核心觀點：

生成式AI（GenAI）并沒有取代傳統(tǒng)的AI，而是在輔助、推薦和自主化等方面提供補(bǔ)充用例，為未來工廠鋪平道路。

• 輔助應(yīng)用可以提高編程或機(jī)器維護(hù)等實際工作的效率；

• 推薦工具可幫助工作人員確定執(zhí)行任務(wù)的最佳方法，比如創(chuàng)建設(shè)備維護(hù)指令；

• 自主化方面正在不斷進(jìn)步，開發(fā)的各種解決案將使機(jī)器能夠自我調(diào)節(jié)并適應(yīng)陌生的環(huán)境。

生成式AI是當(dāng)今最熱門的商業(yè)話題之一，各企業(yè)都在探索其跨行業(yè)和跨功能（包括制造業(yè)）的潛在應(yīng)用和優(yōu)勢。盡管最近出現(xiàn)了一些熱議，但制造商應(yīng)該認(rèn)識到，僅僅單獨應(yīng)用ChatGPT等工具并不會徹底改變工廠的運(yùn)營。

生成式AI并沒有取代傳統(tǒng)AI，而是在輔助、推薦和自主等領(lǐng)域提供了補(bǔ)充用例，為未來工廠鋪平了道路。這是通過其生成的內(nèi)容（如文本和圖像）的能力來實現(xiàn)的，這些內(nèi)容通常是為特定任務(wù)或查詢而量身定制。

---

生成式AI的原理

為了討論生成式AI的應(yīng)用，有必要首先定義它與“經(jīng)典”機(jī)器學(xué)習(xí)（ML）的區(qū)別。經(jīng)典的ML算法識別觀察到的數(shù)據(jù)中的模式，使它們能夠?qū)⑦@些見解推廣到新的、以前從未見過的數(shù)據(jù)。例如，可以使用特定的文本片段來訓(xùn)練ML模型——例如操作員事故報告，其中機(jī)器故障描述被分類為特定的根本原因，例如“工具壽命結(jié)束”或“操作員錯誤”等?；谶@種訓(xùn)練，模型可以處理以前未見過的事件報告的文本片段，并判斷事件的原因。這種模型的基礎(chǔ)可以是深度神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)或其他方法。

生成式AI進(jìn)一步延伸了這種方法。除了對現(xiàn)有文本進(jìn)行分類，它還可以根據(jù)特定的標(biāo)準(zhǔn)生成新文本——例如概括解決一次機(jī)器故障特定根本原因的一個流程的操作指令。雖然從經(jīng)典ML到生成式AI的進(jìn)展可能看起來是漸進(jìn)的，但它帶來了一個基本的技術(shù)挑戰(zhàn)。在經(jīng)典ML中，模型只需要足夠的訓(xùn)練就可以自信地對文本片段進(jìn)行分類。相比之下，生成式AI必須從單個詞匯和字母構(gòu)建一個文本片段，確保它在語法上是正確的、可理解的，并準(zhǔn)確地表達(dá)該流程。

生成式AI的潛在產(chǎn)出數(shù)量幾乎是無限的。考慮到目前使用的應(yīng)約單詞大約有17萬多個，一個只有五個單詞的文本就有140多種潛在組合。另一方面，它們中只有一小部分是語法正確和可理解的。其中，更少的一部分可以準(zhǔn)確描述解決機(jī)器故障根本原因的給定流程。

因此，生成式AI模型的誤差范圍非常窄，需要極其精確的模型。為了達(dá)到這一精度，生成式AI必須使用“基礎(chǔ)模型”，而不是僅根據(jù)特定于上下文的數(shù)據(jù)進(jìn)行訓(xùn)練。基礎(chǔ)模型在廣泛的數(shù)據(jù)集上進(jìn)行訓(xùn)練，例如所有可用的網(wǎng)絡(luò)文本或圖像，并隨后針對特定應(yīng)用進(jìn)行微調(diào)。這些模型可以是大型語言模型（如OpenAI的GPT4或Amazon Q）或圖像或語音模型。它們似乎可以從大量的數(shù)據(jù)中了解了現(xiàn)實。然而，基礎(chǔ)模型是觀察型學(xué)習(xí)者，不像人類那樣應(yīng)用邏輯或推理。這意味著不能保證生成式AI得出可信或準(zhǔn)確的結(jié)果。

