工業(yè)大模型應(yīng)用報告v2.6

·11________目錄1.大模型為工業(yè)智能化發(fā)展帶來新機遇 1 1 3 42.大模型和小模型在工業(yè)領(lǐng)域?qū)㈤L期并 6 6 72.3.大模型與小模型將長期共存 93.工業(yè)大模型應(yīng)用的三種構(gòu)建模式 11 11 12 133.4.三種模式綜合應(yīng)用 144.大模型應(yīng)用探索覆蓋工業(yè)全鏈條 164.1.大模型通過優(yōu)化設(shè)計過程提高 164.2.大模型拓展生產(chǎn)制造智能化應(yīng) 194.3.大模型基于助手模式提升經(jīng)營 234.4.大模型基于交互能力推動產(chǎn)品和服 255.工業(yè)大模型的挑戰(zhàn)與展望 285.1.工業(yè)大模型應(yīng)用面臨數(shù)據(jù)質(zhì)量和安全、 285.2.工業(yè)大模型應(yīng)用將伴隨技 301101.1.大模型開啟人工智能應(yīng)用新時代。0大模型引領(lǐng)人工智能技術(shù)創(chuàng)新和應(yīng)用。自1956年達特茅斯會議（DartmouthConference）提出人工智能的概念以來，人工智能技這一長期的發(fā)展過程中，人工智能技術(shù)不斷演進，逐步朝著更高的智能水平和適應(yīng)性界普遍認為，大模型時代已經(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特定的任務(wù)和場景設(shè)計專門的算法，這種方法雖然在特定領(lǐng)域有效，但人們對“智能”的期望是能夠適應(yīng)多種任務(wù)和場景的智能系統(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，同時也提高了復用的效率，為人工智能技術(shù)在更多領(lǐng)域的應(yīng)用提供了堅實的基礎(chǔ)，推動人類社會邁向通用人工智能（AGI）的新制，極大地改善了機器學習模型處理序列數(shù)據(jù)的能力，尤其是在自然語言處理（NLP）領(lǐng)域。Transformer架構(gòu)的出現(xiàn)，為后續(xù)的大模型如ChatGPT等奠定了技術(shù)基礎(chǔ)。通用性和復用性。大模型可以被廣泛應(yīng)用于自然語言處理、計算機視覺、語音識別等領(lǐng)域的各種任務(wù)，能夠為各種應(yīng)用和開發(fā)人員提供共享的基礎(chǔ)架構(gòu)，并進一步通過微調(diào)、零樣本學習等方式，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22大模型展現(xiàn)出三大基礎(chǔ)特征。目前大模型并沒有明確的定義，狹義上指大語言模型，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者所指出，這些模型也可以被稱為基礎(chǔ)模型（FoundationModel）。我們認為，大模型主參數(shù)規(guī)模大：大模型的參數(shù)規(guī)模遠大于傳統(tǒng)深度學習模型。大模型發(fā)展呈現(xiàn)“規(guī)模定律”（ScalingLaw）特征，即：模型的性能與模型的規(guī)模、數(shù)據(jù)集大小和訓練用的計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”并沒有一個絕對的標準，而是一個相對概念。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)量則泛化能力強：大模型能夠有效處理多種未見過的數(shù)據(jù)或新任務(wù)?；谧⒁饬C制（Attention通過在大規(guī)模、多樣化的無標注數(shù)據(jù)集上進行預(yù)訓練，大模型能夠?qū)W習掌握豐富的通用知識和方法，從而在廣泛的場景和任務(wù)中使用，例如文本生成、自然語言理解、翻譯、數(shù)學推導、邏輯推理和多輪對話等。大模型不需要、或者僅需少4參加了多種人類基準考試，結(jié)果顯示其在多項考試中成績都超過了大部分人類（80%支持多模態(tài)：大模型可以實現(xiàn)多種模態(tài)數(shù)據(jù)的高效處理。傳統(tǒng)深度學習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展編/解碼器、交叉注意力（Cross-Attention）、遷移學習（Transferlearning）等方式，實現(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，LargeMultimodalModels）能夠提供更加全面的認知能力和豐富的交互體驗，拓寬AI處理復雜任務(wù)的應(yīng)33人工智能推動工業(yè)智能化發(fā)展進入新階段。工業(yè)發(fā)展是一個逐步演進的過程，經(jīng)歷了機械化、電氣化、自動化、信息化的階段后，當前正處于從數(shù)字化向智能化邁進的階段。每個階段都是工業(yè)與各類創(chuàng)新技術(shù)的融合，對傳統(tǒng)制造業(yè)進行升級和改造，提高生產(chǎn)效率、降低成本、提升產(chǎn)品質(zhì)量。