此报道已获客户批准对外发布。欢迎分享！
点击此处阅读全文：jmp.com/KAIST 这段录像也可以在 JMP 的 YouTube 频道上找到。
韩国科学技术院 (KAIST) 副教授李钟硕 (Lee Jong-Seok) 结合真实的行业经验，阐述了人工智能为何必须尊重基本的物理原理才能在工厂车间获得信任。
重新思考人工智能在实际制造业问题中的应用
简要总结：
韩国科学技术院（KAIST）副教授李钟硕（Lee Jong-Seok）分享了人工智能在实际制造业应用中面临的挑战。尽管人工智能模型规模日益庞大，但它们往往缺乏透明度，且无法遵循基本的物理规律，因此人类的专业知识至关重要。他的研究重点在于构建既简单易懂又兼具准确性和强大功能的模型，从而连接学术界和产业界。通过融入领域知识和统计约束，他解决了诸如预测钢材涂层重量等实际制造问题，这表明，如果没有深厚的专业知识和对问题背景的深刻理解，仅靠人工智能是远远不够的。
要点总结：
- 更简单的模型带来实际影响：尽管大型人工智能模型在研究中占据主导地位，但李教授强调，更简单、更易于解释的模型在制造业中往往表现更佳。模型必须符合真实的物理原理，才能获得信任并部署到生产车间。
- 基于物理约束的人工智能提升可靠性：在钢材涂层应用中，标准神经网络的预测结果违反了基本的物理原理。通过在模型中嵌入统计约束，强制工艺变量之间存在正相关关系，研究团队确保了预测结果既准确又符合物理规律。
- 连接学术界与产业界：学术方法并非总能直接应用于工厂环境。李教授的研究工作游走于理论与实践之间，他运用先进的机器学习方法来解决实际的工业问题。
- 可解释性促成行动：制造决策需要清晰的因果关系。通过优先考虑透明度而非模型规模，工程师可以自信地调整工艺参数，而无需承担意外后果的风险。
- 统计基础依然重要：仅靠先进的人工智能是不够的。深入的统计学和优化知识对于设计稳健、可解释且安全的模型以应用于实际场景至关重要。
韩国科学技术院（KAIST）李副教授语录
“目前的AI透明度还不够高。人们只是把AI应用到自己的问题上，却不知道它是否真的能改善流程。”
“由于数据获取渠道有限，将人工智能应用于实际问题会面临一些挑战。人工智能只能从公开数据中学习，因此它对特定领域了解不够深入。”
“例如，在制造业等基础领域，人类专家可以做得更好。”
“我把自己定位为学术界和产业界之间的桥梁，因为研究论文中的方法论通常不能直接应用于实际问题。”
“目前研究的一个大趋势是尽可能地构建庞大的模型，但这也使得模型越来越难以理解。我和我的学生们则努力让模型尽可能地简单。”
“要在制造业应用人工智能，我们应该能够解读这些模型。最简单的方法就是让模型简单易懂，但同时又能保证其准确性和强大功能。”