在上述的操作員指令的例子中，基本模型首先學(xué)習(xí)什么是可理解和準(zhǔn)確的文本，流程描述是一個小子集。接下來，通過學(xué)習(xí)操作員指令的內(nèi)容以及它們?nèi)绾闻c給定的機(jī)器故障根源相關(guān)聯(lián)，對模型進(jìn)行微調(diào)。但是，不能保證該模型將創(chuàng)建正確或高質(zhì)量的操作員指令。人體工程學(xué)展示了這個問題。由于生成式AI模型缺乏對解決根本原因的流程和操作人員的深入了解，因此可能會忽略潛在的限制，例如不可行的移動或不可到達(dá)的空間。因此，始終需要進(jìn)行質(zhì)量評估，以確保從人體工程學(xué)的角度來看，建議的補(bǔ)救措施切實可行。

---

 

生成式AI具備更高的技術(shù)復(fù)雜性，這使得建立強(qiáng)大的技術(shù)基礎(chǔ)并有效利用其能力的重要性尤為突出。由于可能存在多種原型，制造商必須了解有哪些因素會影響最佳的方案選擇。他們可以運(yùn)用這些知識將生成式AI集成到工廠的運(yùn)營之中，同時考慮增值應(yīng)用、變革及人員相關(guān)的舉措以及所需的技術(shù)基礎(chǔ)設(shè)施。

制造商優(yōu)先考慮生成式AI的顛覆性潛力

波士頓咨詢集團(tuán)（BCG）最近對制造商進(jìn)行了調(diào)查，以了解他們對技術(shù)發(fā)展的看法。

無論制造業(yè)高管對數(shù)字技術(shù)的喜愛程度如何，他們都將AI（包括生成式AI）列為可能會顛覆其運(yùn)營模式的首要技術(shù)（參見圖表1），潛在的投資回報率（ROI）值得他們投入熱情。BCG的一項分析發(fā)現(xiàn)，AI的使用可以將車間生產(chǎn)力提高20%以上。

---

關(guān)于調(diào)查

BCG于2023年1月至3月進(jìn)行了一項全球調(diào)查，以評估制造業(yè)的最新技術(shù)。來自北美、南美、歐洲和亞洲15個國家的約1800名受訪者參與了這項研究，每個國家都參與了100多份完整的調(diào)查。參與者代表了廣泛的生產(chǎn)行業(yè)，包括汽車、耐用品、消費(fèi)品、能源、IT、醫(yī)療保健和材料。

---

 

對于一家汽車供應(yīng)商來說，基于在各種應(yīng)用中進(jìn)行1到2年的ROI觀察，AI的部署使生產(chǎn)力提高了21%：其中一個應(yīng)用是AI驅(qū)動的廢品顧問，它為操作員提供優(yōu)化的參數(shù)，將廢品率降低25%；另一個應(yīng)用是泵健康監(jiān)測器，它將一種關(guān)鍵泵的生產(chǎn)故障率幾乎降到0，將整體設(shè)備效率提高了七個百分點以上；第三個應(yīng)用涉及實施AI驅(qū)動的視覺質(zhì)量檢測系統(tǒng)，該系統(tǒng)可檢測產(chǎn)品的外觀缺陷。該系統(tǒng)將質(zhì)量控制人員的需求減少了65%，同時提高了檢查的準(zhǔn)確性。

