浅谈工业领域谈GPT和大模型
2023-09-13 14:16:17 2 举报
AI智能生成
浅谈工业领域谈GPT和大模型
作者其他创作
大纲/内容
AI技术论点
论点1:调研的30余家工业互联网企业中,超过70%是生成式AI技术的“观望者”,在他们看来,该类技术在工业领域的应用落地还很遥远,甚至可能是个“伪命题”
论点2:接近30%是生成式AI技术的坚定“支持者”,他们认为虽然生成式AI在工业制造领域的应用还不成熟,但其改变传统生产方式、推动制造业未来数字化转型的趋势已经势不可挡。
AI发展现状及使用领域
从2022年11月Open AI推出ChatGPT开始,如今不过半年的光景。在短短近6个月的时间内,人工智能的进化几乎在以“天”为单位疯狂迭代,生成式AI对许多行业带来的颠覆足以用“摧枯拉朽”来形容。游戏、传媒、电商、影视、教育、金融等领域的从业者已经直面感受到了被AI“抢饭碗”的压力,但与之相比,承担着国民经济支柱重担的工业/制造业对生成式AI的态度却显得有些“谨慎”和冷淡。
观望着
1:为什么在工业领域谈大模型是伪命题
2:首先,“观望者”认为当前大多数生成式AI模型主要关注文本和图像,只有非常少量的模型关注将传感器数据作为输入。同时,工业场景中的很多数据是不可读取的,或者即使读取了也需要一个翻译和解读的过程才能理解
1:此前就有多位计算机科学家曾预测,到2026年ChatGPT等大型语言模型的训练将耗尽互联网上的可用文本数据,届时当没有新的互联网训练数据可供使用时,由传感器、机器设备等生成的物联网数据自然会成为“香饽饽”。
2:同时,相对于互联网,物联网数据是物理实体产生的数据,具有鲜明的客观性,且大部分场景主要目的是用于生产经营,因此实用性也更高。在这些特殊数据的“投喂”下,生成式AI模型或许能够更深入地学习各行业具体场景知识,输出更精准的信息,为行业经营者和物联网用户参考,例如大幅提高预测性维护、供应链协同的效率。
3:更重要的是,在数据之外,工业领域对安全、稳定、可靠等指标极其严苛的追求,才是生成式AI不能满足的地方。
4:换言之,生成式AI的技术原理往往是寻找一种“最有可能”的答案,所以我们在实际使用过程中经常会遇到一些ChatGPT胡编乱造的“惊喜”,但是工业界不需要“惊喜”,工业生产最害怕“意外”,因为一个小小的故障和停机就可能带来成百上千万的巨额损失。
5:工业制造细分领域众多,各领域在生产流程、工艺、生产线配置、原材料及产品类型上均具有较大差异,强调的是细分行业的机理融合和行业知识,没有海量数据标签,因此工业领域基本上不可能形成类似GPT这样的通用大模型
支持者
过去,工业AI通常着重于故障检测、预测性维护等用例,但2023年的一个新趋势是生成式AI将深入制造企业的流程优化
第一,在产品开发阶段,生成式AI能够压缩设计和迭代的过程,从而带来显著的效率提升
第二,除了研发,数据追踪和分析的流程或许也将被重塑。
对制造业管理者而言,实时了解生产进度是重中之重。在一些比较传统的中小制造企业车间里,生产流程的记录往往依靠纸质单据或者Excel表格,生产信息整体传递滞后。
为了解决这类问题,不少企业开始部署数字化系统,但却存在周期长、成本高等痛点。而生成式AI可以使用自然语言处理和机器学习技术从工业现场的仪表板上,甚至纸质数据和表格中读取数据(GPT-4已经具备了识图能力),并快速提取有用的特征和信息。
第三,人们与机器沟通的方式会发生深刻的变化。过去运营人员一般通过各种软件与机器沟通,现在则可以直接通过自然语言与机器交流
有了ChatGPT,不用学习编程,人们就有能力调动各种机器,达成某种结果。
再往远处看,生成式AI和大模型让人们看到了利用虚实结合的方式控制物理世界的可能性。用数字虚拟的方式训练生产机器,最终实现全自动化的制造业,让机器制造机器,工厂成为产品。
观点
工业智能如果通用化,不应单纯是一个语言的生成式模型,它应该是一个操作的精密模型。操作的生成式预训练模型(OperationGPPT)应该有三个特色
第一个,它的目的性,要产能最大,维护成本最低,这是优化的目标函数(objective function);
第二个,它有它的逻辑性:什么时候该做什么,随工况(regime)变化而变化,它一定有是由某种操作逻辑决定的;
第三个,很重要的,它有因果性,好跟坏、大跟小、高跟低,它一定有因果关系。”
0 条评论
下一页