在智能制造的大背景下，生成式AI不仅能够在生产计划、设备维护、质量控制等多个环节发挥关键作用，还能通过大模型算法显著提升生产效益、降低故障率、提高检测效率。通过详细的案例调研和分析，虎嗅智库总结出当下生成式AI在工业生产中的落地应用的趋势：
核心观点
●在生产经营管理环节，基于大语言模型新增智能问答、数据分析等能力成为主流。如创新奇智大模型支持的ChatBI生成式企业私域数据分析，就能够帮助客户以对话的形式了解产线设备的运营状态。● 在生产工艺优化环节，基于大模型形成的智能工艺推荐算法、数据治理和分析、知识问答等能力成为主流。例如海尔卡奥斯工业大模型已经帮助制造企业实现了注塑生产工艺优化。● 在生产过程管控环节，构建行业级生产线优化模型成为智能化能力提升的探索焦点。如某汽车企业通过构建生产线优化模型实现了生产线的自动调整和优化，同时降低了生产成本和人力成本。生成式AI大模型在工业领域正在逐渐形成新的应用范式生成式AI能够通过分析大量数据集来“学习”并生成新的内容，这一能力也使得它在提高企业智能制造效率方面有着巨大潜力。在制造流程中，生成式AI可以应用于生产计划制定、设备维护、质量控制等多个环节和场景，通过大模型算法大幅提升生产效益。目前，生成式AI在智能生产制造领域已有一些成熟的应用场景。例如，在预测性维护方面，通过对设备运行数据的实时监控和分析，生成式AI能够预测设备的故障趋势，提前进行维护，降低设备故障率；在智能质量检测方面，生成式AI可以自动识别和分类产品缺陷，提高检测效率和准确性；此外，还有知识问答类应用，比如员工培训、知识检索和智能营销/客服场景。未来，生成式AI在智能制造领域将有更多落地应用的可能性。例如，在供应链协同方面优化物料采购、库存管理和物流配送等环节的响应速度和效率；在人机交互方面通过RPA+agent替代人类去执行一些繁琐或者是流程化的任务；在企业私域视觉洞察应用方面通过自然语言交互的方式实时分析监控画面进一步发现潜在的不合规行为；在工业设计方面迅速理解设计师的创意意图并自动生成符合要求的工业设计图；在工艺优化方面通过模拟和分析生产过程找到最优的生产工艺参数，提高生产效率和产品质量等。
图1：生成式AI大模型在智能制造各个领域的应用
总的来说，短期内，生成式AI大模型已经在研发设计规划、生产过程管控、经营管理优化、产品服务优化等环节展现出其潜力，降本增效的同时为制造业带来了价值创新。长期来看，大模型的应用会渗透到工业机理，从设计研发到生产制造再到运营管理，打通制造全链条。数据驱动，软件定义，从本质上改变制造业的底层逻辑。生成式AI的探索覆盖了制造业的研发设计与规划、生产过程管控、经营管理优化、产品服务优化等全生命周期。生成式AI大模型能力覆盖结构化数据、文本、图像、音视频等多个领域生成，目前已经有了基于数据分析的生产经营管理优化、基于数据治理的生产工艺优化、基于数据管理的生产产线优化等相关的工业制造等多场景应用案例。案例1：大模型支持的ChatBI生成式企业私域数据分析
在生产经营管理环节，基于大语言模型新增智能问答、数据分析等能力成为主流。例如创新奇智大模型支持的ChatBI生成式企业私域数据分析，就能够帮助客户以对话的形式了解产线设备的运营状态。以某新材料企业工厂的私域数据分析项目为例，该项目面临的主要挑战是在实现了数字化和信息化后，客户面对海量的生产数据，对数据洞察的需求更加迫切。传统的生产场景中，需要专人制造上百张动态报表来分析生产情况，但仍然很难涵盖管理者的全部需求。针对这一问题，创新奇智基于AInnoGC工业大模型的ChatBI产品结合工业软件为客户打造智能生产制造数据分析方案，帮助用户实时获得海量生产数据的深度洞察。比如：客户希望了解产线设备的开机率变化，只需通过对话来询问：“2023年10月份101产线103炉位的开机率”，ChatBI就可以自动查询并以图表的方式反馈10月份该炉位每天的开机率及变化趋势，在这个基础上可以继续追问，实现多轮对话。
图2：创新奇智基于AInnoGC工业大模型的ChatDoc产品当ChatBI生成了各种各样客户想要的报表后，只需要通过简单的点击、拖拽的操作，就快速制作出车间的生成数据看板，为企业的各级管理人员提供深度数据分析和洞察。ChatBI支持多种格式的数据源、支持SQL代码的展示、利用主动召回技术给出更专业和精确的答案、以及高级别的数据安全保障, 可以让用户操作起来更加方便和安全。另外，在工厂的设备维修过程中，维修人员进行设备故障诊断及设备参数调整时，对于各种复杂的现场情况，需要花费大量时间进行专业资料查询。通过ChatDoc，维修人员仅需语言描述现场情况，即可获得所需信息，从而显著减少故障排查时间，提升设备维修效率。在生产工艺优化环节，基于大模型形成的智能工艺推荐算法、数据治理和分析、知识问答等能力成为主流。例如海尔卡奥斯工业大模型已经帮助制造企业实现了注塑生产工艺优化。以洗衣机工厂为例，注塑是洗衣机生产的重要工序，其生产过程看起来不过模具开合，背后却牵扯着温度、压力、成型周期、模具健康、能耗等复杂的工艺和参数调试流程。而这些，让工厂中使用了数十年的注塑机设备，成了一个只能依靠人工经验调试的“黑箱”。