作者：Sophia

物聯(lián)網(wǎng)智庫(kù) 原創(chuàng)

導(dǎo)讀

在接受智次方研究院調(diào)研的30余家工業(yè)互聯(lián)網(wǎng)企業(yè)中，超過70%是生成式AI技術(shù)的“觀望者”，在他們看來，該類技術(shù)在工業(yè)領(lǐng)域的應(yīng)用落地還很遙遠(yuǎn)，甚至可能是個(gè)“偽命題”。當(dāng)然，也有接近30%是生成式AI技術(shù)的堅(jiān)定“支持者”，他們認(rèn)為雖然生成式AI在工業(yè)制造領(lǐng)域的應(yīng)用還不成熟，但其改變傳統(tǒng)生產(chǎn)方式、推動(dòng)制造業(yè)未來數(shù)字化轉(zhuǎn)型的趨勢(shì)已經(jīng)勢(shì)不可擋。

“最近GPT和大模型這么火？您怎么看待生成式AI在工業(yè)領(lǐng)域的落地和應(yīng)用？”“說實(shí)話，我覺得在工業(yè)領(lǐng)域談大模型純屬扯淡。”“我們之前采訪XXX公司CEO的時(shí)候，他非常看好生成式AI對(duì)工業(yè)領(lǐng)域帶來的顛覆。”“呵呵......”

這是一段我們近日在調(diào)研工業(yè)互聯(lián)網(wǎng)企業(yè)時(shí)真實(shí)發(fā)生的對(duì)話。

從2022年11月Open AI推出ChatGPT開始，如今不過半年的光景。在短短近6個(gè)月的時(shí)間內(nèi)，人工智能的進(jìn)化幾乎在以“天”為單位瘋狂迭代，生成式AI對(duì)許多行業(yè)帶來的顛覆足以用“摧枯拉朽”來形容。游戲、傳媒、電商、影視、教育、金融等領(lǐng)域的從業(yè)者已經(jīng)直面感受到了被AI“搶飯碗”的壓力，但與之相比，承擔(dān)著國(guó)民經(jīng)濟(jì)支柱重?fù)?dān)的工業(yè)/制造業(yè)對(duì)生成式AI的態(tài)度卻顯得有些“謹(jǐn)慎”和冷淡。

在接受智次方研究院調(diào)研的30余家工業(yè)互聯(lián)網(wǎng)企業(yè)中，超過70%是生成式AI技術(shù)的“觀望者”，在他們看來，該類技術(shù)在工業(yè)領(lǐng)域的應(yīng)用落地還很遙遠(yuǎn)，甚至可能是個(gè)“偽命題”。當(dāng)然，也有接近30%是生成式AI技術(shù)的堅(jiān)定“支持者”，他們認(rèn)為雖然生成式AI在工業(yè)制造領(lǐng)域的應(yīng)用還不成熟，但其改變傳統(tǒng)生產(chǎn)方式、推動(dòng)制造業(yè)未來數(shù)字化轉(zhuǎn)型的趨勢(shì)已經(jīng)勢(shì)不可擋。

觀望者：為什么在工業(yè)領(lǐng)域談大模型是偽命題？

先來看看“觀望者”們?yōu)楹尾豢春蒙�成式AI。

首先，“觀望者”認(rèn)為當(dāng)前大多數(shù)生成式AI模型主要關(guān)注文本和圖像，只有非常少量的模型關(guān)注將傳感器數(shù)據(jù)作為輸入。同時(shí)，工業(yè)場(chǎng)景中的很多數(shù)據(jù)是不可讀取的，或者即使讀取了也需要一個(gè)翻譯和解讀的過程才能理解。

這個(gè)觀點(diǎn)不無道理，不過在筆者看來，這并不是主要原因。此前就有多位計(jì)算機(jī)科學(xué)家曾預(yù)測(cè)，到2026年ChatGPT等大型語(yǔ)言模型的訓(xùn)練將耗盡互聯(lián)網(wǎng)上的可用文本數(shù)據(jù)，屆時(shí)當(dāng)沒有新的互聯(lián)網(wǎng)訓(xùn)練數(shù)據(jù)可供使用時(shí)，由傳感器、機(jī)器設(shè)備等生成的物聯(lián)網(wǎng)數(shù)據(jù)自然會(huì)成為“香餑餑”。

同時(shí)，相對(duì)于互聯(lián)網(wǎng)，物聯(lián)網(wǎng)數(shù)據(jù)是物理實(shí)體產(chǎn)生的數(shù)據(jù)，具有鮮明的客觀性，且大部分場(chǎng)景主要目的是用于生產(chǎn)經(jīng)營(yíng)，因此實(shí)用性也更高。在這些特殊數(shù)據(jù)的“投喂”下，生成式AI模型或許能夠更深入地學(xué)習(xí)各行業(yè)具體場(chǎng)景知識(shí)，輸出更精準(zhǔn)的信息，為行業(yè)經(jīng)營(yíng)者和物聯(lián)網(wǎng)用戶參考，例如大幅提高預(yù)測(cè)性維護(hù)、供應(yīng)鏈協(xié)同的效率。

