人工智能原本就是可以賦能千行百業的水和電，如今隨著AI的巨大進步，我們每個企業都有必要重新思考如何升級自己的AI大腦。今天這篇文章，我們來繼續探討GPT人工智能模型可能將在工業互聯網領域引發哪些變化?
這是我的第280篇專欄文章，我在【數字原生組織】寫的第7篇文章。
上篇文章《工業AI距離到達“ChatGPT時刻”還有多遠?》完成之后，有朋友問了一個問題，他說：
在企業中，管理建立在制度上，制度建立在流程上，流程建立在系統上，系統建立在數據上，企業實現管理是“數據+程序”的結果。既然ChatGPT可以直接讀取數據，并實現了一定程度的通用人工智能，能夠產生基于數據的基本分析決策，那么現存的系統應用，比如ERP、CRM、MES…是不是會發生顛覆性的變化，甚至是大洗牌?
這是個好問題!
其實在B2C領域，當ChatGPT剛剛發布的時候，就有投資人提出一個觀點，說TMT(數字新媒體產業)可以重新再干15年。
重新再干15年!為什么TMT又重新煥發青春了呢?這個觀點背后的原因是，上個時代我們基于移動互聯網，開發了各種各樣的APP，而如今ChatGPT引發了新的交互形式出現，每個細分賽道上都有可能會成長出一個全新的獨角獸，或者全新的商業模式。
這個觀點不乏支撐的依據。
微軟公司聯合創始人比爾·蓋茨曾說，OpenAI的GPT人工智能模型是他自1980年首次看到現代圖形桌面環境GUI以來，最具革命性的技術進步。
3月底，OpenAI開放了兩個自己的插件：網絡瀏覽器和代碼解釋器，并開源了一個知識庫檢索插件的代碼，支持開發者將信息進行自行托管。
英偉達AI科學家Jim Fan在個人社交平臺表示：如果說ChatGPT的面世是“iPhone的出現”，那么此次推出的插件功能就是“iOS APP Store”的出現。
而“APP Store”只是一個開始，如果把GPT人工智能模型連接到企業的業務系統中，我們的很多環節是否能夠產生變革和提升?
人工智能原本就是可以賦能千行百業的水和電，如今隨著AI的巨大進步，我們每個企業都有必要重新思考如何升級自己的AI大腦。
今天這篇文章，我們來繼續探討GPT人工智能模型可能將在工業互聯網領域引發哪些變化?
企業管理軟件值得被重做一遍
未來所有的公司都需要一個AI企業大腦。
這是一個預測，關鍵詞是“所有的公司”，因為AI正在像水、電、空氣一樣，變成一個必備要素、一項基礎能力。
而我們企業中很大比例的企業管理軟件，都有可能在GPT人工智能模型的啟示中重做一遍。
GPT給了我們哪些啟示呢?
人們與機器溝通的方式會發生深刻的變化。我們一般通過各種軟件與機器溝通，軟件的進步由交互方式的進步所牽引，從最初的字符界面，到后來的圖形化操作界面，現在我們可以直接通過自然語言與機器交流。
以前我們通過各種編程語言，比如匯編、梯形圖、Python…告訴機器如何完成我們想實現的任務。其實編程語言也是一種“交互”，只不過這種交互在設計的時候為了“靈活”與“精確”犧牲掉了“易用性”。現在有了ChatGPT，不用學習編程，我們就有能力調動各種機器，達成某種結果。
曾經我們一直追求讓機器能夠聽懂人類的語言，更加貼近人類自然語言的交互方式，今天我們終于接近了目標。GPT的到來，讓自然語言能夠作為一種交互模式，學習與機器溝通的成本得到了巨大的下降。
不過從系統軟件的客戶視角來看，圖形化UI被完全取代是有前提的，也就是大部分員工要具備描述清楚自身訴求的能力，這個過程應該是循序漸進的。
目前，GPT這種溝通成本的下降，為軟件的降本增效提供了額外的助力。
