國產生成式AI（人工智能）大模型“深度求索”（DeepSeek）是今年兩會的熱點話題。“深度求索”的發布為我國工業企業AI應用帶來巨大機會，未來發展潛力不可限量。
“深度求索”的意義體現在幾個方面。首先，“深度求索”是一款成熟度很高的大模型。筆者和朋友親測發現，“深度求索”給出的建議往往非常“靠譜”，超過了多數專業技術人員的水平。技術成熟意味著有創造價值的能力和眾多真實的應用場景。其次，“深度求索”在開源和本地化部署方面具備優勢。企業應用AI時，往往要用到企業的“私有數據知識”。“深度求索”兼顧開源和本地化部署優勢，且本地部署的成本低，便于企業廣泛采用。最后，“深度求索”有助于我國參與國際競爭。美國是AI技術最先進的國家之一，但限制中國用戶使用美國技術、試圖遲滯我國AI應用技術的發展，“深度求索”突破了這種限制。
有了成熟的大模型以后，下一步的關鍵就是如何用好這一新技術了。想要用好大模型，就要學習利用它的長處，避免它的短處和不足。“幻覺問題”是AI大模型應用最常見的問題，被人稱為“一本正經地胡說八道”，很容易誤導用戶。因此，AI大模型主要用于人機協同的場合，而不是自動控制的場景。在人機協同的場合，AI主要起到“參謀”和“軍師”的作用，最終的決策需要經過人的完善和確認后才能下達。
筆者發現，AI的“幻覺”問題主要針對具體的事實和事件，而不是通用的科學知識。在沒有聯機搜索的前提下，模型更容易產生“幻覺”。筆者在不聯網的模式下提問：某本書的作者是誰？如果書的名氣不大，AI的答案就往往是錯的；但如果聯網搜索，結果往往就是正確的。因此，應用AI大模型時，應該盡量保證系統能夠訪問到相關的知識。AI大模型的本地化部署，就是便于訪問并獲得企業內部知識，并便于對模型進行“微調”。
在工業領域中，設計研發、工廠管理、銷售采購等工作都可以通過人機協同的方式提高質量和效率。這些崗位的工作人員，本質上都是“知識及工作者”，善于用自己的知識做出決策。若干年前，筆者曾思考如何通過建立“知識鋼廠”，也就是說通過讓計算機掌握更多的知識來解決知識依附于人的問題，提升鋼鐵企業的研發設計能力，并推動企業實現“從制造到服務”的轉型。
當時遇到的主要困難是知識的碎片化。這個特點在鋼鐵企業非常突出。知識碎片化的結果是計算機難以有效地管理和利用這些知識。當時，人們普遍認為，要推動形成“知識鋼廠”，就要推動知識的結構化。但這個工作的難度非常大且進展緩慢。人們也曾想用過去的AI方法解決知識相關的問題。比如，IBM（萬國商業機器公司）曾經試圖開發一套Watson（沃森）系統，以解決醫療保健中的問題。這項工作發生在大模型出現之前且付出了很大的代價，可結果一直都不理想。然而，AI大模型的出現，給我們帶來了新的技術路徑：讓AI不斷地學習碎片化知識，AI就能自主地利用碎片化知識，從而避開了知識結構化的困境。
筆者曾經向“深度求索”提出一個問題：在黑河建立一個鋼結構建筑，建議使用什么鋼材？“深度求索”回答這個問題時，考慮了黑河的地理位置，從而提出低溫沖擊性能的要求，還綜合考慮了耐腐蝕性、供貨和組合用材的要求，給出了最終建議。由此可見，“深度求索”在解決這個問題時，綜合應用了地理知識、材料學知識、建筑學知識等多方面的知識。筆者隨后請教了專業人士，認為其給出的建議是“靠譜”的。筆者曾經長期從事熱軋帶鋼性能預報研究工作，其間經常與材料工程師交流。當我把此前遇到的一個問題詢問“深度求索”時，發現它會提示我一些材料工程師容易忽視掉的知識。由此可見，“深度求索”可以用于服務和研發。
在數字化時代，人們將面臨各種新的挑戰。其中一個典型的挑戰就是：相關數據越來越多，但工藝技術和企業管理人員不熟悉計算系統的代碼和數據。工藝技術和管理人員希望增加新功能、分析數據的時候，往往需要請IT（信息技術）、DT（數據處理技術）的專業技術人員幫助解決問題，而IT、DT的專業技術人員往往不了解工藝和生產知識。各方的協作就非常困難，導致工作效率低、成本高。現在企業都很重視數據，但有大量企業的數據“躺”在數據庫中難以發揮作用。究其原因就是分析數據、維護系統過于麻煩，使得許多數據分析工作不具備經濟性。“深度求索”的介入，往往可以讓企業的技術和管理人員直接向計算機提出問題，從而極大地方便了數據的利用、提高了工作效率，從本質上提高了數據工作的經濟性。實踐也證明了這種思想的可行性。過去，上海優也公司開發一套數字孿生系統需要1個月的時間，現在一天、甚至2到3個小時就可以搞定了。
根據初步實踐，AI也存在一些不足。比如，AI給出的答案往往不夠有深度。很多人認為，“深度求索”的能力水平超過80%的專業技術人員，但換個角度看AI是不如頂級技術專家的。特別是一些開拓性的工作，AI目前還是有差距的。這就意味著，重要的工作確實需要人機協同來完成。
總體來說，“深度求索”的問世，為我國冶金企業的技術進步帶來了巨大的機會，亟待大家去挖掘“寶藏”。未來的難點可能集中在兩個方面：一是要學會與AI交流。最近北大、清華都出了學習使用“深度求索”的課程。在這些課程中，都用大量的篇幅介紹“提示詞工程”，教會大家向AI問問題。諾貝爾物理學獎獲得者李政道先生曾說，做學問，先學問；只作答，非學問。學會問問題，往往需要更高的素質和思維能力，這是用好AI的重要基礎，也是我們面臨的新的挑戰。二是要讓AI做出正確的決策。數據和知識的完整性、準確性很重要。孫子說：“知己知彼，百戰不殆。”這一點，會給數字化基礎建設帶來挑戰。
總之，未來冶金企業的核心競爭力可能是研發、設計、服務以及精細化的管理。AI大模型在這些領域的應用，前途無量。（郭朝暉）
