AIoT 2.0时代,生成式人工智能GenAI正在成为工业智能化的新引擎

这是我的第311篇专栏文章。

2024年，我们迈入了AIoT 2.0的新阶段，大量的、主流的设备将会具备智能，而生成式人工智能在产业的应用，是其中必不可少的一块拼图。

最近，生成式人工智能GenAI在制造业的应用，正在潜移默化的推进。

以西门子为例，继去年与微软联合研发“AI工业副驾”之后，本月西门子又与AWS联手推动生成式人工智能在工业软件领域的普及。

• AI工业副驾的目标是让工人能够更加有效的操作机器，过去花费几周才能完成的任务，通过工业副驾只需几分钟就能实现，由此可以显著减少仿真时间，提高生产效率。

• 工业软件的GenAI应用则涉及到彻底改变企业处理生成式人工智能程序的方式，通过将人工智能基础模型服务Amazon Bedrock与西门子低代码平台Mendix的集成，只需点击几下，使用简单的图形界面和拖放指令，用户就可以加速工业软件的开发流程。

随着生成式人工智能GenAI技术的快速发展，其应用前景备受关注。GenAI是否会成为工业制造领域的“利器”，推动传统制造业的智能升级，改善产业生态，目前业界褒贬不一。

在这些讨论背后，一些科技公司正在积极的使用行动拥抱GenAI，推动着各种探索一路向前。

知名研究机构的预测也支持了GenAI即将在多个产业生根发芽的论断。

具有代表性的比如高盛的一份研究，认为GenAI的突破将会给世界带来前所未有的变化。随着自然语言处理NLP等新工具的推出，GenAI和NLP可以推动全球GDP在十年间增长7%，相当于为全球经济增加了7万亿美元。

波士顿咨询BCG最近的一份研究报告，分析了生成式人工智能在未来工厂中的应用，较为具备参考性。

其中的重要结论包括：

• GenAI并没有取代传统的人工智能，也没有取代现有的工业控制系统，而是起到了辅助的补充作用，为面向未来的工厂铺平道路。

• 随着GenAI解决方案的开发，机器的自主性正在不断的进步，使得设备能够自我调节并且自适应陌生环境。

今天这篇文章，我们将围绕BCG的这份研究报告，通过具体案例，剖析GenAI在工业制造中的应用潜力、实现路径及注意事项，以期对工业制造转型升级提供参考借鉴。

制造企业愿意优先考虑GenAI的颠覆性潜力

BCG最近对制造商进行调查，以洞察他们对新兴技术的看法。

调查发现，无论对数字化的热情高低，制造业高管都将人工智能（包括GenAI）视为最可能带来运营革新的技术。

BCG分析表明，人工智能可以将车间生产力提高20%以上，投资回报仅需1~3年。

以一家汽车供应商为例，人工智能应用帮助其生产力提升了21%。其中，人工智能驱动的残次品顾问优化参数，让废品率下降25%；泵阀健康监测器几乎杜绝了关键生产泵故障，设备效率提升7个百分点；质量检测系统减少65%的质检人力，并提高检测准确率。

人工智能技术源头众多，应用广泛。机器学习和深度学习主要进行数据分析、分类、聚类等；而GenAI如ChatGPT则能根据提示创造新的内容。

试点项目是GenAI工业应用的理想起点

既然生成式人工智能为制造业带来革新的新机遇，试点项目则是企业实践生成式人工智能的理想起点。来自英伟达、西门子和Invisible AI等公司的业内专家们，分享了工业GenAI赋能智能工厂的3个典型案例。

• 案例1：“合成数据”让机器人拾取和放置不同的物体

借助人工智能训练，机器人了获得处理各种物体的能力，哪怕是鸡翅，也可以“信手拈来”。

英伟达和Soft Robotics公司与食品生产商合作，通过生成式人工智能解决方案，使机器人能准确识别鸡翅堆，抓取单个湿滑的鸡翅。

在过去。这是一项极具挑战性的任务，因为鸡翅的形状和姿势难以预先判断，存在多种组合。人工智能的独特之处在于构建逼真的3D数字孪生和模拟环境。相比拍摄海量真实图片，使用算法生成的“合成数据”训练模型，能大幅节省时间成本。

图：Soft Robotics的机器人能够识别并从一堆鸡翅中捡起单个湿滑的鸡翅

• 案例2：使用异常值检测，生产线的吞吐量翻倍

厂长虽然不能无所不在，但智能设备可以。Invisible AI公司通过GenAI智能设备帮助制造商优化装配线。

一旦发现在部分工作站点的执行周期内存在异常，这时人工智能便化身为“千里眼”，它洞察生产全景，找出异常，引导工程师们注意关键问题。

图：使用人工智能工具，造车企业发现工作站的异常时段

某汽车供应商在Invisible AI帮助下使产线产能提升一倍。在另一个案例中，一家汽车OEM与Invisible AI合作来识别未充分利用的站点，OEM利用这一洞察力整合了工作站，每班次的吞吐量提高了5%，同时为20%的员工进行重新分工。

