2025年伊始，国产AI大模型便迅速席卷全网。人工智能的“爱迪生时刻”或许已经到来，开始“照亮”千行百业。
“AI技术尽管酝酿已久，但从通用模型到推理模型几乎是一夜爆发。”在4月1日举行的2025赛迪论坛上，工业和信息化部原副部长王江平坚定地表示，人工智能在制造业中将大有可为。如何让AI成为工作的好“搭子”，为“AI+”落地提速，石化等传统行业还需做足准备。
AI进入平权、普惠时代
在DeepSeek发布后，越来越多的石化企业相继宣布引入并完成本地部署。为何DeepSeek能引起如此迅速而轰动的反响？
在王江平看来，这是因为近期AI发展出现两个重要变化：一个是开源成为越来越多人的共识，另一个是人工智能的训练和使用成本大幅下降。“人工智能技术正在从少数国家、少数企业、少数机构的专属工具，逐渐转变为普惠性技术。人工智能正快速步入平权时代、普惠时代。”王江平说。
在大模型领域，DeepSeek产生了“鲶鱼效应”。据了解，一方面该公司进行了一系列构架和工程优化，实现算力效能的大幅提升，降低了使用大模型的成本，带动大模型进入千行百业。另一方面，DeepSeek实现了权重和代码等开源，是目前世界上最彻底的开源大模型，可建立适合企业场景的垂直模型和模型APP。
DeepSeek深得石化企业“欢心”的原因还在于其安全性相对较高。“此前，许多工业企业对使用大模型缺乏积极性是因为担心企业数据泄露。而DeepSeek可实现本地化部署，企业能够通过自己的局域网来部署模型，对数据泄露的忧虑大幅降低。”王江平说。
拥抱AI需打好提前量
“AI+制造”是大势所趋，石化等产业准备好了吗？
“还没有。”王江平坦言，积极拥抱AI，还应从建设高质量行业数据集和场景数据集、建设行业模型和场景模型、全面推行企业数据治理、积极探索AI商业模式、加强国家模型检测评估体系建设、开展AI素养教育培训等方面加快准备。
王江平进一步分析了“AI+制造”的发展现状，并提出具体举措。
在建设高质量行业数据集和场景数据集方面，要建设好数据标准、高质量数据集和可信数据空间。其中高质量数据集包含公共数据、私有数据，通识数据、专门数据，结构性数据、非结构性数据以及高质量合成数据。“有了数据集，现在的通用模型、推理模型可以较为容易地做出行业模型。”王江平如是说。
在建设行业模型和场景模型方面，要着力建设推理模型、行业模型、模块化场景模型。王江平特别提到，化工、医药等行业的安全管理等“AI+”应用场景是相通的，可以通过调整物性参数来实现模块化推广。
在全面推行企业数据治理方面，数据的资源化、资产化、资本化备受关注。为此，要进一步完善企业数据治理标准，推动企业数据贯标。
“算力、算法和数据是AI三大核心要素，其商业模式也离不开这三者。”王江平提出，为“AI+制造”提速离不开成熟的商业模式，相关方要共同就算力建设与运营、模型服务、数据服务、AI终端制造等工作开展深入探索。
“AI+制造”要切入企业难点
“‘AI+制造’，要奔着企业的难点去。”王江平指出，工业领域中的设备、系统或技术因内部机理复杂、机制不透明，生产人员难以理解、验证或干预其运行过程，这使得各行业或多或少存在过程调优困难、设备诊断不及时、安全可靠风险高等工业黑箱问题。
王江平进一步指出，工业黑箱等企业难点便是推进“AI+制造”切入点。解决控制类工业黑箱问题要通过多参数调优，如各种多项反应器、工业炉窑、钢铁高炉、化工气固反应器等；解决工艺类黑箱问题可从建立时序模型等入手。
AI时代的安全问题尤为重要，也是影响AI能否在石化行业“平稳着陆”的关键之一。据了解，目前虽有关于数据流通安全治理的法案，但数据流通安全治理体系仍然有待构建，相关机制也并不完善。
对此，王江平特别强调，推进“AI+制造”要秉持“零信任”安全治理理念，并以此为基础制定安全策略。他还提示道，AI安全不仅包括内生安全，还包括模型、数据、网络等衍生安全。
