自從ChatGPT以及生成式預(yù)訓(xùn)練轉(zhuǎn)換器火出了圈，來自各種行業(yè)不同企業(yè)的工程師們，對它展開了各種稀奇古怪的能力測試。本文將重點(diǎn)展示生成式AI和大模型在工業(yè)領(lǐng)域的最新實踐有哪些?
這是我的第279篇專欄文章，我在【數(shù)字原生組織】寫的第6篇文章。
上面這張圖是不是有些詭異，看得出它是什么嗎?
它不是來自火星的奇怪物體，而是由生成式AI設(shè)計出來的、充滿實用價值的航天器零件。
沒錯，美國國家航空航天局NASA正在使用生成式AI進(jìn)行零部件的設(shè)計。使用生成式AI設(shè)計的零件，雖然看起來奇怪，但是可以在不犧牲性能的情況下，將其重量減輕三分之一。
無獨(dú)有偶，初創(chuàng)公司Divergent 3D使用生成式AI，為英國的豪華跑車制造商阿斯頓·馬丁設(shè)計的概念車打造后車架，如下圖所示。
Divergent 3D對比發(fā)現(xiàn)新零件重量減輕了40%，并且在數(shù)字模擬中，新零件超越了傳統(tǒng)零件的碰撞性能。
更關(guān)鍵的是，生成式AI壓縮了設(shè)計和迭代的過程，從設(shè)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(nèi)就可以進(jìn)行30~40次迭代，這種超高快進(jìn)的速度在以前是不可想象的。
正如你所預(yù)見，自從ChatGPT以及生成式預(yù)訓(xùn)練轉(zhuǎn)換器(Generative Pre-trained Transformer，GPT)火出了圈，來自各種行業(yè)不同企業(yè)的工程師們，對它展開了各種稀奇古怪的能力測試。
就像人們發(fā)現(xiàn)了一個全新的錘子，拿著它嘗試去砸各種各樣的釘子，其中的一些真真正正的砸出了花樣。
今天這篇文章，我們來看看生成式AI和大模型，在工業(yè)領(lǐng)域的最新實踐有哪些?鑒于目前尚未形成生成式AI在工業(yè)落地的殺手級應(yīng)用，本文還將嘗試探討工業(yè)人工智能距離ChatGPT時刻有多遠(yuǎn)?
開啟生成式AI用于工業(yè)場景的無限潛力
作為一種基于人工智能的自然語言處理技術(shù)，ChatGPT通過深度學(xué)習(xí)算法理解和生成人類語言，從而實現(xiàn)與人類的高效溝通。ChatGPT目前在各行各業(yè)取得了一些應(yīng)用成果，尤其在制造業(yè)領(lǐng)域，它的應(yīng)用開始改變傳統(tǒng)的生產(chǎn)方式，推動著制造業(yè)的數(shù)字化轉(zhuǎn)型。
雖然ChatGPT很酷，但它仍處于初始階段，生成式AI的工業(yè)用途遠(yuǎn)未開啟。我們來看一些腦洞大開的做法。
一名叫大衛(wèi)·羅杰斯的工程師讓ChatGPT幫助他設(shè)計汽車生產(chǎn)線。他對ChatGPT說，“歡迎來到SustAIn Motors，現(xiàn)在你是我們第一家汽車裝配廠的新廠長。我們需要你建立一條生產(chǎn)線，并銷售3,000輛汽車，幫忙設(shè)計生產(chǎn)線的布局。我們的起始預(yù)算是130萬美元。在這些限制條件下，我可以構(gòu)建的最高效的裝配生產(chǎn)線是什么?”
