作者：彭昭（智次方創始人、云和資本聯合創始合伙人）物聯網智庫 原創

這是我的第311篇專欄文章。

2024年，我們邁入了AIoT 2.0的新階段，大量的、主流的設備將會具備智能，而生成式人工智能在產業的應用，是其中必不可少的一塊拼圖。

最近，生成式人工智能GenAI在制造業的應用，正在潛移默化的推進。

以西門子為例，繼去年與微軟聯合研發“AI工業副駕”之后，本月西門子又與AWS聯手推動生成式人工智能在工業軟件領域的普及。

AI工業副駕的目標是讓工人能夠更加有效的操作機器，過去花費幾周才能完成的任務，通過工業副駕只需幾分鐘就能實現，由此可以顯著減少仿真時間，提高生產效率。

工業軟件的GenAI應用則涉及到徹底改變企業處理生成式人工智能程序的方式，通過將人工智能基礎模型服務Amazon Bedrock與西門子低代碼平臺Mendix的集成，只需點擊幾下，使用簡單的圖形界面和拖放指令，用戶就可以加速工業軟件的開發流程。

隨著生成式人工智能GenAI技術的快速發展，其應用前景備受關注。GenAI是否會成為工業制造領域的“利器”，推動傳統制造業的智能升級，改善產業生態，目前業界褒貶不一。

在這些討論背后，一些科技公司正在積極的使用行動擁抱GenAI，推動著各種探索一路向前。

知名研究機構的預測也支持了GenAI即將在多個產業生根發芽的論斷。

具有代表性的比如高盛的一份研究，認為GenAI的突破將會給世界帶來前所未有的變化。隨著自然語言處理NLP等新工具的推出，GenAI和NLP可以推動全球GDP在十年間增長7%，相當于為全球經濟增加了7萬億美元。

波士頓咨詢BCG最近的一份研究報告，分析了生成式人工智能在未來工廠中的應用，較為具備參考性。

其中的重要結論包括：

GenAI并沒有取代傳統的人工智能，也沒有取代現有的工業控制系統，而是起到了輔助的補充作用，為面向未來的工廠鋪平道路。

隨著GenAI解決方案的開發，機器的自主性正在不斷的進步，使得設備能夠自我調節并且自適應陌生環境。

今天這篇文章，我們將圍繞BCG的這份研究報告，通過具體案例，剖析GenAI在工業制造中的應用潛力、實現路徑及注意事項，以期對工業制造轉型升級提供參考借鑒。

制造企業愿意優先考慮GenAI的顛覆性潛力

BCG最近對制造商進行調查，以洞察他們對新興技術的看法。

調查發現，無論對數字化的熱情高低，制造業高管都將人工智能（包括GenAI）視為最可能帶來運營革新的技術。

BCG分析表明，人工智能可以將車間生產力提高20%以上，投資回報僅需1~3年。

以一家汽車供應商為例，人工智能應用幫助其生產力提升了21%。其中，人工智能驅動的殘次品顧問優化參數，讓廢品率下降25%；泵閥健康監測器幾乎杜絕了關鍵生產泵故障，設備效率提升7個百分點；質量檢測系統減少65%的質檢人力，并提高檢測準確率。

人工智能技術源頭眾多，應用廣泛。機器學習和深度學習主要進行數據分析、分類、聚類等；而GenAI如ChatGPT則能根據提示創造新的內容。

試點項目是GenAI工業應用的理想起點

既然生成式人工智能為制造業帶來革新的新機遇，試點項目則是企業實踐生成式人工智能的理想起點。來自英偉達、西門子和Invisible AI等公司的業內專家們，分享了工業GenAI賦能智能工廠的3個典型案例。

案例1：“合成數據”讓機器人拾取和放置不同的物體

借助人工智能訓練，機器人了獲得處理各種物體的能力，哪怕是雞翅，也可以“信手拈來”。

英偉達和Soft Robotics公司與食品生產商合作，通過生成式人工智能解決方案，使機器人能準確識別雞翅堆，抓取單個濕滑的雞翅。

在過去。這是一項極具挑戰性的任務，因為雞翅的形狀和姿勢難以預先判斷，存在多種組合。人工智能的獨特之處在于構建逼真的3D數字孿生和模擬環境。相比拍攝海量真實圖片，使用算法生成的“合成數據”訓練模型，能大幅節省時間成本。

圖：Soft Robotics的機器人能夠識別并從一堆雞翅中撿起單個濕滑的雞翅

案例2：使用異常值檢測，生產線的吞吐量翻倍

廠長雖然不能無所不在，但智能設備可以。Invisible AI公司通過GenAI智能設備幫助制造商優化裝配線。

一旦發現在部分工作站點的執行周期內存在異常，這時人工智能便化身為“千里眼”，它洞察生產全景，找出異常，引導工程師們注意關鍵問題。

圖：使用人工智能工具，造車企業發現工作站的異常時段

某汽車供應商在Invisible AI幫助下使產線產能提升一倍。在另一個案例中，一家汽車OEM與Invisible AI合作來識別未充分利用的站點，OEM利用這一洞察力整合了工作站，每班次的吞吐量提高了5%，同時為20%的員工進行重新分工。

案例3：敏捷的模擬新產線和新流程

數字孿生技術可降低新工廠設計和流程變革的風險。它建立虛擬工廠的3D模擬環境，與現有系統連通，外觀和運行邏輯均如實體工廠。

更進一步，工業元宇宙使這一切成為現實，它專為制造商構建虛擬空間。英偉達與西門子正通過數字孿生，將虛擬技術引入各類工業用戶。

圖：制造生產的整個規劃階段都可以在工業元宇宙中進行

數字孿生涵蓋的技術范疇廣泛，其中也涉及到GenAI的使用。這方面的用例非常鮮活，FREYR電池公司構建了完整的電池工廠虛擬模型，涵蓋基礎設施、設備、人體工程學、安全等細節，實現產品生產的逼真模擬，大幅降低了實際工廠規劃的風險。

