石恒则向媒体介绍，中科云谷基于人工智能的工业互联网平台2.0投入使用后，设备维修响应时间缩短了10%-20%。

AI+医疗，叩响神秘领域的大门

在生物和医疗领域，人工智能早已成为业界冉冉的新星，被寄托了厚望。自DeepMind的AlphaFold2以惊人的速度和准确率做出蛋白质结构的预测之后，AI在生物医疗的各个层面开始发光发热。

AlphaFold可以通过氨基酸序列预测蛋白质的三维结构，从结果来看，它能够轻松达到与实验相媲美的精度。根据DeepMind官网，最新的AlphaFold数据库发布了超过2亿个条目，提供了蛋白质序列和注释的标准存储库的广泛覆盖。Meta公司也加入了这个行列，并利用自己开发的大型语言模型算法ESMFold预测了6.17亿种来自宏基因组信息的微生物蛋白质结构。

受到这些成果的激励，研究者们开始采用AI来“设计”新的蛋白质——创造出一种能够满足人类需求的、在自然界并不存在的蛋白质。目前已经出现了数种蛋白质设计软件，在实际应用过程中，研究者会结合多种方法来实现最终的设计。虽然目前AI设计出来的蛋白质结构在验证阶段的表达和合成依然存在问题，但这种探索未知的神秘领域的尝试依然带来了无限的想象空间。

在临床领域，医学影像分析和辅助诊断过程，AI的影子已经随处可见。

深度学习算法模型的训练需要海量数据支撑，而医学影像数据密集，这给了人工智能技术巨大的用武之地，而其中又以X光、CT等类型影像的识别分析最为成熟。在诊断时间方面AI模型的单视野图像诊断用时明显短于病理医师。此外，人机交互医疗信息技术系统中，AI可以辅助卫生从业人员提供临床决策。通过数据、模型等辅助完成临床决策，为医生和其他卫生从业人员提供决策支持。具体包括治疗方案辅助决策、术前规划、术后导航和预后评估、面向医疗机构及患者提供智能化解读检验报告服务等。基于人工智能的临床辅助决策，通过构建自进化医学知识库，提供覆盖诊前、诊中、诊后的就医全流程的解决方案，推动行业智能化发展。

在制药领域，一款创新药从研发到上市，平均成本超过10亿美元，研发周期大于10年，这被称为“双十困境”。中国科学院院士魏于全就提出，现在做一个创新药一般要十几年，花费几亿美元甚至几十亿美元，AI或许就是一个更快速、成本更低的方法。

不少人寄希望于人工智能来摆脱这个困境，但目前AI药物研发仍然处于初级阶段，药物研发相关高质量数据获取门槛高，而且AI药物研发中算法模型的精准度、计算速度、模型体量、泛化性能各有不同，专业人才也十分稀缺，目前专研AI新药研发的企业，其成果也都集中在药物发现或苗头化合物识别阶段，距离真正的临床应用还有很长的路需要走。

微软旗下语音识别子公司Nuance Communications发布的AI临床笔记软件由GPT-4驱动，可几秒钟内自动生成临床笔记草稿，是医疗行业第一款结合GPT-4模型的应用。全球100多家医疗保健企业正在与NVIDIA就药物设计模型Clara合作，通过不同AI生成分子，来完成蛋白质生成、分子生成与对接等任务，甚至可以预测蛋白质和分子的三维相互作用，从而优化药物在体内的作用方式。百图生科AIGP平台也提供多种蛋白质生成能力，构建了千亿参数的跨模态大模型“xTrimo”，该大模型从跨物种、跨模态的生命信息中学习蛋白质如何构成和实现功能、如何相互作用、如何组合和调控细胞功能的关键规律。

智能驾驶，拐点将至？

2022年我国智能驾驶产业市场规模已达2894亿元。据中国信通院预计，到2025年中国智能驾驶汽车市场规模将接近万亿元。中国智能网联汽车产业创新联盟副秘书长李晓龙认为，未来随着城市级“车路云一体化”规模示范应用，2025年有望成为智能网联汽车商业化应用的关键节点。

随着智能驾驶产业的高速发展，生态的逐渐构建，产业发展带来了系统性的投资机会，产业链的多条细分赛道也均受到了市场的高度关注，各大机构纷纷布局智能驾驶赛道，挖掘智能驾驶产业链的长期投资机会。

智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统。人工智能技术支持智能汽车进一步升级，目前，AI技术在智能汽车方向主要应用于智能驾驶、智能座舱、车联网等方面。在智能驾驶方面，人工智能技术通过机器视觉与智慧公路等技术使汽车具有自动驾驶能力，并通过不断训练感知，增强智能驾驶的安全性。在智能座舱方面，人工智能大模型通过感知算法与记忆算法检测车舱内外环境、驾驶员状态、情绪、偏好等内容来保证驾驶的安全与舒适。在车联网方面，人工智能通过数据收集与处理，一方面为厂商测试汽车性能，汽车统一调控等提供便利，另一方面为客户端提供实时路况，最优驾驶路线以及紧急报警服务。总的来说，AI技术颠覆了传统行车模式，在驾驶过程中兼顾安全、便捷、舒适三大优势。

2021年7月，特斯拉展示了基于BEV+Transformer（BEVFormer）的自动驾驶感知新范式。基于BEV+Transformer进行的视觉感知任务，可以实现将360度环视的时间、空间融合，并输出静态（车道线、红绿灯、道路边缘等）和动态（行人、两轮车、汽车等）信息，使得依靠纯视觉也可以得到准确三维世界信息。自特斯拉提出BEVTransformer技术范式后，理想、蔚来、小鹏、小马智行、百度等多家主流车企、自动驾驶方案解决商推出相关量产方案，在城市场景的智能驾驶实现上，“重感知轻地图”成为业内共识的技术路线。

华为更是一脚踏入了智能驾驶的领域。据华为官方介绍，其高阶智能驾驶系统ADS2.0（全称Advanced Driving System）能进一步提升高速、城区和泊车环节的感知、判断、决策、执行能力。通过多传感器融合的感知，ADS2.0能够有效识别侧翻车辆、落石等异形障碍物，并减速刹停。近日有消息称，ADS2.0无图版智能辅助驾驶今年年底将在全国所有城市开通。

人工智能产业与互联网产业的相同点，在于都充满了令人兴奋和向往的革新性；但它们最大的不同，可能就体现在与“旧”产业的深度融合上。

互联网行业更多地催生了新产业、新业态和新的商业模式，而人工智能或许能够更深入地改造乃至革命既有的一些产业。互联网出现以后，制造业依然是制造业，汽车依然是载人载货的工具，医疗健康仍然需要医生来诊断。但人工智能出现后，过往的经验或许将失去效果。

那些具备更大的改造潜力的“旧”产业，或许能够乘着这股东风扶摇直上、占得先机。