“一些企業和機構對于人工智能大模型的應用方式，還局限在智能客服、對話機器人，或者文字、圖片生成等方面。事實上，基礎模型擁有強大的推理、生成和泛化能力，適用于產業界中最具商業價值的任務，如精準預測和控制、高效優化決策，以及智能化、可交互的工業模擬。”

　　微軟亞洲研究院資深首席研究員邊江。

　　隨著人工智能大模型（基礎模型，Foundation Models）的發展，很多企業和機構都對其在生產力場景中的應用表現出極大的熱情。不過，我們也觀察到這樣一個現象：很多產業從業者似乎更關注人工智能接近“人”的一面——像人類一樣對話、寫作、創作，以及擁有近似于人類的感知能力。比如，很多企業在引入人工智能大模型時，首選場景都傾向于智能客服，對話機器人等“類人”崗位。毫無疑問，這種傾向存在著對大模型理解和應用上的局限，并不能讓它在產業界發揮出應有的潛力。

　　然而，這些局限有其必然性。因為基礎模型與生產場景的融合還缺乏成熟且普遍的先例。如果把人工智能看作一種“生產工具”，那么它的應用就類似于“先有工具再發掘用途”，而且人類歷史上可能從未有過這種不針對特定需求，而是有著廣泛用途但又存在不確定性的工具。

　　此外，由于不同產業存在更加豐富、復雜的場景，適用于產業界相應場景的基礎模型，與通常意義上的基礎模型也不盡相同。這就需要對產業大模型進行同步創新，在更多產業場景中充分發揮基礎模型的能力，實現人工智能與應用場景的匹配。對于各個產業來說，我們不妨從擺脫思維局限開始，不要將人工智能等同于機器“人”。然后，重新審視和改變現有的業務流程和業務架構，梳理出適應人工智能時代的人與基礎模型的合作模式。

　　基礎模型在產業界潛力無限

　　基礎模型是具有通用的數據表示能力、知識理解能力和推理能力的人工智能模型，可以在不同的領域和場景中自然遷移，并快速適應新的環境。與此同時，產業界的數字化平臺在經過多年的發展后，已經積累了大量的行業數據，為基礎模型提供了更豐富和更適用于特定場景的知識和信息——這讓基礎模型有了融入產業場景的基礎。

　　在應用價值方面，基礎模型強大的推理能力，能夠幫助使用者更好地理解數據，從海量的數據中提取有價值的信息，發現數據之間的關聯和規律，從而提供更深刻的洞察和更有效的建議。這一優勢可以在產業領域的預測、決策、模擬等場景中發揮關鍵作用。

　　基礎模型的另一個優勢是泛化能力。在基礎模型出現之前，每個行業場景都需要使用特定數據來訓練一個專屬人工智能模型，這難以大規模復用，限制了人工智能的商業價值，而基于全世界通用知識訓練的基礎模型，極大地提升了模型的泛化能力，讓產業界不再需要像傳統人工智能解決方案那樣，為每個場景訓練專屬模型。

　　基礎模型還可以和生成式人工智能結合，提升工業仿真和智能模擬的準確性、真實性與可交互性，促進數字孿生的實現。工業仿真和模擬都是對真實世界的還原和測試，涉及眾多復雜的角色和環境。傳統人工智能模型難以支撐大規模仿真，模擬時往往會簡化真實情況，或忽略重要的極端事件，影響了模擬和仿真的質量和真實性。生成式人工智能大模型能夠支持更廣泛的場景，在深入學習特定領域專業知識的基礎上，建立特定數據維度分布與真實事件的映射，實現接近現實世界的模擬，更好地輔助工業預測與決策任務，達到工業應用標準。

　　基礎模型在產業界落地需要克服四個難題

　　在產業界，最重要也最有商業價值的任務包括精準預測和控制，高效優化決策，以及智能化、可交互的工業模擬等復雜任務。這些領域也是傳統行業企業應該重點關注的應用方向。然而，通過對現有的GPT等基礎模型的評測，并結合產業領域的實際情況，我們發現基礎模型與真實產業需求之間還存在明顯差距，需要克服若干難題，才能使其在產業界發揮更大的作用。

　　首先，我們缺乏一個能夠從紛繁的領域數據中理解復雜領域知識，且可以基于領域知識來構建智能體的通用框架。不同的領域具有各自豐富且復雜的數據，例如物流企業中的海關信息、跨國政策等相關信息；醫藥行業中FDA（食品藥品監督管理局）藥物審查文檔；法律行業中的各類法規文檔等。構建基于領域知識的智能體需要更通用的框架，從這些數據中提煉出重要的領域知識，發現數據和知識之間的隱含關聯，并對它們進行有效的組織和管理。

　　其次，在文本數據之外，基礎模型對結構化數據的處理和理解能力較弱。目前的基礎模型最擅長的還是純文本內容的生成和創作，部分模型也能處理圖像、語音等數據。但是，工業場景中的數據往往是數值型、結構化的，如健康監測指標、電池充放電信號、金融信用行為等時序數據或表格數據。現有的大模型還沒有針對這類數據進行特定的設計和優化，不能充分理解并處理這些數據，因此很難精準的完成基于這類數據的預測和分類任務。

　　第三，從應用層面來看，基礎模型的決策能力不夠穩定和可靠。能源、物流、金融、健康等關鍵產業場景中最重要的往往是決策類任務，包括物流路徑優化、能耗設備控制、投資策略制定、醫療資源調度等，這些任務往往涉及多個變量和多個約束，特別是當面對動態變化的環境時，基礎模型還沒有完全適應這些復雜的任務，無法直接在產業領域應用。

