当前位置:首页|资讯|AI大模型

安筱鹏:制造业是AI大模型应用的主战场

作者:阿里研究院发布时间:2024-02-08

原标题:安筱鹏:制造业是AI大模型应用的主战场

如何认识这一轮AI技术发展影响的深度和广度?如何判断这一轮AI技术变革的性质?

AI大模型是通用人工智能发展的重要里程碑。4月28日、5月5日中央会议关于人工智能发展提出三个第一次:第一次提出“通用人工智能”,第一次提出“产业智能化”,第一次提出“把握人工智能等新科技革命浪潮”。

这一轮AI所体现“革命性”特征,不是AI可以生成文字、可以生成图片,而是AI可以生成代码,构建人机交互新模式,与产品研发、工艺设计、生产作业、产品运营等制造环节、场景相结合,提升生产效率,形成新生产力,并引发产业竞争格局重构。

AI大模型事关人类生产工具的变革,事关一个国家制造业核心竞争力重塑,事关经济的长期繁荣和走向。

数实融合是全球制造业

竞争格局重构的核心变量

数字化是巨变时代的分水岭,已成为企业、城市、国家之间竞争急剧分化的催化剂。制造业是数实融合最主要的产业部门,其融合的方式、广度和深度,能够直接影响甚至决定制造业的先进水平和全球竞争格局。

1. 数实融合是美国制造业全球领先的根本原因

目前,许多人潜意识里非常认同数字时代德国制造业发展道路和模式,“唱衰”美国制造业。然而事实上,过去十年,美国是全球制造业发展的“样板间”。

无论是制造业的规模、增速还是竞争力,美国均持续领先德国和日本,并且差距不断拉大:2011到2021年,美国制造业规模相当于德国的1.5倍扩大到2.4倍,相当于日本的2.5倍扩大到3.1倍。美国制造业仍然以比日本和德国更快的速度发展。

过去10年,美国制造业领先地位的巩固和确立,是“软件定义硬件”的结果,是以“云+AI”为代表的数字技术深度、全面融入实体经济的结果,是向新型数字基础设施进行迁徙的结果。

2. 数字原生企业涌现是美国制造业升级的重要标志

数字原生企业的涌现是产业升级和经济繁荣的重要标志。

德国、日本与美国制造业差距的扩大,在微观上主要表现为制造业领域缺乏一批有竞争力的数字原生企业。

德国“工业4.0”目标并没有实现,与预期差距较大,中小企业数字化进展缓慢,研究表明只有21%的中小企业在生产中使用了数字技术,也没有成长出一批数字时代有竞争力的中小企业。

日本的情况与德国类似,日本经历了“失去的二十年”,同样没有培养出一批数字原生企业。

数字技术驱动美国新企业、新产品不断涌现,以特斯拉、SpaceX、Rivian、OpenAI、Snowflake、Palantir等为代表数字原生企业,不仅成为全球的产业引领者,而且持续构建产品创新的新模式。

特斯特引领全球汽车工业电动化、智能化,正如瓦伦丁在《从丰田主义到特斯拉主义》所描述的,电动车领域的数字原生企业正在重新定义汽车,在个性化、以用户为中心的万物互联、万物智能时代,新物种为应对不确定性而生,以高频创新为驱动,基于进化组织的迭代思维,从MVP小步快跑加速商业化。

特斯拉作为一个数字原生企业,具有四个典型特征:软件定义、高频创新、客户运营商、进化型组织。

2010年美国DARPA推出自适应运载器制造(AVM)计划,提出“重新发明制造业”,通过彻底变革和重塑装备制造业,将武器装备研制周期缩短到现在的五分之一。

复杂制造业产品研制生产要像半导体行业一样,其产品设计、仿真、试验、工艺、制造等活动,全部都在数字空间完成,待产品迭代成熟后再进入工厂一次制造完成,缩短研制周期、降低研制成本。这一战略已经开花结果。

2023年11月11日,美国新一代隐形战略轰炸机首飞,这是全球第一款数字轰炸机-B21,从一开始就采用数字化设计,基于云计算的开发、部署和测试数字孪生,带来更好的维护性和更长的生命周期,以及更低的基础设施成本,是最近30年来美军研发速度最快的机型,还可以像特斯拉汽车不断下载新软件一样,能够不断升级产品功能,战斗力升级将依赖于敏捷软件迭代。

这一趋势的本质是:“云+AI”已经不仅是一个商业基础设施,更是一个创新基础设施,是新企业、新产品孕育孵化的摇篮。

3. AI大模型是重塑全球制造业竞争格局的新起点

AI大模型正加速第三次“数实融合”浪潮全面到来,智能化是其主要特征。AI大模型将影响制造业发展格局,AI大模型将会融入制造业的研发设计、生产工艺、质量管理、运营控制、营销服务、组织协同和经营管理的方方面面。

