当下，科技发展迅速。传统行业企业若成功借助AI。生产效率可能大幅提高。不过，其中存在许多急需解决的问题。
数据痛点与增长点
清华大学双聘教授沈阳研究发现，当前传统制造行业数据问题频发。数据呈孤岛状态，不标准，质量低。大量企业数据分散于ERP、MES、CRM等不同系统。这造成AI算法训练低效，难以提取有效信息。不过，数据问题虽是痛点，但若能解决，也是价值增长点。可将数据从成本项转变为增长引擎。
破解数据难题体系
破解传统制造业数字化转型的数据难题，需构建相关体系。该体系包括技术筑基、治理护航、场景驱动。技术筑基是运用技术为数据打基础，以便数据能被更好分析利用。治理护航是建立治理规则，打破数据壁垒，使数据更标准化。比如广电计量为头部车企做数字化转型蓝图，结合数字孪生与AI大模型将数据转化为生产力。
复合型团队与能力培育
企业要培育复合型团队。团队成员既要懂制造，又要通数据。通过这样的团队推动行业数据生态建设，以此形成持续进化能力。企业借助“边修路、边立规、边创效”的路径。有望在18至24个月内提升数据可用性。使数据可用性提升60%。还能让算法开发效率翻倍。最终让数据成为驱动企业发展的核心力量。
AI+制造业起步挑战
记者调研发现，AI 与制造业的应用当前处于起步时期。传统行业依靠人工智能进行转型存在诸多难点。制造业专业性强且多样。各行业以及产业链环节的技术和转型需求差距大。难以凭借通用模型解决所有问题。这对 AI 技术在制造业的应用提出了更高要求。
组织内的抵触与阻碍
沈阳留意到，诸多传统行业一线员工对“AI+”有顾虑。他们担心会被取代，或是遭到监控。管理层对AI的认知并不够系统。这致使AI项目推进时，在组织内部遭遇阻力，难以融入日常运营。而且企业人才结构急需转型。企业缺乏既懂业务又懂AI的跨界“翻译官”。这使得项目容易陷入无用功。
协同机制促融合发展
面对传统行业与创新链的对接问题。沈阳认为“行业+AI+科研”三位一体协同机制很必要。可采用科研团队“驻场式”合作方式。科研人员以“项目合伙人”身份参与企业产品全生命周期。能实现技术与实际场景融合。还能依托园区试验区为技术成果提供测试条件。也能提供反馈条件。
在传统行业借助AI发展的过程中。怎样能够更快速地培育出既了解业务又知晓AI的跨界人才。以此来促使项目高效执行。欢迎读者踊跃评论互动。为本文点赞并分享。