當前階段，工業(yè)領(lǐng)域積累了大量的數(shù)據(jù)、基礎(chǔ)能力和場景需求，為工業(yè)場景與人工智能技術(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)場景的融合，將智能化帶入到工業(yè)生產(chǎn)、運營、管理等領(lǐng)域，不斷提升感知、認知和決策等多個環(huán)節(jié)，有望推動大模型為工業(yè)智能化提供新動力。盡管人工智能在智能制造、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)，難以實現(xiàn)跨領(lǐng)域、跨場景的融合創(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、預(yù)測性維護等單一功能，這形成了人工智能應(yīng)用上“一場景一訓練一模型”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。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)進行預(yù)測和推斷，大模型則能夠生成新的知識和見大模型為工業(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較低的水平。據(jù)凱捷44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)用的新場景，提升人工智能應(yīng)用的普及率。例如在研發(fā)設(shè)計領(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)計提供更為精準和創(chuàng)新的思路。在經(jīng)營管理領(lǐng)域，大模型能夠?qū)崿F(xiàn)對生產(chǎn)流程、供應(yīng)鏈管理等各個環(huán)節(jié)的監(jiān)控和智能優(yōu)化，從而提升企業(yè)的運營效率和市場競爭大模型的優(yōu)勢在于其強大的泛化能力，可以在不同的領(lǐng)域和任務(wù)上進行遷移學習，而無需重新訓練。但無法充分捕捉到某個行業(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)場景，其核不懂行業(yè)：大模型在處理特定行業(yè)任務(wù)時，往往表現(xiàn)出對行業(yè)知識、術(shù)語、規(guī)則等的不理解，導致生成的解決方案與實際需求存在偏差，這主要是由于大模型在訓練過程中缺乏特定行業(yè)的數(shù)據(jù)和知識，難以覆蓋各個行業(yè)的專業(yè)細節(jié)。這種行業(yè)知識的匱乏使得大模型在應(yīng)對工藝流程優(yōu)化、設(shè)備故障預(yù)測等專業(yè)問題時有所缺陷，難以提不熟企業(yè)：當大模型接入企業(yè)系統(tǒng)時，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)和運營模式，導致生成的解決方案與企業(yè)實際需求不匹配。每個企業(yè)都有其獨特的運營環(huán)境和業(yè)務(wù)需求，而大模型往往缺乏對企業(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55企業(yè)的問題使得大模型難以真正融入企業(yè)的運營流程，無法平滑地嵌入到現(xiàn)有的各類存在幻覺：在某些情況下，大模型會產(chǎn)生與實際情況不符的錯誤輸出，即“幻覺”現(xiàn)象。這主要是由于模型在訓練過程中受到了噪聲數(shù)據(jù)、偏差樣本等因素的影響，或者由于模型的復雜性和數(shù)據(jù)維度過高導致過擬合。這種幻覺現(xiàn)象對工業(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，還是供應(yīng)鏈管理、市場預(yù)測等環(huán)節(jié)，錯誤的輸出都可能導致嚴重的決策失誤和經(jīng)濟損失。特別是在對安全性、可靠性要求極高的工業(yè)場景中，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66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)0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)特點和應(yīng)用能力，目前在工產(chǎn)制造領(lǐng)域，占比高達57%，而在研發(fā)設(shè)計和經(jīng)營管理領(lǐng)域的應(yīng)用則相對較少。這種小模型的核心特點是學習輸入與輸出之間的關(guān)系。小模型通過學習數(shù)據(jù)中的條件概率分布，即一個樣本歸屬于特定類別的概率，再對新的場景進行判斷、分析和預(yù)測。它的優(yōu)點是通常比大模型訓練速度更快，而且可以產(chǎn)生更準確的預(yù)測結(jié)果，尤其適用77于對特定任務(wù)進行快速優(yōu)化和部署的場景。