撰寫單位：騰訊研究院大模型為工業(yè)智能化發(fā)展帶來新機(jī) 大模型開啟人工智能應(yīng)用新時(shí) 大模型有望成為驅(qū)動(dòng)工業(yè)智能化的引 大模型應(yīng)用落地需要深度適配工業(yè)場(chǎng) 大模型和小模型在工業(yè)領(lǐng)域?qū)㈤L(zhǎng)期并存且分別呈現(xiàn)U型和倒U型分布態(tài) 以判別式AI為主的小模型應(yīng)用呈現(xiàn)倒U型分 以生成式AI為主的大模型應(yīng)用呈現(xiàn)U型分 大模型與小模型將長(zhǎng)期共存并相互融 工業(yè)大模型應(yīng)用的三種構(gòu)建模 模式一：預(yù)訓(xùn)練工業(yè)大模 模式二：微 模式三：檢索增強(qiáng)生 三種模式綜合應(yīng)用推動(dòng)工業(yè)大模型落 大模型應(yīng)用探索覆蓋工業(yè)全鏈 大模型通過優(yōu)化設(shè)計(jì)過程提高研發(fā)效 大模型拓展生產(chǎn)制造智能化應(yīng)用的邊 大模型基于助手模式提升經(jīng)營(yíng)管理水 大模型基于交互能力推動(dòng)產(chǎn)品和服務(wù)智能 工業(yè)大模型的挑戰(zhàn)與展 工業(yè)大模型應(yīng)用面臨數(shù)據(jù)質(zhì)量和安全、可靠性、成本三大挑 工業(yè)大模型應(yīng)用將伴隨技術(shù)演進(jìn)持續(xù)加速和深 大模型引領(lǐng)人工智能技術(shù)創(chuàng)新和應(yīng)用。1956年達(dá)特茅斯會(huì)議（artmouthonference）提出人工智能的概念以來，人工智能技術(shù)經(jīng)歷了多個(gè)發(fā)展高峰和低谷。在這一長(zhǎng)期的發(fā)展過程中，人工智能技術(shù)不斷演進(jìn)，逐步朝著更高的智能水平和適應(yīng)性發(fā)展。20221130日，penAIhatP，引發(fā)了行業(yè)熱潮，直至今日，業(yè)界普遍認(rèn)為，大模型時(shí)代已經(jīng)到來，也象征著人工智能開啟了邁向通用人工智能（AGI,ArtificialGeneralIntelligence）的新階段。在大模型出現(xiàn)之前，人工智能通常需要針對(duì)特定的任務(wù)和場(chǎng)景設(shè)計(jì)專門的算法，這種方法雖然在特定領(lǐng)域有效，但人們對(duì)“智能”的期望是能夠適應(yīng)多種任務(wù)和場(chǎng)景的智能系統(tǒng)，單一任務(wù)的人工智能系統(tǒng)已經(jīng)無法滿足這些更廣泛的需求。大模型能夠跨越傳統(tǒng)人工智能的局限性，理解和推理的能力有了極大的飛躍，同時(shí)也提高了復(fù)用的效率，為人工智能技術(shù)在更多領(lǐng)域的應(yīng)用通用性和復(fù)用性是大模型的關(guān)鍵價(jià)值。2017年，oogleai（谷歌大腦）團(tuán)隊(duì)在ttentionslloueed》中創(chuàng)造性地提出Tranfomer，極大地改善了機(jī)器學(xué)習(xí)模型處理序列數(shù)據(jù)的能力，尤其是在自然語言處理（LP）領(lǐng)域。Transfomer架構(gòu)的出現(xiàn)，為后續(xù)的大模型如hatPT等奠定了技術(shù)基礎(chǔ)。hatP、ert等大模型通過海量數(shù)據(jù)和龐大的計(jì)算資源支持，使得模型具備了強(qiáng)大的通用性和復(fù)用性。大模型可以被廣泛應(yīng)用于自然語言處理、計(jì)算機(jī)視覺、語音識(shí)別等領(lǐng)域的各種任務(wù)，能夠?yàn)楦鞣N應(yīng)用和開發(fā)人員提供共享的基礎(chǔ)架構(gòu)，并進(jìn)一步通過微調(diào)、零樣本學(xué)習(xí)等方式，直接在一系列下游任務(wù)上使用，取得一定的性能表現(xiàn)，支持不同行業(yè)、不同場(chǎng)景的應(yīng)用構(gòu)建。大模型展現(xiàn)出三大基礎(chǔ)特征。型，廣義上則指包含了語言、聲音、圖像等多模態(tài)大模型。如李飛飛等人工智能學(xué)者所指出，這些模型也可以被稱為基礎(chǔ)模型（FoundationModl）。我們認(rèn)為，大模型主參數(shù)規(guī)模大：大模型的參數(shù)規(guī)模遠(yuǎn)大于傳統(tǒng)深度學(xué)習(xí)模型。大模型發(fā)展呈現(xiàn)“定律”（ScaingLa）特征，即：模型的性能與模型的規(guī)模、數(shù)據(jù)集大小和訓(xùn)練用的計(jì)算量之間存在冪律關(guān)系，通俗而言就是“大力出奇跡”。不過“大”并沒有一個(gè)絕對(duì)的標(biāo)準(zhǔn)，而是一個(gè)相對(duì)概念。傳統(tǒng)模型參數(shù)量通常在數(shù)萬至數(shù)億之間，大模型的參數(shù)量則至少在億級(jí)以上，并已發(fā)展到過萬億級(jí)的規(guī)模。如penAI的P-1到P-3，參數(shù)量1.11750億，P-41.8泛化能力強(qiáng)（ttention），通過在大規(guī)模、多樣化的無標(biāo)注數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，大模型能夠?qū)W習(xí)掌握豐富的通用知識(shí)和方法，從而在廣泛的場(chǎng)景和任務(wù)中使用，例如文本生成、自然語言理解、翻譯、數(shù)學(xué)推導(dǎo)、邏輯推理和多輪對(duì)話等。大模型不需要、或者僅需少量特定任務(wù)的數(shù)據(jù)樣本，即可顯著提高在新任務(wù)上的表現(xiàn)能力。如penI曾用4參加了多種人類基準(zhǔn)考試，結(jié)果顯示其在多項(xiàng)考試中成績(jī)都超過了大部分人類以上），包括法學(xué)、經(jīng)濟(jì)學(xué)、歷史、數(shù)學(xué)、閱讀和寫作等。支持多模態(tài)：大模型可以實(shí)現(xiàn)多種模態(tài)數(shù)據(jù)的高效處理。傳統(tǒng)深度學(xué)習(xí)模型大多只能處理單一數(shù)據(jù)類型（文本、語音或圖像），大模型則可以通過擴(kuò)展編/解碼器、交叉注意力（ross-tention）、遷移學(xué)習(xí)（Transferearing）等方式，實(shí)現(xiàn)跨模態(tài)數(shù)據(jù)的關(guān)聯(lián)理解、檢索和生成。多模態(tài)大模型（LMMs，LareMtimodlModes）能夠提供更加全面的認(rèn)知能力和豐富的交互體驗(yàn)，拓寬I界探索邁向通用人工智能的重要路徑之一。典型如OpenAI的Sora人工智能推動(dòng)工業(yè)智能化發(fā)展進(jìn)入新階段。工業(yè)發(fā)展是一個(gè)逐步演進(jìn)的過程，經(jīng)歷了機(jī)械化、電氣化、自動(dòng)化、信息化的階段后，當(dāng)前正處于從數(shù)字化向智能化邁進(jìn)的階段。每個(gè)階段都是工業(yè)與各類創(chuàng)新技術(shù)的融合，對(duì)傳統(tǒng)制造業(yè)進(jìn)行升級(jí)和改造，提高生產(chǎn)效率、降低成本、提升產(chǎn)品質(zhì)量。