作者：Sophia
物聯網智庫 原創
導讀
在接受智次方研究院調研的30余家工業互聯網企業中，超過70%是生成式AI技術的“觀望者”，在他們看來，該類技術在工業領域的應用落地還很遙遠，甚至可能是個“僞命題”。當然，也有接近30%是生成式AI技術的堅定“支持者”，他們認爲雖然生成式AI在工業制造領域的應用還不成熟，但其改變傳統生產方式、推動制造業未來數字化轉型的趨勢已經勢不可擋。
“最近GPT和大模型這么火？您怎么看待生成式AI在工業領域的落地和應用？”“說實話，我覺得在工業領域談大模型純屬扯淡。”“我們之前採訪XXX公司CEO的時候，他非常看好生成式AI對工業領域帶來的顛覆。”“呵呵......”
這是一段我們近日在調研工業互聯網企業時真實發生的對話。
從2022年11月Open AI推出ChatGPT开始，如今不過半年的光景。在短短近6個月的時間內，人工智能的進化幾乎在以“天”爲單位瘋狂迭代，生成式AI對許多行業帶來的顛覆足以用“摧枯拉朽”來形容。遊戲、傳媒、電商、影視、教育、金融等領域的從業者已經直面感受到了被AI“搶飯碗”的壓力，但與之相比，承擔着國民經濟支柱重擔的工業/制造業對生成式AI的態度卻顯得有些“謹慎”和冷淡。
在接受智次方研究院調研的30余家工業互聯網企業中，超過70%是生成式AI技術的“觀望者”，在他們看來，該類技術在工業領域的應用落地還很遙遠，甚至可能是個“僞命題”。當然，也有接近30%是生成式AI技術的堅定“支持者”，他們認爲雖然生成式AI在工業制造領域的應用還不成熟，但其改變傳統生產方式、推動制造業未來數字化轉型的趨勢已經勢不可擋。
觀望者：爲什么在工業領域談大模型是僞命題？
先來看看“觀望者”們爲何不看好生成式AI。
首先，“觀望者”認爲當前大多數生成式AI模型主要關注文本和圖像，只有非常少量的模型關注將傳感器數據作爲輸入。同時，工業場景中的很多數據是不可讀取的，或者即使讀取了也需要一個翻譯和解讀的過程才能理解。
這個觀點不無道理，不過在筆者看來，這並不是主要原因。此前就有多位計算機科學家曾預測，到2026年ChatGPT等大型語言模型的訓練將耗盡互聯網上的可用文本數據，屆時當沒有新的互聯網訓練數據可供使用時，由傳感器、機器設備等生成的物聯網數據自然會成爲“香餑餑”。
同時，相對於互聯網，物聯網數據是物理實體產生的數據，具有鮮明的客觀性，且大部分場景主要目的是用於生產經營，因此實用性也更高。在這些特殊數據的“投喂”下，生成式AI模型或許能夠更深入地學習各行業具體場景知識，輸出更精准的信息，爲行業經營者和物聯網用戶參考，例如大幅提高預測性維護、供應鏈協同的效率。
更重要的是，在數據之外，工業領域對安全、穩定、可靠等指標極其嚴苛的追求，才是生成式AI不能滿足的地方。
今年2月，計算機科學家 Stephen Wolfram 在推特發表了一篇萬字長文解釋 ChatGPT 的工作原理。簡單來說，ChatGPT 的核心任務始終是對已有的文本生成一個“合理的延續”，“合理”的意思是指根據人類在數十億個網頁中撰寫內容的規律，來推測接下來可能出現的內容。
例如，我們隨機輸入了一句文本，ChatGPT 就會在數十億頁的人類文本中查找類似文本，然後統計下一個單詞出現的概率。需要注意的是，ChatGPT 並不是直接對比文字本身，而是以某種意義上的“意思匹配”爲依據。最終，ChatGPT 會生成一個可能的單詞列表，並給出每個單詞的概率排名。也就是說，當 ChatGPT 完成像寫文章這樣的任務時，它實際上只是一遍又一遍地詢問：“在已有文本的基礎上，下一個詞應該是什么？”並且每次都會添加一個詞（更准確地說，它添加一個“token”，這可能只是單詞的一部分，這就是爲什么它有時會“創造新詞”的原因）。
換言之，生成式AI的技術原理往往是尋找一種“最有可能”的答案，所以我們在實際使用過程中經常會遇到一些ChatGPT胡編亂造的“驚喜”，但是工業界不需要“驚喜”，工業生產最害怕“意外”，因爲一個小小的故障和停機就可能帶來成百上千萬的巨額損失。
上海優也信息技術有限公司首席科學家郭朝暉博士曾在和智次方創始人彭昭的一次對話中表示：“工業這個領域講究的是確定性的東西，安全穩定可靠。爲什么要求六西格瑪？因爲它關注的是確定性的東西和物理世界的規律。而人工智能——無論是寫詩還是理解語言等等，都是研究人類自身。針對人類，人工智能研究的是一種隨機性。而工業過程很多時候是針對一種確定性的，即針對某種對象。從這個角度來看，GPT-4對工業的理解可能還是不會太深，但是對於研發和服務，尤其是研發出能夠滿足用戶需求的產品，它可能會發揮比較大的作用。對於生產制造過程，它的作用可能會相對較弱。”
