以ChatGPT、Llama等为代表的大模型技术打开了通用人工智能的大门。 人工智能已成为全球经济增长的重要驱动力，为各行业智能化带来新空间。 普华永道预测，到2030年，人工智能可为全球经济贡献高达15.7万亿美元，超过中国和印度目前产出的总和。 其中，6.6万亿美元可能来自生产力提升，9.1万亿美元可能来自消费端影响。 对于制造业来说，人工智能一直是智能制造、工业4.0、工业互联网等领域的重要组成部分。 在ChatGPT、Stable Diffusion等兴起之前，质量检测、设备预测维护等代表性人工智能应用已经深度融入制造业。 ，并形成成熟的应用范式。
工业人工智能应用范式已经形成。 首先，需要深度学习、强化学习等数据科学算法，计算机视觉、自然语言处理、语音识别等面向领域的算法，以及知识图谱、专家系统等知识工程。 例如，通过计算机视觉构建产品外观检测模型、基于强化学习构建生产调度规划模型、借助知识图谱构建设备运维服务等。 其次，需要通用支撑技术来保障人工智能应用在制造业的部署和推理。 例如，边缘计算、高性能计算等技术保证现场推理速度，时序数据库、大数据平台等保证数据的有效管理和访问。 第三，人工智能应用要适应工业场景，需要工业领域的知识和经验。 比如需要专家经验介入模型训练，实现调优和优化。 在某些场景下，需要机制模型和人工智能模型的结合。 要发挥其作用，模型在生产现场的部署和实施还需要与自动化设备、工业软件等集成。
图1 工业人工智能实现范式
大模型的兴起并没有使人工智能在制造业的应用范式发生根本性的变化，但增加了不同环节的特定需求。 比如，在算法层面，基于Transformer、U-Net等架构的基础模型成为生成式人工智能进入制造领域的基础； 在通用支撑技术领域，矢量数据库、MaaS等也成为重要的数字基础设施； 在工业知识和经验领域，生成式AI不同于以往对时间序列等结构化数据的需求。 对高质量文本、图像、文档等数据的要求不断提高。 虽然大模型仍是在原有范式下应用，但大模型技术将不断拓展人工智能在工业领域的应用空间。 据埃森哲预计，2035年AI可为制造业增加近4万亿美元的附加值。据Marketresearch预测，到2032年全球生成式人工智能制造业市场规模将达到63.98亿美元。
图2 制造领域生成型人工智能市场规模
大型生成式人工智能模型的短期趋势：扩展到新场景并不会取代小型模型
图3 大型生成式人工智能模型在制造中的应用
生成式AI大模型能力涵盖结构化数据、文本、图像、音视频等生成领域。 然而，制造领域的探索仍然集中在结构化数据、自然语言和图像数据的处理和生成上。 造成这种情况的主要原因是没有在音视频领域具备较强能力的基础机型。 因此，目前还没有基于声纹分析的设备诊断、基于视频分析的安全生产等小模型领域相关的工业案例。 生成式AI探索还涵盖了制造的整个生命周期，包括研发设计和规划、生产过程控制、运营管理优化和产品服务优化。
在研发设计和规划阶段，一方面利用自然语言的交互能力来扩展CAD软件的功能。 例如，Back2CAD基于Elaine CAD Bot、ChatGPT和Amazon AWS的支持推出了CADGPT™，支持智能推荐、文档生成和代码生产。 以及其他各种功能。 另一方面，生成图像数据的能力提高了设计效率。 例如，海尔设计利用亚马逊云技术与合作伙伴Nolibox共同打造的AIGC解决方案，将AIGC图像生成能力引入到产品设计、UI设计、CMF设计、品牌设计中。 等环节，涵盖新品设计、车型变革升级、渠道定制等工业设计业务场景。
在制造过程中，知识问答、代码生成等能力成为重要探索热点。 例如，西门子和微软也在合作开发可编程逻辑控制器（PLC）的代码生成工具，ChatGPT用于通过自然语言输入生成PLC代码。 Authentise 利用 12,000 篇科学增材制造论文来微调通用大语言模型，推出了用于增材制造技术问答的 3DGPT。 用户可以获得专业问题的答案，例如“如何减少使用粉末不锈钢时出现缺陷的可能性？” 例如，创新启智推出AInno-15B工业大模型，通过大模型服务引擎支持生成式AI应用，实现工业机器人控制、企业私域数据分析、企业私域知识库等应用。 SprutCAM基于大语言模型，构建了多个行业和领域的生成式AI服务，并为某大型制造企业提供基于生成式AI的设备运维服务。 借助 C3 Generative AI，操作员可以使用简化的工作流程来诊断设备故障的根本原因。 当操作人员发现生产问题时，他们可以直接进入C3 Generative AI搜索故障排除指南和教科书以找出潜在原因。
图4 C3IOT生成式AI服务架构图
