2023年，在大模型的推動下，生成式AI對各行各業的重塑過程已經開啟。制造行業也不例外。

根據Gartner發布的《2022年人工智能技術成熟度曲線》報告，到2027 年，30%的制造商將使用生成式AI 提高產品研發的效率。

然而，生成式AI與大模型在制造行業的應用卻有其獨特的挑戰。最典型的是，制造業有很多行業壁壘很高的應用場景，這些場景的特點是長尾化、碎片化，從而導致制造業核心工藝公開數據相對較少，相對比較難進行大模型的訓練。

近日，亞馬遜云科技向國內媒體分享了生成式AI在制造行業落地的初步探索。

從三大優先場景切入：工業設計、市場營銷、職能支持

任何企業構建生成式AI應用的步驟都可以分為四部分：找準場景，選擇模型，模型適配和模型調整，應用開發和部署。

“生成式AI跟其他的IT技術不一樣的地方在于，會給一個行業帶來巨大的想象空間。”亞馬遜云科技大中華區戰略業務發展部總經理顧凡表示。

具體到制造行業，從研發、供應鏈，生產制造，到銷售、營銷、服務，整條價值鏈中存在眾多可以被生成式AI重塑的場景。

如果按應用的成熟度來看，哪些場景是當前最具落地價值的優先場景呢？

亞馬遜云科技通過與眾多制造企業的合作共創，探索出一個初步的制造業應用生成式AI的場景地圖，并提出三大優先場景：工業設計、市場營銷、職能支持。這三大場景是生成式AI在制造業最早落地的場景，相對來說應用更廣。

其中，制造行業的概念圖設計和市場營銷內容生成，是生成式AI文生圖、圖生圖的天然適配場景。而生成式AI的知識增強、檢索增強等能力，又讓企業內部知識庫成為員工賦能、提升辦公效率的利器。

圍繞企業級需求：一站式方案集成

與生成式AI在C端應用時的工具屬性不同，生成式AI在B端的落地，除了通過AI生成內容，往往還需要一套完善的集成方案，并與企業原有業務流程融合。

比如，在工業產品設計這一場景下，傳統流程一般是先進行概念設計，再將概念圖進行渲染，最后篩選評估，整個過程需要大量人工參與，還涉及多次返工，時間周期長，工作效率相對低下。

基于亞馬遜云科技的服務，海爾創新設計中心與計算美學Nolibox合作，打造了全國首個 AIGC 工業設計解決方案，大幅縮短設計周期，并降低概念設計成本。整體概念設計提速了83%，集成渲染效率提升了約90%。

該方案中的概念圖生成是計算美學Nolibox基于開源大模型Stable Diffusion進行應用開發。除了利用大模型做概念圖的生成，亞馬遜云科技還攜手合作伙伴負責將概念圖與云上的渲染平臺連接起來，再把成圖等數字資產，用數字化資產管理系統進行對接。

“我們經常說‘最后一公里’，在生成式AI場景下應該說‘最后三公里’更為合適，因為生成式AI落地需要大量的工程化資源與投入。”顧凡表示。

在職能支持場景下，利用生成式AI技術構建企業級智能知識庫，助力企業員工快速找到更精準和更具實效性的內容，有效提升生產與辦公效率，成為很多大型企業的剛需。

過去，西門子中國面臨企業內部信息分散、數據信息傳遞不足、知識運營能力缺乏等挑戰。在亞馬遜云科技的幫助下，西門子中國3個月構建了基于自有模型的智能知識庫——智能會話機器人小禹。小禹具備自然語言處理、知識庫檢索、通過數據訓練大語言模型等核心關鍵能力，極大地提升了內部員工信息的獲取效率，目前企業員工超過90%的問題可以由小禹直接提供答案。

以業務價值為驅動：“大模型+小模型”兩條腿走路

“現在大家往往會覺得大模型好厲害，干什么都需要大模型，這其實是一種技術思維。企業用好大模型，要從實際的應用出發。尤其是制造企業，需要找到模型精準度和推理成本之間的平衡點。如果推理成本控制不了，只是一味追求模型越大越好，企業很難負擔得起。”

顧凡認為，制造業用好生成式AI，需要“大模型+小模型”兩條腿走路。

一方面， 工業領域有太多碎片化場景以及非常深的行業知識，面對這些行業壁壘很高的應用場景，小模型的存在有其必要性。另一方面，大模型可以對小模型的訓練與精度有輔助性的提升。比如在工業質量檢測場景中，大模型可以通過圖生圖，快速幫助生成大量缺陷樣本，增強模型訓練中識別精度。

亞馬遜云科技大中華區戰略業務發展部總經理 顧凡

過去，亞馬遜云科技借助Amazon SageMaker等云服務幫助施耐德、西門子等眾多制造企業打造過不少垂直場景的小模型，用低成本、高效率的方式解決了特定業務難題。大模型的到來，對原有小模型并不是替代關系，而是模型質量升級的好幫手。

在亞馬遜云科技的協助下，西門子成都工廠構建了一套云端訓練本地推理的工業廢料分揀系統，使得廢料分類的準確率大于95%，危險廢料達到了100%，模型訓練時間從 10 多個小時縮短至 2 小時，極大節省了人工成本。

施耐德電氣的全球供應鏈在全球擁有187家工廠，在中國擁有20多家工廠。借助亞馬遜云科技的AI基礎設施，施耐德電氣可以大幅降低模型管理訓練的復雜度。“亞馬遜云科技的數據庫、計算服務，以及Amazon SageMaker 機器學習服務，可有效幫助施耐德電氣在云端實現對全球工廠的中央化部署、管理與監控。”施耐德電氣全球供應鏈中國數字化轉型總監冒飛飛表示。

對于企業在亞馬遜云科技上使用大模型的路徑，顧凡將其總結為兩條路：

第一，對于沒有模型開發能力、工程化能力和AI人才的中小企業，可以通過Model as a Service（模型即服務）的Amazon Bedrock，直接使用已經預訓練好的模型。

第二，對于具備一定工程化能力和AI團隊的企業，可以在Amazon SageMaker上針對開源或者閉源的大模型做微調，實現模型對自身業務場景的適配。

“大模型不會吞并小模型，而是相輔相成的概念。短期內，小模型會隨著大模型推陳出新，并長期存在。永遠不會是一個大模型打天下，一定是一種最佳組合。”

文中圖片來自攝圖網

本文為「智能進化論」原創作品。