更進一步，工業制造細分領域衆多，各領域在生產流程、工藝、生產线配置、原材料及產品類型上均具有較大差異，強調的是細分行業的機理融合和行業知識，沒有海量數據標籤，因此工業領域基本上不可能形成類似GPT這樣的通用大模型。
對此，天澤智雲聯合創始人李傑（Jay Lee）教授認爲：“工業智能如果通用化，不應單純是一個語言的生成式模型，它應該是一個操作的精密模型。操作的生成式預訓練模型（OperationGPPT）應該有三個特色：第一個是它的目的性，要產能最大，維護成本最低，這是優化的目標函數（objective function）；第二個，它有它的邏輯性：什么時候該做什么，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，很重要的，它有因果性，好跟壞、大跟小、高跟低，它一定有因果關系。”
AGI生成式預訓練模型ChatGPT與IAI操作優化的精密模型OperationGPPT特性對比
ChatGPT
OperationGPPT
發散的
收斂的
提供可能性
聚焦使用性
通用
精密
支持者：生成式AI將深入制造企業的流程優化
當然，“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·物聯網智庫：“過去，工業AI通常着重於故障檢測、預測性維護等用例，但2023年的一個新趨勢是生成式AI將深入制造企業的流程優化。”
第一，在產品开發階段，生成式AI能夠壓縮設計和迭代的過程，從而帶來顯著的效率提升。
初創公司Divergent 3D使用生成式AI爲英國的豪華跑車制造商阿斯頓·馬丁設計的概念車打造後車架，從設計的提出、對比分析，到評估其可制造性，在短短一個小時之內就可進行30~40次迭代。
無獨有偶，Monolith AI公司在2023年工博會上帶來其機械工程仿真解決方案，基於該方案，創建者依靠實時數據每次進行仿真都會开發一個模型，省去許多測試程序，該公司的目標是到2026年將100000名工程師的產品开發時間縮短50％。
第二，除了研發，數據追蹤和分析的流程或許也將被重塑。對制造業管理者而言，實時了解生產進度是重中之重。在一些比較傳統的中小制造企業車間裏，生產流程的記錄往往依靠紙質單據或者Excel表格，生產信息整體傳遞滯後。爲了解決這類問題，不少企業开始部署數字化系統，但卻存在周期長、成本高等痛點。而生成式AI可以使用自然語言處理和機器學習技術從工業現場的儀表板上，甚至紙質數據和表格中讀取數據（GPT-4已經具備了識圖能力），並快速提取有用的特徵和信息。
國外的一位博主進行了這樣的嘗試，他爲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據和圖表，實時提供了正在發生的事情的概覽。雖然分析結果很膚淺，但這的確有助於初步分析和了解工廠的運行情況，包括哪些機器運行情況良好，哪些指標值得關注等。
第三，人們與機器溝通的方式會發生深刻的變化。過去運營人員一般通過各種軟件與機器溝通，現在則可以直接通過自然語言與機器交流。有了ChatGPT，不用學習編程，人們就有能力調動各種機器，達成某種結果。再往遠處看，生成式AI和大模型讓人們看到了利用虛實結合的方式控制物理世界的可能性。用數字虛擬的方式訓練生產機器，最終實現全自動化的制造業，讓機器制造機器，工廠成爲產品。
實際中已經开始出現一些初步的用例，比如——阿裏工程師通過釘釘對話框向機器人發出指令後，通義千問大模型在後台自動編寫了一組代碼發給機器人，機器人开始識別周邊環境，從附近的桌上找到一瓶水，並自動完成移動、抓取、配送等一系列動作，遞送給工程師。這一演示表明，AI大模型已經突破了機器人的局限，讓人類可以通過自然語言指揮機器完成負責任務，讓機器人真正擁有了“大腦”。如果相關成果能在工廠得到復現，將會具備廣闊的想象空間。
寫在最後
上文所述的爭論正反映了生成式AI作爲新生事物在成長過程中必然要面臨的考驗。至於“是騾子是馬”，還需要技術的成熟和時間的考驗。
原文標題 : 在工業領域談GPT和大模型究竟是不是“扯淡”？
標題：在工業領域談GPT和大模型究竟是不是“扯淡”？
地址：https://www.utechfun.com/post/214186.html