ChatGPT的横空出世引起国内外热议之时，让人工智能产业再起涟漪。近些年，随着AI在工业制造业中扮演着越来越重要的作用，不禁让人在想ChatGPT在工业领域能发挥怎样的作用？

原文链接：卡奥斯: 工业AI面临五大挑战

“ChatGPT能否在工业领域发挥功能，主要得看工业级下游任务的准确率够不够，不能单纯只看形式上是否可以支持该应用。”卡奥斯工业智能研究院工业AI技术总监王晓利在接受工业互联网世界记者采访时表示，ChatGPT是一个大规模预训练语言模型，它的动机是用向量数字化词、句在上下文中的语义表示，数字化语义表示越精准，它所能支持的下游应用就越多。

其实相较于2018年的GPT-1，ChatGPT在通用领域已经可以比较流畅、准确地支持多种下游任务。比如，提供线索自动生成文本、自动回复问题、头脑风暴、聊天、改写、摘要、分类、关键信息提取等功能。王晓利表示，工业领域的各个环节，其实都有对文本感知和认知的需求。盘点需求分析、产品设计、生产制造、物流、销售、服务等各个环节，都可以找到落地场景。

“工业领域需求越迫切、容错性越高的场景，落地速度就越快。”王晓利认为，ChatGPT如果应用于工业领域，应该会在需求分析和售后服务这两个阶段最先落地应用。因为这两个阶段是产品向服务体验转换的延伸，基于大数据技术，可以对个体感知认知有一定容错性。而设计、生产、物流、销售等环节，其知识库的构建、趋势预测等，要求准确率非常高，目前的ChatGPT还无法达到工业级对文本感知和认知的准确度需求。

王晓利坦言，虽然现阶段的ChatGPT精度还无法达到工业设计、生产环节的使用要求，但是通过工业领域的知识注入，结合通用语言模型知识和工业领域知识，将逐步推进其在工业领域的更多场景下使用。

ChatGPT的文本类回复功能虽在智能AI领域已经较为成熟，但若真正深入应用到工业领域还需走很长的路。王晓利告诉记者，互联网领域通用的AI模型开发和应用与工业领域有着非常明显的差异，主要体现在数据、需求规模、精度要求、算力支持、模型部署五个方面。她以工业视觉模型为例，进行了详细讲解。

一是数据样本的差别。通用领域的图像分类或者目标检测数据，比如花草检测，其采集难度和标注难度都较小，且不涉及信息安全和隐私，分享都很开放，一个目标获得上千张样本，是比较容易的。但在工业领域中，因为有信息安全方面的考量，常见的缺陷检测数据厂商很少愿意分享，同时数据采集难度也较大，所以在研发阶段，通常只有几十张缺陷样本。

二是模型需求规模不同。对比自动驾驶的视觉模型和工厂产线的视觉模型，前者可以投入大量的研发成本做模型开发，因为汽车量产后，模型需求规模大。而后者投入大量研发成本则可能无法收回，因为工厂产线的需求规模有限，对于复杂场景的解决方案，投入动力不足。同时，工业产品型号非常多，针对产品A的缺陷检测模型，对于产品B，可能完全无法使用，需要重新采集数据再训练。

三是精度需求差异较大。通用的视觉模型，准确率召回率在90%左右，普通用户就可以接受。但是工厂环境下，缺陷检测的误报，会导致生产线停转，漏报会导致产品质量不达标，因此模型的误报和漏报要求在千分位，对模型精度的要求远远高于通用AI模型。

四是企业算力支持。开发工业AI模型的机构基本分两类，一类是工业企业内部孵化，另一类是服务工业企业的外部供应商。前者因为模型的需求规模限制，没有动力投入大量算力支持AI的模型开发。后者因为没有形成规模，没有实力投入大规模的算力支持。

五是模型部署要求不同。工厂环境下部署视觉模型，需要考虑工厂产线的现场物理环境，安装摄像头、部署5G通信模块、和已有的产线动力联动、和MES系统打通管理信息等，同时算法升级需专人维护。但通用AI模型，用户只需从应用市场下载升级即可。

与此同时，王晓利还提到工业领域对于复合型AI技术人才要求更高，他们不仅需要掌握AI技术，更要了解工厂的实际运行情况。

“这些问题不仅是通用AI与工业AI之间的差别，也是现阶段AI模型在工业领域应用所要面对的挑战。”王晓利认为，要突破这些挑战，首先需要一个数据共享平台，可以挖掘隐私数据和非隐私数据的价值。其次需要一个注入了工业领域知识的智能大脑，比如Industry_GPT，可以减少工业数据的需求。再次挖掘模型的共性需求，提高共性模型的需求规模。最后合理使用多个性能比较弱的模型，比如群体智能、多模型融合、多模态融合等技术。

据了解，卡奥斯作为我国工业互联网“国家队”排头兵，在工业领域已形成了以感知智能为基础、认知智能为核心、群体智能为突破的AI发展规划。业务产品更是覆盖工业制造从需求分析、产品设计、生产制造到物流、销售、服务的各个环节，帮助工业制造业企业加快转型升级步伐。

最后，王晓利谈到AI技术未来在工业领域有着巨大的发展空间，并呈现出四个发展趋势。

一是在产品向服务和体验延伸的趋势下，会有更多的通用领域AI技术可复用，但应用场景还需继续挖掘；

二是在大规模个性化定制的趋势下，语言认知类模型将得到延伸升级。通用AI技术中的数据挖掘、文本分类、对话系统、个性化推荐模型，在大规模个性化定制的背景下，如果可以引入更多特征、支持更细粒度分类、更精准推荐，将发挥重要作用。

三是工业级大模型将涌现。工业级大模型是通用骨干网和工业适配网络的组合，其骨干网来自于通用的预训练大模型，比如ChatGPT这类大模型，而适配网络则相对轻量级，它注入了各种工业知识，比如，工业领域的词典、专利、设计文档、知识图谱、行业标准等。这样一个工业大模型，将会减少工业领域特定任务的数据需求量，提升ChatGPT等语言模型在工业领域的准确率。

四是多模态融合和群体智能解决复杂场景的模型需求增加。受限于需求规模、精度、算力等限制，导致工业领域直接复用通用的AI模型还有技术差距，而完全开发新模型的动力又显不足。在这个背景下，多模态融合和群体智能，是一个性价比较高的解决方案。比如人机协同的机器人，可以考虑把成熟的力感应方案和机器视觉方案融合，虽然单个解决方案还无法达到可用程度，但是多个方案的融合，在新场景下可以达到可用的性能。