當(dāng)前階段，工業(yè)領(lǐng)域積累了大量的數(shù)據(jù)、基礎(chǔ)能力和場(chǎng)景需求，為工業(yè)場(chǎng)景與人工智能技術(shù)的融合提供了基礎(chǔ)條件。而人工智能逐漸展現(xiàn)出類似人的理解和分析能力，這些能力與工業(yè)場(chǎng)景的融合，將智能化帶入到工業(yè)生產(chǎn)、運(yùn)營(yíng)、管理等領(lǐng)域，不斷提升感知、認(rèn)知和決策等多個(gè)環(huán)節(jié)，有望推動(dòng)工業(yè)發(fā)展走向“”的智能化階段。4.0、工業(yè)互聯(lián)網(wǎng)等方面有所應(yīng)用，但這些應(yīng)用往往受限于特定任務(wù)，難以實(shí)現(xiàn)跨領(lǐng)域、跨場(chǎng)景的融合創(chuàng)新。過去，人工智能在工業(yè)的應(yīng)用主要聚焦于如質(zhì)量檢測(cè)、預(yù)測(cè)性維護(hù)等單一功能，這形成了人工智能應(yīng)用上“一場(chǎng)景一訓(xùn)練一模型”的局限，尚未形成大規(guī)模的應(yīng)用。然而，大模型的崛起有望帶來“基礎(chǔ)模型各類應(yīng)用”的新范式。大模型憑借其卓越的理解能力、生成能力和泛化能力，能夠深度洞察工業(yè)領(lǐng)域的復(fù)雜問題，不僅可以理解并處理海量的數(shù)據(jù)，還能從中挖掘出隱藏在數(shù)據(jù)背后的規(guī)律和趨勢(shì)。此外，區(qū)別于傳統(tǒng)的人工智能模型只能根據(jù)已有數(shù)據(jù)進(jìn)行預(yù)測(cè)和推斷，大模型則能夠生成新的知識(shí)和見解。最后，大模型為工業(yè)智能化拓展新空間。人工智能在工業(yè)領(lǐng)域的應(yīng)用，盡管已經(jīng)取得了一些顯著的成果，但整體來看，其應(yīng)用的普及率仍然處于相對(duì)較低的水平。據(jù)凱捷（Capgemini）統(tǒng)計(jì)數(shù)據(jù)顯示，即便是歐洲頂級(jí)的制造企業(yè)，其AI30%I30%28%。相較于這些發(fā)達(dá)國(guó)家，中國(guó)制造企業(yè)I普及率尚不足11%，顯示出這一領(lǐng)域巨大的發(fā)展?jié)摿蛷V闊的空間。相較于以往的小模型，大模型有望挖掘工業(yè)領(lǐng)域人工智能應(yīng)用的新場(chǎng)景，提升人工智能應(yīng)用的普及率。例如在研發(fā)設(shè)計(jì)領(lǐng)域，大模型能夠深度挖掘和分析海量數(shù)據(jù)，為產(chǎn)品設(shè)計(jì)提供更為精準(zhǔn)和創(chuàng)新的思路。在經(jīng)營(yíng)管理領(lǐng)域，大模型能夠?qū)崿F(xiàn)對(duì)生產(chǎn)流程、供應(yīng)鏈管理等各個(gè)環(huán)節(jié)的監(jiān)控和智能優(yōu)化，從而提升企業(yè)的運(yùn)營(yíng)效率和市場(chǎng)競(jìng)爭(zhēng)力。大模型的優(yōu)勢(shì)在于其強(qiáng)大的泛化能力，可以在不同的領(lǐng)域和任務(wù)上進(jìn)行遷移學(xué)習(xí)，而無需重新訓(xùn)練。但無法充分捕捉到某個(gè)行業(yè)或領(lǐng)域的特征和規(guī)律，也無法滿足某些特定的應(yīng)用場(chǎng)景和需求，在真正融入行業(yè)的過程中，需要適配不同的工業(yè)場(chǎng)景，其核心就是要解決以下三個(gè)問題。不懂行業(yè)：大模型在處理特定行業(yè)任務(wù)時(shí)，往往表現(xiàn)出對(duì)行業(yè)知識(shí)、術(shù)語、規(guī)則等的不理解，導(dǎo)致生成的解決方案與實(shí)際需求存在偏差，這主要是由于大模型在訓(xùn)練過程中缺乏特定行業(yè)的數(shù)據(jù)和知識(shí)，難以覆蓋各個(gè)行業(yè)的專業(yè)細(xì)節(jié)。這種行業(yè)知識(shí)的匱乏使得大模型在應(yīng)對(duì)工藝流程優(yōu)化、設(shè)備故障預(yù)測(cè)等專業(yè)問題時(shí)有所缺陷，難以提供精確、可靠的解決方案，無法滿足工業(yè)現(xiàn)場(chǎng)的個(gè)性化要求。不熟企業(yè)：當(dāng)大模型接入企業(yè)系統(tǒng)時(shí)，往往難以全面理解企業(yè)的業(yè)務(wù)流程、數(shù)據(jù)結(jié)構(gòu)和運(yùn)營(yíng)模式，導(dǎo)致生成的解決方案與企業(yè)實(shí)際需求不匹配。每個(gè)企業(yè)都有其獨(dú)特的運(yùn)營(yíng)環(huán)境和業(yè)務(wù)需求，而大模型往往缺乏對(duì)企業(yè)特定環(huán)境的深入理解。此外，企業(yè)內(nèi)部的數(shù)據(jù)孤島和碎片化的信息系統(tǒng)也增加了大模型理解企業(yè)環(huán)境的難度。這種不熟存在幻覺：在某些情況下，大模型會(huì)產(chǎn)生與實(shí)際情況不符的錯(cuò)誤輸出，即“幻覺”現(xiàn)象。這主要是由于模型在訓(xùn)練過程中受到了噪聲數(shù)據(jù)、偏差樣本等因素的影響，或者由于模型的復(fù)雜性和數(shù)據(jù)維度過高導(dǎo)致過擬合。這種幻覺現(xiàn)象對(duì)工業(yè)領(lǐng)域的影響是全方位的，無論是生產(chǎn)過程中的質(zhì)量控制、設(shè)備維護(hù)，還是供應(yīng)鏈管理、市場(chǎng)預(yù)測(cè)等環(huán)節(jié)，錯(cuò)誤的輸出都可能導(dǎo)致嚴(yán)重的決策失誤和經(jīng)濟(jì)損失。特別是在對(duì)安全性、可靠性要求極高的工業(yè)場(chǎng)景中，如航空航天、核能等領(lǐng)域，幻覺現(xiàn)象可能帶來災(zāi)難性的后果。UU從工業(yè)智能化的發(fā)展歷程可以看出，在大模型出現(xiàn)之前，人工智能技術(shù)在工業(yè)領(lǐng)域已有較多應(yīng)用。在前期階段，工業(yè)人工智能的應(yīng)用主要是以專用的小模型為主，而大模型開啟了工業(yè)智能化的新階段。結(jié)合兩者不同的技術(shù)特點(diǎn)和應(yīng)用能力，目前在工AIU根據(jù)中國(guó)信通院2507AI小模型應(yīng)用案例的統(tǒng)計(jì)分析，這些應(yīng)用主要集中在生產(chǎn)制造領(lǐng)域，占比高達(dá)57%，而在研發(fā)設(shè)計(jì)和經(jīng)營(yíng)管理領(lǐng)域的應(yīng)用則相對(duì)較少。這種分布呈現(xiàn)出明顯的倒U型。小模型的核心特點(diǎn)是學(xué)習(xí)輸入與輸出之間的關(guān)系。小模型通過學(xué)習(xí)數(shù)據(jù)中的條件概率分布，即一個(gè)樣本歸屬于特定類別的概率，再對(duì)新的場(chǎng)景進(jìn)行判斷、分析和預(yù)測(cè)。它的優(yōu)點(diǎn)是通常比大模型訓(xùn)練速度更快，而且可以產(chǎn)生更準(zhǔn)確的預(yù)測(cè)結(jié)果，尤其適用的工業(yè)產(chǎn)品圖片數(shù)據(jù)中，學(xué)習(xí)到產(chǎn)品的外觀特征、質(zhì)量標(biāo)準(zhǔn)和缺陷模式等關(guān)鍵信息。