分析 | 生成式AI如何与工业领域融合？盘点现阶段AIGC生产制造领域的四大场景与三大挑战

生成式AI大模型并未改变人工智能在工业领域的应用范式。以ChatGPT、Llama等为代表的大模型技术开启了通用人工智能的新篇章，成为全球经济增长的重要引擎，为各行业智能化带来全新机遇。《》。

其中，制造业将是人工智能的重要应用领域，涵盖智能制造、工业互联网等方面。在ChatGPT、Stable Diffusion等新技术兴起之前，质量检测、设备预测性维护等代表性人工智能应用已广泛融入制造业并达到成熟应用水平。这些应用范式包括深度学习、强化学习等数据科学算法，计算机视觉、自然语言处理、语音识别等针对制造领域的算法，以及知识图谱、专家系统等知识工程技术。

目前，通用支撑技术在人工智能在制造业的布局和推理过程中发挥了重要保障作用，例如边缘计算、高性能计算等技术确保现场推理速度，时序数据库、大数据平台等保障数据管理和接入。值得注意的是，数字经济应用实践专家骆仁童博士指出，工业领域的知识和经验对于实现AI与工业场景的深度融合起到了至关重要的作用。这种融合使得AI应用能够更好地理解工业制造的需求，从而提供更为精准、高效的服务。

生成式AI大模型在制造工业领域的短期趋势

现阶段，生成式AI在制造业的场景体现在研发设计规划、生产过程管控、经营管理优化、产品服务优化等四大环节。数字经济应用实践专家骆仁童博士表示，这种趋势不仅提高了制造业的效率，降低了成本，还为制造业带来了新的商业模式和价值创新。然而，随着生成式AI技术的不断发展，制造业也需要面临数据安全、技术更新等方面的挑战，以确保其在未来的竞争中保持领先地位。

在研发设计与规划阶段， 在工业产品设计领域，传统的设计流程通常包括概念设计、渲染概念图、筛选评估等多个环节，需要大量的人工参与和反复修改，导致周期长、效率低下。

海尔创新设计中心与计算美学Nolibox合作，基于亚马逊云科技的服务，让设计师可以在云端快速创建和编辑概念设计，并对其进行自动渲染和评估。这不仅大幅缩短了设计周期，而且降低了概念设计的成本。整体概念设计的速度提高了83%，集成渲染效率也提升了约90%。

此外，自然语言的交互能力拓展CAD等设计软件的功能，如Back2CAD推出的CADGPT，支持智能推荐、文档生成、代码生产等功能；图像数据的生成能力也可以提升设计效率，如海尔设计的AIGC解决方案，将图像生成能力应用于产品设计、UI设计、CMF设计、品牌设计等环节。

在生产制造环节， 不少中国制造企业面临着企业内部信息分散、数据信息传递不足、知识运营能力缺乏等挑战。知识问答和代码生成等能力成为重要探索方向。

例如西门子和微软合作开发PLC代码生成工具，ChatGPT用于生成PLC代码；Authentise推出3DGPT用于增材制造技术问答；创新奇智推出AInno-15B工业大模型，实现工业机器人控制、企业私域数据分析、企业私域知识库等应用；SprutCAM X结合ChatGPT api构建CAM虚拟助手，支持工程师操作机床加工。

其中，西门子中国基于自有模型的智能知识库比较有代表性，其名智能会话机器人小禹。小禹具备多项核心关键能力，如自然语言处理、知识库检索以及通过数据训练大语言模型等。这些能力极大地提高了内部员工获取信息的效率。

在经营管理环节， 基于大模型的设备管理、智能问答、数据分析等能力成为主流应用。

施耐德电气在全球拥有187家工厂，其中在中国就有20多家。借助AI基础设施，施耐德电气能够显著降低模型管理训练的复杂性，从而在云端实现全球工厂的集中化部署、管理与监控。

此外还可以支撑企业经营洞察、智能订单生成、供应商风控、动态库存优化等应用。目前Salesforce、微软等加强生成式AI已经在CRM领域的集成和应用。

在产品服务优化环节， 将大模型的能力集成到产品中，成为消费电子、汽车等领域产品智能化能力提升的探索焦点。

目前国光电器推出的智能音箱Vifa ChatMini内置了大模型，在保持专业声学标准的基础上，与传统智能音箱相比，在自然语言生成和情感表达方面具有显著优势，可应用于特定用户群体的情感支持和智能学习陪伴，也可作为智能助手应用于日常工作和规划中。

还有创新奇智工业大模型AInno-15B从Llama 2、Falcon、Bloom等开源大模型中提取部分知识，再结合自己设计的参数结构和积累的工业知识数据进行训练，使模型逐步具备更深入的工业理解、支持问答交互和提供更标准答案的能力。

制造工业如何构建生成式AI？

构建生成式AI应用的步骤可归纳为四步：找准场景，选择模型，模型适配和调整，以及应用开发与部署。

“生成式AI技术与其他信息技术不同之处在于，它的发展在加速其他行业的发展速度，尤其是给制造业带来的价值更为明显。”表示到，“生产式AI从研发、供应链到生产制造，再到销售、营销和服务，制造业的整个价值链中存在着不少可以被生成式AI重塑的场景”。

尽管大型模型的兴起，并未对人工智能在制造业的应用范式产生根本性改变，但它在不同环节带来了独特需求。 总体而言，生成式AI大模型在制造业的探索路径可归纳为三大方向：其一，通过集成基础大模型的通用能力，如问答和代码生成，以提升效率。其二，通过微调和外挂知识库等方式，聚焦特定领域实现场景创新，增加新功能。其三，从预训练开始构建工业大模型。

目前制造业中有三个场景可以优先考虑整合生成式AI技：工业设计、市场营销和职能提效。 短期内，制造行业的概念图设计和市场营销内容生成是生成式AI文生图、图生图的自然适配场景。而生成式AI的知识增强和检索增强等能力，则使企业内部知识库成为员工赋能和提升办公效率的利器。

生成式AI在制造工业中深入发展有哪些挑战？

生成式AI应用要继续深入制造业领域，仍面临着不少挑战。

首先，尚未出现投入产出比明确的场景。 在ChatGPT为代表的生成式AI出现之前，人工智能在制造业探索了许多场景，但质量检测和设备预测性维护仍是最受认可的领域。这两个领域的核心优势在于项目实施后的效果明显，例如节省人力成本和设备故障发现时间节点的衡量。然而，生成式AI尚未找到具有类似经济效应的场景，大多数仍处于试点阶段。

其次，面向工业领域的基础模型缺乏预训练阶段。 目前的做法大多从精准训练开始，而非经过预训练阶段的知识强化。所以并未能够有效实现对领域知识的理解和推理。现阶段基础大模型主要集中在通用大模型的竞争，对面向行业的基础模型关注较少。

最后，制造业领域场景的高度碎片化对大模型提出了挑战。 这种高度碎片化的场景使得从预训练阶段开始训练大模型变得困难，通用大模型又无法满足细分领域的需求。这种天然的矛盾可能会阻碍大模型的发展。

不过，随着技术和行业的进一步发展，生成式AI会诞生适用于各种类型的工业的应用，届时家电、汽车、航空航天等都将受惠。

商道童言（Innovationcases）欢迎点赞和分享哦！~~

免费电子书： | | | |

数字经济应用实践专家 骆仁童主讲课程

智慧应用 |《.......

数字应用 | ..

人工智能 | .

数字化转型 |.

金融类课程 | . .

思维与技能 |》..

宏观与趋势 |...

创新与创业 |.