以工業(yè)質(zhì)檢領(lǐng)域為例，小模型能夠從海量的工業(yè)產(chǎn)品圖片數(shù)據(jù)中，學習到產(chǎn)品的外觀特征、質(zhì)量標準和缺陷模式等關(guān)鍵信息。當面對新的樣本時，小模型能夠迅速判斷樣本是否合格，從而實現(xiàn)對產(chǎn)品質(zhì)量的快速檢測。同樣在設(shè)備預(yù)測性維護方面，小模型通過對設(shè)備運行數(shù)據(jù)的分析，能夠?qū)W習到設(shè)備正常運行的模式和潛在的故障特征。一旦監(jiān)測到異常情況，小模型能夠及時發(fā)出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)支撐精準的判別和決策，而生產(chǎn)過程需要針對不同場景進行精準的分析和決策，這兩者間的契合使得小模型在生產(chǎn)制造領(lǐng)域具有獨特的優(yōu)勢。其次，生產(chǎn)制造過程對準確性和穩(wěn)定性有著極高的要求，任何微小的誤差都可能導致產(chǎn)品質(zhì)量下降或生產(chǎn)線停工。小模型在訓練過程中，能夠針對具體場景進行精細化的調(diào)整和優(yōu)化，從而確保模型的準確性和穩(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較低，使得其在生產(chǎn)制造現(xiàn)場的應(yīng)用更具經(jīng)濟性，并在有限的硬件小模型的定制化需求制約了其進一步滲透。盡管小模型在生產(chǎn)制造領(lǐng)域表現(xiàn)出色，的業(yè)務(wù)邏輯進行數(shù)據(jù)采集、模型訓練與調(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)缺陷檢測領(lǐng)域的視覺模型往往需要針對一個產(chǎn)品或者一個設(shè)備訓練一個模型，產(chǎn)品或設(shè)備不同，就要對模型進行重新訓練，這種定制化的需求在一定程度上制約了小模88根據(jù)對99個工業(yè)大模型應(yīng)用案例的統(tǒng)計分析大模型通過構(gòu)建龐大的參數(shù)體系來深入理解現(xiàn)實世界的復雜關(guān)系。大模型的核心在于學習數(shù)據(jù)中的聯(lián)合概率分布，即多個變量組成的向量在數(shù)據(jù)集中出現(xiàn)的概率分布，進而通過使用深度學習和強化學習等技術(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，大模型并不簡單地區(qū)分自變量與因變量，相反，它致力于在龐大的知識數(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，而且涵蓋了多個維度和層面，從而更全面地反映現(xiàn)實世界的復雜關(guān)系。以自然語言處理為例，大模型通過學習大量的文本數(shù)據(jù)，能夠掌握語言的規(guī)律和模式。當給定一個句子或段落時，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，大模型還能夠根大模型更適合綜合型和創(chuàng)造類的工業(yè)場景。在綜合型工業(yè)場景中，由于涉及到多個系統(tǒng)、多個流程的協(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)系往往錯綜復雜，難以用傳統(tǒng)的分析方法進行精確描述。大模型通過深度學習和復雜的網(wǎng)絡(luò)結(jié)構(gòu)，可以捕捉并模擬這些關(guān)系，從而實現(xiàn)對復雜系統(tǒng)的全面理解和優(yōu)化。在創(chuàng)造類工業(yè)場景中，大模型的優(yōu)勢體現(xiàn)在其強大的內(nèi)容生成能力上。例如，在產(chǎn)品外觀設(shè)計方面，傳統(tǒng)的設(shè)計方法往往依賴于設(shè)計師的經(jīng)驗和靈感，設(shè)計周期長且難以保證設(shè)計的創(chuàng)新性。而大模型通過學習大量的設(shè)計數(shù)據(jù)，能夠掌握設(shè)計領(lǐng)域的規(guī)律和99大模型在工業(yè)領(lǐng)域的應(yīng)用潛力仍有待釋放。首先，大模型技術(shù)本身正處于快速發(fā)展的階段，盡管已取得了顯著進步，但在成本、效率和可靠性等方面仍有待進一步提升，以適應(yīng)工業(yè)領(lǐng)域日益復雜的需求。其次，工業(yè)場景眾多且各具特色，大模型作為新技術(shù)，需要逐步與各個工業(yè)場景緊密結(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，同時在實際生產(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，這些現(xiàn)實問題也限制了大模型的有深厚的應(yīng)用基礎(chǔ)和經(jīng)驗積累，其算法和模型結(jié)構(gòu)相對簡單，易于理解和實現(xiàn)，其穩(wěn)定性和可靠性得到了驗證。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階段。