當(dāng)面對(duì)新的樣本時(shí)，小模型能夠迅速判斷樣本是否合格，從而實(shí)現(xiàn)對(duì)產(chǎn)品質(zhì)量的快速檢測(cè)。同樣在設(shè)備預(yù)測(cè)性維護(hù)方面，小模型通過對(duì)設(shè)備運(yùn)行數(shù)據(jù)的分析，能夠?qū)W習(xí)到設(shè)備正常運(yùn)行的模式和潛在的故障特征。一旦監(jiān)測(cè)到異常情況，小模型能夠及時(shí)發(fā)出預(yù)警，提醒工作人員進(jìn)行檢修或維護(hù)。小模型的能力更適合工業(yè)生產(chǎn)制造領(lǐng)域。首先，小模型能夠基于有限數(shù)據(jù)支撐精準(zhǔn)的判別和決策，而生產(chǎn)過程需要針對(duì)不同場(chǎng)景進(jìn)行精準(zhǔn)的分析和決策，這兩者間的契合使得小模型在生產(chǎn)制造領(lǐng)域具有獨(dú)特的優(yōu)勢(shì)。其次，生產(chǎn)制造過程對(duì)準(zhǔn)確性和穩(wěn)定性有著極高的要求，任何微小的誤差都可能導(dǎo)致產(chǎn)品質(zhì)量下降或生產(chǎn)線停工。小模型在訓(xùn)練過程中，能夠針對(duì)具體場(chǎng)景進(jìn)行精細(xì)化的調(diào)整和優(yōu)化，從而確保模型的準(zhǔn)確性和穩(wěn)定性，這使得小模型在生產(chǎn)制造領(lǐng)域的應(yīng)用更為可靠和有效。最后，小模型在成本投入方面相對(duì)較低，使得其在生產(chǎn)制造現(xiàn)場(chǎng)的應(yīng)用更具經(jīng)濟(jì)性，并在有限的硬件條件下，能夠穩(wěn)定運(yùn)行。小模型的定制化需求制約了其進(jìn)一步滲透。盡管小模型在生產(chǎn)制造領(lǐng)域表現(xiàn)出色，但其應(yīng)用過程中也面臨著一些挑戰(zhàn)。以判別式I為代表的小模型通常需要依靠個(gè)性化的業(yè)務(wù)邏輯進(jìn)行數(shù)據(jù)采集、模型訓(xùn)練與調(diào)優(yōu)，往往只能處理單一維度的數(shù)據(jù)。這一過程不僅消耗大量的算力和人力，而且訓(xùn)練后的模型往往無法在多行業(yè)通用。例如，工業(yè)缺陷檢測(cè)領(lǐng)域的視覺模型往往需要針對(duì)一個(gè)產(chǎn)品或者一個(gè)設(shè)備訓(xùn)練一個(gè)模型，產(chǎn)品或設(shè)備不同，就要對(duì)模型進(jìn)行重新訓(xùn)練，這種定制化的需求在一定程度上制約了小模型在工業(yè)領(lǐng)域的進(jìn)一步滲透。AIU根據(jù)對(duì)99的應(yīng)用相對(duì)更多，整體上呈現(xiàn)出U型分布。這表明大模型當(dāng)前的能力更適配于研發(fā)設(shè)大模型通過構(gòu)建龐大的參數(shù)體系來深入理解現(xiàn)實(shí)世界的復(fù)雜關(guān)系。大模型的核心在于學(xué)習(xí)數(shù)據(jù)中的聯(lián)合概率分布，即多個(gè)變量組成的向量在數(shù)據(jù)集中出現(xiàn)的概率分布，進(jìn)而通過使用深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等技術(shù)，能夠生成全新的、富有創(chuàng)意的內(nèi)容。與傳統(tǒng)的數(shù)據(jù)處理方法不同，大模型并不簡(jiǎn)單地區(qū)分自變量與因變量，相反，它致力于在龐大的知識(shí)數(shù)據(jù)庫中提煉出更多的特征變量。這些特征變量不僅數(shù)量龐大，而且涵蓋了多個(gè)維度和層面，從而更全面地反映現(xiàn)實(shí)世界的復(fù)雜關(guān)系。以自然語言處理為例，大模型通過學(xué)習(xí)大量的文本數(shù)據(jù)，能夠掌握語言的規(guī)律和模式。當(dāng)給定一個(gè)句子或段落時(shí)，大模型能夠基于聯(lián)合概率分布生成與之相關(guān)的新句子或段落。這些生成的內(nèi)容不僅符合語法規(guī)則，而且能夠保持語義上的連貫性和一致性。此外，大模型還能夠根據(jù)上下文信息理解并回答復(fù)雜的問題，展現(xiàn)出強(qiáng)大的推理和創(chuàng)造能力。大模型更適合綜合型和創(chuàng)造類的工業(yè)場(chǎng)景。在綜合型工業(yè)場(chǎng)景中，由于涉及到多個(gè)系統(tǒng)、多個(gè)流程的協(xié)同工作，需要處理文檔、表格、圖片等多類數(shù)據(jù)，變量之間的關(guān)系往往錯(cuò)綜復(fù)雜，難以用傳統(tǒng)的分析方法進(jìn)行精確描述。大模型通過深度學(xué)習(xí)和復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，可以捕捉并模擬這些關(guān)系，從而實(shí)現(xiàn)對(duì)復(fù)雜系統(tǒng)的全面理解和優(yōu)化。在創(chuàng)造類工業(yè)場(chǎng)景中，大模型的優(yōu)勢(shì)體現(xiàn)在其強(qiáng)大的內(nèi)容生成能力上。例如，在產(chǎn)品外觀設(shè)計(jì)方面，傳統(tǒng)的設(shè)計(jì)方法往往依賴于設(shè)計(jì)師的經(jīng)驗(yàn)和靈感，設(shè)計(jì)周期長(zhǎng)且難以保證設(shè)計(jì)的創(chuàng)新性。而大模型通過學(xué)習(xí)大量的設(shè)計(jì)數(shù)據(jù)，能夠掌握設(shè)計(jì)領(lǐng)域的規(guī)律和模式，進(jìn)而生成符合要求的全新設(shè)計(jì)內(nèi)容，提升產(chǎn)品設(shè)計(jì)的效率和質(zhì)量。大模型在工業(yè)領(lǐng)域的應(yīng)用潛力仍有待釋放。展的階段，盡管已取得了顯著進(jìn)步，但在成本、效率和可靠性等方面仍有待進(jìn)一步提升，以適應(yīng)工業(yè)領(lǐng)域日益復(fù)雜的需求。其次，工業(yè)場(chǎng)景眾多且各具特色，大模型作為新技術(shù)，需要逐步與各個(gè)工業(yè)場(chǎng)景緊密結(jié)合，在逐步提升技術(shù)滲透率的過程中，挖掘可利用的場(chǎng)景，并根據(jù)行業(yè)特定需求提供定制化的解決方案。最后，工業(yè)領(lǐng)域自身的數(shù)據(jù)分散且缺少高質(zhì)量的工業(yè)數(shù)據(jù)集，同時(shí)在實(shí)際生產(chǎn)中如何確保工業(yè)數(shù)據(jù)的隱私和安全也是企業(yè)關(guān)注的重點(diǎn)，這些現(xiàn)實(shí)問題也限制了大模型的推廣應(yīng)用。目前大模型在工業(yè)領(lǐng)域還未呈現(xiàn)出對(duì)小模型的替代趨勢(shì)。盡管以生成式I的大模型被視為當(dāng)前I題導(dǎo)致其尚不能完全取代以判別式I有深厚的應(yīng)用基礎(chǔ)和經(jīng)驗(yàn)積累，其算法和模型結(jié)構(gòu)相對(duì)簡(jiǎn)單，易于理解和實(shí)現(xiàn)，其穩(wěn)定性和可靠性得到了驗(yàn)證。另一方面，大模型在成本收益比、穩(wěn)定性和可靠性等方面存在問題，其在工業(yè)領(lǐng)域的探索還處在初級(jí)階段。