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采访,在直播间“财经夜行线”探讨人工智能如何重构新型工业化。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”。
在科技飞速发展的当下,人工智能与工业化的融合已成为推动产业变革的核心力量。国内积极探索 AI 与工业化结合路径,从产业基础再造、产品技术攻关到供应链管理优化等多个方向发力,正逐步改写工业生产的格局。
在这场变革浪潮中,上海交通大学李金金教授团队脱颖而出,其研发成果为行业发展带来全新突破。在发酵行业,他们研发的 “基于迁移学习和物理可解释的小样本 AI 工业自动控制系统”,创新性地将 “时间维度” 引入工业控制领域。生物发酵过程中,微生物生长阶段差异大、代谢动态变化受时间影响显著,传统依赖固定参数和人工经验的生产方式难以应对。而该系统成功攻克生物发酵复杂动态过程的实时预测与调控难题。企业应用后,可根据实际情况动态调控参数,实时生成最优发酵方案,在相同物料投入下,使用 AI 调控的实验罐发酵水平明显高于未使用 AI 调控的发酵罐。并且,随着高产量数据不断反馈,系统经训练生成的发酵操作方案持续优化,有望达到发酵的理论上限。
深入探究其技术内核,该团队研发的 AI 自控系统采用了一系列创新技术。引入时间维度,突破传统局限,让系统能够实时追踪微生物代谢动态变化。“时间维度” 的引入,成为 AI 在工业制造领域应用的关键创新点。在诸如抗生素发酵等工业生产环节中,生产周期长,微生物代谢状态时刻变化,形成超高维度的动态数据矩阵。传统 AI 模型若不考虑时间因素,难以解析数据背后的演变规律。而融入 “时间维度” 后,AI 能够精准建模,捕捉生产过程中细微的动态变化,为实时调控与优化提供科学依据,有效提升生产过程的精细化管理水平。
面对 AI 训练与部署过程中普遍存在的算力成本高昂问题,轻量化 AI 技术成为破局之道。李教授团队开发的 AI 自控系统,运用迁移学习技术,减少对大量标注数据的依赖;结合物理可解释性,便于工程师理解和优化模型;仅需十几张显卡即可在企业实际生产中稳定运行,相较于传统大模型,显著降低了算力需求与应用成本。这种轻量化设计使中小企业也能便捷地部署 AI 系统,为 AI 在工业领域的广泛普及奠定了坚实基础。
这一系统的诞生,对 AI 模型发展和制造工业自动化意义深远。于 AI 模型而言,打破了传统思维局限,提升泛化和学习能力,拓展应用场景;对制造工业自动化来说,解决了行业长期痛点,提高生产效率和产品质量,为其他行业智能化转型树立了典范。
展望未来,人工智能在我国工业化转型升级中潜力巨大。生产制造上,将实现超精细化质量控制和柔性化生产优化;研发创新领域,加速新品研发、促进跨领域创新;供应链管理层面,实现精准需求预测和智能物流配送;能源管理方面,助力能耗优化和可再生能源整合;服务模式创新上,开展远程运维服务、推动工业互联网平台升级。
此次科研团队的创新成果,不仅为行业发展注入新动能,更为我国工业迈向智能化、高端化奠定坚实基础,实现了人工智能从代码公式落地到企业产能的突破。随着技术的不断进步与完善,人工智能与工业的深度融合,必将开启AI智能制造的全新篇章,推动我国工业经济实现高质量发展。