要探索最优工艺，无疑需要打开这只“黑箱”，将老师傅们的工业经验转化可量化的数据和指标，理清其中的千头万绪，让主观经验升华为科学易用的工业智能。沿着物联接入、数据治理、模型建立的推进路径，卡奥斯COSMOPlat搭建起洗涤产业大模型，在关键场景和核心领域沉淀算法和机理模型，以数据透明化为核心，探索洗涤注塑领域最优工艺参数及能耗，提升产业数字化竞争力。一方面，模型形成了待机/停机决策、模具设备匹配、智能工艺推荐算法模型3大核心算法，并将相关领域核心指标定义拉通，打造出透明化、可视化的工厂注塑指标看板，可通过优化排产、模具使用、工艺和智能决策，助力工厂在保证质量的前提下，实现成本和能耗最优。在工厂落地后，大模型已帮助设备能耗降低5%至10%，节拍提升4%至9%，大幅优化整体生产效益。另一方面，通过对内外部知识的梳理和学习，模型搜集和学习了工程师多年积累的经验与工业知识，注塑相关知识库沉淀知识量超过10 TB，可通过机器人、小程序、APP等形式进行使用，目前可在秒级之内形成对相关问题的反馈，实现了工业知识的普惠应用。同时，基于全面的数据连接和分析，模型还助力工厂实现了数据质量的改进，例如发现并解决了部分注塑机能耗数据指标不明确、连接不充分的问题，以及AIoT平台部分数据重复与缺失的问题等，也为企业沉淀数据资产、创新数据应用提供了进一步支持。以模具工厂为例，卡奥斯工业大模型COSMO-GPT助力工厂完成智能化改造，首创专家模型调度实现智能参数推荐，整体生产效益大幅优化。在注塑车间，技术人员只要给卡奥斯工业大模型COSMO-GPT下达口令，它就能够自动识别后调取数百个工艺参数，并立即指挥注塑机开始工作，短短几十秒钟产品就做好了，误差不超过头发丝的粗细。如果靠工艺师来做数百个参数需要调整1个多小时。应用卡奥斯工业大模型COSMO-GPT不仅设备调整时间缩短了，而且降低了调试成本。过去，在调试生产的过程中，所有调试出来的不合格产品都是作为废件处理的，现在的调试效率大概提升约50%，大大降低了浪费。除了出色的生产、调试能力，卡奥斯工业大模型COSMO-GPT还可以对设备的健康状况进行提前预警，减少设备故障，生产效率提升了5%，节能降耗10%，量产调试降费50%以上。目前，注塑专业工艺员和卡奥斯工业大模型COSMO-GPT正在通过知识问答的方式完成“经验传授”。平台将把工艺员的经验沉淀成训练卡奥斯工业大模型COSMO-GPT的语料，帮助大模型攻克难题，最终走向自主工作、自主校错，实现真正的无人化。
其他的，如在生产过程管控环节，构建行业级生产线优化模型成为智能化能力提升的探索焦点。以某汽车制造企业的生产线优化项目为例，该项目面临的主要挑战是生产线的灵活性和效率问题。由于产品种类多、生产批量小，传统的生产线难以适应频繁的生产切换。针对这一问题，该企业通过构建生产线优化模型，生成式AI通过对生产线历史数据的分析和学习，找到了影响生产线效率的关键因素，并提出了针对性的优化方案，实现了生产线的自动调整和优化，同时降低了生产成本和人力成本。综合以上案例落地经验，对于应用成熟度的评估，虎嗅智库认为可以从以下几个方面进行考量：一是技术可行性、拓展性和复用性，二是为用户创造的价值，包括实际应用效果、经济效益以及用户接受度等。同时，应建立长效的大模型工业领域性能评测机制，周期性围绕大模型知识能力、稳定性、安全性等关键性能进行成熟度评估工作。生成式AI大模型在制造业领域深入发展仍面临一些挑战依托大模型的工业智能体、具身智能机器人等有可能改变工业大生产的底层逻辑，存在的市场空间和机会是巨大的，但挑战也很明显，比如是否有端到端的全栈技术，不被卡脖子、具备自我迭代和发展能力都是关键。另外，还有大模型对行业know-how的理解、安全保密等一系列因素的考量。所以，尽管生成式AI在智能制造领域具有广阔的应用前景，但其深入发展仍面临诸多挑战。技术层面，生成式AI需要处理大量复杂数据，对算法和计算能力的要求极高，比如质检算法，即便达到95%的准确率，工厂也不会接受；应用落地方面，如何将先进的AI技术与实际生产场景相结合，实现真正的智能化制造，仍是一个需要不断探索的问题；另外，大家都不愿意把自己的数据分享给其他的工厂，很多工厂也要求模型能够私有化部署，基本上不会接受SaaS式的服务；效果评估方面，如何准确衡量生成式AI在优化生产制造流程中的贡献和效益，也是一个亟待解决的难题；此外，投入产出比也是企业引进生成式AI技术时需要考虑的重要因素。支撑大模型研发的硬件成本昂贵，如何在保证效果的同时控制成本，是企业在决策过程中需要权衡的关键点。对于制造业企业而言，引进生成式AI技术改善生产制造流程是一个值得尝试的方向。制造业企业在引进生成式AI技术时，应综合考虑应用场景、技术适配、成本效益以及人才和技术合作等多个方面。在引进过程中，企业应首先明确自身的需求和目标，选择适合的生成式AI技术和应用场景。同时，生成式AI技术的有效应用依赖于大量高质量的数据，加强数据管理和技术团队建设，构建规模化的大模型工业数据资源池，确保AI技术的顺利应用。此外，最重要的一点是不要观望，要积极拥抱新的技术和新的发展趋势，有时候需要果断一点，如果拿不准，可以先从边缘的业务的领域尝试。先做起来，就成功了一半。
粤ICP备17114055号
支持私有云部署