小模型以其高效、靈活的特點(diǎn)，在特定場(chǎng)景和資源受限的環(huán)境中發(fā)揮著重要作用；而大模型則以其強(qiáng)大的泛化能力和處理復(fù)雜任務(wù)的優(yōu)勢(shì)，在更廣泛的領(lǐng)域展現(xiàn)著巨大潛力，兩者將長(zhǎng)期共存。大模型與小模型有望融合推動(dòng)工業(yè)智能化發(fā)展。對(duì)于小模型而言，利用大模型的生成能力可以助力小模型的訓(xùn)練。小模型訓(xùn)練需要大量的標(biāo)注數(shù)據(jù)，但現(xiàn)實(shí)工業(yè)生產(chǎn)過程可能缺少相關(guān)場(chǎng)景的數(shù)據(jù)，大模型憑借強(qiáng)大的生成能力，可以生成豐富多樣的數(shù)據(jù)、圖像等。例如，在質(zhì)檢環(huán)節(jié)，大模型可以生成各種可能的產(chǎn)品缺陷圖片，為小模型提供豐富的訓(xùn)練樣本，從而使其能夠更準(zhǔn)確地識(shí)別缺陷和異常。此外，大模型可以通過gent大模型的構(gòu)建可以分為兩個(gè)關(guān)鍵階段，一個(gè)是預(yù)訓(xùn)練階段，一個(gè)是微調(diào)階段。預(yù)訓(xùn)練主要基于大量無標(biāo)注的數(shù)據(jù)進(jìn)行訓(xùn)練，微調(diào)是指已經(jīng)預(yù)訓(xùn)練好的模型基礎(chǔ)上，使用特定的數(shù)據(jù)集進(jìn)行進(jìn)一步的訓(xùn)練，以使模型適應(yīng)特定任務(wù)或領(lǐng)域。針對(duì)工業(yè)大模型，一是可以基于大量工業(yè)數(shù)據(jù)和通用數(shù)據(jù)打造預(yù)訓(xùn)練工業(yè)大模型，支持各類應(yīng)用的開發(fā)。二是可以在基礎(chǔ)大模型上通過工業(yè)數(shù)據(jù)進(jìn)行微調(diào)，適配特定工業(yè)任務(wù)。三是可以在不改變模型參數(shù)的情況下，通過檢索增強(qiáng)生成（G）為大模型提供額外的數(shù)據(jù)，支持工業(yè)知無監(jiān)督預(yù)訓(xùn)練主要利用大量無標(biāo)注數(shù)據(jù)來訓(xùn)練模型，目的是學(xué)習(xí)數(shù)據(jù)的通用特征P-/P-4、LaM1/LaM2等，都是通過收集大量無標(biāo)注的通用數(shù)據(jù)集，使用Transormer能夠使用在廣泛的任務(wù)領(lǐng)域。例如，當(dāng)無監(jiān)督預(yù)訓(xùn)練技術(shù)應(yīng)用于LP領(lǐng)域時(shí)，經(jīng)過良好訓(xùn)練的語言模型可以捕捉到對(duì)下游任務(wù)有益的豐富知識(shí)，如長(zhǎng)期依賴關(guān)系、層次關(guān)系等。然而，另一方面完全基于互聯(lián)網(wǎng)等通用數(shù)據(jù)訓(xùn)練的大模型缺乏對(duì)行業(yè)知識(shí)的理解，在應(yīng)對(duì)行業(yè)問題上表現(xiàn)出的性能較差，因此在預(yù)訓(xùn)練階段可以使用通用數(shù)據(jù)加行足工業(yè)場(chǎng)景的需求，實(shí)現(xiàn)模型的最優(yōu)性能與穩(wěn)定性。但這一模式的缺點(diǎn)是需要大量的高質(zhì)量工業(yè)數(shù)據(jù)集，以及龐大的算力資源，對(duì)成本和能力的要求較高，面臨技術(shù)和資源的巨大挑戰(zhàn)。在最終應(yīng)用前，無監(jiān)督預(yù)訓(xùn)練工業(yè)大模型與GP3適當(dāng)?shù)闹噶钗⒄{(diào)、獎(jiǎng)勵(lì)學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等階段，形成面向最終場(chǎng)景的應(yīng)用能力。SymphonyAI3推出了基于無監(jiān)督預(yù)訓(xùn)練的工業(yè)大語言模型，該模型的訓(xùn)練數(shù)據(jù)包3萬億個(gè)數(shù)據(jù)點(diǎn)，12token，能夠支持機(jī)器狀況診斷，并回答故障狀況、測(cè)試程序、Retrocausal4發(fā)布的LeanGPT?，也采用了無監(jiān)督預(yù)訓(xùn)練的模式，是制造領(lǐng)域的專有基礎(chǔ)模型?；贚eanGPT?這一基礎(chǔ)模型，Retrocausal還推出了KaizenCopilot?的應(yīng)用程序，可以幫助工業(yè)工程師設(shè)計(jì)和持續(xù)改進(jìn)制造裝配流微調(diào)模式是在一個(gè)已經(jīng)預(yù)訓(xùn)練完成的通用或?qū)I(yè)大模型基礎(chǔ)上，結(jié)合工業(yè)領(lǐng)域特定的標(biāo)注數(shù)據(jù)集進(jìn)行進(jìn)一步的調(diào)整和優(yōu)化，從而使模型能夠適應(yīng)具體的工業(yè)場(chǎng)景需求，更好地完成工業(yè)領(lǐng)域的特定任務(wù)。在微調(diào)期間，需要使用特定任務(wù)或領(lǐng)域量身定制的標(biāo)記數(shù)據(jù)集來訓(xùn)練，與模型預(yù)訓(xùn)練所需的巨大數(shù)據(jù)集相比，微調(diào)數(shù)據(jù)集更小，單個(gè)任務(wù)的微調(diào)通常只需要幾千條到上萬條有標(biāo)注數(shù)據(jù)即可。通過微調(diào)，大模型可以學(xué)習(xí)到工業(yè)細(xì)分領(lǐng)域的知識(shí)、語言模式等，有助于大模型在工業(yè)的特定任務(wù)上取得更好的性能。在當(dāng)前主流的行業(yè)大模型構(gòu)建路線中，眾多行業(yè)模型都是使用基礎(chǔ)大模型行業(yè)標(biāo)注數(shù)據(jù)集來微調(diào)得到的。3IndustrialLLM-SymphonyAIwith4KaizenCopilot–提升模型的適配性和精度，能夠在特定的任務(wù)或領(lǐng)域上取得更好的效果，也可以針對(duì)具體行業(yè)或公司的語氣、術(shù)語進(jìn)行定制化。缺點(diǎn)在于需要收集和標(biāo)注具體工業(yè)領(lǐng)域和場(chǎng)景的數(shù)據(jù)和知識(shí)，增加數(shù)據(jù)準(zhǔn)備的成本和時(shí)間，若數(shù)據(jù)不足或嘈雜會(huì)降低模型的性能和可靠性，也可能會(huì)過度擬合，導(dǎo)致性能下降，或者災(zāi)難性遺忘。標(biāo)簽分類微調(diào)等解決方案，可以滿足企業(yè)在微調(diào)各種AI應(yīng)用時(shí)的需求?；谖⒄{(diào)，企業(yè)可以定制模型，在文本生成、摘要、聊天、分類和企業(yè)搜索等目標(biāo)用例上獲得更好檢索增強(qiáng)生成模式是指在不改變模型的基礎(chǔ)上，結(jié)合行業(yè)領(lǐng)域的數(shù)據(jù)、知識(shí)庫等，為工業(yè)場(chǎng)景提供知識(shí)問答、內(nèi)容生成等能力。檢索增強(qiáng)生成（etrievlugmentedeneration，）結(jié)合了檢索（etrieal）和生成（eneraton）兩種方法，基本思路是把私域知識(shí)文檔進(jìn)行切片，向量化后續(xù)通過向量檢索進(jìn)行召回，再作為上下文輸入到Embedding模型存儲(chǔ)到向mbeddig模型和向量數(shù)據(jù)庫的內(nèi)容匹配Top排序的結(jié)果作為上下文信息一起輸入給大模型，大模型再進(jìn)行分析和回答。