一文说清：AI大模型在制造业中的应用类型
在过去的几年里，全球制造业的竞争格局正在发生重构，数字化和智能化成为推动变革的关键力量。
AI 大模型作为一种通用人工智能技术，其革命性特征体现在能够生成代码、构建人机交互新模式，并与产品研发、工艺设计、生产作业、产品运营等制造环节相结合，从而提高生产效率，形成新质生产力。
关于人工智能的几个概念解释
大模型：即基础模型，在海量数据和计算资源的基础上通过预先训练出来的，具有大参数规模的深度学习模型
狭义多指大语言模型，广义还包括 CV、多模态等各种模型类型
GPT：生成式预训练模型，大模型的一种类型，可生成内容
ChatGPT 是 GPT 的一个典型产品
生成式AI（AIGC）：能够生成文本、图片、视频等内容的智能技术，大模型为其提供了新的技术手段
早期 GAN 用于内容生成效果有限，如 NLP 逐词生成
大模型拓展了生成能力，如实现多领域多风格图像/文本生成
通用人工智能（AGI）：AI 终极发展目标，具备认知、理解、推理、学习、创造和社会协作等能力
大模型具备学习、生成等能力，但还缺少完备的推理、认知能力
Agent 智能体
01
大模型赋能的核心方式与产品形态
核心方式
1 直接赋能行业：通用底座的普适性
AI 大模型以其卓越的通用性，通过吸收和处理海量数据，构建起全面的知识图谱，这使得它们能够无缝地融入各个工业领域。比如，当涉及到设备维护时，AI 大模型能够分析设备的历史运行数据和实时状况，预测潜在的故障风险，并提前采取维护措施，有效避免设备故障，保障生产流程的顺畅。
代表大模型：OpenAI 的 ChatGPT，科大讯飞的星火大模型，实在智能的 TARS 大模型
2 场景化定制：通用底座的灵活性
AI 大模型的另一个显著优势在于其能够根据不同的工业场景进行定制化的适配和优化。这意味着 AI 大模型能够深入理解特定行业的术语和语境，从而提供更为精准的分析和预测服务。通过这种方式，AI大模型能够更好地服务于特定的工业应用，提升决策的质量和效率。
代表大模型：华为的制造、矿山等行业大模型，百度的航天、能源等行业大模型，Authentise 的 3D 打印 GPT
3 任务化定制：为特定工业挑战定制 AI
针对一些特定的工业挑战，可以专门开发定制化的 AI 大模型。这些模型经过专门训练，专注于解决特定问题，其性能往往超越通用模型。比如，在工业生产过程中，一个专门为预测能耗和排放量身打造的 AI 模型，能够提供更为精确的数据预测，帮助企业优化能源使用，减少环境污染，实现可持续发展。
代表大模型：谷歌的 AlphaFold2，Meta 的 ESMFold，深势科技的 Uni-Mol
产品形态
1 大模型 API 调用或软件解决方案
借助于先进的 AI 大模型，如 ChatGPT 等，我们能够构建多样化的智能应用，包括但不限于智能助理和在线客服系统。用户可以通过接口（API）直接调用这些 AI 大模型，或者采用基于这些模型的软件解决方案，实现快速集成和便捷使用。比如，众多平台和企业已经部署了基于 GPT-4 的在线客服系统，实现了全天候的即时服务。
2 成熟工业产品叠加基础模型能力
AI 大模型可以与现有的工业产品相结合，从而显著提升产品智能化程度。比如，倍福将大模型融入 TwinCAT XAE 客户端，实现基于对话辅助编程，显著加快了软件开发的步伐。
3 AI 工具作为外部插件
AI大模型还可以作为外部插件工具，用于执行如知识库查询、表格数据处理等任务。例如，工业管理软件企业 Authentise 推出插件，用户可查询最大的增材制造知识库；浙大开发用于表格处理的 TableGPT。
4 用于私有部署的集成解决方案
以 TARS 大模型为例，这是一种支持私有化部署设计的 AI 大模型解决方案。它能够在本地环境中运行，而且进一步集成如不当言论判别等多项NLP前沿技术，确保数据的安全性和隐私性，同时满足特定场景的需求。目前，对于数据保护有严格要求的企业和机构已经开始采纳此类解决方案。
02
大模型的适用边界与核心能力
大模型并非万金油，尽管它们在处理大量数据和复杂任务时表现出色，但仍存在局限性。
首先，AI大模型需要大量的高质量数据进行训练，而在某些特定领域，这样的数据可能难以获得。
其次，大模型在面对新颖或未曾接触过的问题时，可能无法提供最佳解决方案，因为它们的知识和能力是基于训练数据的。
此外，大模型的解释性和透明度仍然是一个挑战，这在需要高度可靠性和安全性的工业应用中尤为重要。
适用边界
1 宏观场景
工业界的应用场景通常具有广泛的适用性和复杂的智能任务需求，数据的界限对决策的准确性起着至关重要的作用。
2 丰富语料库