更重要的是，在數(shù)據(jù)之外，工業(yè)領(lǐng)域?qū)Π踩�、穩(wěn)定、可靠等指標(biāo)極其嚴(yán)苛的追求，才是生成式AI不能滿足的地方。

今年2月，計(jì)算機(jī)科學(xué)家 Stephen Wolfram 在推特發(fā)表了一篇萬字長(zhǎng)文解釋 ChatGPT 的工作原理。簡(jiǎn)單來說，ChatGPT 的核心任務(wù)始終是對(duì)已有的文本生成一個(gè)“合理的延續(xù)”，“合理”的意思是指根據(jù)人類在數(shù)十億個(gè)網(wǎng)頁(yè)中撰寫內(nèi)容的規(guī)律，來推測(cè)接下來可能出現(xiàn)的內(nèi)容。

例如，我們隨機(jī)輸入了一句文本，ChatGPT 就會(huì)在數(shù)十億頁(yè)的人類文本中查找類似文本，然后統(tǒng)計(jì)下一個(gè)單詞出現(xiàn)的概率。需要注意的是，ChatGPT 并不是直接對(duì)比文字本身，而是以某種意義上的“意思匹配”為依據(jù)。最終，ChatGPT 會(huì)生成一個(gè)可能的單詞列表，并給出每個(gè)單詞的概率排名。也就是說，當(dāng) ChatGPT 完成像寫文章這樣的任務(wù)時(shí)，它實(shí)際上只是一遍又一遍地詢問：“在已有文本的基礎(chǔ)上，下一個(gè)詞應(yīng)該是什么？”并且每次都會(huì)添加一個(gè)詞（更準(zhǔn)確地說，它添加一個(gè)“token”，這可能只是單詞的一部分，這就是為什么它有時(shí)會(huì)“創(chuàng)造新詞”的原因）。

換言之，生成式AI的技術(shù)原理往往是尋找一種“最有可能”的答案，所以我們?cè)趯?shí)際使用過程中經(jīng)常會(huì)遇到一些ChatGPT胡編亂造的“驚喜”，但是工業(yè)界不需要“驚喜”，工業(yè)生產(chǎn)最害怕“意外”，因?yàn)橐粋�(gè)小小的故障和停機(jī)就可能帶來成百上千萬的巨額損失。

上海優(yōu)也信息技術(shù)有限公司首席科學(xué)家郭朝暉博士曾在和智次方創(chuàng)始人彭昭的一次對(duì)話中表示：“工業(yè)這個(gè)領(lǐng)域講究的是確定性的東西，安全穩(wěn)定可靠。為什么要求六西格瑪？因?yàn)樗�關(guān)注的是確定性的東西和物理世界的規(guī)律。而人工智能——無論是寫詩(shī)還是理解語(yǔ)言等等，都是研究人類自身。針對(duì)人類，人工智能研究的是一種隨機(jī)性。而工業(yè)過程很多時(shí)候是針對(duì)一種確定性的，即針對(duì)某種對(duì)象。從這個(gè)角度來看，GPT-4對(duì)工業(yè)的理解可能還是不會(huì)太深，但是對(duì)于研發(fā)和服務(wù)，尤其是研發(fā)出能夠滿足用戶需求的產(chǎn)品，它可能會(huì)發(fā)揮比較大的作用。對(duì)于生產(chǎn)制造過程，它的作用可能會(huì)相對(duì)較弱。”

更進(jìn)一步，工業(yè)制造細(xì)分領(lǐng)域眾多，各領(lǐng)域在生產(chǎn)流程、工藝、生產(chǎn)線配置、原材料及產(chǎn)品類型上均具有較大差異，強(qiáng)調(diào)的是細(xì)分行業(yè)的機(jī)理融合和行業(yè)知識(shí)，沒有海量數(shù)據(jù)標(biāo)簽，因此工業(yè)領(lǐng)域基本上不可能形成類似GPT這樣的通用大模型。

對(duì)此，天澤智云聯(lián)合創(chuàng)始人李杰（Jay Lee）教授認(rèn)為：“工業(yè)智能如果通用化，不應(yīng)單純是一個(gè)語(yǔ)言的生成式模型，它應(yīng)該是一個(gè)操作的精密模型。操作的生成式預(yù)訓(xùn)練模型（OperationGPPT）應(yīng)該有三個(gè)特色：第一個(gè)是它的目的性，要產(chǎn)能最大，維護(hù)成本最低，這是優(yōu)化的目標(biāo)函數(shù)（objective function）；第二個(gè)，它有它的邏輯性：什么時(shí)候該做什么，隨工況（regime）變化而變化，它一定有是由某種操作邏輯決定的；第三個(gè)，很重要的，它有因果性，好跟壞、大跟小、高跟低，它一定有因果關(guān)系。”