檢索增強(qiáng)生成在私域知識(shí)問答方面可以很好的彌補(bǔ)通用大語言模型的一些短板，解決通用大語言模型在專業(yè)領(lǐng)域回答缺乏依據(jù)、存在幻覺等問題。這種模式的優(yōu)點(diǎn)是可以快速利用現(xiàn)有的基礎(chǔ)大模型，無需進(jìn)行額外的訓(xùn)練，只需要構(gòu)建和接入行業(yè)或企業(yè)私有的知識(shí)庫，就可以實(shí)現(xiàn)對(duì)工業(yè)領(lǐng)域的知識(shí)理解和應(yīng)用，5IntroductionCognite6利用檢索增強(qiáng)生成（RAG）技術(shù)，將大模型與其工業(yè)DataOps平臺(tái)CogniteDataFusion結(jié)合起來，為工業(yè)客戶提供基于數(shù)據(jù)的洞察和解決方案。通過將不RAG的檢索源，與用戶的自然語言提示一起輸入到大模型中，使模型能夠提供更加精3.I7eneraiveI利用檢索增強(qiáng)技術(shù)，將制造企業(yè)知識(shí)庫與大語言模型分開，從而生成準(zhǔn)確、一致的結(jié)果，且能夠追溯到源文件和數(shù)據(jù)，以確保信息的準(zhǔn)確。另外，eneratieI“”3eneratieI在工業(yè)大模型的訓(xùn)練模式中，我們可以看到三種主要的方法，每種方法都有其獨(dú)特的優(yōu)勢(shì)和挑戰(zhàn)。無監(jiān)督預(yù)訓(xùn)練模式通過大量無標(biāo)注數(shù)據(jù)來提升模型的泛化能力，適用于工業(yè)場(chǎng)景的廣泛需求，但需要巨大的資源投入?；A(chǔ)大模型加有監(jiān)督微調(diào)模式則在保留通用能力的同時(shí)，通過特定領(lǐng)域的數(shù)據(jù)微調(diào)，提高了模型的適配性和精度，但需要高質(zhì)量的標(biāo)注數(shù)據(jù)。基礎(chǔ)大模型結(jié)合檢索增強(qiáng)生成（G）模式，通過利用預(yù)訓(xùn)練的基礎(chǔ)大模型和行業(yè)知識(shí)庫，為工業(yè)場(chǎng)景提供即時(shí)的知識(shí)問答和內(nèi)容生成服務(wù)，這種方法的優(yōu)勢(shì)在于快速部署和利用現(xiàn)有資源，但可能在特定工業(yè)場(chǎng)景的適應(yīng)性上存在6RAGisalltheRAGe7C3GenerativeAINowPubliclyAvailableonGoogleCloudMarketplace-C3.ai,應(yīng)用中，這三種模式并非只采取一種方式，往往企業(yè)最終發(fā)布的應(yīng)用模型針對(duì)不同的應(yīng)用場(chǎng)景，綜合采用多種構(gòu)建方式。以NVIDIA8（英偉達(dá)）為例，開發(fā)了名為ChipNeMo的定制大模型，采用了無監(jiān)督預(yù)訓(xùn)練、微調(diào)等多種模式。該模型訓(xùn)練收集了Bug總結(jié)、設(shè)計(jì)源（DesignSource）、文檔以及維基百科等數(shù)據(jù)，訓(xùn)練的token超過240億，在商用開源的Llama2基礎(chǔ)上，等技術(shù)對(duì)模型進(jìn)行優(yōu)化，能夠有效的支持芯片設(shè)計(jì)的一般問題問答、總結(jié)Bug文檔和EDA腳本編寫等功能。8ChipNeMo:Domain-AdaptedLLMsforChipDesign|Research從工業(yè)產(chǎn)品生命周期的角度，可以將工業(yè)場(chǎng)景概括為研發(fā)設(shè)計(jì)、生產(chǎn)制造、經(jīng)營(yíng)管理、產(chǎn)品服務(wù)等四個(gè)主要環(huán)節(jié)，根據(jù)整理的99模型的場(chǎng)景應(yīng)用總結(jié)如下：工業(yè)產(chǎn)品設(shè)計(jì)涵蓋了外觀設(shè)計(jì)與結(jié)構(gòu)設(shè)計(jì)兩大關(guān)鍵環(huán)節(jié)。在這兩個(gè)環(huán)節(jié)，大模型都展現(xiàn)出了其獨(dú)特的價(jià)值。在結(jié)構(gòu)設(shè)計(jì)方面，借助大模型的生成能力可以快速為工業(yè)產(chǎn)品或零件提供多種設(shè)計(jì)方案，縮短產(chǎn)品開發(fā)的時(shí)間并提供多種創(chuàng)造性的產(chǎn)品選項(xiàng)，讓設(shè)計(jì)師專注于產(chǎn)品設(shè)計(jì)的核心工作。在外觀設(shè)計(jì)方面，設(shè)計(jì)師只需提供簡(jiǎn)短的文字LA9作為時(shí)裝設(shè)計(jì)平臺(tái)，將penAI的LE能夠迅速產(chǎn)生一系列的服裝設(shè)計(jì)初稿，顯著地縮短了設(shè)計(jì)周期，提高了工作效率。然而，LA并非一個(gè)完全自動(dòng)化的設(shè)計(jì)工具，其使用過程依然依賴于設(shè)計(jì)師的專業(yè)技能和豐富經(jīng)驗(yàn)。盡管如此，LA顯著降低了新設(shè)計(jì)師的入門難度，并有效提升了資深設(shè)計(jì)師的工作效率。海爾設(shè)計(jì)10聯(lián)合亞馬遜云科技以及合作伙伴olibox共同開發(fā)的IC解決方案，將大模型圖像生成技術(shù)成功應(yīng)用于產(chǎn)品設(shè)計(jì)、用戶界面設(shè)計(jì)、色彩材質(zhì)設(shè)計(jì)以及品牌設(shè)計(jì)等多個(gè)領(lǐng)域。該解決方案全面覆蓋了新品設(shè)計(jì)、產(chǎn)品改款升級(jí)、以及渠道定制化等工業(yè)設(shè)計(jì)業(yè)務(wù)場(chǎng)景。其中，概念圖的生成得益于olibox基于開源大模型iffusion豐田研究所11推出的“生成式人工智能工具”I旨在提供創(chuàng)新支持。這款工具能夠根據(jù)文本提示生成精確的設(shè)計(jì)草圖，并允許設(shè)計(jì)師通過調(diào)整定量性能指標(biāo)來構(gòu)建原型草圖。工具融合了計(jì)算機(jī)輔助工程的優(yōu)化理論與生成式I技術(shù)，能夠?qū)⒐こ碳s束自然地融入設(shè)計(jì)流程中。這意味著，在生成滿足設(shè)計(jì)師風(fēng)格要求的圖像的同時(shí)，還能綜合考慮并優(yōu)化諸如風(fēng)阻、底盤高度等關(guān)鍵工程參數(shù)。9CALA·AI-PoweredDesign&10NoliboxAIGC11Human-CenteredAI|ToyotaResearchInstitute大模型可以與CAD、CAE用相關(guān)的設(shè)計(jì)模塊，提升研發(fā)設(shè)計(jì)的效率。以AD供了大量工程制圖、布局規(guī)劃等數(shù)據(jù)，大模型可以利用這些數(shù)據(jù)，結(jié)合設(shè)計(jì)者的創(chuàng)意思路和特殊需求，生成多樣化的設(shè)計(jì)方案，供設(shè)計(jì)者進(jìn)行參考。