現在一些軟件的交付成本高得令人咋舌。以Salesforce為例，Salesforce Premier級別的交付專家費是軟件授權費用的30%。然而，對于SaaS軟件廠商和客戶而言，這30%的成本卻可能成為他們共同的累贅。
造成這個現象的原因主要是因為軟件市場客戶需求的多樣化，導致軟件必須要開發大量的配置項，甚至配置一些低代碼的能力，這些靈活性都會顯著拉高軟件的使用成本。
有了GPT，交付人員的內部學習材料完全可以被人工智能的模型學習，并且推出針對性的專家系統。這意味著，一個交付人員可以在短時間內交付的功能更多，客戶實現了成本節約，軟件供應方也能在一定程度上提升毛利。
同時，ChatGPT大型語言模型在企業管理系統方面的應用，可以實現不同軟件之間，比如ERP、CRM和MES，更加緊密的聯動。通過自然語言處理技術，企業可以在生產過程中實時監控生產數據，從而實現生產計劃的動態調整。此外，大型語言模型還可以協助ERP和MES優化企業資源的調配，提高資源利用率。
借助大型語言模型的智能化和自動化能力，企業可以實現對ERP和MES系統的智能化升級。ERP和MES系統中包含了對生產流程、物流管理等方面的支持，需要強大和專業的功能才能實現，輔以GPT這個助手，ERP和MES可以變得更加智能。
例如，通過自然語言生成技術，企業可以實現報表的自動生成和智能化解讀;通過智能化的異常檢測和預警，企業可以及時發現生產過程中的問題，降低損失;通過智能化的物料需求預測，企業可以實現生產物料的精確調度。
GPT模型作為一種自然語言處理模型，在它的眼中，并沒有像人類一樣進行垂直領域的軟件劃分。這意味著，我們人為設置的一些軟件分類，可能會在GPT模型的應用中被打破。
微軟最近發表了一篇重量級的論文：TaskMatrix.AI: Completing Tasks by Connecting Foundation Models with Millions of APIs，展示了大型語言模型大開腦洞的能力。論文詳細介紹了使用語言模型對數百萬量級API進行調用的方法，并展示了多個使用場景。
簡要的說，TaskMatrix.AI是一個新的AI生態系統，將基礎模型與數百萬個API連接起來，以完成任務。論文作者的愿景是構建一個生態系統，利用基礎模型和其他擅長特定任務的模型和系統，可以作為API訪問。
TaskMatrix.AI的優勢在于能夠執行數字和物理任務，具有很好的可解釋性，而且可以隨時添加新的API。此外，TaskMatrix.AI制定了一個API平臺標準，這樣所有開發者都可以很容易地將新的模型或者API進行接入。
TaskMatrix.AI就像是建了一座司令塔，每個大模型都能成為其中的“大腦”指揮官，其他專門解決某類任務的模型，則聽它的調令。
這個構想非常震撼。
今天GPT人工智能模型的潛力只發揮了很小一部分，大多局限在B2C領域，就已經創造出超過了萬億的市場，未來隨著B2B的空間開啟，這個市場規模可能是幾十萬億。
清華大學智能科學講席教授、智能產業研究院(AIR)院長、中國工程院院士張亞勤在一次訪談中提到，我們可以把GPT這個系列的生成式AI模型，看作一個由大模型組成的AI操作系統，和PC上的Windows具有相似的意義。一個新的操作系統出來是什么意思?下面的硬件、上面的應用都會被重構、重塑，形成一個新的生態。如果說PC互聯網的生態價值是1X，移動互聯網的生態價值至少是10X，那么AI生態至少是100X。
可編程的物理世界
什么是產品制造的本質?
