郭亮谈AI进产业:SI4E需构建工程体系

   时间:2026-11-19 17:01 来源:天脉网作者:砚时

东岚创智CEO郭亮在谈到人工智能与产业结合时提出,SI4E即面向工程的超级智能,核心不在单点工具替代,而在让服务产业目标的科研活动具备分工、复现和持续迭代的工程属性。

他给出的运行框架是双轮驱动。科学发现这一轮,AI可处理海量、高维、非结构化科学数据,从观测、模拟和文献中寻找规律,对复杂系统进行推断与搜索;工程收敛这一轮,AI把分散经验和多源方案标准化,自动搜索参数、迭代方案并建立统一基线,将不同来源与尺度的结果整合为可执行、可验证的工程链路。

郭亮认为,科研与产业之间存在价值链条错位。科研评价偏重论文和指标,产业需要稳定、可复用、可持续迭代的解决方案,双方节奏与目标不完全一致。同时,工程能力并非做出样品即可,还包含体系化、可复现、可质控和规模化落地。缺少这些能力,科学结果很难变成稳定产品。

要让双轮运转,前提是把科学机理和工程约束嵌入AI,不能只把模型当成写代码、跑模型的工具。科研范式也在从实验、计算仿真走向人机结合的智能科学,重点是用工具放大人的判断,把试错成本从物理实验转移到数字空间。

在新材料等场景中,SI4E更适合承担搜索、仿真、预测、验证的闭环:先在数字空间大规模筛选,再用有限真实实验验证,从而压缩试错周期。该闭环依赖高质量机理数据和标准化实验体系,否则难以稳定运行。

落地层面,郭亮强调三件事:建设标准化实验与数据底座,统一规范、留存原始观测、标定误差并建立可溯源数据集;搭建数字预筛、有限实证、数据回流的流水线;改革治理与人才机制,容忍阶段性失败,区分基础探索、工程攻关和商业化任务,培养兼具机理理解、工程质控和智能工具驾驭能力的复合人才。

他还提到,企业会更多承担场景化、工程化和规模化创新,基础探索仍需公共科研体系、长线资本和开放数据底座;评价体系要区分基础探索、工程落地与规模化商用价值,组织方式要在保留小团队自由探索的同时,面向重大产业目标建立项目制、多角色协同和反馈闭环。

风险方面,郭亮提醒,SI4E最需要防范的是把错误标准化。底层一旦有偏差,闭环运行越快,偏差放大越明显。因此,不确定性量化、可审计、可复现、数据溯源和实验安全应当成为底线。

 
 
更多>同类天脉资讯
全站最新
热门内容
媒体信息
新传播周刊
新传播,传播新经济之声!
网站首页  |  关于我们  |  联系方式  |  版权隐私  |  RSS订阅  |  违规举报 鲁公网安备37010202700497号