另一方面，亦可對(duì)設(shè)計(jì)方案進(jìn)行快速優(yōu)化調(diào)整，幫助工程師以更快的速度和更少的錯(cuò)誤創(chuàng)建布局。Back2CAD12基于ElaineCADBot、ChatGPT和AmazonAWS等的支持推出CADGPT?，支持虛擬助手、智能推薦、文檔生成、代碼生產(chǎn)、CAD項(xiàng)目輔助等各類功能。以虛擬助手為例，CADGPT能夠基于用戶前期的設(shè)計(jì)和偏好，提出替代性的方案或者現(xiàn)有方案的改進(jìn)意見，幫助用戶短時(shí)間內(nèi)能夠獲得更好的設(shè)計(jì)結(jié)果。在代碼生成方面，CADGPT可基于用戶輸入的提示詞生成適當(dāng)?shù)拇a片段。Synosys13（新思科技）推出了一款創(chuàng)新的芯片設(shè)計(jì)輔助工具Synopsys.iopilot。這款工具融合了先進(jìn)的生成式人工智能技術(shù)，旨在加速芯片設(shè)計(jì)的整個(gè)流程。新思科技與微軟合作，整合了zurepeII技術(shù)，使得設(shè)計(jì)工具具備Synopsys.iopilot來應(yīng)對(duì)芯片設(shè)計(jì)過程中遇到的各種復(fù)雜挑戰(zhàn)。通過與工具的智能對(duì)話，工程師能夠更加高效地解決問題，優(yōu)化設(shè)計(jì)方案，從而顯著提高設(shè)計(jì)效率。Cadence14推出了Cadence.AILLM（M）技術(shù)。該工具的核心功能在于加載和處理架構(gòu)規(guī)范、設(shè)計(jì)規(guī)范、集成連接規(guī)范以及芯片設(shè)計(jì)本身，為用戶提供了一個(gè)強(qiáng)大的交互平臺(tái)。用戶能夠通過自然語言與工具進(jìn)行互動(dòng)，提出各種指令，如要求列出芯片設(shè)計(jì)中的不規(guī)則網(wǎng)絡(luò)名稱、識(shí)別所有12CADGPT|Back2CAD13AIAIEDA|14CadenceCreatesIndustry’sFirstLLMTechnologyforChipDesign-Cadence潛在的不規(guī)則引腳、自動(dòng)化測(cè)試平臺(tái)的連接設(shè)置、以及輔助完成工具腳本和RTLnsys15nsysSimI?nsys仿真軟件與生成式人工智能結(jié)合的云端應(yīng)用，可以快速評(píng)估新設(shè)計(jì)的性能。nsysSmI是以設(shè)計(jì)本身的形狀作為輸入，即使形狀的結(jié)構(gòu)在訓(xùn)練數(shù)據(jù)中的記錄不一致，也能有助于更廣泛的設(shè)計(jì)探索。對(duì)于需要進(jìn)行海量計(jì)算的項(xiàng)目，該應(yīng)用可將所有設(shè)計(jì)階段的模型性能預(yù)測(cè)功能提高10-100倍?？蛻艨梢允褂靡郧吧傻膎sys或非nsysInsysSmSimI可以讓雷諾集團(tuán)的工程師在數(shù)分鐘內(nèi)測(cè)試一個(gè)設(shè)計(jì)，并迅速分析結(jié)果，從而在項(xiàng)目的上游階段探索更多的技術(shù)可能性，并加快產(chǎn)品整體上市進(jìn)程。生產(chǎn)制造環(huán)節(jié)是工業(yè)生產(chǎn)的核心場(chǎng)景，對(duì)安全性和穩(wěn)定性的要求較高，目前大模型在該環(huán)節(jié)的滲透率整體不高，主要集中在代碼生成、車間和設(shè)備管理和機(jī)器人控制大模型在工業(yè)代碼生成的應(yīng)用領(lǐng)域廣泛，涉及到自動(dòng)化、機(jī)械加工等領(lǐng)域。將大模型應(yīng)用于工業(yè)代碼生成的優(yōu)勢(shì)在于可以提高工業(yè)代碼的質(zhì)量和效率，減少人工編程的時(shí)間和成本，提高了研發(fā)者的開發(fā)效率，特別是重復(fù)性高、邏輯簡(jiǎn)單的任務(wù)。同時(shí)，自動(dòng)生成的代碼還可以減少人為錯(cuò)誤的發(fā)生，提高代碼的可靠性和可維護(hù)性?，F(xiàn)有的代碼生成方法或工具在處理簡(jiǎn)單需求的場(chǎng)景時(shí)表現(xiàn)較好，如行級(jí)代碼補(bǔ)全和初級(jí)的函15Ansys??AnsysSimAI|Siemen1與微軟合作推出了SiemensIndstralopilt，西門子IndustrialCopilot允許用戶迅速生成、優(yōu)化自動(dòng)化代碼并加速仿真流程，將原本需要數(shù)周的任務(wù)縮短至幾分鐘。該工具整合了西門子Xcelerator平臺(tái)的自動(dòng)化與仿真信息，并結(jié)合微軟AzureOpenAI服務(wù)提升數(shù)據(jù)處理能力，同時(shí)確?？蛻魧?duì)數(shù)據(jù)的完全控制，不用于AI模型訓(xùn)練。IndustrialCopilot旨在提升整個(gè)工業(yè)生產(chǎn)周期的效率，通過自然語言交互，使維修人員得到精確指導(dǎo)，工程師能迅速使用仿真工具，從而推動(dòng)工業(yè)創(chuàng)新和生產(chǎn)力的提升。SprutCAM17結(jié)合ChatGPT推出AI產(chǎn)品éncy。這款A(yù)I助手通過結(jié)合OpenAI的APICNC工程師簡(jiǎn)化機(jī)械加工任務(wù)。éncy能夠執(zhí)行多種任務(wù)，包括生成基于文本描述的代碼，以及使用Python編寫代碼來創(chuàng)建.dxf或.stl文件。此外，éncySprutCAMX軟件操作相關(guān)的任何問題。例如，當(dāng)工程師給出指令“在點(diǎn)(100,25)處鉆一個(gè)直徑10毫米的孔”，éncy即可生成相應(yīng)的CAM執(zhí)行代碼。在車間管理方面，大模型能夠協(xié)助監(jiān)控生產(chǎn)線，確保工藝流程的順暢與高效；在設(shè)備管理領(lǐng)域，大模型通過支持預(yù)測(cè)性維護(hù)減少停機(jī)時(shí)間，并通過精準(zhǔn)的數(shù)據(jù)分析指導(dǎo)維護(hù)決策，有望成為工業(yè)智能化轉(zhuǎn)型的關(guān)鍵驅(qū)動(dòng)力。16UnlockingthePowerofGenerativeAI:SiemensIndustrialCopilot-Insights-SiemensGlobal17éncy-virtualAIassistantforSprutCAMX-SprutCAMSightMachine18FactoryCoPilotMicrosoftAzureOpenAI的工業(yè)數(shù)據(jù)分析工具，它通過智能化分析簡(jiǎn)化了制造問題的解決和報(bào)告流程。FactoryoPilot提供了一個(gè)直觀的交互體驗(yàn)，用戶可以像詢問專家一樣輕松獲取分析結(jié)果。利FactoryoPiltSightachine成易于理解的報(bào)告、郵件和圖表。它還能引導(dǎo)用戶進(jìn)行根因分析，加快問題診斷。此外，通過持續(xù)分析，F(xiàn)actoryoPilt量問題，推動(dòng)制造流程的持續(xù)優(yōu)化。Vant19ManuactingPILT，目標(biāo)是解決當(dāng)前制造業(yè)專業(yè)人員在數(shù)據(jù)管理EP系統(tǒng)、制造執(zhí)行系統(tǒng)（ME）感器以及歷史記錄器等多樣化數(shù)據(jù)，該平臺(tái)改變了數(shù)據(jù)處理方式。