AI工具具備各種各樣的技術(shù)基礎(chǔ)和應(yīng)用場景?；跈C(jī)器學(xué)習(xí)（ML）和深度學(xué)習(xí)（DL）的傳統(tǒng)AI應(yīng)用近年來受到關(guān)注，主要是用于改善數(shù)據(jù)分析、分類、聚類和排名。這些功能可以支持異常檢測和模式識別等工作。相比之下，ChatGPT等生成式AI工具的突破性之處在于它們能夠根據(jù)多種格式的提示詞創(chuàng)建各種類型的新內(nèi)容（例如文本、代碼和圖像）。

生成式AI如何有助于鋪平通向未來工廠的道路

盡管生成式AI引入了一系列創(chuàng)新功能，但對于異常檢測、生產(chǎn)分析或工序優(yōu)化等任務(wù)，它并不是非常的適合。對于這些工作，近年來出現(xiàn)的傳統(tǒng)AI裝備會更好。

盡管如此，生成式AI仍具有互補(bǔ)作用，將極大地幫助制造商實現(xiàn)未來工廠。其獨特的功能可以使制造商實現(xiàn)自動化和提升工廠的生產(chǎn)活動，并以新穎的方式為其員工提供支持。制造商一直在使用傳統(tǒng)AI來支持透明度、可預(yù)測性和自我控制系統(tǒng)，這是未來工廠的關(guān)鍵特征和成熟階段?，F(xiàn)在，生成式AI的內(nèi)容創(chuàng)建功能支持與這些成熟度級別相對應(yīng)的三種類型的制造用例：輔助系統(tǒng)、推薦系統(tǒng)和自主系統(tǒng)。（參見圖表2）

---

工廠數(shù)字化成熟度的三個級別

數(shù)字化成熟度的第一個層次，涉及使用數(shù)據(jù)來創(chuàng)建工廠中已經(jīng)發(fā)生的事情的透明度，例如通過顯示KPI的數(shù)字績效儀表盤；下一個級別利用數(shù)據(jù)、分析和AI來預(yù)測未來事件。操作員利用這些見解來穩(wěn)定流程——例如，當(dāng)模式顯示即將發(fā)生故障時，他們會收到警報，然后可以進(jìn)行預(yù)防性維護(hù)；最高級的特點是自控系統(tǒng)，如自主移動機(jī)器人。

---

 

輔助系統(tǒng)。這類生成式AI應(yīng)用提高了編程或機(jī)器維護(hù)等實際工作的效率。例如，自動化工程師傳統(tǒng)上必須手動對機(jī)器和可編程邏輯控制器（PLC）的自動化解決方案進(jìn)行編程和寫代碼。但生成式AI工具（類似于ChatGPT）可以使用文本輸入自動生成代碼或代碼塊。這節(jié)省了自動化工程的時間和精力，從而減少了相關(guān)費(fèi)用。工程師只需專注于審查、調(diào)整和最終確定代碼。

生成式AI的內(nèi)容創(chuàng)建功能支持三種類型的用例——輔助系統(tǒng)、推薦系統(tǒng)和自主系統(tǒng)——與未來工廠的成熟度水平相對應(yīng)。

很多工人擁有幾十年工廠經(jīng)驗、但可能缺乏建模和分析的技能，制造商通過使用生成式AI來整理他們的知識和經(jīng)驗，可以產(chǎn)生類似、甚至更強(qiáng)大的影響。生成式AI有助于將工人基于經(jīng)驗的直覺和專業(yè)知識轉(zhuǎn)化為數(shù)據(jù)驅(qū)動的、經(jīng)過驗證的建議。例如，它可以通過使用Python等編程語言構(gòu)建模型來驗證工人對調(diào)整機(jī)器參數(shù)或解決生產(chǎn)異常的見解，從而利用數(shù)據(jù)和分析獲得此類見解。然后，該模型可用于協(xié)助未來的問題解決和分析。

