专栏名称: 华南智能制造

华南智能制造生态枢纽与赋能平台。提供智能制造产业研究/咨询规划/专业培训/媒体推广等综合服务。

制造业如何发展和用好通用人工智能

华南智能制造 · 公众号 · · 2024-08-02 17:30

正文

制造业如何发展和用好通用人工智能

1、数智化时代制造业的主要难点

1.1制造业数字化转型的问题

1.2从企业战略层面存在的问题

1.3制造业行业的问题

2、如何通过现在的大模型来解决以上问题

2.1技术场景

2.2管理场景

3、通用人工智能的升级需要

3.1可自我完善的AGI

3.2通用人工智能的架构

4、发展趋势

4.1尽责学习

4.2具身智能

4.3认知型芯片

附1、当前的政策解读

附2、AGI定义与大模型

附3、可工程化的人工智能

附3.1 AI工程化

附3.2 AI与风险

- 文章信息 -

作者：裘炅，中国-奥地利人工智能与先进制造“一带一路”联合实验室 AI首席，责联网、尽责学习创始人。

笔者从2016年即开始自费研究超级人工智能（ASI），并进行阶段性的责联网实践，所以对通用人工智能的研究还是领先的，是原创型的。另外笔者还著有《责任信息学》、《风险认知学》、《认知智能学》，其中《责任信息学》已出版。

数智化时代制造业的主要难点

从制造业数字化转型遇到的问题、战略层面的问题和行业整体的问题来展开。

1.1 制造业数字化转型的问题

当前制造业数字化转型过程中存在的问题：

1）当前软件应用条块分割、功能偏单一；技术力量和运维队伍薄弱，平台持续改进完善的体系机制尚等完善。

2）数据管理与治理当前是主要问题，数据中台、治理工具匮乏，部分数据资源的质量源头治理还有待提高；

3）智能应用尚处于起步阶段，对制造业的场景优化的机理模型还没形成体系化；

4）数据的资产价值正待挖掘，数据要素对制造业业务转型的驱动力还没显现；

5）既懂制造业务、又有IT能力，能支撑制造业数字化系统建设与运维的高技术人才匮乏；需要理解制造企业战略统筹和数据治理融合执行的数字化领军人才。

1.2从企业战略层面存在的问题

从企业高层思考的问题有：

1）管理问题：条块分隔，难以从整个企业的角度来统筹，难以形成战略高度和执行力。欠缺有效的管理抓手。

2）技术问题：数据涉及面广、数据量大，产品质量难以保障，数据质量也难以得到有效的管控；各种风险识别缺乏有效的工具，导致技术水平不高。制造行业的新产品需求设计、质量管理、合规管理、安全生产、创新升级等多个场景存在如何以数据优化驱动，以实现转型升级、提质增效。

3）综合问题：数字化转型的高端人才不足，尤其是数据资产的高端人才不足。

4）制造业碳排放占三成，低碳也是十分重要，如何实现制造业绿色化、环保化也是需要解决的问题。

5）人工智能应用难以真正全面解决问题。

企业若要实现全方位转型仍需突破重重困局。一是制定战略目标，92%的高管认为数字化转型的核心前提是清晰、定制化的战略规划，但目前已制定转型战略并展开行动的企业仅占50%。二是挖掘实施场景，90%的高管认同数字化转型要找准切入点，但由于场景众多且经验匮乏，企业难以精准聚焦场景。三是平衡效率韧性，96%的企业供应链受到疫情冲击，亟需利用数字化转型提升响应速度和抗风险能力。四是共创创新生态，83%的高管认为数字化时代，企业之间的竞争已扩展至生态圈，企业应进一步加强与生态系统的互动。

1.3 制造业行业的问题

从中国制造业的痛点来看：

1）原创不强：制造业目前普遍存在创新能力不足，原创基本没有，以当前比较强的电动汽车为例，主要也是以市场拉动一定的创新，在电池材料、动力驱动、储能、自动驾驶等基本都是集成创新，全球领引型的原创不多，形成的产业链也主要是市场先发优势。

