6、ChatGPT的横空出世，对学术界和产业界有什么冲击？
首先，对学术界冲击很大。现在有一个“有失偏颇”的观点是产业界的研究院干过了学界的研究院。
其实，二者定位不一样，一个是以探索和教育为主，可以接受探索成功或是失败；另一个是做工程化产业化的研究和应用推广，但是研究的种子大多起源于学界的探索。贝尔实验室、微软研究院、IBM研究院等等产业研究院在计算机发展的进程中确实起到了很大的推进作用，但同样不能否定学界过去多年的努力。
另一方面，对NLP自然语言处理的研究也将产生一些改变。过去大家都是“散装”研发，做分词、语义理解、语音识别等等，每个细分的研究分支都各有突破。比如之前IBM在语音识别领域提出隐马尔可夫模型，是很有意义的创新。
而这次Transformer集大成之后，一定程度上会改变学界对NLP这一领域的研究重心，在基础理论之外，超聚合能力的大模型会引发更多的关注。产业界和学术界在研究领域的社会分工，也会产生一定的变化，但需要多年以后才能体现出来。
7、人工智能在工业领域的既有应用效果如何？ChatGPT会否有一席之地？
比如计算机视觉用在表面质量检测、安全作业识别，机器人在某种程度上也有一部分AI技术，还有故障诊断、异常诊断、异常预警、专家知识挖掘，以及调度优化等等，都已经有比较成熟的应用。
强化学习在仿真相对靠谱（与现实逼近）的场景下应用效果都很不错。而故障诊断代表工业场景走在时尚前沿，每次出了什么新算法，马上就有人应用于故障诊断，相关论文会很快刊出。
人工智能三要素，要看当前工业场景下，到底瓶颈在算力、算法还是数据。目前大部分困难都不在算力。算力用得巧妙，也能解决一些实际问题，例如，用机器学习或者深度学习的模型，去把工业中一些复杂高保真的模型复制下来，然后（算力）大力出奇迹，有些问题就可以用蒙特卡洛法模拟之后，给出一些优化路径。
以ChatGPT为代表的AIGC技术在特定的工业领域经过训练打磨后，可能会成为某种领域顾问，但其背后肯定有专业的知识图谱和强机理的领域模型做支撑。先把问题定位好，再以AIGC的人机对话方式去回复。例如油井出问题，可以怀疑地层、设备、油、天气、措施等等，专家做诊断也需要方方面面的数据做对比，很难有固定的判断范式。通过机理模型、专家知识和数据的关联整合，就可以有比较好的框架和判断方向，再用AIGC局部发挥。基于文本的报告、案例、工单等等，结合特定行业、特定设备做的垂直领域的AIGC应用，在数量级上和ChatGPT有显著的差异，但是实用性会更好。针对某一具象业务问题，结合与设备/场景关联的上下文，用先验知识、时序数据、图像数据等去补齐文本数据缺失的信息，会辅助我们更精准地找到背后的根因和解决方案，而不仅仅停留在“正确的废话”。毕竟工业领域中的高质量对话，不仅仅停留在“可共情、可生成”，而是更强调可解决问题的能力。