小模型以其高效、靈活的特點，在特定場景和資源受限的環(huán)境中發(fā)揮著重要作用；而大模型則以其強大的泛化能力和處大模型與小模型有望融合推動工業(yè)智能化發(fā)展。對于小模型而言，利用大模型的生成能力可以助力小模型的訓練。小模型訓練需要大量的標注數(shù)據(jù)，但現(xiàn)實工業(yè)生產(chǎn)過程可能缺少相關(guān)場景的數(shù)據(jù)，大模型憑借強大的生成能力，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練樣本，從而使其能夠更準確地識別缺陷和異常。此外，大模型可以通過Agent等方式調(diào)用小模型，以實現(xiàn)靈活性與效率的結(jié)合。例模型可以負責全局的調(diào)度和決策，而小模型可以負責具體的執(zhí)行和控制。這樣既能保大模型的構(gòu)建可以分為兩個關(guān)鍵階段，一個是預(yù)訓練階段，一個是微調(diào)階段。預(yù)訓練主要基于大量無標注的數(shù)據(jù)進行訓練，微調(diào)是指已經(jīng)預(yù)訓練好的模型基礎(chǔ)上，使用特定的數(shù)據(jù)集進行進一步的訓練，以使模型適應(yīng)特定任務(wù)或領(lǐng)域。針對工業(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，通過檢索增強生成（RAG）為大模型提供額外的數(shù)據(jù)，支持無監(jiān)督預(yù)訓練主要利用大量無標注數(shù)據(jù)來訓練模型，目的是學習數(shù)據(jù)的通用特征和知識，包括GPT-3/GPT-4、LLaMA1/LLaMA2等，都是通過收集大量無標注的通用好訓練的語言模型可以捕捉到對下游任務(wù)有益的豐富知識，如長期依賴關(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)訓練的大模型缺乏對行業(yè)知識的理解，在應(yīng)對行業(yè)問題上表現(xiàn)出的性能較差，因此在預(yù)訓練階段可以使用通用數(shù)據(jù)加行無監(jiān)督預(yù)訓練工業(yè)大模型的優(yōu)點是可以具備廣泛的工業(yè)通用知識，最大程度地滿足工業(yè)場景的需求，實現(xiàn)模型的最優(yōu)性能與穩(wěn)定性。但這一模式的缺點是需要大量的高質(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)訓練工業(yè)SymphonyAI3推出了基于無監(jiān)督預(yù)訓練的工業(yè)大語言模型，該模型的訓練數(shù)據(jù)包 制造流程管理平臺提供商Retrocausal4發(fā)布的LeanG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)計和持續(xù)改進制造裝配流微調(diào)模式是在一個已經(jīng)預(yù)訓練完成的通用或?qū)I(yè)大模型基礎(chǔ)上，結(jié)合工業(yè)領(lǐng)域特定的標注數(shù)據(jù)集進行進一步的調(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)域量身定制的標記數(shù)據(jù)集來訓練，與模型預(yù)訓練所需的巨大數(shù)據(jù)集相比，微調(diào)數(shù)據(jù)集更小，單個任務(wù)的微調(diào)通常只需要幾千條到上萬條有標注數(shù)據(jù)即可。通過微調(diào)，大模型可以學習到工業(yè)細分領(lǐng)域的知識、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3IndustrialLLM-SymphonyAIwith4KaizenCopilot–Retrocausal這一模式的優(yōu)點是可以充分利用基礎(chǔ)大模型的泛化能力，同時通過微調(diào)的方式，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，也可以針對具體行業(yè)或公司的語氣、術(shù)語進行定制化。缺點在于需要收集和標注具體工業(yè)領(lǐng)域和場景的數(shù)據(jù)和知識，增加數(shù)據(jù)準備的成本和時間，若數(shù)據(jù)不足或嘈雜會降低模型的性Cohere5推出全面的微調(diào)套件，其中包括生成微調(diào)、聊天微調(diào)、重新排序微調(diào)和多業(yè)可以定制模型，在文本生成、摘要、聊天、分類和企業(yè)搜索等目標用例上獲得更好檢索增強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)、知識庫等，為工業(yè)場景提供知識問答、內(nèi)容生成等能力。檢索增強生成（RetrievalAugmentedGeneration，RAG）結(jié)合了檢索（Retrieval）和生成（Ge是把私域知識文檔進行切片，向量化后續(xù)通過向量檢索進行召回，再作為上下文輸入到基礎(chǔ)大模型進行歸納總結(jié)。具體而言，首先是將外部數(shù)據(jù)通過Embedding模型存儲到向量數(shù)據(jù)庫中。