2025年伊始，国产AI大模型便迅速席卷全网。人工智能的“爱迪生时刻”或许已经到来，开始“照亮”千行百业。
“AI技术尽管酝酿已久，但从通用模型到推理模型几乎是一夜爆发。”在4月1日举行的2025赛迪论坛上，工业和信息化部原副部长王江平坚定地表示，人工智能在制造业中将大有可为。如何让AI成为工作的好“搭子”，为“AI+”落地提速，石化等传统行业还需做足准备。
AI进入平权、普惠时代
在DeepSeek发布后，越来越多的石化企业相继宣布引入并完成本地部署。为何DeepSeek能引起如此迅速而轰动的反响？
在王江平看来，这是因为近期AI发展出现两个重要变化：一个是开源成为越来越多人的共识，另一个是人工智能的训练和使用成本大幅下降。“人工智能技术正在从少数国家、少数企业、少数机构的专属工具，逐渐转变为普惠性技术。人工智能正快速步入平权时代、普惠时代。”王江平说。
在大模型领域，DeepSeek产生了“鲶鱼效应”。据了解，一方面该公司进行了一系列构架和工程优化，实现算力效能的大幅提升，降低了使用大模型的成本，带动大模型进入千行百业。另一方面，DeepSeek实现了权重和代码等开源，是目前世界上最彻底的开源大模型，可建立适合企业场景的垂直模型和模型APP。
DeepSeek深得石化企业“欢心”的原因还在于其安全性相对较高。“此前，许多工业企业对使用大模型缺乏积极性是因为担心企业数据泄露。而DeepSeek可实现本地化部署，企业能够通过自己的局域网来部署模型，对数据泄露的忧虑大幅降低。”王江平说。
拥抱AI需打好提前量
“AI+制造”是大势所趋，石化等产业准备好了吗？
“还没有。”王江平坦言，积极拥抱AI，还应从建设高质量行业数据集和场景数据集、建设行业模型和场景模型、全面推行企业数据治理、积极探索AI商业模式、加强国家模型检测评估体系建设、开展AI素养教育培训等方面加快准备。
王江平进一步分析了“AI+制造”的发展现状，并提出具体举措。
在建设高质量行业数据集和场景数据集方面，要建设好数据标准、高质量数据集和可信数据空间。其中高质量数据集包含公共数据、私有数据，通识数据、专门数据，结构性数据、非结构性数据以及高质量合成数据。“有了数据集，现在的通用模型、推理模型可以较为容易地做出行业模型。”王江平如是说。
在建设行业模型和场景模型方面，要着力建设推理模型、行业模型、模块化场景模型。王江平特别提到，化工、医药等行业的安全管理等“AI+”应用场景是相通的，可以通过调整物性参数来实现模块化推广。
在全面推行企业数据治理方面，数据的资源化、资产化、资本化备受关注。为此，要进一步完善企业数据治理标准，推动企业数据贯标。
“算力、算法和数据是AI三大核心要素，其商业模式也离不开这三者。”王江平提出，为“AI+制造”提速离不开成熟的商业模式，相关方要共同就算力建设与运营、模型服务、数据服务、AI终端制造等工作开展深入探索。
“AI+制造”要切入企业难点
“‘AI+制造’，要奔着企业的难点去。”王江平指出，工业领域中的设备、系统或技术因内部机理复杂、机制不透明，生产人员难以理解、验证或干预其运行过程，这使得各行业或多或少存在过程调优困难、设备诊断不及时、安全可靠风险高等工业黑箱问题。
王江平进一步指出，工业黑箱等企业难点便是推进“AI+制造”切入点。解决控制类工业黑箱问题要通过多参数调优，如各种多项反应器、工业炉窑、钢铁高炉、化工气固反应器等；解决工艺类黑箱问题可从建立时序模型等入手。
AI时代的安全问题尤为重要，也是影响AI能否在石化行业“平稳着陆”的关键之一。据了解，目前虽有关于数据流通安全治理的法案，但数据流通安全治理体系仍然有待构建，相关机制也并不完善。
对此，王江平特别强调，推进“AI+制造”要秉持“零信任”安全治理理念，并以此为基础制定安全策略。他还提示道，AI安全不仅包括内生安全，还包括模型、数据、网络等衍生安全。