在研发设计领域,AI革新传统的科研范式。

在生物医药领域,2022年,DeepMind开发的AlphaFold2模型几乎预测了所有的蛋白质结构。如今AI模型不仅能“预测”、还可以“生成”蛋白质,为未来的药物生产研发创造新的可能。例如由Salesforce Research公司开发的ProGen系统成功从零生成全新的蛋白质。

RNA(核糖核酸)病毒研究计算效率低、不精准,中山大学基于Transformer架构的“LucaProt”深度学习模型,训练了大型蛋白质语言模型,将病毒发现周期从过去2-3个月时间缩短为一周,发现了数万种依赖传统人工比对方法无法识别的新型病毒,将全球RNA病毒多样性扩充了近30倍。这将会将缩短疫苗研制周期、降低研制成本。

在生产制造环节,AI大模型可以直接服务智能汽车、机器人、芯片、服装等产品的研发创新,例如工程师可通过大模型自动生成代码指令,完成机器人功能的开发与调试,甚至还能为机器人创造一些全新的功能。

在设备运维环节,AI大模型大幅增强了传统垂直模型的能力。AI大模型具备了理解能力,电力行业无人机在山区电力设备上采集信息后,传统垂直小模型给出的判断:“销子不规范”,而大模型能够基于多模态发展出图像认知能力,给出的结论是:“高速公路附近上空,红色涂装的绝缘子左侧连接杆塔金件上,有10个螺栓,其中3个存在销子不规范,包括1个脱销、1个未插紧、1个损毁,已生成异常说明,建议尽快现场确认发起检修。”

AI大模型赋能制造业的四个基本趋势

在“软件定义一切”的时代,AI大模型作为新的生产力工具,必将从内容领域(文生文、文生图等)深度扩张到生产实体领域,在制造业的各个环节中引发新的效率革命,加速制造业走向智能化。

1. AI驱动软件升级是大模型赋能制造业的主要途径

工业软件是制造业数字化转型的灵魂和关键。

AI大模型如何支持赋能制造业,有多种方式和途径,可预期的重要方式是:AI将重构软件开发模式、交互方式、使用流程和商业模式,无论是研发类、管理类、生产类还是后服务类工业软件,都将用大模型重新升级一遍,越是复杂的软件系统,未来改造的空间越大。

基于代码大模型打造的新一代AI编码平台产品,具备强大的代码理解与生成能力,支持代码补全、测试单元生成、代码解释、代码查错等核心场景。随着MaaS(模型即服务)的崛起,以模型为中心的开发范式将降低工业软件开发门槛,提高开发效率。

根据CSDN在2023年初的评估,GPT4的软件编程能力相当于国内月薪3万元的软件工程师能力,相当于谷歌年薪18万美元L3级工程师。美国一个软件岗位招聘做了一个测试:一个只有4年编程经验的工程师借助AI工具,其软件开发效率相当于19年编程经验的5倍。

在工业软件开发层面,AI大模型正在革新软件开发范式。AI将与人类共同协作开发,倍数级提升软件研发的效率,例如服务于一线研发人员的内容生成工具(文档、编码、测试、发布、运维),可以大幅提升生产力。同时“代码大模型”的研究和应用,正在引发AI编码的革命。

AI成为芯片设计新工具,AI与EDA的双向奔赴,将开启芯片设计的下一场革命,Synopsys和Cadence等传统芯片设计公司也在积极拥抱AI设计。

英伟达Hopper架构H100拥有13000个AI设计电路,用AI设计GPU比传统EDA减少25%芯片面积,功耗更低。谷歌开始使用强化学习(RL)技术设计自己的TPUAI加速器布局。

在工业软件性能层面,AI大模型会推动软件智能升级。例如在研发设计场景中,Back2CAD基于ChatGPT等推出CADGPT™,支持智能推荐、文档生成、代码生产等功能,能够有效辅助产品的研发设计。

2. 弥合数据流断点是AI大模型赋能制造业的重要价值

每一次人机交互技术的突破,都将带来一次产业重构。AI大模型带来了新的“人机交互”革命,未来自然语言将能操控一切,深刻改变人们使用搜索引擎、消费购物、生产制造等的方式,并深刻影响未来的产业竞争格局。