2）质量不高：产品质量还没形成有效的责任追溯体系，同质化竞争激烈，产品高质量的设计能力、监测能力和管控能力还有待于更进一步的体系化。

3）高端制造效率相对低：加工的高端装备、开发的基础软件和工业设计软件、高端芯片、高端材料都受制于人。

4）利润不高：同质化竞争，有竞争力的盈利能力不足。

5）成本难以下降，人力成本近几年越来越提升，自动化换人后也存在柔性不足，产品变更升级的成本失控。

如何通过现在的大模型来解决以上问题

对以上问题进行总结成以下 四个方面 ：

1）技术方面的难题： 通过技术手段解决各场景中的一些问题，比如新产品需求设计、质量管理、合规管理、安全生产、创新升级、低碳转型等

2）人的素质提升： 需要形成从高端创新型人才、综合型人才到强执行力人才的人才梯队。

3）管理方面的难题： 从战略设计、战略优化、战略执行（落实、执行）等形成管理的抓手。

4）综合（文化）方面的难题： 价值观、能力成熟度、组织各级的激发、战略数字化领导力。

另外当前的大语言模型、AIGC等还不没到通用人工智能，所以先从目前相对成熟的技术上来解决以上一些问题，受当前的技术解决能力所限，应用时还难以较好解决以上问题。

2.1技术场景

包括新产品需求设计、质量管理、合规管理、安全生产、创新升级、绿色低碳六个场景，在多模态大模型（LLM+AIGC）的基础上再扩展解决。

主要从：AIGC的感知、情景计算，以及LLM的认知推理上进行完善及应用。技术细节不一一展开。

● 场景1：智能网联机器人设计（机床、车辆等）

描述：设计一个可以自动识别材料，以及加工后的半产品（部件）形态、指标要求，可以自动进行物料检测、物料加工工艺设计、刀头自动选择、加工路线自动设计、零件自动装配、自动质量检测的半产品。

要解决的问题有：用户需求怎么形成价值可评估的指标点；如何让全部设计人员、制造人员理解需求；物联数据怎么有效采集？怎么有效验证？

1）建立设计大模型

建立金属材料、刀头、材料力学、加工工艺、夹具、五轴计算、BOM设计、加工BOM、公差、量具等相关知识库。

完善已有需求及其对应的设计资料，将设计过程尽可能详细化。

2）验证标准化设计过程

通过对已有标准化的需求进行设计过程的验证，确保出错率有效控制。

3）AIGC相关库的应用

将CAD、CAE、CAPP等进行MBSE的标准化改造，实现基于SysML的可描述的过程，通过辅助代码和AIGC实现过程的打通，结合已有功能分配给相应的人员或机器理解。

4）验证机制的建立

在SysML的基础上结合RAAML来实现需求功能性的验证。通过大模型中的需求功能失效性机理模型，结合已采集或已更新的数据来进行综合分析，这一过程还需要给出哪些数据已完备，哪些数据没及时更新。

从而实现整个产品设计到生产的闭环验证。增效明显，质量的全面性有一定的提高。

另外AIGC+LLM用于产品设计时，如表1所示

表1 AIGC+LLM用于产品设计的变化

产品设计阶段	常规设计	AIGC+LLM 的产品设计	带来的变化
需求	用户研究敏捷开发需求管理	文档自动生成智能协助知识整合、管理可视化呈现	用户无缝参加需求确认需求快速确认需求价值评估
设计	模块设计设计原型可视化建模	智能辅助设计快速原型构建自动化原型验证	快速需求-产品（服务）确认产品评估更全面
开发（软件）	代码审查代码单元测试	代码自动生成代码测试用例自动生成	增效、可快速生成不同语言的代码
制造（硬件）	加工指令生成排产规划工艺优化质量检测	加工指令自动生成（工艺自动化）排产自动化质量风险管控	制造与需求、设计无缝融合
产品（装配、测试）	BOM表装配功能测试	全过程自动装配，一次次成型，自动测试	全过程风险管控自动化
安装、运维	按设计安装按设计运维	安装风险运维风险全过程管控检查需求、设计、生产阶段的深度风险	全过程风险可控

不足点：

1）需求设计的标准化是否准确，设计是否有竞争力，需求是否可以创新式引导？深层次的有竞争力的改进还需要不断完善。

2）功能需求的可视化生成是否准确，准确率有多高？材料识别、工艺识别智能性不高。所以对于可视化的结果还需要有经验的专家把关。

3）功能验证不一定全面，只能参考。

● 场景2：药品GMP质量监管

描述：确保每一个环节GMP是可控的，质量保证如何从材料、生产设备/设施、环境和管理上实现，并完成药品质量风险可控。

要解决的药企问题有：外部投诉、召回，投诉率为0，召回率为0；内部质量管控，批次不合格率为0；供应商质量控制/供应链稳健性，批次不合格率为0-0.001%；研发质量设计：无效的OOS率为0；设备设施成熟度：设备设施的质量缺陷率为0-0.001%。

