老时说 | 大模型技术及其在工业智能的应用（下）
随着以ChatGPT为首的生成式AI同工业领域深度融合，工业或将成为大模型重点应用垂直领域。在可见的未来里，生成式AI将赋予工业智能化制造更大发展潜力、更强劲增长动能、更广阔应用场景。 在此，基于当下国内外大模型的研究动态，老时仅抛砖引玉，分享大模型技术在工业领域未来应用中的几方面展望。
一、国内对大模型的研究动态
在ChatGPT火爆以后，中国科技企业纷纷“赶上潮流”，包括互联网厂商、AI厂商、以及一些初创公司都接连推出了各自的大模型产品。 一方面，大型科技公司密集发布自研大模型，从算力层、平台层、模型层、应用层进行了四位一体的全面布局，涌现出华为云盘古大模型、百度文心一言、阿里云通义千问、科大讯飞星火认知等一批具有行业影响力的预训练大模型。 另一方面，国内各大高校与科研院所也在积极布局大模型，清华大学发布ChatGLM，复旦大学推出国内首个类ChatGPT大模型MOSS。毫不夸张地说，“百模大战”已开启。
我觉得这是一个好事儿，正所谓百花齐放，我希望所有厂商都能够发挥自己的特点，然后为不同行业贡献一些有价值的产品。其实从我们的角度来讲，我们更希望国内能有一个与Open AI真正竞争的全球级产品，以及打造一系列像Open AI这样的生态系统，来支持像寄云这样的应用开发厂商，在平台之上利用AI的强大能力去帮助不同行业的客户去解决实际问题。
二、大模型/ChatGPT在工业智能中的应用场景探讨
据IDC预测，2026年中国人工智能软件及应用市场规模将达到211亿美元，人工智能将进入大规模落地应用关键期。大模型等AI技术应用场景正在从生活、办公、娱乐向医疗、工业、教育等加速渗透。 但我们需要注意的是，在现阶段，新技术的可靠性仍需谨慎打磨验证，同时技术研发思路也需更多考虑业务的实际需求以及应用场景适配。
■那像大模型/ChatGPT这一类的颠覆性技术在工业里面究竟怎么应用？
■ 究竟能否给予客户解决哪些问题的能力？
■ 究竟它如何与现有企业的信息化架构去进行融合？
老时总结了一些个人观点，主要是和大家分享下，欢迎一同探讨。
首先，我们不可否认ChatGPT的能力非常突出，但它也会受到很多限制。我认为这些限制必须在大家使用这些大模型的技术之前，需要去慎重考虑。
■ 第一个是安全性。ChatGPT可能会把用户搜索的一些内容反馈给其他搜索类似内容的用户。因此，对于私有化数据和训练数据的隔离性和安全性，大家必须首要去考虑的一个问题。
■ 第二个是准确度。在GPT-3.5的时候，对于有一些明显的数学、物理等问题，ChatGPT不能给出准确的答复，而是创造了看似符合逻辑但错误的内容，简单说就是“一本正经的说瞎话”。文字出处看似很权威，但是它把不同、不相关内容拼凑在一起，给出了一个错误答案，如果你不加检验，这些内容可能会产生负面影响。
■ 第三个是偏见。由于ChatGPT使用带有偏见的数据集，极易可能出现人文、政治和场景化等不同方向上的偏见，而这些偏见可能会影响答案的准确性，因此这方面也需要被重视起来。
■ 第四个是私有化的算力要求。对于企业来说，如果考虑将大模型技术用于私有化数据管理，必须提前规划。具体来说，哪些数据是私有的，哪些可以放在公有云上，哪些可以以混合形态来用，都需要提前规划。
下面，重点和各位探讨下大模型在工业领域的应用场景。
1、私有数据及知识管理
第一，是如何将大模型技术应用于企业管理内部数据和知识的提炼压缩。我们可以通过ChatGPT提供的端点方式，将企业内部的文件和数据上传然后进行训练，通过提问，获取快速、准确的解答和支持。比如说请帮我分析下这篇文章内容。它告诉你，这篇文章主要是从哪些方面介绍了什么样的东西。然后你可以在基础之上提出相关问题。 其次，我们还可以将文件加载上来，让ChatGPT分析文件内容，并回答相关问题。虽然目前ChatGPT还不能将公有的数据和私有的数据关联起来分析，但我们可以尝试通过提问公有问题，来获取这方面的能力。
