自從ChatGPT以及生成式預訓練轉換器火出了圈，來自各種行業不同企業的工程師們，對它展開了各種稀奇古怪的能力測試。本文將重點展示生成式AI和大模型在工業領域的最新實踐有哪些?
這是我的第279篇專欄文章，我在【數字原生組織】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進行零部件的設計。使用生成式AI設計的零件，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。
無獨有偶，初創公司Divergent 3D使用生成式AI，為英國的豪華跑車制造商阿斯頓·馬丁設計的概念車打造后車架，如下圖所示。
Divergent 3D對比發現新零件重量減輕了40%，并且在數字模擬中，新零件超越了傳統零件的碰撞性能。
更關鍵的是，生成式AI壓縮了設計和迭代的過程，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以進行30~40次迭代，這種超高快進的速度在以前是不可想象的。
正如你所預見，自從ChatGPT以及生成式預訓練轉換器(Generative Pre-trained Transformer，GPT)火出了圈，來自各種行業不同企業的工程師們，對它展開了各種稀奇古怪的能力測試。
就像人們發現了一個全新的錘子，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，在工業領域的最新實踐有哪些?鑒于目前尚未形成生成式AI在工業落地的殺手級應用，本文還將嘗試探討工業人工智能距離ChatGPT時刻有多遠?
開啟生成式AI用于工業場景的無限潛力
作為一種基于人工智能的自然語言處理技術，ChatGPT通過深度學習算法理解和生成人類語言，從而實現與人類的高效溝通。ChatGPT目前在各行各業取得了一些應用成果，尤其在制造業領域，它的應用開始改變傳統的生產方式，推動著制造業的數字化轉型。
雖然ChatGPT很酷，但它仍處于初始階段，生成式AI的工業用途遠未開啟。我們來看一些腦洞大開的做法。
一名叫大衛·羅杰斯的工程師讓ChatGPT幫助他設計汽車生產線。他對ChatGPT說，“歡迎來到SustAIn Motors，現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線，并銷售3,000輛汽車，幫忙設計生產線的布局。我們的起始預算是130萬美元。在這些限制條件下，我可以構建的最高效的裝配生產線是什么?”
隨后，他用三篇博客文章(參考資料1~3)詳細記錄了與ChatGPT的對話過程，經過一番操作，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助廠長設計生產線布局的作用。
還有意大利的工程師讓ChatGPT讀取下面的生產儀表盤，并讓它說出看到了什么。
ChatGPT回答：您提供的內容似乎是使用名為“Zerynth”的軟件創建的儀表板。儀表板中包含有關組織中能源監控的信息。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。還有一些關鍵性能指標(KPI)，例如功率因數、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。
根據各種工程師的嘗試，生成式AI與大模型不僅可以幫助設計工程師探索更多的零部件設計思路，可以幫助廠長規劃生產線的仿真布局，還可以在很多方面幫助工業企業提高效率，具體的應用場景包括：
除了以上應用場景之外，有機構預測，生成式AI在企業的殺手級應用，將是對知識管理的重構。
漂亮的儀表盤和結構化的數據，并不一定能夠產生巨大的價值，反而各種各樣的生產知識和工藝Know-How是企業的靈魂與核心價值。制造企業往往擔心員工離職，帶走了這些知識和經驗。
還有一些制造商，擁有數十年的流程數據、程序記錄和日志，如果將這些流程和程序整合到大模型中，可能會產生意想不到的效果。
然而提到知識管理，人們往往聯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特性帶入了相冊應用。自動分類、自動識別照片和視頻內容，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各處的知識，變成在員工之外的企業第二大腦，一個連成一體的硅基大腦。當然現在讓AI整理知識結構，還有很大挑戰，但大規模語言模型的進化速度可能會讓人驚嘆，更好的工具估計正在路上。
推進工業AI邁向“ChatGPT時刻”的力量
迄今為止，主導工業AI的模型仍然是面向特定任務的。AI企業開發的模型在特定范圍內有不錯的表現，但工程師們發現其泛化能力不足以支持部署到更廣泛場景。