制造业数字化的核心是,以数据的自动流动化解复杂系统的不确定性,将正确的数据、以正确的方式、在正确的时间传递给正确的人和机器,提高资源配置效率。

但企业实际的运营状态是:多个环节中存在数据流的断点,需要工程师开发各种工艺软件和流程软件。AI大模型为改变这一现状找到了新路。

这条新路是,基于AI大模型的自然语言交互能力,为制造业企业内部、产业上下游之间的实时、泛在的连接提供了软件开发、交互的新方式,降低了工艺和流程的软件开发门槛、提高了效率,弥合了企业数据流动过程中的无数个断点。

例如国内机器人公司,借助通义大模型开发机器人行业模型,基于自然语言,可以实现人和机器的互动。如机器人收到了人的指令后,可以进行理解、推理和分析,并自动生成软件代码,组织协调不同智能体完成不同场景下的任务。

这一功能大大降低了工艺开发人员的门槛,提高了开发效率和质量。从全局来看,不仅能避免出现数据断点,减少人工干预带来的影响,从而提高产品的稳定性和可靠性,促进了数据在多个环节的自动流动,提高了整个系统的智能化水平。

进入数字时代,以往高度一体化、集中化的制造业体系,逐渐走向生产分散化和组织灵活化。

AI大模型+智能协同办公平台,有助于打通制造业的一个个数据断流节点,推动数据在研发、生产、配送、服务等环节高效流动,从而提升制造企业内部、甚至产业上下游之间的协同效率,推动制造业走向“智能协同生产”。

“融合”是半个世纪以来技术演进的基本规律,信息技术(IT)、通信技术(CI)、控制技术(OT)和以云计算、AI为代表的DT技术加速融合。

展望未来10年,AI大模型将会赋能每个智能终端、智能单元和智能系统,AI大模型驱动的智能在云边端实时协同成为基本趋势,被AI大模型赋能的智能体将无所不在,设备、产线、工厂、企业中的智能体将无所不在,数据流的核心价值将从描述信息走向决策流和控制流。

无数个智能体在AI大模型的驱动下,实现决策智能与控制执行,走向自决策、自控制,人们将面对一个智能联合体的崛起。

3. 进入控制环节是AI大模型赋能制造业的关键标志

AI大模型进入制造业的核心价值不是在营销和管理等环节,而是要进入生产控制环节。

AI大模型的通用性、泛化性,以及基于“预训练+精调”的新开发范式,将从研发设计、生产工艺、运维质控、销售客服、组织协同等各个环节赋能制造业。

其中,我们认为进入生产环节最核心的控制系统,例如PLC、MES、SCADA等等,提升工艺生产流程的智能化,是AI大模型应用制造业的关键标志。

西门子和微软在今年4月宣布合作,基于GPT推动下一代自动化技术变革,合作开发PLC的代码生成工具,将AI大模型融入控制环节。

目前,在电力调度领域,AI大模型可以深入新型电力系统复杂调度控制核心业务环节,成为调度业务“专家助手”,可以为电力调度员提供电网调控策略,优化线路负载均衡,从而降低电网损耗等。

目前,企业正探索利用AI大模型能力,驱动工业软件SCADA智能化。

SCADA系统(数据采集与监视控制系统)可以应用于电力、冶金、石油、化工、燃气、铁路等领域的数据采集与监视控制以及过程控制等诸多领域。

在SCADA场景下,典型做法是利用大模型在特定行业场景下的编程接口和生态库,产生工业逻辑代码(交互、建模、SQL开发),自动集成到工业软件中,基于结果闭环优化模型。

在汽车行业,近几十年来,汽车工业的转型,不仅是一场动力革命,也是一次控制革命。

传统汽车向智能汽车演进最大的技术变革在于汽车控制系统的创新,从传统汽车80多个ECU等电子控制单元,转向类似于智能手机的集中式架构(底层操作系统+芯片SOC+应用软件)

今天,自动驾驶成为汽车工业转型的又一个重大方向。

目前大模型对自动驾驶的改变主要有两个方向:一是大模型作为赋能工具,辅助自动驾驶算法的训练和优化;二是大模型进入决策控制环节,作为“控制者”直接驾驶车辆。

2023年8月公开报道显示,特斯拉“端到端”AI自动驾驶系统FSD Beta V12首次公开亮相,完全依靠车载摄像头和神经网络来识别道路和交通情况,并做出相应的决策。

当然,目前AI大模型进入控制环节,实际的应用和落地过程仍然面临着许多问题,有待科研人员进一步探索解决。

4. 大小模型协同是AI大模型赋能制造业的重要趋势

AI大模型本身需要找到具体落地场景,离解决千行百业的实际场景问题,还有距离。从实际的产业发展看,一个重要的趋势是:通用与专用、开源与闭源、大模型与现存软硬件系统的协同配合,是产业落地的必经阶段,而且在这一阶段,大小模型高度协同的重要载体——AI智能体(AI Agent)将成为新的生产工具。