此外，对于网页内容的分析，我们也可以尝试将网站内容喂给大模型，通过训练辅助获取相关内容摘要。比如在寄云NeuSeer平台网站上，我们尝试通将网站内容发送给大模型，让帮助我们分析网站内容，训练并帮助回答相关网站问题。虽然存在一些问题，比如抓取的内容可能不是单一页面，而是多个页面，但这也为我们未来智能问答助手的优化提供了方向。
2、数据探索和分析
第二个就是对企业海量数据的探索和分析。举个例子，美国的一家人工智能软件公司C3.AI，在这轮大模型热潮中，推出自己的生成AI产品-Generative AI Product Suite，产品支持从海量数据里面发掘出来ESG的一些合规性要求，协助你如何满足对合规性、环保等各方面的要求，更好的支持决策人能够以什么样的策略去开展ESG方面的一些投资。此外，在CRM方面，能帮助快速识别收益机会并发现客户流失风险，降低损失。
我们来看，其核心逻辑就是从海量的底层数据去抓取、然后分析。之后通过交互式AI去创建相应的答案，实现对资产设备可靠性管理、从知识库里提取设备故障特征、维修保养的建议、去创建故障发生时候可能会引发的一些原因，这些都是动态生成式的，包括应对供应链管理等领域的复杂挑战。 其具备的关键能力包括，一是对NLP文本的支持，二是基于AI生成的内容提炼，这个可能更多来自于对底层数据的处理分析后，以一个结果的方式被Chat GPT这类的生成式AI来调用，形成交互式的一个问答，以更好帮助组织优化运营、改进决策并推动数字化转型。
3、重构企业App
未来，我认为ChatGPT类技术会颠覆现有企业App架构。企业的APP，企业的信息化架构可能都会朝着这个方向来发展。 企业APP的架构，其实现在往往相对来讲比较复杂，就是一个数据库、一套应用系统这样的方式。未来其实在需要AI辅助分析之前，是需要底层数据的融合、底层数据的治理、以及底层的一些AI引擎，在企业具备了一定的数据治理和分析能力后，像ChatGPT这一类的引擎才能去从我们规范好、治理好的一个数据库里面形成交互式的一个答案。
现在很多APP的UI设置特别复杂，需要手动点菜单或者按钮，交互过程非常繁琐。而未来，我认为不排除一种可能，它会是一个交互框，是一个简洁的Promt-Answer式交互方式。简单的说，就是我要什么样的内容，我就可以通过这种交互式AI来生成所需。比如我要今天哪一个销售记录的报表，只要描述清楚，它自动会去帮你创建图表；我需要一个设备的3D可视化，它会自动去调用相应的3D模型。所以我觉得企业App极大可能会朝着这个方向来演变。但前提是你有一套架构，如上图所示，需要有底层相应的数据服务来支持对IT/OT系统的数据进行整理，支持结构化、非结构化外部数据的融合。
因此， IT和OT数据的集成、融合、治理是大前提。如果没有好的数据，那就只能具备Garbage In, Garbage Out这种能力。所以我们对数据治理后，在上面会有强大的AI引擎进行调用，支持对治理好的数据进行分析。但同时，我们不要指望ChatGPT能够解决所有的深层次问题。目前来看，它的核心逻辑还是停留在于你把底层能力能够被它所使用，它才能发挥出来更大的好处。
4、工业自动化
假如设备支持软件定义的更新，支持远程控制，假如网络可以开放和软件定义，那么未来像Chat GPT等大模型技术，我觉得它可以像改变企业App一样改变工业自动化。 比方说我需要给他提一个在什么时间，帮我去调取什么样的数据，来去判断什么样的阀门该不该开，该不该关，那让大模型来自动完成所有的自动化操作。当然，我认为这个前提当然是具备可靠的安全保障。当这些底层设备都具备这种能力，那我相信未来的工业自动化会变得非常高效和智能化。
大模型揭开了智力时代的大幕，极大推动了科研范式创新和成果体系革新，其意义深远、应用广泛。
在可见的未来里，我们有理由相信随着大模型技术的进一步发展，这类生成式AI产品将在工业互联网领域发挥越来越重要的作用，支持更多工业场景需求的落地实现。作为一家深耕数据智能的工业智能平台厂商，寄云科技也将积极拥抱以大模型为代表的智能新技术，针对客户的具体场景问题，利用领先数智技术帮助企业提升面向数字化转型的生产指标优化和高效决策能力，加速工业数智化转型升级。