头图 | 大鲸AI闭门会
出品 | 虎嗅智库
数据少、结果精度要求高、工厂对于模型的柔性和可拓展性的需求等问题都是阻碍生成式AI难以落地工业场景的问题。
为了破解AI在工业制造行业的应用难题。6月20日，虎嗅智库邀请中国信通院、TCL中环、国轩高科、美的集团、隆基绿能、施耐德、百度智能云等多个工业领域头部企业AI决策者，依次为我们深度剖析了AI在智能制造业的应用趋势，在质检、能源管理、员工标准作业改善等具体场景下的AI应用落地及大模型在工业领域落地的案例以及企业如何甄别大模型的有效落地场景。
希望本篇大会观点摘录，能给未到场的人士一些启发，也欢迎读者朋友与我们深度交流。
以下是嘉宾分享观点部分摘要：
中国信通院人工智能所平台与工程化部副主任董晓飞
以大模型为代表的新一代人工智能，是发展新质生产力的重要引擎之一
新质生产力至少有三个“新”，分别是新型劳动者数字员工、新生产要素数据要素和新生产工具智能工具。大模型则是发展新质生产力的重要引擎之一，主要体现在以大模型为核心的新型智能体逐渐取代重复性、程序性体力和脑力劳动，成为新质生产力的新劳动者；
大模型技术被运用到社会生产的方方面面，充分释放数据要素的价值；在大模型驱动下，机器从自动化向智能化演进，并被赋予感知和认知能力，构成新质生产力新型生产工具。
TCL中环CIO渠本强
AI+IT+OT+IE融合是光伏制造提升竞争力的关键
近年来，中国光伏产业各环节产量显著增长，进入T瓦时代。未来，市场竞争加剧，如何提升核心竞争力成为光伏企业不得不面对的问题。
TCL中环CIO渠本强表示，光伏制造提升核心竞争力的关键是推动IT+OT+IE的融合，从而加速企业数字化转型竞争，灵活应对市场变化，提升核心竞争力。
推进AI+IEOT融合是一个系统工程，需要从战略规划、技术实施、人才培养和组织变革等方面综合考量和协调推进。战略层面，企业需要确定融合目标，如提高生产效率、降低成本、提升产品质量等，明确AI、IT、OT和IE各自角色和职责；技术实施层面打造基于数据驱动的决策体系，利用IT和IE能力，收集和分析数据，为AI提供高质量的数据基础以及通过数据分析识别生产瓶颈，利用IE和AI进行优化；
人才培养和组织变革方面，企业需要组建不同领域专家组成的跨学科团队，培养既懂AI又懂IEOT的复合人才，同时鼓励创新，持续探索AI、IEOT新应用。
蔚来汽车前瞻制造技术高级专家刘圣祥
从制造的业务痛点出发，实现80%业务AI鞠策
工业AI应用路径可以分为三个阶段，分别是以技术为主导的点状赋能、以需求为主导的复杂多场景赋能以及多模态场景的通用赋能，而AI的应用价值也随着发展阶段的递进被不断放大。
目前，AI赋能工业仍处于初级阶段，AI和工业的结合是场景驱动的，企业应该从小场景中寻找解决问题的机会。例如汽车的AI质检、智能分析和能源管理。AI质检方面，工厂过去存在人员作业的一致性差、标准不统一、成本效率差等问题，AI视觉能够很好解决该场景的痛点；智能分析，企业可以利用AI工具解决复杂多因子的生产瓶颈分析和预测性分析；能源管理方面，AI可以帮助工厂做能源管理的全局优化，减少能源浪费。
美的集团智能制造研究院院长付旭
研究传感技术和自动化整体方案，推动AI算法在制造领域的应用
美的分享了多个基于传感技术的AI应用落地方案，包括家电产品外观瑕疵检测、产品下线前的外观检测、员工标准作业改善、动作浪费与线平衡智能实时分析、产品异音检测、生产设备预测性维护等。
比如空调面板外观缺陷检测：通过多个维度的摄像头做图像采集，同时进行视觉分析，实现多产品的快速检测，既提高了检测效率，同时保证了检测结果。
