国产生成式AI（人工智能）大模型“深度求索”（DeepSeek）是今年两会的热点话题。“深度求索”的发布为我国工业企业AI应用带来巨大机会，未来发展潜力不可限量。
“深度求索”的意义体现在几个方面。首先，“深度求索”是一款成熟度很高的大模型。笔者和朋友亲测发现，“深度求索”给出的建议往往非常“靠谱”，超过了多数专业技术人员的水平。技术成熟意味着有创造价值的能力和众多真实的应用场景。其次，“深度求索”在开源和本地化部署方面具备优势。企业应用AI时，往往要用到企业的“私有数据知识”。“深度求索”兼顾开源和本地化部署优势，且本地部署的成本低，便于企业广泛采用。最后，“深度求索”有助于我国参与国际竞争。美国是AI技术最先进的国家之一，但限制中国用户使用美国技术、试图迟滞我国AI应用技术的发展，“深度求索”突破了这种限制。
有了成熟的大模型以后，下一步的关键就是如何用好这一新技术了。想要用好大模型，就要学习利用它的长处，避免它的短处和不足。“幻觉问题”是AI大模型应用最常见的问题，被人称为“一本正经地胡说八道”，很容易误导用户。因此，AI大模型主要用于人机协同的场合，而不是自动控制的场景。在人机协同的场合，AI主要起到“参谋”和“军师”的作用，最终的决策需要经过人的完善和确认后才能下达。
笔者发现，AI的“幻觉”问题主要针对具体的事实和事件，而不是通用的科学知识。在没有联机搜索的前提下，模型更容易产生“幻觉”。笔者在不联网的模式下提问：某本书的作者是谁？如果书的名气不大，AI的答案就往往是错的；但如果联网搜索，结果往往就是正确的。因此，应用AI大模型时，应该尽量保证系统能够访问到相关的知识。AI大模型的本地化部署，就是便于访问并获得企业内部知识，并便于对模型进行“微调”。
在工业领域中，设计研发、工厂管理、销售采购等工作都可以通过人机协同的方式提高质量和效率。这些岗位的工作人员，本质上都是“知识及工作者”，善于用自己的知识做出决策。若干年前，笔者曾思考如何通过建立“知识钢厂”，也就是说通过让计算机掌握更多的知识来解决知识依附于人的问题，提升钢铁企业的研发设计能力，并推动企业实现“从制造到服务”的转型。
当时遇到的主要困难是知识的碎片化。这个特点在钢铁企业非常突出。知识碎片化的结果是计算机难以有效地管理和利用这些知识。当时，人们普遍认为，要推动形成“知识钢厂”，就要推动知识的结构化。但这个工作的难度非常大且进展缓慢。人们也曾想用过去的AI方法解决知识相关的问题。比如，IBM（万国商业机器公司）曾经试图开发一套Watson（沃森）系统，以解决医疗保健中的问题。这项工作发生在大模型出现之前且付出了很大的代价，可结果一直都不理想。然而，AI大模型的出现，给我们带来了新的技术路径：让AI不断地学习碎片化知识，AI就能自主地利用碎片化知识，从而避开了知识结构化的困境。
笔者曾经向“深度求索”提出一个问题：在黑河建立一个钢结构建筑，建议使用什么钢材？“深度求索”回答这个问题时，考虑了黑河的地理位置，从而提出低温冲击性能的要求，还综合考虑了耐腐蚀性、供货和组合用材的要求，给出了最终建议。由此可见，“深度求索”在解决这个问题时，综合应用了地理知识、材料学知识、建筑学知识等多方面的知识。笔者随后请教了专业人士，认为其给出的建议是“靠谱”的。笔者曾经长期从事热轧带钢性能预报研究工作，其间经常与材料工程师交流。当我把此前遇到的一个问题询问“深度求索”时，发现它会提示我一些材料工程师容易忽视掉的知识。由此可见，“深度求索”可以用于服务和研发。
在数字化时代，人们将面临各种新的挑战。其中一个典型的挑战就是：相关数据越来越多，但工艺技术和企业管理人员不熟悉计算系统的代码和数据。工艺技术和管理人员希望增加新功能、分析数据的时候，往往需要请IT（信息技术）、DT（数据处理技术）的专业技术人员帮助解决问题，而IT、DT的专业技术人员往往不了解工艺和生产知识。各方的协作就非常困难，导致工作效率低、成本高。现在企业都很重视数据，但有大量企业的数据“躺”在数据库中难以发挥作用。究其原因就是分析数据、维护系统过于麻烦，使得许多数据分析工作不具备经济性。“深度求索”的介入，往往可以让企业的技术和管理人员直接向计算机提出问题，从而极大地方便了数据的利用、提高了工作效率，从本质上提高了数据工作的经济性。实践也证明了这种思想的可行性。过去，上海优也公司开发一套数字孪生系统需要1个月的时间，现在一天、甚至2到3个小时就可以搞定了。
根据初步实践，AI也存在一些不足。比如，AI给出的答案往往不够有深度。很多人认为，“深度求索”的能力水平超过80%的专业技术人员，但换个角度看AI是不如顶级技术专家的。特别是一些开拓性的工作，AI目前还是有差距的。这就意味着，重要的工作确实需要人机协同来完成。
总体来说，“深度求索”的问世，为我国冶金企业的技术进步带来了巨大的机会，亟待大家去挖掘“宝藏”。未来的难点可能集中在两个方面：一是要学会与AI交流。最近北大、清华都出了学习使用“深度求索”的课程。在这些课程中，都用大量的篇幅介绍“提示词工程”，教会大家向AI问问题。诺贝尔物理学奖获得者李政道先生曾说，做学问，先学问；只作答，非学问。学会问问题，往往需要更高的素质和思维能力，这是用好AI的重要基础，也是我们面临的新的挑战。二是要让AI做出正确的决策。数据和知识的完整性、准确性很重要。孙子说：“知己知彼，百战不殆。”这一点，会给数字化基础建设带来挑战。
总之，未来冶金企业的核心竞争力可能是研发、设计、服务以及精细化的管理。AI大模型在这些领域的应用，前途无量。（郭朝晖）