當用戶輸入查詢內(nèi)容時候，經(jīng)過Embedding模型和向量數(shù)據(jù)庫的內(nèi)容匹配，得到Top排序的結(jié)果作為上下文信息一起輸入給大模型，大模型再進行分析和回答。檢索增強生成在私域知識問答方面可以很好的彌補通用大語言模型的一些短這種模式的優(yōu)點是可以快速利用現(xiàn)有的基礎(chǔ)大模型，無需進行額外的訓練，只需要構(gòu)建和接入行業(yè)或企業(yè)私有的知識庫，就可以實現(xiàn)對工業(yè)領(lǐng)域的知識理解和應(yīng)用，5Introduction()也可以部分消除大模型的幻覺，減少數(shù)據(jù)泄露，提高信任度和訪問控制。這種模式的缺點是基礎(chǔ)大模型可能無法充分適應(yīng)工業(yè)場景的特點和需求，導致效果不佳或不穩(wěn)定。Cognite6利用檢索增強生成（RAG）技術(shù)，將大模型與其工業(yè)DataOps平臺CogniteDataFusion結(jié)合起來，為工業(yè)客戶同來源和類型的工業(yè)數(shù)據(jù)進行向量化，并存儲在一個專門的向量數(shù)據(jù)庫中，可以作為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C3.AI7推出的GenerativeAI利用檢索增強技術(shù)，將制造企業(yè)知識庫與大語言模型分開，從而生成準確、一致的結(jié)果，且能夠追溯到源文件和數(shù)據(jù)，以確保信息的準確。在工業(yè)大模型的訓練模式中，我們可以看到三種主要的方法，每種方法都有其獨特的優(yōu)勢和挑戰(zhàn)。無監(jiān)督預(yù)訓練模式通過大量無標注數(shù)據(jù)來提升模型的泛化能力，適用于工業(yè)場景的廣泛需求，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，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)量的標注數(shù)據(jù)?；A(chǔ)大模型結(jié)合檢索增強生成（RAG）模式練的基礎(chǔ)大模型和行業(yè)知識庫，為工業(yè)場景提供即時的知識問答和內(nèi)容生成服務(wù)，這種方法的優(yōu)勢在于快速部署和利用現(xiàn)有資源，但可能在特定工業(yè)場景的適應(yīng)性上存在6RAGisalltheRAGe()7C3GenerativeAINowPubl局限。總結(jié)來說，這三種訓練模式為工業(yè)大模型的開發(fā)提供了多樣化的選擇，在實際應(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)用模型針對不同的文檔以及維基百科等數(shù)據(jù)，訓練的token超過240億，在商用開采用領(lǐng)域自適應(yīng)預(yù)訓練、帶有領(lǐng)域特定指令的監(jiān)督微調(diào)（SFT），以及領(lǐng)域自適應(yīng)檢索等技術(shù)對模型進行優(yōu)化，能夠有效的支持芯片設(shè)計的一般問題問答、總結(jié)Bug文檔和制手制手后從工業(yè)產(chǎn)品生命周期的角度，可以將工業(yè)場景概括為研發(fā)設(shè)計、生產(chǎn)制造、經(jīng)營理工業(yè)產(chǎn)品設(shè)計涵蓋了外觀設(shè)計與結(jié)構(gòu)設(shè)計兩大關(guān)鍵環(huán)節(jié)。在這兩個環(huán)節(jié)，大模型都展現(xiàn)出了其獨特的價值。在結(jié)構(gòu)設(shè)計方面，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)計方案，縮短產(chǎn)品開發(fā)的時間并提供多種創(chuàng)造性的產(chǎn)品選項，讓設(shè)計師專注于產(chǎn)品設(shè)計的核心工作。在外觀設(shè)計方面，設(shè)計師只需提供簡短的文字描述或草圖，大模型便能迅速生成多張高保真度的設(shè)計效果圖。這些效果圖不僅滿足了設(shè)計師的個性化需求，還為他們提供了豐富的選擇空CALA9作為時裝設(shè)計平臺，將OpenAI的DALL·E生成式設(shè)能夠迅速產(chǎn)生一系列的服裝設(shè)計初稿，顯著地縮短了設(shè)計周期，提高了工作效率。然而，CALA并非一個完全自動化的設(shè)計工具，其使用過程依然依賴于設(shè)計師的專業(yè)技能和豐富經(jīng)驗。盡管如此，CALA顯著降低了新設(shè)計師的入門難度，并有效提升了資將大模型圖像生成技術(shù)成功應(yīng)用于產(chǎn)品設(shè)計、用戶界面設(shè)計、色彩材質(zhì)設(shè)計以及品牌設(shè)計等多個領(lǐng)域。該解決方案全面覆蓋了新品設(shè)計、產(chǎn)品改款升級、以及渠道定制化等工業(yè)設(shè)計業(yè)務(wù)場景。