• 案例3：敏捷的模拟新产线和新流程

数字孪生技术可降低新工厂设计和流程变革的风险。它建立虚拟工厂的3D模拟环境，与现有系统连通，外观和运行逻辑均如实体工厂。

更进一步，工业元宇宙使这一切成为现实，它专为制造商构建虚拟空间。英伟达与西门子正通过数字孪生，将虚拟技术引入各类工业用户。

图：制造生产的整个规划阶段都可以在工业元宇宙中进行

数字孪生涵盖的技术范畴广泛，其中也涉及到GenAI的使用。这方面的用例非常鲜活，FREYR电池公司构建了完整的电池工厂虚拟模型，涵盖基础设施、设备、人体工程学、安全等细节，实现产品生产的逼真模拟，大幅降低了实际工厂规划的风险。

GenAI帮助铺平面向未来的工厂建设之路

GenAI引入了一系列创新功能，但它并不太适合故障检测、生产分析或定点优化等任务。对于这些任务，传统的人工智能具有很好的方案。

尽管如此，GenAI仍可发挥重要辅助作用，帮助制造商实现未来智能工厂。其独特功能可支持制造商实现工厂流程的自治和增强，并以崭新方式协助员工工作。

根据BCG的分析，GenAI可在各个层面发挥作用，使工厂实现从被动到主动的转变，最终达到智能化和自主化运转。它是实现未来智能工厂的重要助力。

经过汇总，GenAI能力可支持三类典型的制造业应用场景：辅助系统、推荐系统和自治系统：

第一类是辅助系统。

这类GenAI应用可提高编程、设备维护等实际工作的效率。例如，传统上工程师需要手动对机器和逻辑控制器进行编程。而GenAI工具可自动生成代码，减少工程量和时间成本，工程师只需审查和调整代码。

同样，GenAI也可汇总操作员的丰富经验与知识，将其转化为数据驱动的建议。

它可以构建模型，通过数据分析验证操作员对优化设备的参数调整或处理异常的建议。通过自动化编码和转化员工经验知识，GenAI可有效提升工作效率，发挥重要辅助作用。

第二类是推荐系统。

GenAI可提供建议，指导工作人员选择最佳方案。

在预测性维护中可以看到GenAI的应用价值。过去，制造商通过固定周期维护来防故障。随着机器学习的应用，可以通过分析不同传感器数据，识别模式并预测故障。

GenAI可进一步增强这种预测性维护流程，它可以自动生成文字或图像的维护步骤说明，包括备件清单。这样维修人员可以将更多时间放在执行上，从而提升效率，降低成本。即使缺乏经验的技师，在GenAI工具辅助下也能高效维修设备。

第三类是自治系统。

开发者正在探索使用GenAI实现机器的自治。例如现在许多搬运作业还需人工操作，自动化非常困难，GenAI可将工程师的语音提示，如“给我备件47-11”，翻译成机器人自动执行的一系列动作。这减少了对特定环境和任务的培训，降低工程成本，提高生产率。

另一个例子是使用GenAI为机器视觉的质量控制合成训练数据，无需在生产中收集大量真实数据即可快速启动系统。

通过模拟学习和内容生成，GenAI可实现对新环境的自主适应，大大推进制造业的自动化水平。

如何在制造业中应用GenAI取得成功

要在制造业成功推广人工智能，仅确定应用领域远远不够，还需在人员和技术两个方面奠定坚实基础。GenAI应用开发和运营所需的人才能力，与传统人工智能类似。但GenAI技术架构更为复杂，包括：模型来源、平台和基础设施，以及应用运营等方面。

这些技术架构的选项组合产生了GenAI在制造业的多种运营模式，具体可分为上图中的4种类型，不同模式都有其优势，制造商可根据实际情况选择最佳方案。

总体来说，GenAI技术架构的实现有多种方案可供选择，每个都有其优劣。制造商应当根据自身实际情况和需求进行决策。

综合考虑各方面因素，制造商可遵循以下五步骤将GenAI融入运营：

• 第一步，诊断现状，识别GenAI应用的机遇和价值提升空间。

• 第二步，设计目标愿景、策略和路线图。评估各类GenAI应用的效益，明确人员和技术措施。选择合适的GenAI模型，兼顾效果、成本和响应速度。

• 第三步，开发GenAI解决方案和配套措施。

• 第四步，试点GenAI解决方案和配套举措，激发组织内广泛采用的动力。

• 第五步，在生产环境中推广经过验证的GenAI应用组合，并启动更多试点项目不断拓展应用场景。

写在最后

生成式人工智能正悄然改变着我们的世界，其在制造业中的应用已成为热点。

本文通过案例分析，梳理了GenAI在智能制造中的价值和作用。GenAI可实现智能识图、语音交互、智能决策等，大幅提高工厂的自动化和自主化水平。

与此同时，我们也要清醒认识GenAI的局限，传统AI在检测、分析等方面仍占优势，两者应互补应用。要真正实现工业智能化，企业还需关注技术框架选型，人才培养，以及GenAI应用的循序渐进。

GenAI为工业注入新动能的同时，也给企业管理带来新挑战。我们需审慎应对，以推动制造业稳步智能化升级。

参考资料：

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，来源：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，来源：Boston Consulting Group

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

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