　　最后，我們還缺乏對一些特定領域的基礎數據的洞察，以及構建特定領域基礎模型的方法和經驗。很多特定領域的核心信息并不是單純的文本，因此他們的基礎數據也不再是文本中的字和詞，而是包含獨特的語義結構和關系的新型基礎數據，例如金融投資行業中的交易訂單信息；生物醫藥行業中的分子結構信息等，相關領域的核心知識往往隱含在這一類基礎數據中，需要更深入和更細致的分析。只有在此基礎上構建特定領域的基礎模型，才能更有效地挖掘和釋放數據的潛力。

　　構建產業基礎模型：融合通用知識與領域專業知識

　　為了推動基礎模型在產業界更快地落地和應用，我們可以著重從以下幾個方面入手：

　　首先，我們可以利用豐富和復雜的產業領域數據，構建更通用、高效和實用的檢索增強生成（RAG）框架，可以適配各個垂直領域，幫助提煉出重要的領域知識，發現數據和知識之間的隱含關聯，并對它們進行有效的組織和管理。

　　基于基礎模型的更通用、高效和實用的檢索增強生成（RAG）框架。

　　其次，基于工業場景中重要的數值數據和相應的結構化依賴，構建適合產業化的基礎模型，通過有效融合通用知識和時序數據或表格數據中的領域知識，更有效地解決產業中的預測、分類等任務。

　　從傳統人工智能的產業解決方案到融合通用與領域知識的產業基礎模型。

　　另一個我們目前正在著重探索的方向：利用基礎模型已具備的強大的生成、泛化和遷移能力，提高產業決策的質量和效率。在這方面，我們在探索兩種路徑，一是將基礎模型作為一個智能體，二是讓基礎模型輔助強化學習智能體。

　　將基礎模型作為一個智能體：我們可以利用基礎模型的先驗知識，結合離線強化學習（Offline Reinforcement Learning），通過持續收集新的領域知識并不斷微調，促進智能體的進化，提高作為智能體的基礎模型的優化決策能力，使其能更專注于處理產業領域內的任務。

　　協同基礎模型與離線強化學習構建決策智能體。

　　經過優化的基礎模型可以在多種產業場景中發揮作用。例如，在方程式賽車中，該基礎模型能夠優化賽車的輪胎維修策略，根據賽車輪胎的損耗和維修成本，找到最佳的進站維修時間，以縮短賽程、提高賽車排名；在化工企業的產品調度中，利用這一基礎模型可以大幅提高產品存儲與生產過程中管線協同的效率，從而提升生產執行效率；另外，基于基礎模型的泛化能力與魯棒性，還可以將其快速遷移至空調控制優化的場景中，在保證舒適溫度的同時實現能耗最小化。

　　使用基礎模型輔助強化學習智能體：我們可以讓模型學習通用表示，在不同的環境和任務中快速適應，從而提升泛化能力。在這一方法中，我們引入了預訓練世界模型（Pretrained World Model），它可以模擬人類的學習和決策過程，增強產業決策的效果。通過利用具有廣泛知識的預訓練世界模型，并采用兩階段預訓練框架，開發者能夠更全面和靈活地訓練基礎模型進行產業決策，并將其擴展到任何特定的決策場景。

　　我們與微軟Xbox團隊合作，在游戲測試的場景中驗證了這個框架的有效性。我們利用該框架針對游戲地圖預訓練了世界模型，解決了在新游戲場景中利用地標觀察進行長期空間推理或導航的問題。該預訓練模型明顯優于沒有世界模型或使用傳統學習方法的模型，極大地提高了游戲探索的效率。

　　此外，我們還可以使用領域內專有的基礎數據和所蘊含的特定語義信息，打造領域內的基礎模型，為智能可交互的決策和模擬開拓新的可能性。比如，我們可以基于金融市場交易訂單數據構建金融投資基礎模型，這些基礎數據是包含豐富語義結構和信息的交易訂單，而不是純文本字符。基于這一金融基礎模型，我們可以實現針對不同市場風格的訂單流生成，模擬不同市場環境下的大規模訂單交易，實現對金融投資市場的可控模擬，從而更好地理解市場變化的規律，探索應對極端場景的策略。

　　基于金融基礎模型實現針對不同市場風格的訂單流生成，從而模擬多樣的市場環境。

　　基礎模型引領產業數字化轉型的下一波浪潮

　　很早之前，微軟亞洲研究院就已經意識到人工智能在產業界的廣泛應用需要新的技術探索、嘗試和突破，通過跟來自不同產業的合作伙伴合作，我們陸續研發出Qlib人工智能量化投資平臺、MARO多智能體資源優化平臺、FOST時空預測工具、BatteryML電池性能分析與預測平臺等開源模型。這些面向產業的人工智能平臺、工具和模型，不僅在工業界發揮了重要作用，也為目前基礎模型的產業落地提供了重要的數據和工具基礎。

　　借鑒成功的人工智能產業化經驗，我們已經開始從前文介紹的幾個維度深入探索面向工業領域的人工智能基礎模型及其應用。我們發現，在這些突破傳統大模型認知的維度上，基礎模型擁有巨大潛力，能夠深刻促進產業變革。

　　可以想象，未來基礎模型將能夠幫助產業界實現行業內的知識自動管理、自動提取、自動迭代。在此之外，我們也在探索基礎模型幫助企業實現自動研發，包括研發方向的自動發掘、算法研究方案的自動生成、研發過程和科學實驗的自動生成和執行，以及研究思路的自動迭代。換言之，人工智能將能夠自主進行數據驅動的產業化研發，這將深刻改變產業界的運作模式。