同時(shí)基于大模型能力，允許用戶以自然語言詢問并與數(shù)據(jù)互動(dòng)，將復(fù)雜的數(shù)據(jù)分析過程轉(zhuǎn)換為簡(jiǎn)單直觀的對(duì)話。ManufaturngPILT生產(chǎn)行為，轉(zhuǎn)化為易于理解的、可操作的洞察。借助數(shù)據(jù)可視化技術(shù)，它提供了數(shù)據(jù)的圖形化敘述，增強(qiáng)數(shù)據(jù)的可解釋性，幫助制造業(yè)專業(yè)人士進(jìn)行數(shù)據(jù)驅(qū)動(dòng)的決策。此外，它還簡(jiǎn)化了測(cè)試流程，使用戶能夠通過自然語言查詢快速驗(yàn)證假設(shè)，并根據(jù)可靠數(shù)據(jù)進(jìn)行調(diào)整，顯著提高了生產(chǎn)效率和操作效率。ABB20與Microsoft合作推出ABBAbility?Genix，是一個(gè)集成了MicrosoftAzureOpenAI服務(wù)的工業(yè)分析和人工智能套件。它的核心功能在于提供數(shù)據(jù)分析、機(jī)器學(xué)習(xí)和用戶交互的增強(qiáng)能力，利用生成式AI優(yōu)化工業(yè)流程，提高操作效率和可持續(xù)性。在實(shí)際應(yīng)用中，通過Copilot18FactoryCoPilotfromSightMachine-Generative19GENAI-PoweredAnalyticsPlatformforManufacturing20ABBAbility?GenixIndustrialAnalyticsandAI護(hù)和實(shí)時(shí)優(yōu)化，從而減少停機(jī)時(shí)間，提升生產(chǎn)效率。根據(jù)ABB預(yù)計(jì)，GenixCopilot20%60%美國(guó)鋼鐵公司21（S.Steel）與ooglelod合作，推出的首個(gè)基于大模型的應(yīng)用程序MineMin?，利用oogleloud的I技術(shù)簡(jiǎn)化設(shè)備維護(hù)過程。該應(yīng)用不僅輔助維護(hù)團(tuán)隊(duì)進(jìn)行卡車維修、訂購零件、提煉復(fù)雜信息，還提供全面的參考資料以確保準(zhǔn)確性。MieMind預(yù)計(jì)將改善維護(hù)團(tuán)隊(duì)的體驗(yàn)，更有效地節(jié)省技術(shù)員時(shí)間和降低卡車6020%大模型的出現(xiàn)可以幫助機(jī)器逐漸實(shí)現(xiàn)真正像人類一樣交流、執(zhí)行大量任務(wù)。工業(yè)機(jī)器人和自動(dòng)化工廠作為智能制造的核心載體，將作為大模型和智能制造的中間橋梁。根據(jù)微軟發(fā)布的《hatPTforobotcs:esignPincilesandodelbiiies型主要通過兩個(gè)層面對(duì)工業(yè)機(jī)器人進(jìn)行輔助，第一，作為預(yù)訓(xùn)練語言模型，可以被應(yīng)用hatPT理解人類的自然語言指令，并根據(jù)指令進(jìn)行相應(yīng)的動(dòng)作。第二，大模型可以幫助機(jī)器在執(zhí)行路徑規(guī)劃、物體識(shí)別等任務(wù)時(shí)做出相應(yīng)的決策。RoboDK22RoboDK’sVirtualAssistantAI應(yīng)用，專為機(jī)器人編程和仿真提供智能化的支持和指導(dǎo)。RoboDK’sVirtualAssistantMicrosoftAzureOpenAIService的集成，實(shí)現(xiàn)了機(jī)器人數(shù)據(jù)的高效處理和分析。該應(yīng)用提供了一個(gè)自然語言用戶界面，使機(jī)器人開發(fā)者和使用者可以與AI21U.S.SteelAimstoImproveOperationalEfficienciesandEmployeeExperienceswithGoogleGenerativeAI::UnitedStatesSteelCorporation(X)22UnleashingthePotentialofLargeLanguageModelsinRobotics:RoboDK'sVirtualAssistant-RoboDK運(yùn)動(dòng)和路徑、提高機(jī)器人性能和安全性等任務(wù)?！痵irtualisant公司特定的信息，如機(jī)器人型號(hào)和參數(shù)、機(jī)器人應(yīng)用和場(chǎng)景、機(jī)器人操作和故障排除手冊(cè)等，為用戶提供即時(shí)的支持，回答特定的問題。例如，如何選擇合適的機(jī)器人、如何設(shè)置機(jī)器人工具和工件、如何解決機(jī)器人碰撞或奇異性問題等。梅卡曼德23與漢堡大學(xué)張建偉院士實(shí)驗(yàn)室達(dá)成合作協(xié)議，共同致力于機(jī)器人多模態(tài)大模型的研究與創(chuàng)新。雙方正合作開發(fā)一款集成視覺、語音和語言處理功能的綜合性機(jī)器人大模型。該模型旨在賦予機(jī)器人對(duì)環(huán)境中多元信號(hào)的感知與理解能力，并通過自然語言實(shí)現(xiàn)與人類的有效溝通。預(yù)期的研究成果將顯著提高機(jī)器人的智能程度，促進(jìn)其與人類更加自然地協(xié)作與互動(dòng)。斯坦福大學(xué)教授李飛飛團(tuán)隊(duì)24發(fā)布了名為oser”的項(xiàng)目，該項(xiàng)目用大模型指導(dǎo)機(jī)器人如何與環(huán)境進(jìn)行交互，通過將大模型接入機(jī)器人，可將復(fù)雜指令轉(zhuǎn)化成具體行動(dòng)規(guī)劃，人類可以很隨意地用自然語言給機(jī)器人下達(dá)指令，機(jī)器人也無需額外數(shù)據(jù)和訓(xùn)練。經(jīng)營(yíng)管理環(huán)節(jié)具備較強(qiáng)的通用性，因而成為大模型較容易應(yīng)用的工業(yè)場(chǎng)景。大模型在管理軟件輔助方面的應(yīng)用，主要是通過自然語言交互等方式，實(shí)現(xiàn)對(duì)經(jīng)營(yíng)管理數(shù)據(jù)的智能化分析和處理。通過對(duì)M、E、SM等管理軟件的賦能，大模型能夠提高客戶關(guān)系、訂單管理、供應(yīng)鏈管理等方面的效率和質(zhì)量，為企業(yè)提供更精準(zhǔn)和個(gè)性23mech-24[2307.05973]VoxPoser:Composable3DValueMapsforRoboticManipulationwithLanguageSalesforce25推出一款名為“AICloud”的客戶關(guān)系管理（CRM）軟件，幫助客戶提高生產(chǎn)力和效率。AICloud的服務(wù)范圍覆蓋Salesforce的旗艦產(chǎn)品：從Einstein服務(wù)到工作消息應(yīng)用程序Slack和數(shù)據(jù)分析軟件Tableau。AICloud總共有九種模型：銷售GPT、服務(wù)GPT、營(yíng)銷GPT、商業(yè)GPT、SlackGPT、TableauGPT、FlowGPT和ApexGPT。