但需求和供应的不确定性导致传统的管理方式难以帮助企业实现高效生产，而AI具有同时考虑大量变量的能力，可以学习调度和代理使企业实现利润最大化。
当前工业产品和操作系统的复杂性急剧增加，依赖经验丰富的工程师花费大量时间进行试验和研究的传统模式效率极低;同时，工业企业的声誉是以产品质量为基础，创新是企业持续增长的关键因素;因此，工业企业需要快速了解并解决问题，而AI 能够打破企业传统的解决问题范式，帮助企业加速业务运行，为企业创造巨大价值。
例如，为了查找一个系统存在的问题，AI 可以通过因果建模的方法，将复杂性问题重新表述为一个确定的业务问题，构建基于事件的数据模型，将产品开发生命周期和运行历史中的数千个变量联系起来，包括设计配置、制造参数及维护和维修历史，然后基于模型确定与特定问题相关的最高因素，让工程师能够快速查找到导致问题出现的最可能根源。
2022 年末，由人工智能研究实验室 发布的全新AI 聊天机器人，因其突破性的“ 架构大模型+RLHF( from Human ，人类反馈强化学习)算法”，带来了自然语言处理在表述逻辑性、自然性等人机交互体验领域的巨大提升，因而迅速被人熟知，也为工业领域产品全生命周期的效率和质量提升带来更多可能性。
工业领域 的应用
2.1 通用AI 与工业AI 技术发展历程
工业AI 与 等通用AI 的差异存在于2 方面。一是工业AI 的高价值应用通常集中在与工业机理强融合的场景，如设备预测性维护、生产过程控制优化、基于知识的综合决策和残次品视觉检测等，工业AI 应用场景分布如图1 所示;二是工业对AI 高精准度、高专业度和高安全性等要求导致技术创新与实际工业应用落地存在时滞，如统计机器学习的工业领域应用滞后周期基本在10 年左右，深度学习、生成对抗网络等新技术于2012 年后在通用领域开展应用，在4 年后产生了在工业领域的探索实例。总的来看，由于AI 技术可用性增强及工业领域自动化、信息化和智能化水平的提升， 带来的通用AI 大模型的突破，在短期内实现工业领域的应用仍不成熟，但有望在中长期内迎来快速发展。
2.2 短期内在工业领域的应用限制
从短期来看， 提供信息的模糊性、低时效性、非开源性、非专业性、低可信度及知识产权界定存疑等问题，限制了其在工业领域的应用和迭代。
1)高模糊性。 信息检索和信息收集的精准度、准确性尚需提升，这是 在工业领域走向商业化的关键。
2)低时效性。 的时效性受 的模型数据库更新频率、数据来源影响，不足以支撑工业企业对于信息的即时性和预测性要求，存在信息时效性不足的风险。
3)非开源性。 并非开源系统，且当前训练用数据为公域数据，企业内部封闭环境的应用尚不可知， 且多数工业企业内部尚不具备足够的高质量、准确(正确) 的基础数据进行模型训练。
4)非专业性。 是一种通用语言模型，在工业领域的应用尚需适宜的方式与工业知识进行结合，即对于一个接受完9 年义务教育的学生还需要一些专业技能和素养去从事工作实践。
5)低可信度。当前 生成的内容质量尚无法满足工业领域对于信息和数据的高可信度要求。
6)低安全性。 在工业企业内部应用过程中存在数据泄露和隐私保护相关问题。由于担心信息泄露等问题，软银和日立等企业已经开始限制在商业运营中使用 等互动AI 服务。
7)知识产权存疑。 知识产权问题有待讨论， 生成式AI 提出的新设计或想法的所有权归属及版权确认保护问题存疑。
2.3 中长期内在工业领域的应用可能
从中长期来看， 在工业软件形态颠覆、工业现场问题解决和知识图谱构建等方面均具有可观的应用潜力。
一是工业软件形态的颠覆。软件的本质在于数据的采集和汇集、信息的使用及对人的操作流程形成管控。在生产方式越来越多元的趋势下， 很有可能会颠覆软件未来的形态，可能会从APP 或者桌面端的形式转变为与人互动的形式，信息流将会变为“人- 机器-物联网设备-”， 会以更加智能的方式， 满足不同角色对于信息生成和推送的颗粒度、种类和实时性等的要求，不仅能在短时间内探索多样化的创新或设计方案，提升效率，而且兼顾材料、制造工艺和性能参数要求等进行快速地迭代和优化，以CAD、CAE 为代表的工业软件的创成式设计能力和工艺仿真水平有望进一步增强，AI 赋能仿真优化及数字孪生优化如图2 所示。