在工业领域，可以获取到大量的基础数据、原始语料和规则性约束，这些丰富的信息资源构成了 AI 大模型在该领域内施展能力的关键。比如，设计蓝图、生产记录和质量检验数据都能够成为 AI 大模型训练过程中的重要素材。
3 明确的问题界定
工业领域中的多数问题都具有明确的定义，其解决方案通常在一个有限的信息框架内形成，不需要依赖额外的外部数据。比如，在设备维护领域，AI 大模型能够依据设备的历史运行数据和当前的工作状况，准确预测潜在的故障点。
核心能力
1 深度语言交互
AI 大模型展现出卓越的语言解析技能，能够与设备和工业系统进行预设的对话，实现自然而流畅的交互与逻辑推理。在智能设备行业中，用户能够通过直接的语言交流来操控设备，实现便捷的智能控制。
2 创意生成
AI 大模型在创意生成方面同样表现出色，能够遵循既定规则进行创作，无论是生成工业代码还是图文内容，都能呈现出“涌现式”的创新。比如，工程设计行业已经开始利用AI模型自动生成设计方案，显著提升了设计的效率和质量。
3 综合分析与预测
AI 大模型不仅能够识别和模拟现实情况，还能够进行精准的预测分析。它们能够基于局部数据建立模型，结合全局信息，进行高效的精确度预测和优化。在设备故障诊断和预警系统方面，AI 大模型通过实时监测设备数据，建立诊断模型，并预测潜在的故障，实现提前的故障预警。
4 多模态数据处理
AI 大模型不仅能够处理单一类型的工业数据，还能够综合分析多种格式的数据，实现跨格式的信息转换与分析。在工业应用中，AI 大模型能够同时处理包括设备运行数据、业务数据和管理决策数据在内的多种数据类型，为企业的运营和决策提供更为全面和精确的数据支持。
03
4类核心模型、10+应用案例
整体来看，工业各环节围绕语言、专用、多模态和视觉四类大模型开展探索，当前以大语言模型为主，4 类模型应用占比分别为：75%、15%、8% 和 2%，通用模型的场景化适配调优是主要部署方式，问答交互为主要应用模式。
大语言模型
主要应用于工业问答交互、内容生成，以提升任务处理效率为主，暂未触及工业核心环节。有望形成具有认知智能的数字员工及超级自动化链路，实现从需求理解到规划、自动化执行及结果交付的全链条能力。这里可以将大模型与 RPA 结合，让大脑（大模型）理解人类指令，生成自动化流程，交给双手（RPA）去完成。据悉，国内唯一AI Agent平台级产品实在Agent，正在结合企业业务场景实践此功能。
AI Agent 一般是指基于大模型、能够使用工具自主完成特定任务的智能体。AI Agent 将大模型与其他模型、软件等外部工具协同，能够处理真实世界中的各种复杂任务。
工业代码生成：西门子与微软合作，基于 GPT 开发代码生成工具，可通过 NLP 输入生成 PLC 代码
设备控制与维保助手：罗克韦尔将数字孪生与 AIGC 相结合实现设备状态以及设备故障原因咨询
工业管理助手：C3 通过自然语言对话，以文字+统计图完成业务指标的分析和洞察
工业文档外挂与快速检索：中工互联基于智工大模型实现跨行业跨领域和跨岗位工业专用知识检索
通用文档生成：BACANCY 基于 RPA+GPT 实现自动邮件回复等功能
专业任务大模型
围绕研发形成辅助设计、药物研发两个重点方向，进一步增强研发模式的创新能力。面向工业设计、蛋白质结构预测及药物研发创新等场景，扩展创新边界、降低创新成本与时间。
智能辅助设计：DeepMind 基于图像或文本进行 2D-CAD 草图构建，受样本数量+生成规范的限制，仅个别企业开展验证性探索
药物材料研发：Meta 的 ESMFold 模型能够基于序列输入，实现蛋白质结构和序列的预测，模型参数已达 150 亿，仅 2 周完成包含罕见物质的 6 亿+蛋白结构预测
多模态大模型与视觉大模型
在装备智能化和视觉识别领域应用获得初步尝试，结合视频、语义、执行等多类型数据综合分析，有望构建认知能力的装备、系统方案及智能工厂。
多模态大模型：哈工大利用语言视觉大模型根据图像进行工业异常检测，并输出高质量特征描述
视觉大模型：国家电网电力大模型每分钟处理 100 张异常图像，同时识别 20 类缺陷，识别效率是传统AI算法的 10 倍
04
总结与展望
AI 大模型是强大的工具，但并非适用于所有场景。在工业和其他领域中，它们应该被视为众多解决方案中的一种，而不是唯一的解决方案。通过与专业知识、定制化模型和创新技术的结合，我们才能最大化 AI 的潜力，实现更高效、更智能的工业发展。
此外，大模型的计算资源消耗巨大，对于一些资源受限的企业和机构来说，部署和维护这样的模型可能并不实际。因此，需要根据实际情况和需求，权衡大模型的优势和局限性，选择或设计合适的 AI 解决方案。