其中，概念圖的生成得益于Nolibox基于開源大模型StableDiffusion的應(yīng)用開發(fā)，有效地豐田研究所11推出的“生成式人工智能工具”是一款專為車輛設(shè)計師打造的AI助手，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)計草圖，并允許設(shè)計師通過調(diào)整定量性能指標來構(gòu)建原型草圖。工具融合了計算機輔助工程的優(yōu)化理論與生成式AI技術(shù)，能夠?qū)⒐こ碳s束自然地融入設(shè)計流程中。這意味著，9CALA·AI-PoweredDesign&Collaboration10亞馬遜云科技聯(lián)手Nolibox，助力海爾創(chuàng)新設(shè)計中心打造AIGC工業(yè)設(shè)計解決方案()11Human-CenteredAI|ToyotaResearchInstitute(tri大模型可以與CAD、CAE等工業(yè)設(shè)計軟件結(jié)合，通過連接相關(guān)數(shù)據(jù)庫，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)計者的創(chuàng)意思路和特殊需求，生成多樣化的設(shè)計方案，供設(shè)計者進行參考。另一方面，亦可對設(shè)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項目輔助等各類案或者現(xiàn)有方案的改進意見，幫助用戶短時間內(nèi)能夠獲得更好的設(shè)計結(jié)果。在代碼生Synopsys13（新思科技）推出了一款創(chuàng)新的芯片設(shè)計輔助工具——Synopsys.ai Copilot。這款工具融合了先進的生成式人工智能技術(shù)，旨在加速芯片設(shè)計的整個流程。來應(yīng)對芯片設(shè)計過程中遇到的各種復雜挑戰(zhàn)。通過與工具的智能對話，工程師能夠更Cadence14推出了Cadence.AILLM，這是業(yè)界首個針對芯片設(shè)計的大型語言模型（LLM）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)計規(guī)范、集成連接規(guī)范以及芯片設(shè)計本身，為用戶提供了一個強大的交互平臺。用戶能夠通過自然語言與工具進行互動，提出各種指令，如要求列出芯片設(shè)計中的不規(guī)則網(wǎng)絡(luò)名稱、識別所有12CADGPT|Back2CAD()13面向芯片設(shè)計和AI應(yīng)用的AI驅(qū)動型EDA套件|Synopsys.ai潛在的不規(guī)則引腳、自動化測試平臺的連接設(shè)置、以及輔助完成是以設(shè)計本身的形狀作為輸入，即使形狀的結(jié)構(gòu)在訓練數(shù)據(jù)中的記錄不一致，也能有助于更廣泛的設(shè)計探索。對于需要進行海量計算的項目，該應(yīng)用可將所有設(shè)計階段的模型性能預(yù)測功能提高10-100倍?？蛻艨蒘imAI可以讓雷諾集團的工程師在數(shù)分鐘內(nèi)測試一個設(shè)計，并迅速分析結(jié)果，從而在生產(chǎn)制造環(huán)節(jié)是工業(yè)生產(chǎn)的核心場景，對安全性和穩(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，涉及到自動化、機械加工等領(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，減少人工編程的時間和成本，提高了研發(fā)者的開發(fā)效率，特別是重復性高、邏輯簡單的任務(wù)。同時，自動生成的代碼還可以減少人為錯誤的發(fā)生，提高代碼的可靠性和可維護性?，F(xiàn)有的代碼生成方法或工具在處理簡單需求的場景時表現(xiàn)較好，如行級代碼補全和初級的函15Ansys宣布正式推出AnsysSimAI?|數(shù)級代碼生成。在復雜的函數(shù)級代碼生成、深入的問題分析和軟件系統(tǒng)設(shè)計方面，還Siemens16與微軟合作推出了SiemensIndustrialCopilot，西門子IndustrialCopilot允許用戶迅速生成、優(yōu)化自動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平臺的自動化與仿真信息，并結(jié)合微軟AzureOpenAI服務(wù)提升數(shù)據(jù)處理能力，同時確?？蛻魧?shù)據(jù)的完全控制，不用于AI模型訓練。IndustrialCopilot旨在提升整個工業(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，工程師能迅速使用仿真工具，從而推動工業(yè)創(chuàng)新和生產(chǎn)力的提升。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的任何問題。例如，當工程師給出指令“在點(100,25)處鉆一個直徑10毫米的孔”，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)測性維護減少停機時間，并通過精準的數(shù)據(jù)分析指16UnlockingthePowerof17éncy-virtualAIassistantforSprutCAMX-SprutCAMX的工業(yè)數(shù)據(jù)分析工具，它通過智能化分析簡化了制造問題的解決和報告流程。