推薦系統(tǒng)。生成式AI工具可以提供建議，幫助工人確定特定工作的最佳方案。改進(jìn)的預(yù)測性維護(hù)方法很好地說明了生成式AI工具將如何補(bǔ)充傳統(tǒng)的基于ML/DL的AI。過去，制造商試圖通過按照固定循環(huán)或周期進(jìn)行維護(hù)來防止故障，或者在發(fā)生故障時進(jìn)行維修。隨著基于ML/DL的AI的出現(xiàn)，制造商能夠使用來自不同類型傳感器的數(shù)據(jù)來識別模式、預(yù)測故障，然后主動進(jìn)行維護(hù)。生成式AI通過自動創(chuàng)建提供分步指令（包括所需備件列表）的文本或圖像，來改善這種預(yù)測性維護(hù)方法。這樣的系統(tǒng)使維護(hù)人員可以將更多時間花在執(zhí)行任務(wù)上，而不是準(zhǔn)備指令上，從而提高生產(chǎn)率并降低成本。即使是缺乏經(jīng)驗的技術(shù)人員也能夠在生成式AI工具的支持下更有效地修復(fù)或維護(hù)設(shè)備。

生成式AI有助于將員工基于經(jīng)驗的直覺和專業(yè)知識轉(zhuǎn)化為數(shù)據(jù)驅(qū)動的、經(jīng)過驗證的建議。

自主系統(tǒng)。最好的系統(tǒng)利用生成式AI的能力來實現(xiàn)自我調(diào)節(jié)并適應(yīng)不熟悉的情況。開發(fā)人員目前正在探索生成式AI解決方案，使機(jī)器能夠做到自我適應(yīng)（如適應(yīng)新環(huán)境等）。比如機(jī)器人的自動部署。如今，操作員必須手動進(jìn)行某些物料搬運(yùn)，尤其是一些非重復(fù)性流程，因為將此類工作進(jìn)行自動化非常困難，并且需要大量工作。展望未來，生成式AI結(jié)合現(xiàn)實世界的機(jī)器人數(shù)據(jù)集，將使多模態(tài)機(jī)器人能夠?qū)⒉僮鲉T的語言提示（例如，“給我備件47/11”）翻譯成系統(tǒng)隨后執(zhí)行的一系列操作物料搬運(yùn)的工作。這一進(jìn)步將減少對特定任務(wù)和環(huán)境的培訓(xùn)、數(shù)據(jù)標(biāo)記和頻繁再培訓(xùn)的需求。因此，它有可能減少工程費(fèi)用、取代手工工作并提高生產(chǎn)率。另一個例子是為基于AI的系統(tǒng)生成合成的訓(xùn)練數(shù)據(jù)，例如使用計算機(jī)視覺進(jìn)行質(zhì)量控制。該應(yīng)用無需在生產(chǎn)過程中收集真實的訓(xùn)練數(shù)據(jù)，從而加快了系統(tǒng)的啟動速度。

部署合適的技術(shù)基礎(chǔ)

要在制造業(yè)中成功實施和規(guī)模化應(yīng)用AI，僅僅確定增值應(yīng)用是不夠的，還必須在人員和技術(shù)方面打造合適的基礎(chǔ)。部署生成式AI的人員相關(guān)要求，即構(gòu)建開發(fā)和運(yùn)營基于AI的應(yīng)用所需的能力，與部署傳統(tǒng)AI所需的要求類似。但生成式AI的技術(shù)基礎(chǔ)更為復(fù)雜，強(qiáng)調(diào)技術(shù)基礎(chǔ)設(shè)施和運(yùn)營模式至關(guān)重要。

在制造業(yè)中規(guī)?；褂肁I的典型技術(shù)基礎(chǔ)設(shè)施由六個構(gòu)建模塊組成：數(shù)據(jù)源、數(shù)據(jù)處理、生成式AI應(yīng)用、算力、連接和網(wǎng)絡(luò)安全。生成式AI對其中的幾個模塊提出新的要求。

