浅谈工业领域谈GPT和大模型

2023-09-13 14:16:17   2  举报





浅谈工业领域谈GPT和大模型

人工智能

云计算

大数据

产品规划

模板推荐

作者其他创作

大纲/内容

AI技术论点

论点1：调研的30余家工业互联网企业中，超过70%是生成式AI技术的“观望者”，在他们看来，该类技术在工业领域的应用落地还很遥远，甚至可能是个“伪命题”

论点2：接近30%是生成式AI技术的坚定“支持者”，他们认为虽然生成式AI在工业制造领域的应用还不成熟，但其改变传统生产方式、推动制造业未来数字化转型的趋势已经势不可挡。

AI发展现状及使用领域

从2022年11月Open AI推出ChatGPT开始，如今不过半年的光景。在短短近6个月的时间内，人工智能的进化几乎在以“天”为单位疯狂迭代，生成式AI对许多行业带来的颠覆足以用“摧枯拉朽”来形容。游戏、传媒、电商、影视、教育、金融等领域的从业者已经直面感受到了被AI“抢饭碗”的压力，但与之相比，承担着国民经济支柱重担的工业/制造业对生成式AI的态度却显得有些“谨慎”和冷淡。

观望着

1：为什么在工业领域谈大模型是伪命题

2：首先，“观望者”认为当前大多数生成式AI模型主要关注文本和图像，只有非常少量的模型关注将传感器数据作为输入。同时，工业场景中的很多数据是不可读取的，或者即使读取了也需要一个翻译和解读的过程才能理解

1：此前就有多位计算机科学家曾预测，到2026年ChatGPT等大型语言模型的训练将耗尽互联网上的可用文本数据，届时当没有新的互联网训练数据可供使用时，由传感器、机器设备等生成的物联网数据自然会成为“香饽饽”。

2：同时，相对于互联网，物联网数据是物理实体产生的数据，具有鲜明的客观性，且大部分场景主要目的是用于生产经营，因此实用性也更高。在这些特殊数据的“投喂”下，生成式AI模型或许能够更深入地学习各行业具体场景知识，输出更精准的信息，为行业经营者和物联网用户参考，例如大幅提高预测性维护、供应链协同的效率。

3：更重要的是，在数据之外，工业领域对安全、稳定、可靠等指标极其严苛的追求，才是生成式AI不能满足的地方。

4：换言之，生成式AI的技术原理往往是寻找一种“最有可能”的答案，所以我们在实际使用过程中经常会遇到一些ChatGPT胡编乱造的“惊喜”，但是工业界不需要“惊喜”，工业生产最害怕“意外”，因为一个小小的故障和停机就可能带来成百上千万的巨额损失。

5：工业制造细分领域众多，各领域在生产流程、工艺、生产线配置、原材料及产品类型上均具有较大差异，强调的是细分行业的机理融合和行业知识，没有海量数据标签，因此工业领域基本上不可能形成类似GPT这样的通用大模型

支持者

过去，工业AI通常着重于故障检测、预测性维护等用例，但2023年的一个新趋势是生成式AI将深入制造企业的流程优化

第一，在产品开发阶段，生成式AI能够压缩设计和迭代的过程，从而带来显著的效率提升

第二，除了研发，数据追踪和分析的流程或许也将被重塑。

对制造业管理者而言，实时了解生产进度是重中之重。在一些比较传统的中小制造企业车间里，生产流程的记录往往依靠纸质单据或者Excel表格，生产信息整体传递滞后。

为了解决这类问题，不少企业开始部署数字化系统，但却存在周期长、成本高等痛点。而生成式AI可以使用自然语言处理和机器学习技术从工业现场的仪表板上，甚至纸质数据和表格中读取数据（GPT-4已经具备了识图能力），并快速提取有用的特征和信息。

第三，人们与机器沟通的方式会发生深刻的变化。过去运营人员一般通过各种软件与机器沟通，现在则可以直接通过自然语言与机器交流

有了ChatGPT，不用学习编程，人们就有能力调动各种机器，达成某种结果。

再往远处看，生成式AI和大模型让人们看到了利用虚实结合的方式控制物理世界的可能性。用数字虚拟的方式训练生产机器，最终实现全自动化的制造业，让机器制造机器，工厂成为产品。