引言：生成式AI助力制造企業(yè)優(yōu)化生產(chǎn)制造流程

隨著人工智能技術(shù)的迅猛發(fā)展，生成式AI作為其中的重要分支，正逐步融入工業(yè)制造領(lǐng)域，為傳統(tǒng)制造流程帶來革新與優(yōu)化。本文將圍繞生成式AI在智能制造領(lǐng)域的應(yīng)用展開探討，分析其在優(yōu)化生產(chǎn)制造流程中的邏輯、應(yīng)用場景、挑戰(zhàn)及未來趨勢。

生成式AI能夠通過分析大量數(shù)據(jù)集來“學(xué)習(xí)”并生成新的內(nèi)容，這一能力也使得它在提高企業(yè)智能制造效率方面有著巨大潛力。在制造流程中，生成式AI可以應(yīng)用于生產(chǎn)計(jì)劃制定、設(shè)備維護(hù)、質(zhì)量控制等多個環(huán)節(jié)和場景，通過大模型算法大幅提升生產(chǎn)效益。

目前，生成式AI在智能生產(chǎn)制造領(lǐng)域已有一些成熟的應(yīng)用場景。

例如，在預(yù)測性維護(hù)方面，通過對設(shè)備運(yùn)行數(shù)據(jù)的實(shí)時監(jiān)控和分析，生成式AI能夠預(yù)測設(shè)備的故障趨勢，提前進(jìn)行維護(hù)，降低設(shè)備故障率；

在智能質(zhì)量檢測方面，生成式AI可以自動識別和分類產(chǎn)品缺陷，提高檢測效率和準(zhǔn)確性；

此外，還有知識問答類應(yīng)用，比如員工培訓(xùn)、知識檢索和智能營銷/客服場景。

未來，生成式AI在智能制造領(lǐng)域?qū)⒂懈嗦涞貞?yīng)用的可能性。

例如，在供應(yīng)鏈協(xié)同方面優(yōu)化物料采購、庫存管理和物流配送等環(huán)節(jié)的響應(yīng)速度和效率；

在人機(jī)交互方面通過RPA+agent替代人類去執(zhí)行一些繁瑣或者是流程化的任務(wù)；

在企業(yè)私域視覺洞察應(yīng)用方面通過自然語言交互的方式實(shí)時分析監(jiān)控畫面進(jìn)一步發(fā)現(xiàn)潛在的不合規(guī)行為；

在工業(yè)設(shè)計(jì)方面迅速理解設(shè)計(jì)師的創(chuàng)意意圖并自動生成符合要求的工業(yè)設(shè)計(jì)圖；

在工藝優(yōu)化方面通過模擬和分析生產(chǎn)過程找到最優(yōu)的生產(chǎn)工藝參數(shù)，提高生產(chǎn)效率和產(chǎn)品質(zhì)量等。

圖1：生成式AI大模型在智能制造各個領(lǐng)域的應(yīng)用

總的來說，短期內(nèi)，生成式AI大模型已經(jīng)在研發(fā)設(shè)計(jì)規(guī)劃、生產(chǎn)過程管控、經(jīng)營管理優(yōu)化、產(chǎn)品服務(wù)優(yōu)化等環(huán)節(jié)展現(xiàn)出其潛力，降本增效的同時為制造業(yè)帶來了價(jià)值創(chuàng)新。長期來看，大模型的應(yīng)用會滲透到工業(yè)機(jī)理，從設(shè)計(jì)研發(fā)到生產(chǎn)制造再到運(yùn)營管理，打通制造全鏈條。數(shù)據(jù)驅(qū)動，軟件定義，從本質(zhì)上改變制造業(yè)的底層邏輯。

生成式AI的探索覆蓋了制造業(yè)的研發(fā)設(shè)計(jì)與規(guī)劃、生產(chǎn)過程管控、經(jīng)營管理優(yōu)化、產(chǎn)品服務(wù)優(yōu)化等全生命周期。生成式AI大模型能力覆蓋結(jié)構(gòu)化數(shù)據(jù)、文本、圖像、音視頻等多個領(lǐng)域生成，目前已經(jīng)有了基于數(shù)據(jù)分析的生產(chǎn)經(jīng)營管理優(yōu)化、基于數(shù)據(jù)治理的生產(chǎn)工藝優(yōu)化、基于數(shù)據(jù)管理的生產(chǎn)產(chǎn)線優(yōu)化等相關(guān)的工業(yè)制造等多場景應(yīng)用案例。

