以ChatGPT为代表的这一波AI大模型的热潮，未来又将怎样改变工业数字化，最近成为很多企业和用户关注的重点。为此，寄云科技创始人时培昕时总，最近特地组织了一场研讨会，邀请一些业内专家对此进行了讨论。以下是针对概念、应用、挑战几个重要问题，一些专家的看法：
（1）大模型、ChatGPT、生成式AI等概念的区别与联系
IDC分析师崔粲用一张图简述了3者的关系：大模型是生成式AI的支撑，不同类型大模型支撑了不同的生成式AI应用，ChatGPT是其中文字生成文字的一种典型应用。除了生成式AI，也还有很多面向场景的大模型。
（2）大模型工业应用有哪些场景？
寄云科技时培昕认为，大模型在工业的应用主要集中在4个方面：
1.私有数据和知识管理，如文件内容分析，网页内容分析等。如在让ChatGPT学习了寄云科技网页内容的基础上，时总让ChatGPT针对能源管控一体化平台，出5道考试题目，ChatGPT给出了对应的回答。
2.数据探索和分析。例如C3.AI推出的C3 Generative AI Product Suite
3.重构企业APP。ChatGPT类技术通过更简单的交互，替代传统的交互方式
4.工业自动化。如果设备和网络可以通过软件定义，工业自动化也将迎来巨大的改变。
IDC 崔粲从生产、研发和经营3个方面，梳理列举了一些可能的应用场景和当前市场的一些实践案例：
华为专家李成梁则介绍了盘古大模型在各个行业通过行业和场景模型落地的应用场景，并重点介绍了盘古大模型在矿山、电网、服装、医药等行业的落地案例
中化信息蓝星智云的冯恩波展望了AI在化工行业的一些应用
知识自动化的创始人林雪萍认为，在知识管理领域，过去基于搜索引擎、知识图谱等技术都没有得到广泛应用，ChatGPT类应用由以前的多路技术成果汇聚而来，存在了“大力出奇迹”的可能。同时，ChatGPT作为辅助工具，帮助人工作更有效率，也是重要的应用方向。
aspentech的黄海认为，GPT类技术，还是为人来服务，最终能帮人类变懒会是主要的应用场景。例如设备的故障分析从从单一设备分析到整个流程、系统的综合建模分析，能耗系统的综合优化、APC基于全厂数据的统一分析优化等
百度的何俊认为，企业侧用大模型的场景，研发领域是更好的切入点，因为研发领域知识密度相对较高，企业一般积累了大量文献数据基础，也有更高的ROI。
寄云科技时总认为，ChatGPT类目前还是有多方面的限制，集中在安全性、准确度、偏见和私有化的算力要求4个方面
中化信息蓝星智云的冯恩波则从技术原理角度，指出了化工行业对GPT类应用的需求的挑战：
GPT是发散的，化工行业需要模型是收敛的，GPT不知道的事情必须说不知道，而不是现在可能会胡说。
同时，化工行业存在很多隐性知识，很多业务专家通过多年对数据的观察，在头脑中形成了对数据的直观的定性的一些认识，把这些隐性知识固化在AI模型，能够形成比较大的价值。
知识自动化的创始人林雪萍提到，在过去两年，德国工业4.0在管理壳、OPC UA 语义规范等方面取得了突飞猛进的进展，而中国的智能制造过于追求数据的可视化和集中分析，而忽略了机器底层的语义框架。如果这部分工业4.0的底层模型基础打通，再把类GPT的理解系统和补齐碎片的能力叠加进来，工业自动化领域可能会有巨大的突破。
百度的何俊提到，目前很多企业的工业场景的数据对于深度学习而言都还是小数据，把全行业的数据回去起来才能够形成工业领域所需的大数据，但一方面企业内部数据普遍不愿意共享，另一方面数据标准并不规范，即便企业愿意共享，企业间数据的对齐也会是个大问题
以上就是针对大模型工业应用的一些探讨，大模型工业AI应用刚刚兴起，很多都还在探索中，时总也建立了相关研讨群，感兴趣的业内专家、工业企业用户，也欢迎联系作者或寄云科技加群参与讨论，共同推动大模型工业应用的发展~
共有条评论 网友评论