伊隆·馬斯克的一段話觸達了核心，他說：“過去，所有的火箭都成本高昂。所以，未來的火箭制造也必然十分昂貴。但實際上，這個結論并不必然成立。
“你會問自己：制造火箭需要的原料是什么?是鋁、鈦、銅和碳纖維。然后你就可以按種類計算他們的成本。
“如果你收集了所有的原材料，然后只要揮一揮魔杖，就可以將原子重組的成本降為零。那你的火箭的成本將會是多少?我心想：哇，那成本就會特別低，大概是目前造價的2%。
“問題出在：怎樣重新排列原子。所以你需要搞清楚我們怎樣以更有效率、更低廉的成本將原子重新排列。我和很多火箭專家安排了一系列會議，只為了搞清楚，是不是有什么我目前不了解的竅門。但沒發現任何我目前還不了解的竅門。所以我創辦了SpaceX。”
因此，基于第一性原理思考，產品的最低成本=原材料價值(獲取原子的成本)+所需知識產權(排列原子的方法)。
正如我在上篇文章《工業AI距離到達“ChatGPT時刻”還有多遠?》中提到，原子與比特的距離正在持續性趨近于彼此。
數字化轉型正在將基于稀缺的原子經濟轉變為繁榮的比特經濟。
原子經濟是一種稀缺且單調的經濟，而比特經濟是一種富足的經濟。在比特經濟中，一個人可以在不失去自己的知識的情況下輕松的轉移知識，而在原子經濟中，轉移知識需要很長時間，而且“復制”出來的知識很少像原來的那樣。
數字化轉型使得當今在稀缺經濟中運營的公司，能夠將部分業務轉移到豐富多彩的比特經濟中。
數字化轉型是由技術進步推動的，主要是傳感器和執行器，以及人工智能。數字孿生是數字化轉型不可或缺的關鍵組成部分，它是一些物理實體的數字模型和物理實體的數字影子。
數字孿生不僅支持監控和模擬，還支持根本原因分析。數字孿生也可以用作物理孿生的代理，這在工業4.0和其他領域中得到了廣泛利用。
未來幾十年內，更多實體將成為繁榮多彩的比特經濟的一部分，例如能源和智能。數字化轉型使得在稀缺經濟中運營的公司，能夠將部分業務轉移到豐富多彩的比特經濟中。這種轉變將需要新的商業模式，因為富足的比特經濟有著不同的游戲規則。
諸多技術正在助力這種轉變，3D打印和協作機器人，這兩項技術是從比特到原子的回歸，它會讓我們從數字優先的角度來思考制造的意義。AR在某種程度上將比特世界與原子世界聯系起來，在原子上疊加比特。VR僅利用比特世界，但也有著許多令人激動的可能性和未來發展前景。
隨著數字革命對現實世界的影響已經開始達到臨界值，我們正在著手進行下一個重大轉變：可編程的物理世界。
如何對物理世界進行編程?就是用軟件的方式把我們周圍的環境數字化，利用擴展感知的設備來虛實結合的體驗和控制物理世界，這種方式可以讓我們的生活通過數字形式與物理世界連接。
我們在創造現實之上的數字世界的同時，也需要用數字的方式控制和改造物理世界。設想一種場景，當AI發展到更加聰明的時候，是不是足以替代人類工程師，調試設備，發現問題解決問題，優化生產流程等工作，并通過機器人的操控，控制整個工廠所有生產流程?