以下是所需的行业大模型处理机制

1）建立质量相关的大模型

建立细化的知识库和指标库：批次接受率、投诉率（总体和关键）、确认的OOS率、召回事件（总数和分类）、无效的（未确认的）OOS率、稳定性失效率、一次成功（返回、重新加工）率、年度产品回顾按时完成率、偏差重复发生率、CAPA有效率、偏差发生率、物料进厂检验率。

2）通过大模型建立质量管理数据的物联网

确保以上数据可以实时采集，同时判断质量可能存在的问题。

3）建立以上指标的分析、可视化库

通过AIGC来读懂多模态的工艺过程，；或者通过预测来显示后面的指标变化造成的问题，帮助员工来理解如何控制质量。

4）过程分析GMP工作

形成风险的指标成熟度（风险中台）、质量成熟度（质量目标中台），分析统一化：PHA、FTA、FMECA、FMEA、HAZOP、HACCP等，质量偏差、验证管理的风险模型；对创新药的风险累加模型进行设计，确保创新风险管控的正确性，可以让研制人员有更好的风险管控意识。

产品缺陷检测、产品质量分析、生产线监控分析，如图1所示，将大模型和AIGC进行系统级、算法级整合，来实现不同的应用。

图1 大模型的综合应用

增效明显，但还存在不足点：质量感知不到位，质量管控的容错率相对还是低，所以还是需要人为审核。

● 场景3：合规管理

描述：如何实现制造企业在法律法规的合规管理

要解决的问题有：合规的主要法律风险，制造企业各主要岗位要审查的法律合规流程，

1）建立合规法律大数据

国家法律法规数据库：官方法律法规数据库；中国裁判文书网：裁决书、裁定书、决定书等；由论坛、新闻、法条、司法解释、法律咨询、法考题、判决文书组成。随后经过清洗、数据增强等来构造大模型的数据。

2）与合规性相关的业务过程

3）结合业务过程给出每一个业务的合规要求

在增效、合规全面性的同时还存在：1）如何更合规缺乏指导；2）合规案例相对欠缺；3）合规变化大，法律标准经常几年会更新，之前的案例会不准确。

● 场景4：安全生产

描述：如何确保生产车间不出事故

要解决的问题有：哪些是会出事故的危险源，如何确保危险源的风险，确保不出事故。

1）建立安全生产大模型

建立危险源、风险识别、风险管控等知识库，构建大模型

2）AIGC用于培训教育、风险检测

3）监测全员不出事故

还存在以下不足：1）大模型的风险不全、不深；2）风险数据更新不及时，难以有效监管；3）AIGC对风险的理解还不够，培训效果打折扣。

● 场景5：创新升级

描述：制造业转型升级

问题：设计出有行业竞争力的产品、可行的商业模式及支撑

1）建立需求+问题+专利大模型

2）预测创新趋势

3）创新产品的大致商业模式构建

效果不明显，主要在：创新趋势相关性数据少，行业发展需要有基础和颠覆性技术的符合性依据。

● 场景6：绿色低碳

描述：制造业占了碳排放的30%，有必要进行降碳

问题：制造业如何节能降碳

1）建立能耗、生产过程、工艺大模型

2）给出设计时的降碳绿色建议

效果不明显，只有有限的做法，因为受限于能源、设备等。

大语言模型和AIGC的结合，如图2所示，形成各种可以组合的形态。

图2 目前可以结合的AIGC相关模型（部分）

2.2管理场景

如图3所示，随着人的能力从劳工、人事到人力资源，再到智能化辅助的数智人，现代管理100多年的历史，进入到数智化时代，尤其是通用人工智能时代，目标的管理智能十分重要。

从信息化时代的目标：合规设计、精益管理；到数字化时代的目标：财务全面内控、卓越绩效；再到通用人工智能的目标：全面风险、全员尽责。

图3 管理的发展过程

如图4所示，通过对所有的人、物、环境、管理风险源的全面梳理，整合到全面风险中的风险时空中，实现风险动态指标化，通过管理手段的映射，从风险时空进行技术、管理、文化派生到责任时空中，责任时空中再实现“人人有责、人人尽责”的机制，同时再根本履责缺陷来实现培训、教育提升的机制。

图4 全面风险、全员尽责的管理智能

如图5所示，可以实现目标指标、风险指标、责任指标、能力（素质）指标再到价值指标的指标智能。

实例可以参考图6的微信小程序，可以让每一个管理人员都具有数字化的领导力，通过不同的指标关系，快速显示能力有缺陷的责任点及责任人，实现量化的科学决策。（具体实例可以参考责联网体系）