案例1：大模型支持的ChatBI生成式企業(yè)私域數(shù)據(jù)分析

在生產(chǎn)經(jīng)營管理環(huán)節(jié)，基于大語言模型新增智能問答、數(shù)據(jù)分析等能力成為主流。例如創(chuàng)新奇智大模型支持的ChatBI生成式企業(yè)私域數(shù)據(jù)分析，就能夠幫助客戶以對話的形式了解產(chǎn)線設(shè)備的運(yùn)營狀態(tài)。

以某新材料企業(yè)工廠的私域數(shù)據(jù)分析項(xiàng)目為例，該項(xiàng)目面臨的主要挑戰(zhàn)是在實(shí)現(xiàn)了數(shù)字化和信息化后，客戶面對海量的生產(chǎn)數(shù)據(jù)，對數(shù)據(jù)洞察的需求更加迫切。傳統(tǒng)的生產(chǎn)場景中，需要專人制造上百張動態(tài)報(bào)表來分析生產(chǎn)情況，但仍然很難涵蓋管理者的全部需求。針對這一問題，創(chuàng)新奇智基于AInnoGC工業(yè)大模型的ChatBI產(chǎn)品結(jié)合工業(yè)軟件為客戶打造智能生產(chǎn)制造數(shù)據(jù)分析方案，幫助用戶實(shí)時獲得海量生產(chǎn)數(shù)據(jù)的深度洞察。

比如：客戶希望了解產(chǎn)線設(shè)備的開機(jī)率變化，只需通過對話來詢問：“2023年10月份101產(chǎn)線103爐位的開機(jī)率”，ChatBI就可以自動查詢并以圖表的方式反饋10月份該爐位每天的開機(jī)率及變化趨勢，在這個基礎(chǔ)上可以繼續(xù)追問，實(shí)現(xiàn)多輪對話。

圖2：創(chuàng)新奇智基于AInnoGC工業(yè)大模型的ChatDoc產(chǎn)品

當(dāng)ChatBI生成了各種各樣客戶想要的報(bào)表后，只需要通過簡單的點(diǎn)擊、拖拽的操作，就快速制作出車間的生成數(shù)據(jù)看板，為企業(yè)的各級管理人員提供深度數(shù)據(jù)分析和洞察。ChatBI支持多種格式的數(shù)據(jù)源、支持SQL代碼的展示、利用主動召回技術(shù)給出更專業(yè)和精確的答案、以及高級別的數(shù)據(jù)安全保障, 可以讓用戶操作起來更加方便和安全。

另外，在工廠的設(shè)備維修過程中，維修人員進(jìn)行設(shè)備故障診斷及設(shè)備參數(shù)調(diào)整時，對于各種復(fù)雜的現(xiàn)場情況，需要花費(fèi)大量時間進(jìn)行專業(yè)資料查詢。通過ChatDoc，維修人員僅需語言描述現(xiàn)場情況，即可獲得所需信息，從而顯著減少故障排查時間，提升設(shè)備維修效率。

案例2：生產(chǎn)工藝優(yōu)化案例：洗滌產(chǎn)業(yè)大模型

在生產(chǎn)工藝優(yōu)化環(huán)節(jié)，基于大模型形成的智能工藝推薦算法、數(shù)據(jù)治理和分析、知識問答等能力成為主流。例如海爾卡奧斯工業(yè)大模型已經(jīng)幫助制造企業(yè)實(shí)現(xiàn)了注塑生產(chǎn)工藝優(yōu)化。

以洗衣機(jī)工廠為例，注塑是洗衣機(jī)生產(chǎn)的重要工序，其生產(chǎn)過程看起來不過模具開合，背后卻牽扯著溫度、壓力、成型周期、模具健康、能耗等復(fù)雜的工藝和參數(shù)調(diào)試流程。而這些，讓工廠中使用了數(shù)十年的注塑機(jī)設(shè)備，成了一個只能依靠人工經(jīng)驗(yàn)調(diào)試的“黑箱”。要探索最優(yōu)工藝，無疑需要打開這只“黑箱”，將老師傅們的工業(yè)經(jīng)驗(yàn)轉(zhuǎn)化可量化的數(shù)據(jù)和指標(biāo)，理清其中的千頭萬緒，讓主觀經(jīng)驗(yàn)升華為科學(xué)易用的工業(yè)智能。