---

技術(shù)基礎(chǔ)設(shè)施的構(gòu)建模塊

前三個技術(shù)基礎(chǔ)架構(gòu)模塊解決了數(shù)據(jù)來源和處理以及生成式AI應(yīng)用程序的問題。最后三項——算力、連接和網(wǎng)絡(luò)安全——在整個技術(shù)體系中發(fā)揮著促進(jìn)作用（如下圖）。 

數(shù)據(jù)來源。由于AI工具從根本上依賴于數(shù)據(jù)，制造商需要有必要的來源。數(shù)據(jù)來自三層：

• 現(xiàn)場層。傳感器、PLC和物聯(lián)網(wǎng)（IoT）設(shè)備；
• 控制層。制造執(zhí)行系統(tǒng)（MES）和監(jiān)控與數(shù)據(jù)采集（SCADA）系統(tǒng)；

• 事務(wù)層。例如企業(yè)資源規(guī)劃（ERP）系統(tǒng)。

數(shù)據(jù)處理。該基礎(chǔ)架構(gòu)可為分析和AI預(yù)處理、處理和分發(fā)數(shù)據(jù)。組件包括數(shù)據(jù)提?。ɡ邕吘壏治龊臀锫?lián)網(wǎng)中心）、處理（例如清理、過濾和上下文化）、存儲（例如數(shù)據(jù)湖）、分發(fā)（例如數(shù)據(jù)管道）以及歸檔和刪除（例如存儲庫）。對于某些生成式AI工具，可能需要補(bǔ)充功能（稱為“附加嵌入”），以便將文檔（如維護(hù)指令）集成到提示詞中。  

生成式AI應(yīng)用。在AI應(yīng)用中，智能層包含符合“MLOps（機(jī)器學(xué)習(xí)運(yùn)維）”標(biāo)準(zhǔn)的算法和AI模型，涵蓋模型開發(fā)、測試、驗證、部署和服務(wù)。參與層具有一般和特定的應(yīng)用，允許AI用戶帶著見解參與其中。鑒于生成式AI應(yīng)用的獨特功能，基礎(chǔ)模型可能需要額外的調(diào)優(yōu)才能以企業(yè)的“語言”進(jìn)行交流。被稱為“代理”的獨立程序也是協(xié)調(diào)不同系統(tǒng)和請求所必需的。  

算力。由于AI應(yīng)用經(jīng)常處理海量數(shù)據(jù)，因此需要強(qiáng)大的計算能力。AI工具的功效在很大程度上取決于處理器——主要是中央處理器（CPU）和圖形處理器（GPU）——它們可以是內(nèi)部部署的或基于云的。生成式AI工具通常需要更多的內(nèi)存帶寬和功率，因此需要多個GPU來及時響應(yīng)查詢。 

連接性。有效的網(wǎng)絡(luò)至關(guān)重要，因為很多AI算法依賴于近實時的通信和數(shù)據(jù)可用性。實現(xiàn)這一目標(biāo)需要工廠間基于云的連接、工廠內(nèi)有線或無線通信以及通過合適的物聯(lián)網(wǎng)協(xié)議進(jìn)行資產(chǎn)間的通信。 

 網(wǎng)絡(luò)安全。AI處理大量通常敏感的數(shù)據(jù)。強(qiáng)大的網(wǎng)絡(luò)安全戰(zhàn)略勢在必行，包括身份和訪問管理、數(shù)據(jù)保護(hù)、檢測和響應(yīng)、風(fēng)險分析和恢復(fù)規(guī)劃。由于生成式AI創(chuàng)建內(nèi)容，因此確保用戶只能訪問他們獲準(zhǔn)接收的信息至關(guān)重要。為了限制信息訪問并實現(xiàn)定制響應(yīng)，公司必須在基本數(shù)據(jù)保護(hù)功能之外實施安全護(hù)欄管理。

---

 

有效應(yīng)用生成式AI所需的技術(shù)基礎(chǔ)更加復(fù)雜，這意味著可能存在不同的技術(shù)運(yùn)營模式。這些運(yùn)營模式主要可以從三個維度來區(qū)分：