FactoryCoPilot提供了一個直觀的交互體驗，用戶可以像詢問專家一樣輕松獲取分析結(jié)果。利成易于理解的報告、郵件和圖表。它還能引導用戶進行根因分析，加快問題診斷。此Vanti19推出ManufacturingCOPIL和分析方面面臨的挑戰(zhàn)。通過融合和整理來自ERP系統(tǒng)、制感器以及歷史記錄器等多樣化數(shù)據(jù)，該平臺改變了數(shù)據(jù)處理方式。同時基于大模型能力，允許用戶以自然語言詢問并與數(shù)據(jù)互動，將復雜的數(shù)據(jù)分析過程轉(zhuǎn)換為簡單直觀生產(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，增強數(shù)據(jù)的可解釋性，幫助制造業(yè)專業(yè)人士進行數(shù)據(jù)驅(qū)動的決策。此外，它還簡化了測試流程，使用戶能夠通過自然語言查詢快速驗證假設(shè)，并根據(jù)可靠ABB20與Microsoft合作推出ABBAbility?Genix，是一個集成了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、機器學習和用戶交互的增強能力，利用生成式AI優(yōu)化工業(yè)流程，提高操實際應(yīng)用中，通過Copilot功能，操作員能夠更18FactoryCoPilotfromSightMachine-Generativ19GENAI-PoweredAnalyticsPlatformforManufacturing(vanti.ai)20ABBAbility?GenixIndustrialAnalyticsandAISuite供的數(shù)據(jù)分析洞見有望將資產(chǎn)生命周期延長程序MineMind?,利用GoogleCloud的AI技術(shù)簡化設(shè)備維護過維護團隊進行卡車維修、訂購零件、提煉復雜信息，還提供全面的參考資料以確保準確性。MineMind?預(yù)計將改善維護團隊的體驗，更有效地節(jié)省大模型的出現(xiàn)可以幫助機器逐漸實現(xiàn)真正像人類一樣交流、執(zhí)行大量任務(wù)。工業(yè)機器人和自動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《ChatGPTforRobotics:DesignPrin模型主要通過兩個層面對工業(yè)機器人進行輔助，第一，作為預(yù)訓練語言模型，可以被應(yīng)用于人類與機器的自然語言交互。機器通過ChatGPT理解人類的自然語言指令根據(jù)指令進行相應(yīng)的動作。第二，大模型可以幫助機器在執(zhí)行路徑規(guī)劃、物體識別等個自然語言用戶界面，使機器人開發(fā)者和使用者可以與AI應(yīng)用進行21U.S.SteelAimstoImproveOperationalEffi建議和指導。同時也可以協(xié)助用戶完成諸如自動創(chuàng)建和修改機器人程序、優(yōu)化機器人公司特定的信息，如機器人型號和參數(shù)、機器人應(yīng)用和場景、機器人操作和故障排除手冊等，為用戶提供即時的支持，回答特定的問題。例如，如何選擇合適的機器人、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器人大模型。該模型旨在賦予機器人對環(huán)境中多元信號的感知與理解能力，并通過自然語言實現(xiàn)與人類的有效溝通。預(yù)期的研究成果將顯著提高機器人的智能程度，促斯坦福大學教授李飛飛團隊24發(fā)布了名為“VoxPoser”的項目，該項目用大模型指導機器人如何與環(huán)境進行交互，通過將大模型接入機器人，可將復雜指令轉(zhuǎn)化成具體行動規(guī)劃，人類可以很隨意地用自然語言給機器人下達指令，機器人也無需額外數(shù)據(jù)和經(jīng)營管理環(huán)節(jié)具備較強的通用性，因而成為大模型較容易應(yīng)用的工業(yè)場景。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，實現(xiàn)對經(jīng)營管理數(shù)據(jù)的智能化分析和處理。通過對CRM、ERP、SCM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)提供更精準和個性23梅卡曼德與漢堡大學張建偉院士實驗室攜手探索機器人多模態(tài)大模型-梅卡曼德機器人(mech-24[2307.05973]VoxPoser:Composable3DValueMaps化的服務(wù)。大模型還能夠根據(jù)用戶的需求或描述，自動生成報告、簡報、訂單等多種Salesforce25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、營銷GPT、商業(yè)GPT、SlackGPT、TableauGPT、FlowGPT和ApexGPT。