在运营管理环节，基于大语言模型的智能问答、数据分析等新能力已成为主流。 比如在ERP领域，用友基于ChatGPT、文心医研、Llama等大型模型打造了yongpt。 在大模型的基础设施中，确定性的事情返回到用友BIP原有的产品功能，不满意的功能返回到用友。 将确定的事项、推断的事项以及人脑思维意识确定的事项交给大模型进行开发，可以支持企业业务洞察、智能订单生成、供应商风险控制、动态库存优化等应用。 在CRM领域，Salesforce、微软等都加强了生成式AI在其产品中的集成和应用。
图5. 用友永铂架构
在产品服务优化过程中，将大车型的能力融入到产品中，成为消费电子、汽车等领域提升产品智能化能力的探索重点。 例如，国光电器推出的智能音箱Vifa ChatMini就内置了ChatGPT和文心艺言双模式。 在保持专业声学标准的基础上，与传统智能音箱相比，Vifa ChatMini在自然语言生成和情感表达方面具有显着优势。 优点：可适用于老人、儿童等特定用户群体进行情感支持和智能学习陪伴。 也可以作为日常工作和规划的智能助手。
综上所述，目前大型生成式AI模型在制造业的探索路径初步呈现为三种路径：
首先是通过直接集成基础大模型的问答、代码生成等通用能力来提高效率。 例如海尔、西门子等生成CAD和PLC代码； Salesforce、微软、ABB、用友等将大模型集成到CRM、ERP、生产管理等软件中，提高专业软件的数据分析、文档管理、知识问答等辅助能力。
二是聚焦领域，通过知识库的微调和插件，实现场景创新，增加新功能。 例如，Authentise 通过利用 12,000 篇科学增材制造论文对通用大语言模型进行微调，推出了用于增材制造技术问答的 3DGPT。
三是从预训练开始构建大产业模型。 例如，创新的奇智工业模型AInno-15B从Llama 2、Falcon、Bloom等开源大型模型中提炼了部分知识，然后与自己设计的参数结构和积累的工业知识数据相结合进行训练。 经过Pretrain、SFT和RLHF三个训练步骤，模型具备了更好地理解行业、支持问答交互、提供更标准答案的能力。
生成式AI大模型仍需克服制造领域三大挑战
人工智能在工业领域的应用还有非常广阔的空间。 据凯捷统计，只有欧洲顶级制造企业的人工智能应用渗透率超过30%，日本制造企业的人工智能应用率为30%，美国制造企业的人工智能应用率为28%。 ; 中国制造企业渗透率已达11%。 本次调查显示，人工智能在工业领域的渗透率仍有较高空间。 然而，大型生成式AI模型的应用仍然面临一些挑战：
图6 人工智能在制造业渗透率对比
首先，目前还没有一个投入产出比非常清晰的场景。 在ChatGPT爆发之前，虽然人工智能已经在制造业的多个场景中进行了探索，但更认可的领域仍然集中在质量检测和设备预测维护方面。 这两种场景被认可的核心原因是项目实施后的效果。 这是更明显的。 例如，产品表面缺陷检测可以通过节省人力成本计算出明确的投资回报率，设备预测维护可以根据发现设备故障的时间节点来衡量效果。 然而，在生成式AI的应用中，类似上述两种方法尚未出现。 经济效果明显的场景，且大部分场景的探索处于试点和探索阶段。
二是缺乏面向领域的基础模型。 目前工业领域大模型的做法大多是从微调开始，没有经过预训练阶段。 预训练是真正的知识灌输阶段，让模型真正学习领域数据知识并适应领域。 从微调入手或者直接集成大模型，只是激发了原有大模型的能力，并没有达到对领域知识的理解和推理。 但目前基础车型的发展仍处于通用大型车型竞争的激烈阶段，面向行业的基础车型关注较少。 目前，只有少数公司从预训练阶段开始构建制造领域的生成式大模型应用。
第三，制造场景高度分散。 碎片化的场景也给大型模型带来了挑战，大型模型需要高数据和计算能力。 工业数字化领域经常流传着一个逻辑，“工业数字化是万亿级市场，但却是万亿级市场的组合”。 对于细分领域，很难有足够的可用数据从预训练开始，在训练阶段开始就训练大模型，一般的大模型无法适应专注于细分领域的场景需求。 这种天然的矛盾会阻碍大型模型的发展。
注：斯坦福大学使用的基本模型一般是指通过自监督学习在超大规模数据上训练的模型，并且可以适应（例如微调）各种下游任务。 这些模型包括但不限于ChatGPT、Llama等。随着我国行业的发展，大模型通常指的是ChatGPT、Llama等生成模型。 在本文的撰写过程中，针对语言、图像、多模态等各类生成式AI，遵循了目前我国业界形成的共识。
海量信息、精准解读，尽在新浪财经APP
搜虎网转载此文目的在于传递更多信息，不代表本网的观点和立场。文章内容仅供参考，不构成投资建议。投资者据此操作，风险自担。
Copyright © 2017-2018