ChatGPT的橫空出世引起國內外熱議之時，讓人工智慧產業再起漣漪。近些年，隨著AI在工業製造業中扮演著越來越重要的作用，不禁讓人在想ChatGPT在工業領域能發揮怎樣的作用？

原文連結：卡奧斯: 工業AI面臨五大挑戰

「ChatGPT能否在工業領域發揮功能，主要得看工業級下游任務的準確率夠不夠，不能單純只看形式上是否可以支持該應用。」卡奧斯工業智能研究院工業AI技術總監王曉利在接受工業網際網路世界記者採訪時表示，ChatGPT是一個大規模預訓練語言模型，它的動機是用向量數位化詞、句在上下文中的語義表示，數位化語義表示越精準，它所能支持的下游應用就越多。

其實相較於2018年的GPT-1，ChatGPT在通用領域已經可以比較流暢、準確地支持多種下游任務。比如，提供線索自動生成文本、自動回復問題、頭腦風暴、聊天、改寫、摘要、分類、關鍵信息提取等功能。王曉利表示，工業領域的各個環節，其實都有對文本感知和認知的需求。盤點需求分析、產品設計、生產製造、物流、銷售、服務等各個環節，都可以找到落地場景。

「工業領域需求越迫切、容錯性越高的場景，落地速度就越快。」王曉利認為，ChatGPT如果應用於工業領域，應該會在需求分析和售後服務這兩個階段最先落地應用。因為這兩個階段是產品向服務體驗轉換的延伸，基於大數據技術，可以對個體感知認知有一定容錯性。而設計、生產、物流、銷售等環節，其知識庫的構建、趨勢預測等，要求準確率非常高，目前的ChatGPT還無法達到工業級對文本感知和認知的準確度需求。

王曉利坦言，雖然現階段的ChatGPT精度還無法達到工業設計、生產環節的使用要求，但是通過工業領域的知識注入，結合通用語言模型知識和工業領域知識，將逐步推進其在工業領域的更多場景下使用。

ChatGPT的文本類回復功能雖在智能AI領域已經較為成熟，但若真正深入應用到工業領域還需走很長的路。王曉利告訴記者，網際網路領域通用的AI模型開發和應用與工業領域有著非常明顯的差異，主要體現在數據、需求規模、精度要求、算力支持、模型部署五個方面。她以工業視覺模型為例，進行了詳細講解。

一是數據樣本的差別。通用領域的圖像分類或者目標檢測數據，比如花草檢測，其採集難度和標註難度都較小，且不涉及信息安全和隱私，分享都很開放，一個目標獲得上千張樣本，是比較容易的。但在工業領域中，因為有信息安全方面的考量，常見的缺陷檢測數據廠商很少願意分享，同時數據採集難度也較大，所以在研發階段，通常只有幾十張缺陷樣本。

二是模型需求規模不同。對比自動駕駛的視覺模型和工廠產線的視覺模型，前者可以投入大量的研發成本做模型開發，因為汽車量產後，模型需求規模大。而後者投入大量研發成本則可能無法收回，因為工廠產線的需求規模有限，對於複雜場景的解決方案，投入動力不足。同時，工業產品型號非常多，針對產品A的缺陷檢測模型，對於產品B，可能完全無法使用，需要重新採集數據再訓練。

三是精度需求差異較大。通用的視覺模型，準確率召回率在90%左右，普通用戶就可以接受。但是工廠環境下，缺陷檢測的誤報，會導致生產線停轉，漏報會導致產品質量不達標，因此模型的誤報和漏報要求在千分位，對模型精度的要求遠遠高於通用AI模型。

四是企業算力支持。開發工業AI模型的機構基本分兩類，一類是工業企業內部孵化，另一類是服務工業企業的外部供應商。前者因為模型的需求規模限制，沒有動力投入大量算力支持AI的模型開發。後者因為沒有形成規模，沒有實力投入大規模的算力支持。

五是模型部署要求不同。工廠環境下部署視覺模型，需要考慮工廠產線的現場物理環境，安裝攝像頭、部署5G通信模塊、和已有的產線動力聯動、和MES系統打通管理信息等，同時算法升級需專人維護。但通用AI模型，用戶只需從應用市場下載升級即可。

與此同時，王曉利還提到工業領域對於複合型AI技術人才要求更高，他們不僅需要掌握AI技術，更要了解工廠的實際運行情況。

「這些問題不僅是通用AI與工業AI之間的差別，也是現階段AI模型在工業領域應用所要面對的挑戰。」王曉利認為，要突破這些挑戰，首先需要一個數據共享平台，可以挖掘隱私數據和非隱私數據的價值。其次需要一個注入了工業領域知識的智能大腦，比如Industry_GPT，可以減少工業數據的需求。再次挖掘模型的共性需求，提高共性模型的需求規模。最後合理使用多個性能比較弱的模型，比如群體智能、多模型融合、多模態融合等技術。

據了解，卡奧斯作為我國工業網際網路「國家隊」排頭兵，在工業領域已形成了以感知智能為基礎、認知智能為核心、群體智能為突破的AI發展規劃。業務產品更是覆蓋工業製造從需求分析、產品設計、生產製造到物流、銷售、服務的各個環節，幫助工業製造業企業加快轉型升級步伐。

最後，王曉利談到AI技術未來在工業領域有著巨大的發展空間，並呈現出四個發展趨勢。

一是在產品向服務和體驗延伸的趨勢下，會有更多的通用領域AI技術可復用，但應用場景還需繼續挖掘；

二是在大規模個性化定製的趨勢下，語言認知類模型將得到延伸升級。通用AI技術中的數據挖掘、文本分類、對話系統、個性化推薦模型，在大規模個性化定製的背景下，如果可以引入更多特徵、支持更細粒度分類、更精準推薦，將發揮重要作用。

三是工業級大模型將湧現。工業級大模型是通用骨幹網和工業適配網絡的組合，其骨幹網來自於通用的預訓練大模型，比如ChatGPT這類大模型，而適配網絡則相對輕量級，它注入了各種工業知識，比如，工業領域的詞典、專利、設計文檔、知識圖譜、行業標準等。這樣一個工業大模型，將會減少工業領域特定任務的數據需求量，提升ChatGPT等語言模型在工業領域的準確率。

四是多模態融合和群體智能解決複雜場景的模型需求增加。受限於需求規模、精度、算力等限制，導致工業領域直接復用通用的AI模型還有技術差距，而完全開發新模型的動力又顯不足。在這個背景下，多模態融合和群體智能，是一個性價比較高的解決方案。比如人機協同的機器人，可以考慮把成熟的力感應方案和機器視覺方案融合，雖然單個解決方案還無法達到可用程度，但是多個方案的融合，在新場景下可以達到可用的性能。