隨后，他用三篇博客文章(參考資料1~3)詳細(xì)記錄了與ChatGPT的對話過程，經(jīng)過一番操作，最終ChatGPT生成的工廠布局如下圖所示。實驗表明，大模型確實能夠起到協(xié)助廠長設(shè)計生產(chǎn)線布局的作用。
還有意大利的工程師讓ChatGPT讀取下面的生產(chǎn)儀表盤，并讓它說出看到了什么。
ChatGPT回答：您提供的內(nèi)容似乎是使用名為“Zerynth”的軟件創(chuàng)建的儀表板。儀表板中包含有關(guān)組織中能源監(jiān)控的信息。從儀表盤上，我可以看到圖形和表格顯示的能源使用信息，例如瞬時功率、有功和無功功率、電壓和電流。還有一些關(guān)鍵性能指標(biāo)(KPI)，例如功率因數(shù)、有功和無功電能以及視在電能。提出問題的意大利工程師表示對ChatGPT的回答非常滿意。
根據(jù)各種工程師的嘗試，生成式AI與大模型不僅可以幫助設(shè)計工程師探索更多的零部件設(shè)計思路，可以幫助廠長規(guī)劃生產(chǎn)線的仿真布局，還可以在很多方面幫助工業(yè)企業(yè)提高效率，具體的應(yīng)用場景包括：
除了以上應(yīng)用場景之外，有機(jī)構(gòu)預(yù)測，生成式AI在企業(yè)的殺手級應(yīng)用，將是對知識管理的重構(gòu)。
漂亮的儀表盤和結(jié)構(gòu)化的數(shù)據(jù)，并不一定能夠產(chǎn)生巨大的價值，反而各種各樣的生產(chǎn)知識和工藝Know-How是企業(yè)的靈魂與核心價值。制造企業(yè)往往擔(dān)心員工離職，帶走了這些知識和經(jīng)驗。
還有一些制造商，擁有數(shù)十年的流程數(shù)據(jù)、程序記錄和日志，如果將這些流程和程序整合到大模型中，可能會產(chǎn)生意想不到的效果。
然而提到知識管理，人們往往聯(lián)想到繁瑣的信息收集與整理。其實最好的知識管理是無需管理，最好的整理就是不用整理。
大家可以回憶一下，有多長時間沒有整理過手機(jī)里的照片了，隨著iOS的升級，蘋果公司每一次都把新的AI特性帶入了相冊應(yīng)用。自動分類、自動識別照片和視頻內(nèi)容，自動生成最佳回憶，你只需要簡單地問Siri就可以找到想要的照片。
同樣，知識管理的下一步，就是無需管理。
大模型可能會讓散落在企業(yè)各處的知識，變成在員工之外的企業(yè)第二大腦，一個連成一體的硅基大腦。當(dāng)然現(xiàn)在讓AI整理知識結(jié)構(gòu)，還有很大挑戰(zhàn)，但大規(guī)模語言模型的進(jìn)化速度可能會讓人驚嘆，更好的工具估計正在路上。
推進(jìn)工業(yè)AI邁向“ChatGPT時刻”的力量
迄今為止，主導(dǎo)工業(yè)AI的模型仍然是面向特定任務(wù)的。AI企業(yè)開發(fā)的模型在特定范圍內(nèi)有不錯的表現(xiàn)，但工程師們發(fā)現(xiàn)其泛化能力不足以支持部署到更廣泛場景。
因為工業(yè)制造中細(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性。
現(xiàn)有的深度學(xué)習(xí)模型泛化程度低，即使在同一行業(yè)，模型的可復(fù)用比例也比較低。于是工程師們陷入了無限循環(huán)：已經(jīng)訓(xùn)練了很多模型，但仍然需要茫茫眾多的模型。
現(xiàn)在，這個棘手的問題成了大模型的典型場景。因為大模型代表著構(gòu)建AI系統(tǒng)的一種新的成功范式，在大量數(shù)據(jù)上訓(xùn)練一個模型，并使其適應(yīng)多種應(yīng)用，而這種通用能力正是工業(yè)制造所需要的。
看到了大模型的潛力，一些公司躍躍欲試將其延伸到工業(yè)領(lǐng)域。
其中，正在進(jìn)行的實踐包括通過構(gòu)建新一代的AI體系架構(gòu)，用標(biāo)準(zhǔn)化的手段解決分散的工業(yè)場景，克服可復(fù)制性和標(biāo)準(zhǔn)性等關(guān)鍵性問題。
還有一些值得關(guān)注的其他進(jìn)展，比如谷歌發(fā)布的“RoboGPT”，這個機(jī)器人只需要一個單一的預(yù)訓(xùn)練模型，就能從不同的感官輸入(如視覺、文本等)中生成命令，來執(zhí)行多種任務(wù)。
它執(zhí)行任務(wù)的過程如下圖所示。開發(fā)團(tuán)隊的目標(biāo)是制造一種新型機(jī)器人，一個可以自學(xué)的，可以幫助任何人做任何事情的通用機(jī)器人。
實際應(yīng)用中，這款機(jī)器人的表現(xiàn)相當(dāng)驚艷。
當(dāng)使用者發(fā)出指令：“把抽屜里的玉米片拿給我”，帶有手臂的移動機(jī)器人自動生成行動計劃，并自行執(zhí)行這些行動。機(jī)器人通過實時分析攝像頭的數(shù)據(jù)完成任務(wù)，而不需要預(yù)先處理場景。這消除了人類對數(shù)據(jù)進(jìn)行預(yù)處理或注釋的需要，更加自主的進(jìn)行機(jī)器人控制。
RoboGPT這種簡單的交互模式，與工業(yè)制造中落地人機(jī)協(xié)作的策略十分相似。
工業(yè)領(lǐng)域場景復(fù)雜，好的產(chǎn)品一定是簡單易用的，通過簡明的交互，一鍵化部署方案，減少交付過程中的培訓(xùn)成本與學(xué)習(xí)負(fù)擔(dān)。
工業(yè)AI距離到達(dá)ChatGPT時刻還有多遠(yuǎn)?