• 模型來源。制造商可以通過三種主要方式來獲得生成式AI應(yīng)用所需的大型語言模型（LLM）。第一種是使用供應(yīng)商托管的模型，他們可以對其進(jìn)行微調(diào)以更好地滿足自己的特定需求；第二種是使用開源的基礎(chǔ)模型，如果需要也可以對其進(jìn)行微調(diào)；對于那些想要更好的控制和定制的人來說，第三種方式是開發(fā)自己的LLM。

• 平臺和基礎(chǔ)設(shè)施設(shè)置。同樣，制造商有三種主要的設(shè)置可供選擇。第一種選擇是多租戶、基于云的共享解決方案；另一種是單租戶、基于云的解決方案，在云上提供私有環(huán)境，確保環(huán)境更安全；對于優(yōu)先考慮數(shù)據(jù)主權(quán)和對其基礎(chǔ)設(shè)施進(jìn)行更嚴(yán)格控制的企業(yè)來說，第三種選擇是本地化解決方案。

• 應(yīng)用的運(yùn)行。制造商可以在自己的基礎(chǔ)設(shè)施上運(yùn)行生成式AI應(yīng)用，或者可以選擇一個提供商來托管和運(yùn)營該應(yīng)用。

這些不同選擇的各種可行組合方式，產(chǎn)生了制造環(huán)境中生成式AI應(yīng)用的各種原型。圖表3展示了四種可能的方案原型。

在制造業(yè)中實施生成式AI應(yīng)用最直接的方案，是選擇完全基于提供商的解決方案。其他替代方案包括使用微調(diào)的開源模型，或在內(nèi)部量身定制的解決方案并在企業(yè)的基礎(chǔ)設(shè)施上運(yùn)行。后幾種方案提供了更大的定制靈活性并降低了數(shù)據(jù)風(fēng)險。不利的一面是，采用這些方案需要對基礎(chǔ)設(shè)施進(jìn)行大量投資，例如為運(yùn)行AI模型計算的圖形處理單元（GPU）。此外，還需要廣泛的專業(yè)知識和能力來設(shè)計、操作和維護(hù)內(nèi)部應(yīng)用。

當(dāng)僅考慮基礎(chǔ)設(shè)施成本和隨時間的攤銷時，完全基于提供商的解決方案之外的其他方案，其盈虧平衡點取決于很多參數(shù)，包括輸入/輸出查詢長度（以token來計算）、可接受的查詢響應(yīng)時間以及整個班次中查詢的分布（這決定了查詢批處理的可能性）。要實現(xiàn)盈虧平衡通常需要每天進(jìn)行數(shù)千次的查詢/提問。

BCG的一項分析研究了一個生成式AI解決方案每次查詢的運(yùn)行成本，該解決方案每班次大約有20,000次查詢，使用企業(yè)自己的GPU和服務(wù)器在本地運(yùn)行。研究發(fā)現(xiàn)，成本是基于提供商的解決方案的兩倍，并且每班次需要超過60,000次查詢才能實現(xiàn)盈虧平衡。復(fù)雜性和成本可能可以解釋為什么當(dāng)今制造業(yè)中的大多數(shù)生成式AI應(yīng)用和試點項目都傾向于基于提供商的方案，這樣可以利用提供商的規(guī)模經(jīng)濟(jì)。盡管如此，生成式AI應(yīng)用的具體配置應(yīng)根據(jù)每家企業(yè)的具體情況進(jìn)行評估，因為需求和情況差異很大。

如何在制造業(yè)中利用生成式AI取得成功

有效參與生成式AI需要對該技術(shù)及其功能和局限性有基本的了解，這可以通過沉浸式課程和技術(shù)演示等方式來實現(xiàn)。企業(yè)可以應(yīng)用所獲得的知識來確定合適的能創(chuàng)造價值的應(yīng)用和技術(shù)基礎(chǔ)設(shè)施，并確定相應(yīng)的目標(biāo)愿景和路線圖。但這些并不是成功采用的唯一推動因素。與傳統(tǒng)的AI實施一樣，很多企業(yè)需要重點關(guān)注與人相關(guān)的問題，例如能力、治理和溝通。

