记者
：
首先请您介绍一下，AI技术对全球经济的影响，及其发展应用阶段是怎样的？
彭俊松：
根据麦肯锡全球研究院的预测，AI技术将为全球经济带来高达25.6万亿美元的积极影响。其中来自生成式AI的贡献预计将达到7.9万亿美元，大约相当于当前全球GDP总量的8%。2032年，全球生成式AI的市场规模将从2022年的400亿美元增长为1.3万亿美元。可见，AI技术，特别是生成式AI，正对全球经济和企业价值创造模式带来巨大的影响。
AI对全球经济的潜在影响与生成式AI的市场规模
从AI技术与企业经营业务融合的角度来看，我认为可以将其发展划分为以下几个阶段：
阶段一：AI技术通过分析处理业务数据，帮助企业了解过去和当下的生产经营状况，如精准掌握库存水平、生产成本等关键指标，发挥“辅助管理”的重要作用。
阶段二：帮助拓展人在数字世界中的边界，也就是未来人在数字化环境可以做的事情，AI都可以做。
阶段三：进一步突破数字化领域，与物理世界相结合。也就是未来人在物理世界可以做的事情，AI都可以做，如AI机器人等。
阶段四：进入人类文明和机器文明共同发展、共同促进的AI文明时代，例如大家今天探讨的“人机如何共存”问题。
可以看出，伴随着这几个阶段的发展，AI技术的应用深度和广度都在不断扩展。AI技术经过约70年的发展，出现了很多重要的应用场景，包括路线规划、预测需求、自动化仓库管理、智能分拣和增强客户服务等，可以有效提升作业效率和准确性、降低成本、改善客户体验。可以说，AI技术正在各行各业迎来广泛的应用。
记者
：
目前，与智慧物流、智能制造结合最为紧密的人工智能技术有哪些？起到了怎样的作用？
彭俊松：
在智慧物流领域，AI技术的应用相对成熟稳定，我认为大体上有5类：一是基于机器学习进行预测等相关分析。物流行业已经积累了大量数据，结合机器学习技术可实现库存水平、运输时间等的准确预测；二是基于机器视觉等AI技术实现仓库及生产线上的商品识别、员工动作识别、质量检测、辅助分拣等；三是基于机器人流程自动化（RPA，Robotic Process Automation），避免大量数据的二次录入，提高作业效率，同时降低人工录入的错误率；四是基于自然语言处理技术实现人机交互，有效缩短客户响应时间；五是基于AI技术对运输路线、资源分配、拣货路径规划等算法进行优化。
生成式AI为企业的数字化变革注入巨大潜力
在智能制造领域，AI技术伴随“工业4.0”的发展也在逐步深入，从广义来看其应用可以总结为三个阶段：
第一阶段，智能工厂建设初期，通过现场工业物联网的连接，识别出待加工产品的加工要求，并将数据与现场PLC、MES系统对接，从而获得产品的加工信息，以更加灵活地操控加工设备，实现大规模定制。
第二阶段，智能制造技术与物流技术开始紧密结合，通过AI技术来实现物流路线规划、智能分拣、智能装卸等，推动传统流水线变革为加工岛，让智能工厂开始进入更加高级的发展阶段。
第三阶段，智能制造向着更加模块化的方向发展，类似于物流领域基于标准化，通过即插即用（PnP，Plug-and-Play）方式快速拼接快速满足复杂的场景需求，智能加工设备也通过模块化实现快速拼接组装，提高产线满足个性化定制的能力以及新产线的快速落地。在不久的将来，对于新产品的产线调整，有望做到24小时之内投产，从而对市场需求进行快速响应。
除此之外，AI技术在产线设备的预测性维护，工件加工质量的识别检测等领域也有大量应用。总的来说，AI技术与智慧物流和智能制造的结合是非常紧密的，可大幅提高作业准确性及效率，能够普遍提升20%～40%甚至更高。
记者
：
请您具体介绍一下，生成式AI的核心技术有哪些？
彭俊松：
生成式AI是AI技术应用的一个重要分支，是深度学习技术的重要应用领域之一。
从核心技术角度来看，以目前备受关注的Open AI为例，其有两大核心技术：深度学习（DL，Deep Learning）和自然语言处理（NLP，Natural Language Processing）。
这两种技术在生成式AI出现之前便存在。“深度学习”即基于深层神经网络模型和方法的机器学习技术，特别擅长序列化数据的处理；“自然语言处理”则是通过海量文本数据的训练，帮助模型形成注意力，根据输入数据生成连续的上下文相关的文本等内容。这是传统机器学习无法达到却对业务经营特别有利的。因为在大量的干扰信息下，企业需要快速、准确地抓住要点，屏蔽与业务场景无关的信息。
因此，深度学习与自然语言处理结合，是生成式AI如今能够在工业领域大量应用的一个亮点，也是其对实际应用场景发挥显著作用的根本原因。
记者
：在
您看来，与其他传统AI技术相比较，生成式AI主要有哪些特点和价值？
彭俊松：
从特点来看，生成式AI跟其他传统AI技术最大的区别在于，能够生成图片、文字、视频等新内容。