AI Agent一般是指基于LLM、能够使用工具自主完成特定任务的智能体。AI Agent将LLM与其他模型、软件等外部工具协同,能够处理真实世界中的各种复杂任务。

2023年7月,阿里云推出了一款智能工具魔搭GPT(ModelScopeGPT),它能接收用户指令,通过“中枢模型”一键调用魔搭社区其他的AI模型,大小模型协同完成复杂任务,降低大模型使用门槛。

未来,AI Agent将主要由“感知系统+控制系统+执行系统”组成,不仅具有生成能力,还将同时具备任务理解、任务拆解、任务调度、执行规划、链条协同等能力。

其中LLM将主要承担指挥中心角色,类似人类“大脑”的角色,对接入AI Agent的数字化工具(比如SaaS软件、工业机器人、数字人等)进行统一智能调度管理,实时在生产、管理、服务等场景中,由不同组合的数字化工具协同完成具体场景中的实际问题。

打造“公共云+AI”体系化能力,

推动智能制造迈向“新阶段”

今天的制造业转型升级,已经不再是单一技术的赋能,而是以“公共云+AI”为代表的技术体系的全方位赋能和支撑。

当前,必须把握好以AI大模型为代表的新一代人工智能技术发展的历史机遇,加速推动智能制造迈向“新阶段”。

1. 实施“公共云优先”战略,把公共云作为推动“制造业+AI大模型”融合创新的关键力量

公共云的大规模、高可用、低成本算力基础设施,成为产业智能化的关键基础。

特别是美国升级芯片管制后,公共云是缓解高端芯片瓶颈的最优路径,通过高效连接异构计算资源,突破单一性能芯片瓶颈,协同完成大规模智能计算任务,可以有效降低对海外高端芯片的依赖。

一是要将“公共云优先”战略作为制造业数字化转型相关政策规划的重要内容,明确中长期发展目标、重点任务和保障措施等;

二是要避免芯片“挤兑”现象,警惕各地“小散多”一哄而上地建设算力中心,造成统一算力市场得“碎片化”,避免出现建得多、用不好、用不起的现象;

三是将数据中心利用效率作为数据中心建设考核指标,扭转数据中心建设“重建设、轻运营”“重投入、轻绩效”的模式。

2. 鼓励模型开源开放,支持科技平台企业做大做强模型开源社区,繁荣AI产业技术生态

AI的竞争既是一场技术战,也是一场商业战,核心是生态战,关键在于开源开放。开源开放可以降低研发成本和应用门槛,是创新到商业闭环的“助推器”。

一是做好AI开源开放生态的顶层设计,将AI开源开放生态建设纳入国家规划、抓好落地实施;

二是鼓励地方政府联合AI开源社区头部平台建设AI赋能中心,依托海量开源模型和模型即服务平台(MaaS平台)加速制造业数智化创新应用;

三是鼓励应用牵引,加快产业落地,支持制造企业加速应用基础大模型、研发应用行业模型和企业专属模型,通过“用模型”反哺技术创新。

3. 启动工业软件AI驱动升级工程,加快制造业全环节全链条智能化升级

作为智能制造的关键支撑,工业软件对推动制造业转型升级具有重要战略意义。AI时代,所有工业软件都值得用大模型重新升级一遍。

一是要大力发展基于AI的工业软件,推动“工业软件+AI大模型”技术研发,增强工业软件在智能化时代的自主创新能力,积极推动工业软件标准研制工作;

二是要充分发挥工业软件相关联盟的沟通桥梁作用,发挥AI企业、工业软件企业、科研院所和制造业企业各自优势,构建合作共赢、具有核心竞争力的AI驱动的工业软件产业生态。

4. 聚焦制造业重点产业链,分环节分场景打造标杆,示范推动大模型在制造业的规模化应用

制造业重点产业链是加快建设现代化产业体系的重要支撑,要找准关键环节、集中优质资源,搭建以“算力+算法+数据”为核心的要素体系,提升制造业的数实融合程度,促进制造业产业链安全和智能化升级。

一是启动大模型支撑新型工业化示范工程,以AI大模型为抓手,推进AI全方位、深层次赋能新型工业化,加快探索新型工业化“新模式”;

二是在产业基础好、创新能力强的制造业产业带、优势开发区、产业园区的等,率先开展“制造业+AI大模型”融合创新发展示范工程;

三是通过“创新平台+数字工厂”等模式,针对感知、控制、决策、执行等关键环节的短板弱项,分场景加强产学研用联合创新,打造创新应用标杆,推动大模型规模化应用。


Copyright © 2024 aigcdaily.cn  北京智识时代科技有限公司  版权所有  京ICP备2023006237号-1