新型工业化强调信息技术在工业化中的广泛应用，通过与信息技术的融合，提高传统产业的智能化、网络化、数字化水平。“大模型与工业软件的结合能够显著提升建设新型工业化的效率和质量，推动制造业向高端化、智能化、绿色化方向发展。”中国工程院院士桂卫华在2024工业软件创新发展大会上表示。
♦人工智能发展的三个阶段
“人工智能的发展分为三个阶段，每个阶段具有不同的特点。”桂卫华总结，第一阶段，符号逻辑推理阶段。这一阶段主要通过符号逻辑等手段，使机器具备逻辑推理能力，这一时期，人工智能的研究主要集中在如何利用符号系统进行推理和证明，让机器能够通过符号操作进行逻辑推理。
第二阶段，规则专家系统阶段。在这一阶段，人工智能的研究转向了如何让机器具备专业知识，最具代表性的就是专家系统，将专家的知识和规则编码到计算机系统中，使计算机能够模拟专家的决策过程，从而让机器具备知识处理能力。
第三阶段，神经计算阶段。当前正处于这一阶段，其特点是利用大数据的驱动，使机器具备学习能力，这一阶段的突破在于机器学习，尤其是深度学习技术的发展，使机器能够通过数据学习获取知识和技能。“
人工智能三个发展阶段的驱动力、研究与应用重点、社会关注度和参与度均不同，”桂卫华强调。
首先，驱动力不同。前两个阶段主要由学者和专家推动，而第三阶段则是由企业界和投资界驱动。“当前，企业界和投资界对于人工智能，尤其是大模型的研发和应用投入巨大，成为推动技术发展的主要力量”。
其次，研究与应用重点不同。第一阶段和第二阶段更多集中在理论研究和学术讨论上，而第三阶段则更加注重实际应用和商业价值的实现。
最后，社会关注度和参与度不同。由于企业界的积极参与和投资界的关注，使人工智能技术的发展更加迅速。“未来人工智能技术演进方向存在一定的不确定性，但学术界奠定理论基础、产学研用深度融合、开源开放产业生态，成为赋能各行各业的发展趋势”。
♦大模型在工业领域应用需解决三大问题
桂卫华表示，在工业应用领域，大模型面临三大问题，分别是知识问题、决策问题和验证问题。首先，跨领域跨场景差异大、工业知识沉淀利用难。“工业领域应用场景涉及小众语料、逻辑理解、数学求解等难点，当前信息系统大多缺少自主可控的智能模型沉淀与应用；我国工业原材料来源广，造成生产工况波动大，控制模型算法适配难”。
其次，缺少通用大模型与专用小模型协同决策机制，智能化模型构建难。“决策问题涉及大模型与专用小模型的协同决策机制，如何有效结合判别式人工智能和生成式人工智能，在设计、制造、管理和产品服务等方面实现最佳应用效果，是需要面对的关键挑战”。
最后，缺少系统高效可靠评测机制，智能化技术应用难。新技术缺少应用验证与评测环境。流程生产过程所具有的全天候不间断运行、平稳性要求高、异常状态危害大等特点，决定了大模型赋能工业应用的关键技术必须经过测试才能应用。“大模型和神经网络提供的是可能性而非确定性结论，工业应用中需建立验证环境，确保模型输出的正确性和安全性，目前，这一验证机制的缺乏限制了大模型在工业领域的应用与推广。”桂卫华表示，“解决这三个问题，对于推动大模型在工业领域的有效应用至关重要。”
桂卫华总结强调，“工业软件是工业技术和行业知识的数字化沉淀，是实现工业智能的‘决策中枢’，为大模型等智能技术落地应用提供载体。”对于“大模型+工业软件”如何赋能新型工业化，他指出，应以工业大模型为技术基石，借助工业软件作为实施载体，深度沉淀领域知识并整合通用工具，构建覆盖“知识获取、模型构建至软件开发”全周期的一体化平台；同时，紧密围绕实际应用需求，精准描绘场景特性并深入解析业务需求，通过“场景+业务”的双重驱动，推动工业应用软件的多元化与敏捷开发，以此加速新型工业化的进程。