在智能矿山领域，华为的思路一直明确——将AI门槛降下来；将应用场景串起来；将IT、CT、OT系统联起来。为此华为肯定是有所准备，这也才有了“矿山AI大模型”、AI开发“众筹模式”，以及会说普通话的“矿鸿”操作系统。
华为的三封邀请函
“能不能突破应用场景，形成业务闭环；能不能突破样本泛化瓶颈，实现解决方案复用；能不能实现‘IT CT OT’的‘3T融合’。”华为煤矿军团解决方案总裁蒋旺成，并非突发奇想，更多是难掩兴奋。“首届矿山AI大模型大赛”太过成功，来自各大高等院校的389支队伍报名参加，涉及了数百个应用场景。
文章图片1
【与会嘉宾与决赛选手合影】
这也使华为有了进一步想法。
全国有大大小小4000多家煤矿，以及上万座非煤矿山，涉及应用场景数以千计、“微场景”更是数以万计。以华为一贯的思路，做透此市场必是要为“场景找技术”，也必是依靠合作伙伴。
正因如此，华为煤矿军团向合作伙伴，发出了上述三封邀请函——形成业务闭环、突破AI泛化瓶颈、实现3T融合。而且华为还想好了落地策略——希望以“矿山AI大模型”为切入点，将邀请函快递给合作伙伴。
只为正确的“大模型”
何谓“矿山AI大模型”？2021年4月，华为正式发布AI大模型。随后的2022年，华为又相继在矿山、公安、交通、医疗、制药、气象等领域，发布行业AI大模型。“矿山AI大模型”就是其中之一。
其实，有“大模型”必然有“小模型”。
所谓“小模型”，就是传统作坊式的AI开发模式。开发者基于特定应用场景，进行数据标注和训练，并最终输出模型，但这种看似颇具工匠精神的模式，所能采集到的“异常场景”毕竟有限，无法穷举所有未知“异常场景”。
或者说。“小模型”的AI开发模式，很像不能复制的定制化软件。这就是蒋旺成所说的AI“泛化瓶颈”，或也也称为AI应用碎片化——训练好的AI模型，即使被同类企业移植到类似的应用场景，也会水土不服，其泛化性能明显下降。
“大模型”反其道行之。
“‘大模型’的本质是以低成本、规模化、可复制的解决方案，解决AI应用碎片化问题。” 华为云AI领域首席科学家田奇提出了思路——与其采集“异常场景”，不如学习“正常场景”。
“大模型”思维是“不正常即异常”，不正常就触发告警，即提示人工介入判断。当然，在人工判断过程中，有些异常可以被忽略，也可能被判定为正常。但这无所谓，此时的“大模型”就又学到一招，此后类似场景将不再触发告警。
举例说明
智能矿山主运输皮带检测是典型的应用场景，其中涉及皮带跑偏、异物识别、煤量堆积、皮带撕裂等诸多“微场景”应用。以传统“小模型”的AI开发模式，受不同企业皮带输出角度、皮带材质、皮带宽窄规格，以及巷道中的亮度、湿度等因素限制，AI模型不能复用。
“‘大模型’则解决了这一问题。在此前的应用实践中，即使将解决方案平移，检测准确率也能达到85%，如果再注入本地数据，对模型参数进行“微调”，准确率将迅速达到90%以上。”蒋旺成说。
众筹“大模型”
但这也只是第一步。
“矿山AI大模型”发布至今，已覆盖煤矿的采、掘、机、运、通等业务流程中的1000多个细分场景。但相比于智能矿山中存在的数以千计的应用场景，数以万计的“微场景”显然远远不够。
文章图片2
这就是“众筹模式”的由来。
“‘大模型’是人类将领域知识、行业经验凝聚沉淀的公共平台。”国家信息中心信息化和产业发展部主任单志广，就特别强调“大模型”是公共平台，需要“产、学、研、用”等不同角色的生态伙伴共同参与。
“人工智能已经成为智能矿山的刚需，‘大模型’既降低了AI的门槛，也聚合生态合作。”重庆梅安森是华为煤矿军团的重要合作伙伴，这家公司专注于煤矿安全生产监测监控与预警、矿山综合智能管控等领域，公司副总裁金小汉也非常看好“大模型”的“众筹模式”。
“‘众筹模式’的核心是算法众筹、场景众筹。”金小汉说：“而且更紧密的生态合作，将围绕‘大模型’形成。”
确实如此。
如重庆梅安森这样的企业，确实有很多自己的事情要做，也确实需要高校、科研架构、以及合作伙伴，分担其在算法研发上的压力。而“大模型”采用“算法预制、预学习、预训练、下游微调”的工业化AI开发模式，合作伙伴正可以此降低AI开发成本，降低AI人才门槛、缩短模型开发周期。
打通“业务闭环”
不仅如此。
本文作者可以追加内容哦 !