銷售GPT可以快速自動制作個性化電子郵件；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)簡報、案例摘要和工作訂單；營銷GPT和商業(yè)GPT可以將受眾細分，以便根據(jù)每個買家的特點定制產(chǎn)品描述，或者提供如何提高平均訂單價值等建議。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 提示行程等功能）、企業(yè)知識大腦（METISChatFile，能企業(yè)知識管理與問答助手類應(yīng)用已經(jīng)成為大模型在企業(yè)端落地的先行場景，以知識庫為代表的問答助手類應(yīng)用落地廣泛，通過對企業(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)進行分析，大模型能夠構(gòu)建和更新企業(yè)的知識庫，為企業(yè)提供全面和準確的知識管理。同時，通過對用戶的需求或問題進行理解和回答，大模型能夠為用戶提供智能的問答和輔助，解決用戶在工作中遇到的各種問題，提高用戶的工25AICloud:TrustedGPTArtificialIntelligenceforBusines26鼎新“數(shù)智驅(qū)動·未來企業(yè)”在線峰會成功舉辦，重磅發(fā)布METIS新平臺+新應(yīng)用-鼎捷軟件()實現(xiàn)了工廠數(shù)據(jù)的智能化分析和處理，并提供了一個自然語言用戶界面，使工廠工人可以與聊天機器人進行人性化的對話，請求專家的幫助和支持。Andi可以協(xié)助工人完成諸如自動監(jiān)控機器和流程性能、解決問題、生成行動計劃、檢查清單和工作指導等任務(wù)，還可以學習公司特定的信息，如機器操作和故障排除手冊、質(zhì)量系統(tǒng)、人力資源手冊等，為工人提供即時的支持，回答特定的問題，如如何修復特定的機器故障代碼、識別導致機器停機最多的三個問題、確定最近一小時的一次合格率（FTQ）或者Hitachi28正在利用生成式人工智能，將維護和制造方面的專業(yè)技能傳授給新員工，旨在減輕經(jīng)驗豐富員工退休的影響。熟練的工人利用多年經(jīng)驗培養(yǎng)的直覺，來檢測可能導致事故或故障的細微異?！缭O(shè)備的聲音、溫度或氣味的變化，然而這些制造業(yè)中的隱形知識存在傳遞困難。日立已經(jīng)開發(fā)了據(jù)，生成圖像，將可能的故障——如煙霧、塌陷、軌道彎曲——投影到實際的軌道圖像上，支持維護工人身臨其境的學習如何檢查異常。該系統(tǒng)有望通過讓他們學習可能導致嚴重事故的多種問題，來提高維護工人的技能，并允許用戶通過虛擬現(xiàn)實設(shè)備在在產(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，也成為消費電子、汽車等27Introducingandi-Andonix保持了專業(yè)聲學標準的基礎(chǔ)上，與傳統(tǒng)的智能音箱相比，VifaChatMini在自然語言生成和情感表達方面具有顯著的優(yōu)勢，可應(yīng)用到老年人和兒童等特定用戶群體，用于情BMW30（寶馬）基于亞馬遜Alexa大語言模型提供的生成式AMercedes-Benz31（奔馳）發(fā)布了全新MBU于MB.OS操作系統(tǒng)打造，而MB.OS會搭載基于AI和大語言模型的全新虛擬助手，能騰訊新一代智能座艙解決方案TAI4.0從場景和用戶知能力和大模型的學習理解能力，構(gòu)建從多模交互到個性化服務(wù)的完整智能化閉環(huán)體驗。基于插件工具、內(nèi)容生態(tài)，為用戶在智能交互、效率提升、親子娛樂等場景下提尋找解決方案，文檔數(shù)量龐大且復雜，因此很難找到正確的解決方案。通過使用Azure29CHATMINI-theworld'sfirstsmartspeakerequippedwithChatGPT-vifa30NextgenerationBMWvoiceassistanttobebasedonAmazonAlexatechnology.(b31Mercedes-Benzheraldsanewerafortheuserinterf32TeemuLintula&Solita-Tana'sAI-poweredas的相關(guān)問題，智能助手將根據(jù)相關(guān)的文檔給出答案，同時還引用了其答案來源的詳細臺，以平臺能力賦能各式各樣知識問答前端應(yīng)用的構(gòu)建?；隍v訊大模型知識引擎，系統(tǒng)）進行了全新升級。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，不方便操作點擊VDS設(shè)備。而新員工在查詢專業(yè)知識、業(yè)務(wù)工單等方面也會存在不熟悉、缺乏業(yè)務(wù)經(jīng)驗等現(xiàn)象。智能問答機器人0挑戰(zhàn)一：數(shù)據(jù)質(zhì)量和安全是工業(yè)大模型構(gòu)建的程中的各個環(huán)節(jié)相互交織，數(shù)據(jù)之間的關(guān)聯(lián)性和復雜性也較高。數(shù)據(jù)的來源、采集方式、時間戳等都會影響數(shù)據(jù)的準確性和完整性。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，需要投入大量的時間工業(yè)