在员工标准作业改善方面：为了解决大规模定制导致的转产换型频繁，工艺操作复杂，使用AI摄像头实时捕捉指尖/毫秒级动作，基于产线实时数据进行分析，部署专家系统通过AIGC识别问题并提供作业动作浪费、产线效率改善建议，降低了员工操作错误率和作业质量不良，提升了线平衡率。
聚焦动作浪费与线平衡智能实时分析来看：基于AI视觉检测以及3D数字孪生技术，实时动态分析产线作业节拍以及产线线平衡问题，改善作业节拍，提高线平衡。
产品异音检测方面：基于AI进行电机的噪音检测，通过自研检测设备和算法，在应用中能够提升产品的标准和一致性。
生产设备预测性维护方面：采用家电行业生产设备的通用化硬软件一体运维解决方案，进行实时设备状态和关键工艺状态智能感知和虚拟测量，实现系统故障预警，根因推理，预测性维护等功能。
国轩高科工程研究总院AI算法系统研发部负责人张宏钰
制造智能化转型，企业需要关注四大关键技术的发展
人工智能发展的时代背景下，企业需要关注四大关键技术的发展，分别是感知技术、推理技术、决策技术和交互技术。感知技术包括视觉算法、信号处理算法、自然语言处理、语音识别算法；推理技术包括因果分析、关联分析、聚类算法和预测算法、决策技术包括决策树、贝叶斯网络、马尔科夫决策过程、遗传算法、模糊逻辑和预测学习；交互技术包括AGI、LLM、Gen AI等。
通过四大技术的通用算法解决工艺、品质、设备和研发等业务场景的需求，从而推动企业智能化转型。
百度智能云新制造行业解决方案总监张宁宁
大模型能力在各类场景的探索已逐步趋于成熟
企业在探索大模型应用时，需要明晰各种模型的能力边界，包括大语言模型、CV大模型、多模态大模型和科学计算大模型等。企业只有明晰各类模型的能力边界，进而匹配不同业务场景，才能更好地解决业务问题。
会中，百度分享了多个案例，包括利用大模型能力解决企业知识库构建，降低了员工学习标准、知识等内容的学习成本；利用大模型连接数据库，进行一定的数据治理，做到经营数据的即问即答，全面且快速分析生产情况；利用CV大模型实现动火作业的安全管控；通过自然语言对话，大模型与小模型及系统API融合的能力，实现设备运维端到端的业务闭环。
虎嗅智库分析师梁子博、隆基绿能大数据AI负责人 李元博、施耐德电气数字化总设计师 毛春景、百度智能云新制造行业解决方案总监 张宁宁
圆桌环节，虎嗅智库和与会嘉宾共同探讨了大模型目前在工业领域的落地案例和效果，以及企业关心的大模型和小模型未来的发展走向。
施耐德电气数字化总设计师毛春景表示，大模型落地工业场景面临两难问题。一方面，制造业企业生产相关的数据、知识，文档和经验是其核心竞争力之一，无法做分享，导致数据流动差，难以出现垂直行业大模型，普惠工业；另一方面，单个企业做私有化的垂直的微调大、模型，则会面临训练成本高，维护难度大，导致企业与大模型相关成本高企，无法合理化其投资决策。
百度智能云新制造行业解决方案总监张宁宁认为，目前大模型的探索还处于初级阶段，在与客户实际接触过程中，大模型应用的三个方向可以在初期进行持续探索，且能够获得成效的。第一，知识管理方面，也就是知识问答场景；第二，“问数”，通过打通经营数据，做到经营数据的即问即答，全面且快速分析生产情况；第三，任务调度，通过将以往的信息化系统的API开放出来，利用大模型判断如何调度。
而对于大模型和小模型的未来的应用趋势上，与会嘉宾均表示，模型的选择是要结合场景需求考虑的。隆基绿能大数据AI负责人李元博表示，大模型和小模型落地应用选择上，企业需要结合实际工业场景的需求，不会也不必追求一定用大模型解决问题。此外，任何一个场景的AI使用上，除了ROI，信息安全问题也是企业考量的核心因素。