沿著物聯(lián)接入、數(shù)據(jù)治理、模型建立的推進(jìn)路徑，卡奧斯COSMOPlat搭建起洗滌產(chǎn)業(yè)大模型，在關(guān)鍵場景和核心領(lǐng)域沉淀算法和機(jī)理模型，以數(shù)據(jù)透明化為核心，探索洗滌注塑領(lǐng)域最優(yōu)工藝參數(shù)及能耗，提升產(chǎn)業(yè)數(shù)字化競爭力。

一方面，模型形成了待機(jī)/停機(jī)決策、模具設(shè)備匹配、智能工藝推薦算法模型3大核心算法，并將相關(guān)領(lǐng)域核心指標(biāo)定義拉通，打造出透明化、可視化的工廠注塑指標(biāo)看板，可通過優(yōu)化排產(chǎn)、模具使用、工藝和智能決策，助力工廠在保證質(zhì)量的前提下，實(shí)現(xiàn)成本和能耗最優(yōu)。在工廠落地后，大模型已幫助設(shè)備能耗降低5%至10%，節(jié)拍提升4%至9%，大幅優(yōu)化整體生產(chǎn)效益。

另一方面，通過對內(nèi)外部知識的梳理和學(xué)習(xí)，模型搜集和學(xué)習(xí)了工程師多年積累的經(jīng)驗(yàn)與工業(yè)知識，注塑相關(guān)知識庫沉淀知識量超過10 TB，可通過機(jī)器人、小程序、APP等形式進(jìn)行使用，目前可在秒級之內(nèi)形成對相關(guān)問題的反饋，實(shí)現(xiàn)了工業(yè)知識的普惠應(yīng)用。

同時，基于全面的數(shù)據(jù)連接和分析，模型還助力工廠實(shí)現(xiàn)了數(shù)據(jù)質(zhì)量的改進(jìn)，例如發(fā)現(xiàn)并解決了部分注塑機(jī)能耗數(shù)據(jù)指標(biāo)不明確、連接不充分的問題，以及AIoT平臺部分?jǐn)?shù)據(jù)重復(fù)與缺失的問題等，也為企業(yè)沉淀數(shù)據(jù)資產(chǎn)、創(chuàng)新數(shù)據(jù)應(yīng)用提供了進(jìn)一步支持。

案例3：注塑生產(chǎn)優(yōu)化案例：模具工廠

以模具工廠為例，卡奧斯工業(yè)大模型COSMO-GPT助力工廠完成智能化改造，首創(chuàng)專家模型調(diào)度實(shí)現(xiàn)智能參數(shù)推薦，整體生產(chǎn)效益大幅優(yōu)化。

在注塑車間，技術(shù)人員只要給卡奧斯工業(yè)大模型COSMO-GPT下達(dá)口令，它就能夠自動識別后調(diào)取數(shù)百個工藝參數(shù)，并立即指揮注塑機(jī)開始工作，短短幾十秒鐘產(chǎn)品就做好了，誤差不超過頭發(fā)絲的粗細(xì)。如果靠工藝師來做數(shù)百個參數(shù)需要調(diào)整1個多小時。

應(yīng)用卡奧斯工業(yè)大模型COSMO-GPT不僅設(shè)備調(diào)整時間縮短了，而且降低了調(diào)試成本。過去，在調(diào)試生產(chǎn)的過程中，所有調(diào)試出來的不合格產(chǎn)品都是作為廢件處理的，現(xiàn)在的調(diào)試效率大概提升約50%，大大降低了浪費(fèi)。

除了出色的生產(chǎn)、調(diào)試能力，卡奧斯工業(yè)大模型COSMO-GPT還可以對設(shè)備的健康狀況進(jìn)行提前預(yù)警，減少設(shè)備故障，生產(chǎn)效率提升了5%，節(jié)能降耗10%，量產(chǎn)調(diào)試降費(fèi)50%以上。

目前，注塑專業(yè)工藝員和卡奧斯工業(yè)大模型COSMO-GPT正在通過知識問答的方式完成“經(jīng)驗(yàn)傳授”。平臺將把工藝員的經(jīng)驗(yàn)沉淀成訓(xùn)練卡奧斯工業(yè)大模型COSMO-GPT的語料，幫助大模型攻克難題，最終走向自主工作、自主校錯，實(shí)現(xiàn)真正的無人化。

圖3：海爾卡奧斯注塑工藝參數(shù)推薦系統(tǒng)

其他的，如在生產(chǎn)過程管控環(huán)節(jié)，構(gòu)建行業(yè)級生產(chǎn)線優(yōu)化模型成為智能化能力提升的探索焦點(diǎn)。以某汽車制造企業(yè)的生產(chǎn)線優(yōu)化項(xiàng)目為例，該項(xiàng)目面臨的主要挑戰(zhàn)是生產(chǎn)線的靈活性和效率問題。

