2025全球新品发布暨工业AI创新发展大会于8月28日在杭州举行。中控一线AI应用部署工程师曾欣欣谈到如何让AI实现工业级的可靠性时表示，可靠先于性能，一直在思考AI如何可靠推理，确保安全。
她指出，如果企业想要构建一个精准的全流程模型，往往要付出较高的成本和较高的时间周期，所以激励模型虽然能够解决一些典型的确定性工艺，但在装置运行过程中那些其他的海量复杂问题往往未必奏效。
对于如何去应对这些海量的风险场景，曾欣欣表示，在工业生产中，一名有经验的操作员判断异常靠的是他多年看下来记下来的正常数据波动范围和他处理过的操作经验，他不再需要重新推导一遍偏微分方程，他也非常清楚这个温度曲线不应该这样波动，那个压力曲线应该这样走，而这正是预训练AI所擅长的事情。他通过学习正常的状态，识别异常的模式，并给出合理的处置建议，就像一个永不睡觉永远冷静的超级老师傅。
“就好比你不需要懂手机是怎么造出来的，但你依然可以用它来打 *** 。同样AI也不需要完全理解装置是怎么设计的，但他就是能够从的映射关系当中，学会怎么跟装置的各种情况打交道。因为它能激活我们工厂里面海量的数据价值，这就是AI的可能性。”她说。
但AI它也有缺陷，它容易产生幻觉。曾欣欣指出，在场景下，AI有可能会告诉你一个看似正确但实际危险的操作建议，甚至基于错误数据延展错误分析。在工业领域，我们绝不能接受幻视，因为一次错误的推理很可能就是一场事故，千万级的损失，甚至是生命的代价。所以我们绝对不会用概率来去挑战工业的安全底线。
那么AI时序大模型是怎么做到既可靠又可信的？曾欣欣表示，关键的一招就是融合之一性原理。因为之一性原理它本身就是可靠的铁律，我们把它作为AI的常识融进了大模型的思考体系。
她介绍，从数据的层面，我们将反应动力学、热力学这些规律作为知识标签，嵌入了数据的训练过程，让AI不仅学到数据相关，还学到了因果规律，从而他能够预测偏差，适应变化，逼近更优。
“但这还不够，工业AI绝对不能瞎猜。”所以在模型层面，我们通过增设物理损失函数来量化模型对于之一性原理的违反程度，与数据损失共同优化来增强模型梯度计算在物理和工程规律上面的精确性，极大的减少了AI幻视现象。只有这样AI的每一次推理才能够在工程的理性框架内运行。
她介绍，在应用层面，也为AI的增加了枷锁和多重的防护机制。
之一道锁装在感知上，让AI实时监测的数据的质量，在出结果的同时附加靠谱指数。
第二道锁卡在执行上，一旦控制像泵、变频阀门这些执行参数，AI的指令必须得在公益的约束下限服限速。
最后一道是进化所，通过引入专家评分和强化学习，让模型在正确的道路上持续的迭代和优化，越用越聪明。
新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。