特斯拉的CEO馬斯克基于第一性原理，曾經(jīng)說過一句很深刻的話：產(chǎn)品制造是把原子排列成需要的形狀，決定成本的是如何去排列這些原子。
因此，基于第一性原理思考，產(chǎn)品的最低成本=原材料價值(獲取原子的成本)+所需知識產(chǎn)權(quán)(排列原子的方法)。
這一句話拉近了原子與比特的距離。
過去在原子經(jīng)濟(jì)和比特經(jīng)濟(jì)的賽跑當(dāng)中，我們總能看到比特取勝，這是零邊際成本的優(yōu)勢。
數(shù)字世界的零邊際成本與現(xiàn)實世界中的任何東西都完全不同。
現(xiàn)實世界的原子經(jīng)濟(jì)是一種稀缺性經(jīng)濟(jì)：原子是有限的，如果你把原子帶走了，別人就不能再有。
相反，數(shù)字世界的比特經(jīng)濟(jì)是一種富足經(jīng)濟(jì)，如果你把比特拷貝走，別人仍然可以擁有它，你帶走的只是一個副本，副本與原件幾乎沒有什么區(qū)別。
隨著數(shù)字革命對現(xiàn)實世界的影響已經(jīng)開始達(dá)到臨界值，我們正在著手進(jìn)行下一個重大轉(zhuǎn)變：可編程的物理世界。在創(chuàng)造現(xiàn)實之上的數(shù)字世界的同時，也需要用數(shù)字的方式控制和改造物理世界。
如何對物理世界進(jìn)行編程?生成式AI和大模型讓我們看到了利用虛實結(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，最終實現(xiàn)全自動化的制造業(yè)，讓機(jī)器制造機(jī)器，工廠成為產(chǎn)品。
然而，要在工業(yè)領(lǐng)域廣泛應(yīng)用生成式AI和大模型，并實現(xiàn)更復(fù)雜的任務(wù)還有一定的距離。我們需要解決以下挑戰(zhàn)：
通用性：雖然現(xiàn)有的人工智能系統(tǒng)在很多任務(wù)上表現(xiàn)出色，但它們在不同領(lǐng)域的通用性仍需提高。為了在各種應(yīng)用中實現(xiàn)優(yōu)秀的性能，需要進(jìn)一步改進(jìn)算法和模型。
理解與推理能力：目前的人工智能系統(tǒng)仍然缺乏深入理解和推理能力。要達(dá)到真正的“ChatGPT時刻”，系統(tǒng)需要能夠理解復(fù)雜的概念和背后的邏輯，并在對話中進(jìn)行有效推理。
安全性和可靠性：人工智能系統(tǒng)的安全性和可靠性是一個關(guān)鍵問題。在實際應(yīng)用中，系統(tǒng)需要在不泄露敏感信息、不散播錯誤信息并遵循道德原則的前提下工作。
數(shù)據(jù)和計算資源：要進(jìn)一步提高工業(yè)人工智能的性能和普適性，需要大量高質(zhì)量的數(shù)據(jù)和計算資源。這可能會導(dǎo)致成本上升，限制部分企業(yè)和組織的發(fā)展。
人工智能政策和監(jiān)管：隨著技術(shù)的發(fā)展，政策和監(jiān)管的作用越來越重要。如何在保護(hù)隱私、確保安全和公平的同時，鼓勵人工智能的發(fā)展和應(yīng)用仍是一個待解決的問題。
數(shù)字化轉(zhuǎn)型雖然已經(jīng)提出多年，但仍舊遠(yuǎn)未觸及核心。數(shù)字技術(shù)的價值在于它提供了通用性的計算能力，而且讓產(chǎn)品的邊際成本趨近于零，實體產(chǎn)業(yè)與數(shù)字經(jīng)濟(jì)可以更加有效的緊密結(jié)合。
寫在最后
隨著研究的深入和技術(shù)的不斷進(jìn)步，我們有理由相信在未來幾年內(nèi)，工業(yè)人工智能將取得更大的突破。雖然產(chǎn)品本身的邊際成本趨近于零，但是新技術(shù)將讓制造企業(yè)的盈利模式大幅拓寬。
目前，技術(shù)逐漸不再是束縛企業(yè)發(fā)展的瓶頸，我們需要解決流程重塑和組織再造等問題。各種行業(yè)的組織模式發(fā)展，遠(yuǎn)遠(yuǎn)落后于整體技術(shù)架構(gòu)、商業(yè)模式以及產(chǎn)業(yè)生態(tài)的變化。企業(yè)得開始思考如何收獲更多的員工積極性、創(chuàng)造力、生產(chǎn)力和認(rèn)同感。
為了更好的引導(dǎo)制造業(yè)企業(yè)思考自身的組織結(jié)構(gòu)與業(yè)務(wù)，通過其他企業(yè)的創(chuàng)新案例開拓思維，引導(dǎo)培養(yǎng)“智造”新思維，探索創(chuàng)新思維與企業(yè)變革之間的連接。