首先，生成式AI能够在极短时间内（甚至实时）处理大量数据，生成内容，特别是处理非标数据。例如，机器深度学习进行预测是基于历史数据建立数学模型，输入数据产生结果，这些数据往往是比较完善的，有一定长度的时间序列，有具体的需求，参数间的关系有确切的描述，但当企业所处外部环境发生突然变化时，数据是难以快速导入系统/模型中的；而生成式AI则非常擅长于快速捕捉环境变化带来的影响，快速处理未整理的、非标的、非结构化的数据，采取进一步决策并且提高决策的质量。
其次，生成式AI还擅长模拟一些变化的场景，如模拟需求波动及现场变化等，再根据这些变化进行试运算、调整和优化，生成更加合理的结果。
总的来说，生成式AI作为AI技术发展浪潮中最新的一波力量，具有特殊的应用价值，能够把以往难以实现自动化的流程自动化。同时它不是孤立存在的，而是与其他AI技术共同满足业务的需求。生成式AI的兴起以及在多模态领域的突破，正为企业的数字化变革注入巨大潜力。
记者
：
请您结合具体案例，重点介绍一下生成式AI在智能制造和物流供应链领域的主要应用有哪些？
彭俊松：
以汽车行业为例，生成式AI的应用可覆盖产品造型、工程设计、自动驾驶、工厂设计、生产制造、市场营销、售后服务等全链条各个环节。
生成式AI的应用范围从产品智能化转向作业和管理智能化,推动企业全面转型
1.产品造型
生成式AI可以根据产品的二维设计图纸快速生成三维造型，让产品立体化，极大提升设计效率。
2.工程设计
汽车产品往往既要求强度和美观，又要求结构尽可能简单，生成式AI可以根据给定的目标和要求快速生成成百上千个结构，并且将其送至下一个环节去做产品校验、检测，从而不断完善设计，直至找到最优的设计。
3.自动驾驶
通过生成式AI，只要经过一次真实路面测试便可以延伸出各种不同场景、天气、状态、偶发事件的测试场景，生成多个样本并持续不断地进行训练，最终帮助实现自动驾驶。
4.工厂设计
生成式AI可以快速根据设计人员的意图形成仓库结构、货架布局、设备配套等图纸并用三维的方式（元宇宙）显示出来，可以极大提高工厂设计优化的效率，打造理想的数字化工厂。
5.生产制造
生成式AI可以把制造环节存在的大量业务数据，用自然语言的方式进行理解，形成直观的现场指导或者交互方式。例如，梅赛德斯-奔驰正在车辆生产中测试 ChatGPT，进行质量管理和流程优化等活动。
6.市场营销及售后服务
生成式AI几乎可以生成无限多组合的产品配置器，不再拘泥于实物打造，可以通过三维动画等方式将产品栩栩如生地展示在消费者面前。同时，生成式AI也开始应用于售后服务及维修环节，如通过车载人工智能装备了解车辆使用情况等。
总的来看，生成式AI技术的应用正逐步扩大，传统AI技术不擅长甚至做不到的，利用生成式AI都有可能实现。生成式AI的应用范围，正从产品智能化转向作业和管理智能化，推动企业全面转型。
记者
：
您如何看待生成式AI技术的应用潜力？有哪些典型的应用模式？
彭俊松：
我认为，生成式AI未来将在以下三个领域进一步智能化：一是内嵌式应用，以人为主导，AI提供指导建议；二是Copilot（副驾驶）模式，人机协同，由AI自动在数字世界寻找合适的工具，搜索合适的数据并连接，帮助人来解决复杂问题；三是Agent模式，由AI完成大部分工作，企业绝大多数业务流程都可以使用AI技术自动化完成。
生成式AI的三种应用模式
目前这三种模式已经在国外企业得到混合式应用。以某全球零售巨头为例，在APP内输入相关需求或目的，系统会自动推送相应的产品，这是内嵌式应用。生成式AI能够更好地理解基于查询、会话的客户意图，为客户提供产品推荐类别，覆盖其潜在需求；对数千家门店的销售预测、库存等建立机器学习的元宇宙，帮助计划人员进行调度和库存优化管理，这是副驾驶模式应用。生成式AI还能帮助完成供应商供货/采购谈判过程，避免人与人谈判可能存在的贪腐和次优化问题，可以快速、公正、透明地完成上下游企业之间的协作过程，这是Agent模式应用。
记者
：
您认为，在物流供应链领域，生成式AI的大范围普及应用还存在哪些挑战与障碍？
彭俊松：
前面探讨的三种模式，实际上也是企业数字化转型从点到面再到体不断升级的过程，只有当AI能够与企业的各个系统无缝连接，才能真正发挥其作为Copilot和Agent的功能。但这也正是困难所在。
众所周知，物流本身是服务行业，它前后连接着生产端和消费端，中间还有大量的合作伙伴，要实现端到端的物流智能化，必然需要把所涉及的所有系统连接起来，并且AI高度依赖于数据的质量，因此数据的开放性和准确性是目前的主要障碍之一。同时，大量物流数据的隐私性、合规性、安全性等，需要有数字生态来支撑，否则这些数据便无法发挥价值。此外，人员的培训等可能也存在一定障碍。
需要注意的是，生成式AI也有可能“一本正经地胡说八道”，为避免这些状况的发生，我们在企业应用生成式AI技术时通常有三个原则：Relevant相关性，要跟真实业务相关联；Reliable可靠性，数据要真实可靠；Responsible负责任，要满足AI伦理和数据隐私等标准。同时，我们也会融入知识图谱等多种不同的AI技术来进行校验。总的来说，这些方面的研究还有待不断深入。