图5 指标智能

图6 领导力图

通用人工智能的升级需要

3.1 可自我完善的AGI

通用人工智能：会分析问题，想象场景，理解瓶颈问题，给出瓶颈问题的原理，给出数据驱动的机理模型，形成可行的解决方案，并进行过程验证，根据验证结果再进行改进，对于复杂的，可以逐步验证并及时修正。

对产品质量，到底是加工工艺引起的，还是加工过程管控不力累积引起的，还是原材料质量检测不力，还是后续污染引起的，比如对创新产品就需要有这么一个通用机理+专用机理，可以用于智能分析和智能决策。

3.2通用人工智能的架构

通用人工智能目前还没一个完整的蓝图，定义相关的可以参考附2。目前全网知识搜索的结果只有预测，并没有清晰的路线图，目前OpenAI对外发布的AGI也不清晰。但有一点有相当的共识，即通用人工智能是与意识相关的。

所以如何对意识进行建模是关键，ChatGPT的大语言模型提供了类似意识的能力，通过建立高维关联，实现词（Token）间的类似意识的能力。

意识最难建模的是其不确定性，而这个不确定性是分层级的，如图7所示。

图7意识的不确定性层级

时间和空间的不确定性是相对固有的，不完全属于意识空间，这属于物自体空间的，有时候也称为环境的不确定性。

其中感觉的不确定性，有视觉、听觉、味觉、嗅觉、触觉、味觉上的不确定性，可以形成对时空不确定性的叠加，比如太阳是围绕地球转的错觉；情景上的不确定性，有动作、表情、情绪、内心想法等。

其中目标上的不确定性，则是为了完成某一动作、活动或协作所拟定的（多）目标（集），影响目标完成的不确定性，有法律、法规、标准、制度、设备设施、环境方面的综合影响。

其中价值上的不确定性，则是人的能力、价值观上的不确定性。

能表征不确定性就可以很好地表征意识，但穷举了目前已有的建模机制或算法都很难表征。参考ISO31000-2018和GB/T 24353-2022对风险的定义为：影响目标的不确定性，以及如图8所示现代风险管理的历程，可以列出如表2所示的风险和不确定性的对应关系。基本确定用全面风险来建模意识会是当前最佳选项。

图8 现代风险管理的历程

风险可以分为人的风险、物的风险、环境的风险、管理风险、协同风险和文化风险。当然协同风险也可以认为是人的风险。

表2 风险和不确定性的对应关系

风险	不确定性	类别
环境风险物的风险	时空不确定性	空间的偏差、未来的不确定性
人的风险物的风险	感觉不确定性	视觉、听觉、味觉、嗅觉、触觉、味觉上的不确定性
人的协同风险	情景不确定性	动作、表情、情绪、内心想法的不确定性
管理风险	目标不确定性
文化风险	价值不确定性

于是综合以上，通用人工智能的架构如图9所示，形成从感觉智能、情感智能、管理智能再到责任智能的多级AGI能力架构。

图9 不同能力层级的通用人工智能架构

可以认为大语言模型（LLM）如Llama是助理级别，形成了通用人工智能的世界智能基座，当然目前的世界知识基座还是不够支撑，比如实时更新能力、学习能力、纠错能力、幻觉控制等能力不足，这些不足能力又形成了AGI世界知识的风险；而AIGC + Llama（包括输入、输出）则具有了高级助理的能力，使得各种输入不限于文本，还有图像、视频、声音、味道、触觉等，同时输出时也可以采用这些媒介，使得沟通机制更多样化，尤其是通过世界知识处理后，能快速实现较好效果的功能，有明显的增效、降本效果，世界知识深入沟通后还可以有提质之效。

情感智能级，也是加入了情感计算，包括动作/行为的识别、表情识别、情绪管控、内心想法判断等，实现了以人为本式的激励机制，所以可以用于执行或落实任务这一层级。也开始正式进入到通用人工智能的低层级。

管理智能级，实现了目标的管理风险的指标化，同时可以集成上面的人、物、环境的风险，形成岗位能力匹配的风险清单和责任清单，并实现人的能力的提升，以及价值的更好实现。是通用人工智能的中级能力。

责任智能级，则可以实现目标的风险自动化、全员尽责辅助自动化。创新、文化等也形成为相应的目标。且在一定程度上可以实现自动尽责，这就形成了具身智能。是通用人工智能的高级能力。