二是解决工业现场问题。企业经过几十年的经营，往往拥有丰富的数据信息，因而当工程师对高度复杂的系统进行故障排查时，需要查找历史上最相关的程序、机器性能数据和操作实例，而人类几乎不可能浏览数百万结构化和非结构化数据记录以获取信息，此时， 有望凭借其摄取大量数据并快速定位最相关信息的功能来帮助工程师加速解决问题。
比如：①明晰需求并撰写代码。工程师面对工业现场的编程需求，可以通过 起到“翻译”的作用， 在明晰需求的场景下通过 写出相应场景所需的代码，进而解决工业现场所出现的问题。②信息检索以及分析。 充当“导游”的角色，将诸如国家标准委员会的标准库、机械工业信息研究院的文献库和企业自身的知识库等导入其基础模型训练数据库中，通过 进行相应信息的检索、导览和分析，提高信息检索的效率。③提升工业制造效能。 可以通过从产品配置、开发和采购中获取的数据来构建产品的物料清单，从而确定重复使用零部件和改进现有工作标准的机会，帮助企业缩短工程生产时间。通过 推动MRP( ，物料需求计划) 和APS( & ，先进规划排程系统)运算效能的提升，至少可以带来工业制造5% 性能的提升。④提升软件开发和使用的便捷性。一方面， 充当“快捷键”的角色，可以快速调取诸如SAP 系统和MES 中的专业工具，提升系统软件使用者的便捷性;另一方面， 充当“辅助者”的角色，可以帮助工业软件用户更快、更一致且更高质量地建模和开发应用程序。以西门子低代码应用程序开发平台 为例，用户可借助(一个由 AI 驱动的虚拟协作开发者机器人)在该平台上更快且更高质量地构建出所需应用程序逻辑、完成建模和配置，而不必编写代码。
三是 在线回答其在工业中的应用场景，包括跨行业科普、工程技术支持、知识更新、数据分析及语言翻译、在线客服等。①跨行业科普。 可以解答各种科技、工业等相关问题，将复杂的技术知识快速简化为易于理解的形式，从而帮助专业领域外的人员了解该领域。②工程技术支持。 可以帮助工程师更快地找到代码示例和技术解决方案，以加速开发进程。例如，根据工程师提供的需求生成代码，或提供代码修改建议，并在编写过程中提示最佳实践和常见错误。③知识更新。 可以帮助工业公司的员工快速地学习和更新技术知识。例如，根据工程师提供的需求， 提供最新的技术资料和研究进展。④数据分析。 可以利用大量数据进行分析，帮助工业公司更好地识别模式和趋势，并基于此进行决策。除此之外， 还有很多其他的应用场景，比如帮助工业公司完成语言翻译、生成文件、语音合成、在线客服，以及提供先验知识/ 经验参考等。
对就业岗位的影响
从AI 技术的整体应用影响来看，AI 技术在创造和维持高端就业岗位方面同时带来了机遇和挑战：一方面， 研究表明AI 技术可能对具备高度专业技能或教育程度较高的工作者的工资增长产生积极影响;另一方面，AI 技术的普及可能导致部分工作被零工所替代，导致固定工作岗位需求减少，非标准化的自由就业机会可能增加。
从 对工业领域岗位影响来看， 近期， 只是一个全科60 分的通才，缺乏工业领域的专业知识和实践，因此不会出现大规模的职位替代。长期， 势必会带来效率的提升，进而导致资源结构的调整，包括职位结构的调整和迭代。例如，机械臂一方面替代了部分组装工人，但另一方面也增加了自动化、数字化运营等岗位;AI 产品上市以来，诞生了诸如训练、应用、培训和开发维护等一系列岗位;在汽车出现之后， 根据统计数据，从事运输服务环节的人数，出现了成千上万倍的增加。
因此，为应对 的应用，工业企业需要创造新的高效率工作岗位， 在长期内有望取代人类工作中的部分任务，但不能完全取代整个工作岗位，而 产生的影响将取决于政策及研究机构的投资和技术所有权模式。
结束语
作为一项AI 技术，将内容自动生成式技术推向了平民化时代，但受限于其信息的模糊性、数据的低可信度和商业模式的不成熟等， 短期内在工业领域的应用时机尚不成熟，对工业企业的影响不大。但长期来看， 在工业领域的应用前景可期，在工业现场问题解决中可以充当“翻译”“导游”“快捷键” 等角色，在工业效率提升方面具备价值空间。
同时，几乎每一次的技术革命均伴随劳动力要素结构的调整。在工业3.0 和4.0 阶段，“机器代人”几乎一直是热点话题榜单的“常客”，此次 的出圈， 更是引发了全社会对部分岗位结构性调整的关注。因此， 企业应在内容生成式技术真正对工业岗位产生影响之前， 做好对高度专业技能等岗位的阶段性预设、增设和相应人才的培养，以应对未来势必会出现的岗位结构调整所带来的劳动力就业冲击和企业生产经营冲击。
发表回复