因為工業制造中細分領域眾多，各領域在生產流程、工藝、生產線配置、原材料及產品類型上均具有較大差異性。
現有的深度學習模型泛化程度低，即使在同一行業，模型的可復用比例也比較低。于是工程師們陷入了無限循環：已經訓練了很多模型，但仍然需要茫茫眾多的模型。
現在，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建AI系統的一種新的成功范式，在大量數據上訓練一個模型，并使其適應多種應用，而這種通用能力正是工業制造所需要的。
看到了大模型的潛力，一些公司躍躍欲試將其延伸到工業領域。
其中，正在進行的實踐包括通過構建新一代的AI體系架構，用標準化的手段解決分散的工業場景，克服可復制性和標準性等關鍵性問題。
還有一些值得關注的其他進展，比如谷歌發布的“RoboGPT”，這個機器人只需要一個單一的預訓練模型，就能從不同的感官輸入(如視覺、文本等)中生成命令，來執行多種任務。
它執行任務的過程如下圖所示。開發團隊的目標是制造一種新型機器人，一個可以自學的，可以幫助任何人做任何事情的通用機器人。
實際應用中，這款機器人的表現相當驚艷。
當使用者發出指令：“把抽屜里的玉米片拿給我”，帶有手臂的移動機器人自動生成行動計劃，并自行執行這些行動。機器人通過實時分析攝像頭的數據完成任務，而不需要預先處理場景。這消除了人類對數據進行預處理或注釋的需要，更加自主的進行機器人控制。
RoboGPT這種簡單的交互模式，與工業制造中落地人機協作的策略十分相似。
工業領域場景復雜，好的產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成本與學習負擔。
工業AI距離到達ChatGPT時刻還有多遠?
特斯拉的CEO馬斯克基于第一性原理，曾經說過一句很深刻的話：產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)。
這一句話拉近了原子與比特的距離。
過去在原子經濟和比特經濟的賽跑當中，我們總能看到比特取勝，這是零邊際成本的優勢。
數字世界的零邊際成本與現實世界中的任何東西都完全不同。
現實世界的原子經濟是一種稀缺性經濟：原子是有限的，如果你把原子帶走了，別人就不能再有。
相反，數字世界的比特經濟是一種富足經濟，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別。
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。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。
如何對物理世界進行編程?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，工廠成為產品。
然而，要在工業領域廣泛應用生成式AI和大模型，并實現更復雜的任務還有一定的距離。我們需要解決以下挑戰：
通用性：雖然現有的人工智能系統在很多任務上表現出色，但它們在不同領域的通用性仍需提高。為了在各種應用中實現優秀的性能，需要進一步改進算法和模型。
理解與推理能力：目前的人工智能系統仍然缺乏深入理解和推理能力。要達到真正的“ChatGPT時刻”，系統需要能夠理解復雜的概念和背后的邏輯，并在對話中進行有效推理。
安全性和可靠性：人工智能系統的安全性和可靠性是一個關鍵問題。在實際應用中，系統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。
數據和計算資源：要進一步提高工業人工智能的性能和普適性，需要大量高質量的數據和計算資源。這可能會導致成本上升，限制部分企業和組織的發展。
人工智能政策和監管：隨著技術的發展，政策和監管的作用越來越重要。如何在保護隱私、確保安全和公平的同時，鼓勵人工智能的發展和應用仍是一個待解決的問題。
數字化轉型雖然已經提出多年，但仍舊遠未觸及核心。數字技術的價值在于它提供了通用性的計算能力，而且讓產品的邊際成本趨近于零，實體產業與數字經濟可以更加有效的緊密結合。
寫在最后
隨著研究的深入和技術的不斷進步，我們有理由相信在未來幾年內，工業人工智能將取得更大的突破。雖然產品本身的邊際成本趨近于零，但是新技術將讓制造企業的盈利模式大幅拓寬。
目前，技術逐漸不再是束縛企業發展的瓶頸，我們需要解決流程重塑和組織再造等問題。各種行業的組織模式發展，遠遠落后于整體技術架構、商業模式以及產業生態的變化。企業得開始思考如何收獲更多的員工積極性、創造力、生產力和認同感。
為了更好的引導制造業企業思考自身的組織結構與業務，通過其他企業的創新案例開拓思維，引導培養“智造”新思維，探索創新思維與企業變革之間的連接。