雖然聽起來有些夢幻，但是并不算特別遙遠。生成式AI和大模型讓我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。
那時，無論從制造效率上還是從良品率上，都可以上升到一個相當高的水準。
我們正處在物理世界可編程的初期。數字化做好了之后，才有訓練AI的數據，沒有數字化，就沒有AI。
不過總是想象力有多廣，應用就有多廣。一些企業正在利用GPT人工智能模型加速這個進程，比如SensorSurf，它是傳感器數據版本的Snowflake，一個用于處理從相機、激光雷達等收集的PB級數據的平臺。去年12月推出，有2個客戶、產生了2.1萬美元的ARR(年度重復性收入)。福克斯機器人公司正在使用SensorSurf來幫助訓練農場機器人。
在工業領域，還涌現了一批基于工業知識庫的類ChatGPT智能聊天產品。例如，立足智能算法和機理模型，卡奧斯COSMOPlat推出BaaS工業大腦，工業大腦內置領域專家智能問答系統，能夠根據用戶提問，實現在線信息查詢、預訂、下載等問答識別。
使用工業ChatGPT，工人無需再每天在各種系統間進行切換，查看不同數據信息進行各種操作。設備保養無需再學習保養手冊、質量評估也無需閱讀大量報表、工廠小白也不需要再詢問老師傅生產經驗。比如，現場的保養工人可以去問AI系統，這個設備需不需要保養;工廠管理人員，可以直接讓ChatGPT幫他寫一份提高精益生產的報告等。
人工智能人才集中在產業中
最近，斯坦福人工智能研究所(HAI)發布了2023年AI指數報告，提供了AI領域當前技術成就、政策趨勢、經濟影響等多方面的最新情況。
研究報告發現，AI博士等人才主要都進入了產業界，讓AI產業發展已經自發形成了一個人才與技術應用的正循環。
相比之下進入政府機構的數量僅為0.7%，在過去5年中相對不變。學術界也有較大的降幅。
AI研究的一線正與產業一線統一。
這些人工智能人才正在推進物理世界可編程的進程，讓軟件定義的產品成為可能，典型代表例如軟件定義的汽車。
不僅汽車本身變成了軟件定義的智能移動終端，擁有海量數據，涉及車身數據、環境數據、駕駛數據、車內人的各類數據等，還可在全生命周期直達用戶，據此可衍生出多類業務模式，如軟件算法、虛擬司機、出行服務、運營平臺、售后服務及診斷等。
隨著人工智能等新一批技術逐漸成熟，個性化的服務從商品頁面的個性化推薦，到健身軟件中的訓練計劃定制，一步步走進我們的生活。
軟件定義的產品可以做到服務千人千面、常用常新，個性化服務的規模化發展正在開啟。
目前一些整車品牌已在進行車輛靜止狀態下的座艙創新，以激發并滿足日益增加的娛樂、休憩等各類需求，這也使得車輛超越了單純物理移動的意義，類似于智能手機早就超越了單純的通信意義。
特斯拉車內已內置22種游戲，技術部門正努力將Steam上的游戲庫引入旗下車輛，未來特斯拉車機將支持流暢運行Steam。硬件上，2022年特斯拉全系車輛將搭載AMD Ryzen芯片組，性能上媲美最新款的索尼游戲主機PlayStation 5。隨著內容生態的日漸豐富，未來汽車可能參與內容的分成，這可能成為一個空間巨大的收入來源。
大眾估計2030年汽車市場規模將達5萬億歐元，十倍于目前的智能手機市場規模，這主要是得益于軟件和自動駕駛服務能力的提升。大眾將在汽車業新未來形成新的商業模式，利潤池由整車硬件、軟件、電池與充電、移動出行解決方案構成。大眾認為未來汽車依然是個性化的產品，但與傳統汽車時代相比，品牌的差異性將更多的來自于軟件與服務。
寫在最后
任何硬幣都有兩面。
工業壁壘較高，場景需求紛繁復雜，海量工業數據價值挖掘難度大，GPT人工智能模型如果要真正應用到工業場景中，還需要進行深度模型改造和持續優化。工業模型如何訓練、如何配置才更合理，如何獲得更多樣化的真實數據給模型充分的滋養，這些問題有待進一步實踐。
雖然GPT在工業還有一段路要走，但更重要的是它已經起步。
參考資料：
1. 如何使用語言模型調度百萬量級API?ChatGPT Plugins背后技術解讀，作者：Hugh，來源：知乎AGI Bootloader通用人工智能之路
2. 斯坦福最新AI報告發布，12張圖看懂AI現狀|前哨，來源：全球風口
3. ChatGPT會干掉80%的SaaS公司，連帶Office一起，來源：ToB行業頭條
4. 一個AI驅動百萬個API!微軟提出多任務處理模型TaskMatrix，機器人和物聯網終于有救了，來源：量子位
5. ChatGPT浪潮重構互聯網生態，哪些創業機會涌現?來源：每日經濟新聞
6. 萬字長文：ChatGPT能否成為互聯網后下一個系統性機會?作者：十三，來源：量子位