AGI生成式預(yù)訓(xùn)練模型ChatGPT與IAI操作優(yōu)化的精密模型OperationGPPT特性對(duì)比

ChatGPT

OperationGPPT

發(fā)散的

收斂的

提供可能性

聚焦使用性

通用

精密

支持者：生成式AI將深入制造企業(yè)的流程優(yōu)化

當(dāng)然，“支持者”們也有自己看好生成式AI的理由。

一位受訪者告訴智次方·物聯(lián)網(wǎng)智庫(kù)：“過去，工業(yè)AI通常著重于故障檢測(cè)、預(yù)測(cè)性維護(hù)等用例，但2023年的一個(gè)新趨勢(shì)是生成式AI將深入制造企業(yè)的流程優(yōu)化。”

第一，在產(chǎn)品開發(fā)階段，生成式AI能夠壓縮設(shè)計(jì)和迭代的過程，從而帶來顯著的效率提升。

初創(chuàng)公司Divergent 3D使用生成式AI為英國(guó)的豪華跑車制造商阿斯頓·馬丁設(shè)計(jì)的概念車打造后車架，從設(shè)計(jì)的提出、對(duì)比分析，到評(píng)估其可制造性，在短短一個(gè)小時(shí)之內(nèi)就可進(jìn)行30~40次迭代。

無獨(dú)有偶，Monolith AI公司在2023年工博會(huì)上帶來其機(jī)械工程仿真解決方案，基于該方案，創(chuàng)建者依靠實(shí)時(shí)數(shù)據(jù)每次進(jìn)行仿真都會(huì)開發(fā)一個(gè)模型，省去許多測(cè)試程序，該公司的目標(biāo)是到2026年將100000名工程師的產(chǎn)品開發(fā)時(shí)間縮短50％。

第二，除了研發(fā)，數(shù)據(jù)追蹤和分析的流程或許也將被重塑。對(duì)制造業(yè)管理者而言，實(shí)時(shí)了解生產(chǎn)進(jìn)度是重中之重。在一些比較傳統(tǒng)的中小制造企業(yè)車間里，生產(chǎn)流程的記錄往往依靠紙質(zhì)單據(jù)或者Excel表格，生產(chǎn)信息整體傳遞滯后。為了解決這類問題，不少企業(yè)開始部署數(shù)字化系統(tǒng)，但卻存在周期長(zhǎng)、成本高等痛點(diǎn)。而生成式AI可以使用自然語(yǔ)言處理和機(jī)器學(xué)習(xí)技術(shù)從工業(yè)現(xiàn)場(chǎng)的儀表板上，甚至紙質(zhì)數(shù)據(jù)和表格中讀取數(shù)據(jù)（GPT-4已經(jīng)具備了識(shí)圖能力），并快速提取有用的特征和信息。

國(guó)外的一位博主進(jìn)行了這樣的嘗試，他為ChatGPT提供了Zerynth 儀表板的鏈接，生成式AI立即就讀取了儀表板中的數(shù)據(jù)和圖表，實(shí)時(shí)提供了正在發(fā)生的事情的概覽。雖然分析結(jié)果很膚淺，但這的確有助于初步分析和了解工廠的運(yùn)行情況，包括哪些機(jī)器運(yùn)行情況良好，哪些指標(biāo)值得關(guān)注等。

第三，人們與機(jī)器溝通的方式會(huì)發(fā)生深刻的變化。過去運(yùn)營(yíng)人員一般通過各種軟件與機(jī)器溝通，現(xiàn)在則可以直接通過自然語(yǔ)言與機(jī)器交流。有了ChatGPT，不用學(xué)習(xí)編程，人們就有能力調(diào)動(dòng)各種機(jī)器，達(dá)成某種結(jié)果。再往遠(yuǎn)處看，生成式AI和大模型讓人們看到了利用虛實(shí)結(jié)合的方式控制物理世界的可能性。用數(shù)字虛擬的方式訓(xùn)練生產(chǎn)機(jī)器，最終實(shí)現(xiàn)全自動(dòng)化的制造業(yè)，讓機(jī)器制造機(jī)器，工廠成為產(chǎn)品。

實(shí)際中已經(jīng)開始出現(xiàn)一些初步的用例，比如——阿里工程師通過釘釘對(duì)話框向機(jī)器人發(fā)出指令后，通義千問大模型在后臺(tái)自動(dòng)編寫了一組代碼發(fā)給機(jī)器人，機(jī)器人開始識(shí)別周邊環(huán)境，從附近的桌上找到一瓶水，并自動(dòng)完成移動(dòng)、抓取、配送等一系列動(dòng)作，遞送給工程師。這一演示表明，AI大模型已經(jīng)突破了機(jī)器人的局限，讓人類可以通過自然語(yǔ)言指揮機(jī)器完成負(fù)責(zé)任務(wù)，讓機(jī)器人真正擁有了“大腦”。如果相關(guān)成果能在工廠得到復(fù)現(xiàn)，將會(huì)具備廣闊的想象空間。

寫在最后

上文所述的爭(zhēng)論正反映了生成式AI作為新生事物在成長(zhǎng)過程中必然要面臨的考驗(yàn)。至于“是騾子是馬”，還需要技術(shù)的成熟和時(shí)間的考驗(yàn)。

       原文標(biāo)題 : 在工業(yè)領(lǐng)域談GPT和大模型究竟是不是“扯淡”？