銷售GPT可以快速自動(dòng)制作個(gè)性化電子郵件；服務(wù)GPT可以根據(jù)案例數(shù)據(jù)和客戶歷史創(chuàng)建服務(wù)簡(jiǎn)報(bào)、案例摘要和工作訂單；營(yíng)銷GPT和商業(yè)GPT可以將受眾細(xì)分，以便根據(jù)每個(gè)買鼎捷軟件26子公司鼎新電腦與微軟AzureOpenAI合作，發(fā)布了由GPT大模型賦能PaaSMETIS，基于該平臺(tái)推出個(gè)人智能助理（預(yù)約會(huì)議、匯總信息、催辦任務(wù)、提示行程等功能）、企業(yè)知識(shí)大腦（METISChatFile，能夠解析文件并智能分類，基于GPT大模型實(shí)現(xiàn)自然語言問答交互）、AI輔助開發(fā)（AI賦能需求分析、系統(tǒng)設(shè)計(jì)、程序企業(yè)知識(shí)管理與問答助手類應(yīng)用已經(jīng)成為大模型在企業(yè)端落地的先行場(chǎng)景，以知識(shí)庫為代表的問答助手類應(yīng)用落地廣泛，通過對(duì)企業(yè)的產(chǎn)品、服務(wù)、流程、規(guī)范、文檔等方面的圖像和數(shù)據(jù)進(jìn)行分析，大模型能夠構(gòu)建和更新企業(yè)的知識(shí)庫，為企業(yè)提供全面和準(zhǔn)確的知識(shí)管理。同時(shí)，通過對(duì)用戶的需求或問題進(jìn)行理解和回答，大模型能夠?yàn)橛脩籼峁┲悄艿膯柎鸷洼o助，解決用戶在工作中遇到的各種問題，提高用戶的工作效率和滿意度。25AICloud:TrustedGPTArtificialIntelligenceforBusinesses-S26鼎新“數(shù)智驅(qū)動(dòng)·METISAndonix27推出了Andi，一個(gè)專為工廠工人設(shè)計(jì)的AI驅(qū)動(dòng)的制造聊天機(jī)器人。實(shí)現(xiàn)了工廠數(shù)據(jù)的智能化分析和處理，并提供了一個(gè)自然語言用戶界面，使工廠工人可以與聊天機(jī)器人進(jìn)行人性化的對(duì)話，請(qǐng)求專家的幫助和支持。ndi可以協(xié)助工人完成諸如自動(dòng)監(jiān)控機(jī)器和流程性能、解決問題、生成行動(dòng)計(jì)劃、檢查清單和工作指導(dǎo)等任務(wù)，還可以學(xué)習(xí)公司特定的信息，如機(jī)器操作和故障排除手冊(cè)、質(zhì)量系統(tǒng)、人力資源手冊(cè)等，為工人提供即時(shí)的支持，回答特定的問題，如如何修復(fù)特定的機(jī)器故障代碼、識(shí)別導(dǎo)致機(jī)器停機(jī)最多的三個(gè)問題、確定最近一小時(shí)的一次合格率（Q）或者澄清公司的假期政策等。Hitaci28正在利用生成式人工智能，將維護(hù)和制造方面的專業(yè)技能傳授給新員工，旨在減輕經(jīng)驗(yàn)豐富員工退休的影響。熟練的工人利用多年經(jīng)驗(yàn)培養(yǎng)的直覺，來檢測(cè)可能導(dǎo)致事故或故障的細(xì)微異?！缭O(shè)備的聲音、溫度或氣味的變化，然而這些制造業(yè)中的隱形知識(shí)存在傳遞困難。日立已經(jīng)開發(fā)了一個(gè)I系統(tǒng)，可以根據(jù)工廠的三維數(shù)據(jù)，生成圖像，將可能的故障——如煙霧、塌陷、軌道彎曲——投影到實(shí)際的軌道圖像上，支持維護(hù)工人身臨其境的學(xué)習(xí)如何檢查異常。該系統(tǒng)有望通過讓他們學(xué)習(xí)可能導(dǎo)致嚴(yán)重事故的多種問題，來提高維護(hù)工人的技能，并允許用戶通過虛擬現(xiàn)實(shí)設(shè)備在遠(yuǎn)程地點(diǎn)參與培訓(xùn)。在產(chǎn)品服務(wù)優(yōu)化環(huán)節(jié)，將大模型的能力集成到產(chǎn)品中，也成為消費(fèi)電子、汽車等領(lǐng)域產(chǎn)品智能化能力提升的探索焦點(diǎn)。27Introducingandi-28Human-AIcollaborationintheindustrialsector:Research&Development:國(guó)光電器29VifaChatMiniChatGPT保持了專業(yè)聲學(xué)標(biāo)準(zhǔn)的基礎(chǔ)上，與傳統(tǒng)的智能音箱相比，ifahatMini在自然語言生成和情感表達(dá)方面具有顯著的優(yōu)勢(shì)，可應(yīng)用到老年人和兒童等特定用戶群體，用于情感支持和智能學(xué)習(xí)陪伴，也可作為智能助手應(yīng)用在日常工作和規(guī)劃中。BMW30（寶馬）AlexaAI技術(shù)打造全新一代個(gè)人助理?？梢詾轳{乘人員提供更人性化的幫助，及時(shí)解答有關(guān)車輛的疑問；通過語Mercedes-Benz31（奔馳）發(fā)布了全新MBUX虛擬助理，奔馳表示新款MBUX基MB.OSMB.OSAI和大語言模型的全新虛擬助手，能騰訊TI4.0知能力和大模型的學(xué)習(xí)理解能力，構(gòu)建從多模交互到個(gè)性化服務(wù)的完整智能化閉環(huán)體驗(yàn)?；诓寮ぞ摺?nèi)容生態(tài)，為用戶在智能交互、效率提升、親子娛樂等場(chǎng)景下提gentI等。Tana32（芬蘭固體廢料回收設(shè)備制造商）與Solita合作開發(fā)和集成定制的生成式AI輔助工具。Tana的員工的故障排除過程通常是在大量的用戶手冊(cè)和舊的事件報(bào)告中AzureOpenAI服務(wù)的大型語言模型，Tana29CHATMINI-theworld'sfirstsmartspeakerequippedwithChatGPT-30NextgenerationBMWvoiceassistanttobebasedonAmazonAlexatechnology.31Mercedes-Benzheraldsanewerafortheuserinterfacewithhuman-likevirtualassistantpoweredbygenerativeAI()32TeemuLintula&Solita-Tana'sAI-poweredassistant-騰訊SaaSPaaS臺(tái)，以平臺(tái)能力賦能各式各樣知識(shí)問答前端應(yīng)用的構(gòu)建?；隍v訊大模型知識(shí)引擎，比亞迪開發(fā)了IS設(shè)備（ehicleignosticSystm系統(tǒng)）進(jìn)行了全新升級(jí)。比亞迪維修車間的汽車維修工人，雙手經(jīng)常需要佩戴絕緣手套、或者沾有油污，不方便操作點(diǎn)擊DS專業(yè)知識(shí)、業(yè)務(wù)工單等方面也會(huì)存在不熟悉、缺乏業(yè)務(wù)經(jīng)驗(yàn)等現(xiàn)象。智能問答機(jī)器人SI修知識(shí)問答，并調(diào)取相關(guān)的內(nèi)容進(jìn)行可視化前端呈現(xiàn)。工業(yè)數(shù)據(jù)質(zhì)量參差不齊41個(gè)工業(yè)大類、207666程中的各個(gè)環(huán)節(jié)相互交織，數(shù)據(jù)之間的關(guān)聯(lián)性和復(fù)雜性也較高。數(shù)據(jù)的來源、采集方式、時(shí)間戳等都會(huì)影響數(shù)據(jù)的準(zhǔn)確性和完整性。這種數(shù)據(jù)結(jié)構(gòu)的多樣與質(zhì)量的參差不齊給工業(yè)大模型的訓(xùn)練和應(yīng)用帶來了挑戰(zhàn)。為了克服這一問題，需要投入大量的時(shí)間和