考慮到這項工作的多面性，制造商應(yīng)采取五個步驟將生成式AI集成到運(yùn)營之中：

1. 診斷。分析現(xiàn)狀，包括識別現(xiàn)有的價值泄漏點和生成式AI應(yīng)用的機(jī)會，以及人員和技術(shù)相關(guān)的差距。

2. 設(shè)計。確定目標(biāo)情景、策略和路線圖。例如，評估和優(yōu)先考慮最有價值的生成式AI應(yīng)用，并確定與人員和技術(shù)相關(guān)的措施來縮小現(xiàn)有差距（例如能力和技能提升計劃以及自研或外購決策）。要選擇合適的生成式AI模型來支持優(yōu)先應(yīng)用，這里要考慮延遲、準(zhǔn)確性和運(yùn)營成本。鑒于延遲在技術(shù)系統(tǒng)中的重要性，平衡這一標(biāo)準(zhǔn)與準(zhǔn)確性和成本至關(guān)重要。

3. 工程師。制定生成式AI解決方案和相關(guān)措施。這可能需要評估潛在的解決方案提供商和技術(shù)供應(yīng)商、開發(fā)自己的應(yīng)用、構(gòu)建技術(shù)基礎(chǔ)設(shè)施以及創(chuàng)建內(nèi)部能力打造計劃。

4. 實施。測試生成式AI解決方案的試點應(yīng)用以及相關(guān)人員和技術(shù)措施，例如實施試點以取得早期成果，并驗證影響或創(chuàng)造動力以促進(jìn)生成式AI在企業(yè)中更廣泛的采用。

5. 規(guī)?；?/strong>在生產(chǎn)現(xiàn)場推出經(jīng)過驗證的解決方案和舉措。同時，通過啟動額外的試點項目來拓寬生成式AI用例的使用場景。

生成式AI在制造業(yè)擁有巨大潛力，部分企業(yè)已經(jīng)在利用其能力。然而，它不會帶來全面的好處；對于未來工廠中的某些數(shù)字應(yīng)用，與傳統(tǒng)的基于ML/DL的AI相比，生成式AI不太適合或提供的ROI較差，其中包括通過數(shù)據(jù)操作和可視化創(chuàng)建透明度、檢測異常、分析生產(chǎn)、優(yōu)化工序和預(yù)測等方面。因此，制造商需要同時采用生成式AI和傳統(tǒng)AI來優(yōu)化工廠運(yùn)營。

鑒于其中的復(fù)雜性，建立適當(dāng)?shù)募夹g(shù)基礎(chǔ)設(shè)施和運(yùn)營模式對于成功至關(guān)重要。發(fā)現(xiàn)機(jī)遇并能應(yīng)對挑戰(zhàn)的制造商將會從在未來工廠部署生成式AI中獲得最大收益。

原文地址：https://www.bcg.com/publications/2023/gen-ai-role-in-factory-of-future

原文作者：Daniel Küpper（丹尼爾·庫珀），董事總經(jīng)理兼高級合伙人；Kristian Kuhlmann（克里斯蒂安·庫爾曼），董事總經(jīng)理兼合伙人；Monika Saunders（莫妮卡·桑德斯），合伙人；John Knapp（約翰·納普），董事總經(jīng)理兼合伙人；Kai-Frederic Seitz（凱·弗雷德里克·塞茨），總監(jiān)；Julian Englberger（朱利安·恩格伯格）項目負(fù)責(zé)人；Tilman Buchner（蒂爾曼·布赫納），合伙人兼董事；Martin Kleinhans（馬丁·克萊因漢斯），項目負(fù)責(zé)人

 

---------------(正文結(jié)束)-----------------