发展趋势

4.1 尽责学习

为了实现目标、价值不确定性的学习机制，从而将感知智能形成为通用人工智能的高阶认知智能。

需要将当前各种学习机制进行大一统，需要将表1的风险知识库通过深度学习形成可靠的风险大模型，其中就有目标、价值的认知智能，而这一块定义为尽责学习。

实际使用时，可以定义多个目标，自动生成履责的风险、责任清单，以及相应的指标内容，如图10所示，可以实现全员的辅助尽责。

图10 尽责学习及辅助尽责

4.2 具身智能

在上一节的基础上，可以辅助人工尽责，则通过对硬件设计后，也具有担责能力，而这就具有了法律意义上的履责身份可能，如图11所示，就形成了不同履责能力的具身智能（软硬件一体）。

具身机器人（包括车、船、飞机等）实现具身型，也是真正可以与人在技术、管理、文化上进行协同。

图11 具身智能

4.3 认知型芯片

芯片也可以从信息型，向认知型发展。

附1、当前的政策解读

北京市人民政府办公厅于2023年5月印发《北京市促进通用人工智能创新发展的若干措施》的通知。2023年6月26日《人民日报》刊登文章：中共中央政治局会议指出，要重视通用人工智能发展，营造创新生态，重视防范风险。

2023年6月14日欧洲议会投票通过了关于《人工智能法案》的谈判授权草案。这是欧盟准备针对ChatGPT等应用的人工智能法规，旨在确保人工智能系统（AI）受到监管，决定如何对人工智能应用进行分类，以及什么样的活动不被允许。该法案将严格禁止“对人类安全造成不可接受风险的人工智能系统”，包括有目的地操纵技术、利用人性弱点或根据行为、社会地位和个人特征等进行评价的系统等，涉及安全、透明度、隐私和人力监督等方面的问题，有着直接禁止的人工智能用例的明确清单。

附2、AGI定义与大模型

通用人工智能（AGI）指的是一种理论上的形式的人工智能，具有全面理解、学习和应用知识的能力，与人类智能在各方面上都相当或者超越。这种类型的AI能够理解、学习和应用其在一个领域学到的知识到任何其他领域。

通用人工智能的定义还有：是指达到或超越人类水平的、能够自适应地应对外界挑战的、具有自我意识的人工智能。

通用人工智能与当前存在的人工智能（通常被称为弱人工智能或窄人工智能）有很大的不同。当前的AI系统通常在一个非常特定的任务或一组任务中表现出超人的性能，例如围棋、语言翻译、图像识别等，但它们缺乏在一个任务上学到的知识应用到其他任务的能力，也没有真正理解它们正在做什么的能力。

当前火热的GPT等大模型仍然是一种窄人工智能（Narrow AI）或特定人工智能（Specific AI）。它们被训练来执行特定的任务（在这种情况下是生成文本），而并不具有广泛的理解能力或适应新任务的能力，这是AGI的特征。

然而，GPT和AGI的关联在于，GPT是当前AI研究为实现AGI所做出的努力中的一部分。它表明了预训练模型的潜力，并给出了一种可能的路径，通过不断增加模型的规模和复杂性，可能会接近AGI。但是，这仍然是一个未解决的问题，并且需要更多的研究来确定这是否可行，以及如何安全有效地实现这一目标。

尽管GPT在生成文本上表现出了强大的性能，但它并不理解它正在说什么。GPT没有意识，也没有理解或意愿，它只是学会了模拟人类语言模式的统计模型。这是目前所有AI系统（包括GPT）与AGI之间的一个关键区别。

AIGC（Artificial Intelligence Generated Content / AI-Generated Content）中文译为人工智能生成内容，一般认为是相对于PCG（专业生成内容）、UCG（用户生成内容）而提出的概念。AIGC狭义概念是利用AI自动生成内容的生产方式。广义的AIGC可以看作是像人类一样具备生成创造能力的AI技术，即生成式AI，它可以基于训练数据和生成算法模型，自主生成创造新的文本、图像、音乐、视频、3D交互内容等各种形式的内容和数据，以及包括开启科学新发现、创造新的价值和意义等。

我们仍然远离实现通用人工智能。实现这个目标需要解决许多重大的科学和技术挑战，包括但不限于语义理解、共享和迁移学习、推理和规划，以及自我知觉和自我理解。

《北京市促进通用人工智能创新发展的若干措施》给出的探索通用人工智能新路径：

制造业如何发展和用好通用人工智能

正文

1.1 制造业数字化转型的问题

1.2从企业战略层面存在的问题

1.3 制造业行业的问题

2.1技术场景

2.2管理场景

3.1 可自我完善的AGI

3.2通用人工智能的架构

4.1 尽责学习

4.2 具身智能

4.3 认知型芯片

附1、当前的政策解读

附2、AGI定义与大模型

请到「今天看啥」查看全文