GenAI幫助鋪平面向未來的工廠建設之路

GenAI引入了一系列創新功能，但它并不太適合故障檢測、生產分析或定點優化等任務。對于這些任務，傳統的人工智能具有很好的方案。

盡管如此，GenAI仍可發揮重要輔助作用，幫助制造商實現未來智能工廠。其獨特功能可支持制造商實現工廠流程的自治和增強，并以嶄新方式協助員工工作。

根據BCG的分析，GenAI可在各個層面發揮作用，使工廠實現從被動到主動的轉變，最終達到智能化和自主化運轉。它是實現未來智能工廠的重要助力。

經過匯總，GenAI能力可支持三類典型的制造業應用場景：輔助系統、推薦系統和自治系統：

第一類是輔助系統。

這類GenAI應用可提高編程、設備維護等實際工作的效率。例如，傳統上工程師需要手動對機器和邏輯控制器進行編程。而GenAI工具可自動生成代碼，減少工程量和時間成本，工程師只需審查和調整代碼。

同樣，GenAI也可匯總操作員的豐富經驗與知識，將其轉化為數據驅動的建議。

它可以構建模型，通過數據分析驗證操作員對優化設備的參數調整或處理異常的建議。通過自動化編碼和轉化員工經驗知識，GenAI可有效提升工作效率，發揮重要輔助作用。

第二類是推薦系統。

GenAI可提供建議，指導工作人員選擇最佳方案。

在預測性維護中可以看到GenAI的應用價值。過去，制造商通過固定周期維護來防故障。隨著機器學習的應用，可以通過分析不同傳感器數據，識別模式并預測故障。

GenAI可進一步增強這種預測性維護流程，它可以自動生成文字或圖像的維護步驟說明，包括備件清單。這樣維修人員可以將更多時間放在執行上，從而提升效率，降低成本。即使缺乏經驗的技師，在GenAI工具輔助下也能高效維修設備。

第三類是自治系統。

開發者正在探索使用GenAI實現機器的自治。例如現在許多搬運作業還需人工操作，自動化非常困難，GenAI可將工程師的語音提示，如“給我備件47-11”，翻譯成機器人自動執行的一系列動作。這減少了對特定環境和任務的培訓，降低工程成本，提高生產率。

另一個例子是使用GenAI為機器視覺的質量控制合成訓練數據，無需在生產中收集大量真實數據即可快速啟動系統。

通過模擬學習和內容生成，GenAI可實現對新環境的自主適應，大大推進制造業的自動化水平。

如何在制造業中應用GenAI取得成功

要在制造業成功推廣人工智能，僅確定應用領域遠遠不夠，還需在人員和技術兩個方面奠定堅實基礎。GenAI應用開發和運營所需的人才能力，與傳統人工智能類似。但GenAI技術架構更為復雜，包括：模型來源、平臺和基礎設施，以及應用運營等方面。

這些技術架構的選項組合產生了GenAI在制造業的多種運營模式，具體可分為上圖中的4種類型，不同模式都有其優勢，制造商可根據實際情況選擇最佳方案。

總體來說，GenAI技術架構的實現有多種方案可供選擇，每個都有其優劣。制造商應當根據自身實際情況和需求進行決策。

綜合考慮各方面因素，制造商可遵循以下五步驟將GenAI融入運營：

第一步，診斷現狀，識別GenAI應用的機遇和價值提升空間。

第二步，設計目標愿景、策略和路線圖。評估各類GenAI應用的效益，明確人員和技術措施。選擇合適的GenAI模型，兼顧效果、成本和響應速度。

第三步，開發GenAI解決方案和配套措施。

第四步，試點GenAI解決方案和配套舉措，激發組織內廣泛采用的動力。

第五步，在生產環境中推廣經過驗證的GenAI應用組合，并啟動更多試點項目不斷拓展應用場景。

寫在最后

生成式人工智能正悄然改變著我們的世界，其在制造業中的應用已成為熱點。

本文通過案例分析，梳理了GenAI在智能制造中的價值和作用。GenAI可實現智能識圖、語音交互、智能決策等，大幅提高工廠的自動化和自主化水平。

與此同時，我們也要清醒認識GenAI的局限，傳統AI在檢測、分析等方面仍占優勢，兩者應互補應用。要真正實現工業智能化，企業還需關注技術框架選型，人才培養，以及GenAI應用的循序漸進。

GenAI為工業注入新動能的同時，也給企業管理帶來新挑戰。我們需審慎應對，以推動制造業穩步智能化升級。

參考資料：

1.Generative AI’s Role in the Factory of the Future，作者：Daniel Küpper， Kristian Kuhlmann， Monika Saunders， John Knapp， Kai-Frederic Seitz， Julian Englberger， Tilman Buchner， Martin Kleinhans，來源：Boston Consulting Group

2.Turning GenAI Magic into Business Impact，作者：Nicolas de Bellefonds， Sylvain Duranton， Vladimir Lukic， Jessica Apotheker， Rich Lesser， Theo Breward，來源：Boston Consulting Group

3.Four AI case study successes in industrial manufacturing，作者：CARRINE GREASON，來源：Control Engineering

4.AI agents help explain other AI systems，作者：RACHEL GORDON，來源：Control Engineering

       原文標題 : AIoT 2.0時代,生成式人工智能GenAI正在成為工業智能化的新引擎