由于產(chǎn)品種類多、生產(chǎn)批量小，傳統(tǒng)的生產(chǎn)線難以適應(yīng)頻繁的生產(chǎn)切換。針對這一問題，該企業(yè)通過構(gòu)建生產(chǎn)線優(yōu)化模型，生成式AI通過對生產(chǎn)線歷史數(shù)據(jù)的分析和學(xué)習(xí)，找到了影響生產(chǎn)線效率的關(guān)鍵因素，并提出了針對性的優(yōu)化方案，實(shí)現(xiàn)了生產(chǎn)線的自動調(diào)整和優(yōu)化，同時降低了生產(chǎn)成本和人力成本。

綜合以上案例落地經(jīng)驗(yàn)，對于應(yīng)用成熟度的評估，虎嗅智庫認(rèn)為可以從以下幾個方面進(jìn)行考量：一是技術(shù)可行性、拓展性和復(fù)用性，二是為用戶創(chuàng)造的價(jià)值，包括實(shí)際應(yīng)用效果、經(jīng)濟(jì)效益以及用戶接受度等。同時，應(yīng)建立長效的大模型工業(yè)領(lǐng)域性能評測機(jī)制，周期性圍繞大模型知識能力、穩(wěn)定性、安全性等關(guān)鍵性能進(jìn)行成熟度評估工作。

依托大模型的工業(yè)智能體、具身智能機(jī)器人等有可能改變工業(yè)大生產(chǎn)的底層邏輯，存在的市場空間和機(jī)會是巨大的，但挑戰(zhàn)也很明顯，比如是否有端到端的全棧技術(shù)，不被卡脖子、具備自我迭代和發(fā)展能力都是關(guān)鍵。另外，還有大模型對行業(yè)know-how的理解、安全保密等一系列因素的考量。

所以，盡管生成式AI在智能制造領(lǐng)域具有廣闊的應(yīng)用前景，但其深入發(fā)展仍面臨諸多挑戰(zhàn)。

技術(shù)層面，生成式AI需要處理大量復(fù)雜數(shù)據(jù)，對算法和計(jì)算能力的要求極高，比如質(zhì)檢算法，即便達(dá)到95%的準(zhǔn)確率，工廠也不會接受；

應(yīng)用落地方面，如何將先進(jìn)的AI技術(shù)與實(shí)際生產(chǎn)場景相結(jié)合，實(shí)現(xiàn)真正的智能化制造，仍是一個需要不斷探索的問題；另外，大家都不愿意把自己的數(shù)據(jù)分享給其他的工廠，很多工廠也要求模型能夠私有化部署，基本上不會接受SaaS式的服務(wù)；

效果評估方面，如何準(zhǔn)確衡量生成式AI在優(yōu)化生產(chǎn)制造流程中的貢獻(xiàn)和效益，也是一個亟待解決的難題；

此外，投入產(chǎn)出比也是企業(yè)引進(jìn)生成式AI技術(shù)時需要考慮的重要因素。支撐大模型研發(fā)的硬件成本昂貴，如何在保證效果的同時控制成本，是企業(yè)在決策過程中需要權(quán)衡的關(guān)鍵點(diǎn)。

對于制造業(yè)企業(yè)而言，引進(jìn)生成式AI技術(shù)改善生產(chǎn)制造流程是一個值得嘗試的方向。制造業(yè)企業(yè)在引進(jìn)生成式AI技術(shù)時，應(yīng)綜合考慮應(yīng)用場景、技術(shù)適配、成本效益以及人才和技術(shù)合作等多個方面。

在引進(jìn)過程中，企業(yè)應(yīng)首先明確自身的需求和目標(biāo)，選擇適合的生成式AI技術(shù)和應(yīng)用場景。同時，生成式AI技術(shù)的有效應(yīng)用依賴于大量高質(zhì)量的數(shù)據(jù)，加強(qiáng)數(shù)據(jù)管理和技術(shù)團(tuán)隊(duì)建設(shè)，構(gòu)建規(guī)?；拇竽Ｐ凸I(yè)數(shù)據(jù)資源池，確保AI技術(shù)的順利應(yīng)用。此外，最重要的一點(diǎn)是不要觀望，要積極擁抱新的技術(shù)和新的發(fā)展趨勢，有時候需要果斷一點(diǎn)，如果拿不準(zhǔn)，可以先從邊緣的業(yè)務(wù)的領(lǐng)域嘗試。先做起來，就成功了一半。