李教授，不知道您对于当前AGI（通用人工智能）在工业中的应用前景如何看呢？

AGI的应用主要还是针对有海量数据的、重复性的场景。ChatGPT给的答案只是是一个“初选”，不代表是一个“对选”。ChatGPT的问题是它的精密度不高。你自己去使用，会发现他很多错误，搜索三次，三次答案不一样。所以，它对我们来讲是一种帮你做初选的东西。工业界我们不希望太多的发散，希望收敛，ChatGPT基本上还是发散比较多，因为他答案会让你意外（surprise），是吧？但我们在工业界，答案不需要意外（surprise）。

那是不是说明，在工业界里面单纯强调生成式AI，其实这个思路本身就值得去再商榷呢？

对，因为它本身是预训练（pre-trained）的，所以你一定要有一些先验关系标签（prior relationshiplabel）。但是，在这种开源领域（open-sourceddomain）里面，比如搜索引擎（search engine），信息有很多冗余和噪声（garbage），所以它能够给你的答案会有很多可能性，反而对你没有帮助。生成式AI的根本问题，我觉得是一个“可用”跟“有用”的问题。ChatGPT提供的答案是可用，但不见得有用。

第二个，比如你（要ChatGPT）作一首诗，你一定不知道它会作什么诗，它是一个意外（surprise）。我们工业界，你不希望是意外（surprise），你希望是更聚焦更准。因为我们领域知识（domain）已经大概知道会有几个可能性，只是希望模型给我们做最准一点。我们会希望，越是专家，可能性越少，专家要给出更肯定的答案——“就这样就对了”。

不过不知道在美国有没有选择拥抱这类技术的工业的、制造业的公司，他们是怎么去应用这类技术，只是用它问答的能力吗？

因为ChatGPT这类应用是一个生成式的人工智能平台（generative AI platform），所以你可以用在几乎任何东西，只要是能够一直重复使用，重复相关性的组配，但是，不代表它有用。生成式的（generative）不代表配的是对的，而是说你越配越多的可能性，是“能用”（possibleuse），并不是“好用”（good use）。可是在工业界我们更要的是精密的生成式预训练模型（Generative Precision Pre-trained Transferable model），是“GPPT”，而不是“GPT”。这是我个人的看法了。

本质上还是海量资料的整合、总结。

对。比如我们一个学生，他用ChatGPT做作业，我们一看就看出来，为什么？因为他讲的都对，但不是我上课教的，没有用我上课的资料。我上课的资料不在ChatGPT里面。ChatGPT提供的是海洋式的可能性，但是工业我要的只是一条船的“使用性”。

这就是为什么说，工业智能如果通用化，不应单纯是一个语言的生成式模型，它应该是一个操作的精密模型。操作的生成式预训练模型（OperationGPPT）应该有三个特色：第一个是它的目的性，要产能最大，维护成本最低，这是优化的目标函数（objective function）；第二个，它有它的逻辑性：什么时候该做什么，随工况（regime）变化而变化，它一定有是由某种操作逻辑决定的；第三个，很重要的，它有因果性，好跟坏、大跟小、高跟低，它一定有因果关系。

所以说，一个是ChatGPT，一个是OperationGPPT。对比起来（编者按：如下表所示），ChatGPT是发散的，然后工业是收敛的；ChatGPT通用的可能性是很多的，而对我们工业界，领域专有的精密性要高，等等。

明白。确实，工业领域不同的目标和要求，决定了工业领域的通用智能形态和研究的方向也会有不同。另外，不知道李教授您在马里兰大学的工业智能中心（Center for Industrial Artificial Intelligence，IAI Center）现在有什么新的研究动向？

我们现在在学校做三个东西。

一个就是我们的“工业AI Data Foundry（工业智能数据工坊）”，我建了一个数据群，75组到100组的数据，包括以前的PHM（故障预测与健康管理）的数据竞赛（Data Challenge）的数据，我们希望训练学生用这些数据来增加工业AI的分析能力。比如说，我从齿轮做到发动机、做到医疗、做到半导体，学生做完信心就会增加。传统的人工智能科学（AIscience）只希望做一些数据量很大的问题，但真正工业界的AI不见得是数据量很大的问题。你要做有用的事情。

第二个，我要把工业智能建模的速度增快。我希望把工业AI变成一个量测（metrology）的观念，将工业AI变成一个很强的量测工具，可以用来量机器好坏、量制程好坏、量人健不健康，等等，让工业AI变成一个响应服务趋近模型（response service approximation），“RSA”。RSA是个元模型（meta-model），也是一个代理模型（surrogate model），它可以被用来量测输入和输出（input and output），去替代需要用很昂贵的仪器、算法计算的场景。所以，一个是新的定义，一个是新的做法。

第三个，我希望以后我们开发工业AI，能在一天之内开发完毕，叫 “One-day AI（一日智能）”，这是我的一个梦想。

其实刚刚说的，如何能快速构建模型，也是我们的模力工场产品现在努力演进完善的一个方向。其他不知道李教授您还有补充吗？

事实上，ChatGPT的观念可以用在这里：因为现在的AI模型是分散的，每个应用可能都有一个AI模型，它们之间没有串通在一起。参考ChatGPT的观念，以后这些模型完全可以是一个“Connected AI（连接的智能）”。ConnectedAI的好处是，它可能有很强的收敛性，要“快”跟“准”。

现在每个AI都是独立的一个智慧孤岛，它们之间没有连在一起。所以要ConnectedAI很重要，不是说只是更多的AI，更多的AI不见得有用的，而是要能够协同（coordinated）和合作的。譬如工厂里面有刀具的AI、冲压过程（stamping）的AI、工业机器人（robot）的AI，每个对象可能都有AI，但是基本上最后的目的还是一个质量问题、效率问题。