當前，大語言模型已經(jīng)展示出對人機交互產(chǎn)生的潛在影響，這種影響令人震撼。波士頓咨詢公司（Boston Consulting Group）認為，毫無疑問，通過人機協(xié)同，生成式人工智能會帶來生產(chǎn)力的大幅提升，而工業(yè)自動化恰恰是人機交互最為頻繁的領域。

大語言模型是基于神經(jīng)網(wǎng)絡且經(jīng)過海量文本數(shù)據(jù)訓練的深度學習算法。近年來，大語言模型已經(jīng)開始在各行各業(yè)嶄露頭角，尤其在工業(yè)自動化領域的應用范圍不斷擴大。這些模型能理解并生成人類語言，進而幫助大幅提升工業(yè)流程效率。保守估計，大語言模型可以幫助原始設備制造商（OEM）在構建機器PLC應用程序時節(jié)省20%的工作量。

大語言模型的發(fā)展十分迅猛，從GPT-2到GPT-4，模型不斷升級成熟，處理能力大大提升，其在工業(yè)自動化領域的應用范圍也得到極大拓展。隨著技術的日趨成熟和廣泛應用，我們期望看到將大語言模型應用于工業(yè)自動化領域的更多實際案例。

大語言模型的最重要的特征之一在于，可以根據(jù)工業(yè)自動化相關的特定用例或任務進行來定制。在工業(yè)中，這些用例或任務有三種可能：代碼生成、文檔編寫、重構和測試；自然語言接口；自動化系統(tǒng)設計與開發(fā)。

然而，我們也需要考慮到大語言模型中可能普遍存在的局限性，以及在大語言模型產(chǎn)業(yè)化之前如何應對由這些局限因素帶來的影響。接下來，我們將對這些機會、局限性以及如何實現(xiàn)大語言模型的產(chǎn)業(yè)化展開進一步探討。

1. 代碼生成、文檔編寫、重構和測試

大語言模型可以為PLC等工業(yè)控制系統(tǒng)生成代碼，或者允許人類使用自然語言輸入內容生成人機交互（HMI）頁面，進而簡化應用程序的工程設計過程，減少開發(fā)控制應用程序所需的時間和工作量。此外，大語言模型還有望提高生成代碼的質量和一致性，從而減少錯誤并縮短調試時間。保守估計，大語言模型生成的代碼，對于編寫機器類PLC程序而言，大約70%是可用的，編程效率大幅提升。大語言模型的另一個應用是自動生成配方代碼，在更改參數(shù)、更換供應商或更改配料時，能夠節(jié)省時間。創(chuàng)建配方并觸發(fā)生產(chǎn)線變更所花的時間會直接影響生產(chǎn)時間，因此任何可能的時間節(jié)省都有助于提高效率。更進一步，大語言模型還可用于自動生成與其生成的代碼相關的文檔，如自動測試腳本，而測試腳本對于自動化工程師來說一直是一項非常耗時的任務。

例如，在施耐德電氣，我們一直在測試大型語言AI模型的專用版，并為EcoStruxure機器專家應用軟件來訓練這些模型。測試結果顯示其潛力巨大——代碼能夠快速而準確地生成，盡管仍然需要人工審核。我們可以看到，同樣的模型可以應用于其他軟件應用程序。

2. 自然語言接口

大語言模型還可為工業(yè)自動化系統(tǒng)創(chuàng)建自然語言接口，由此操作員只需要使用人類語言，而無需專門的編程語言，就可以與這些系統(tǒng)進行交互。自然語言接口的關鍵應用之一就是使用自然語言命令訪問現(xiàn)有文檔，如技術產(chǎn)品信息。在許多行業(yè)中，操作人員和維護人員必須手動搜索產(chǎn)品文檔中的信息。有些甚至還是紙質文件！然而，隨著文檔逐步數(shù)字化，并傳輸至安全的特定大語言模型中，這些工具可用來快捷地提出問題，并迅速找到答案。例如，“錯誤代碼8975的含義是什么？該如何解決？”這種問題可以輕松得到解答。其關鍵是使用安全的特定大語言模型。這些模型應該僅從經(jīng)審核以及官方提供的手冊、技術說明和源代碼中提取答案。

工業(yè)企業(yè)面臨的一個常見挑戰(zhàn)是，行業(yè)知識可能只掌握在特定人群中。雖然隨著資產(chǎn)的數(shù)字化、工作方式的數(shù)字化以及勞動力人口結構的變化，這種情況也有所改變。但在許多工廠中，仍然會遇到機器或資產(chǎn)發(fā)生故障，唯一知道如何解決故障的人卻并不當班的情況。想象一下，如果當班的維護人員能夠通過語音命令來進行故障排除、訪問文檔，并（在安保措施落實到位的情況下）借助人工智能進行故障修復，將會節(jié)省多少時間，生產(chǎn)力又能提高多少？

用于技術支持的虛擬助手是另一個應用場景，其中帶有大語言模型的自然語言接口，可以為工業(yè)帶來價值。通過電話為客戶提供高度專業(yè)化和定制支持的工業(yè)公司（例如與工業(yè)最終用戶合作的機器制造商），可以掌握這些隱形的知識，并將知識和信息提供給特定的大語言模型，虛擬助手就可以利用這些模型，從而提升客戶體驗并有效縮短解決問題的時間。同樣，這也適用于機器、自動化產(chǎn)品和系統(tǒng)的用戶手冊與文檔的創(chuàng)建。使用大語言模型創(chuàng)建這些重要文檔可以為應用工程師節(jié)省時間，讓他們可以將知識和技能用于開發(fā)更好的機器、產(chǎn)品和系統(tǒng)，從而提升質量并縮短上市時間。

3. 加快自動化系統(tǒng)設計與開發(fā)

在過程工業(yè)的大型項目中，無論是老項目擴建還是新項目開發(fā)，自動化系統(tǒng)的設計和開發(fā)都需要眾多供應商、用戶、合作伙伴以及監(jiān)管機構等第三方伙伴進行通力協(xié)作。從項目發(fā)起到項目實施，再到項目運營階段，都可以用大語言模型對來自各方的需求和參數(shù)等進行標準化處理，從而顯著節(jié)省時間，幫助所有參與方提升競爭力。

這是因為，從客戶和合作伙伴的需求出發(fā)進行系統(tǒng)開發(fā)之初，就會面臨關于解決方案架構、物料清單、安全計劃、風險管理計劃等各方面的多種要求?；谀壳暗募夹g，這需要耗費數(shù)月、甚至數(shù)年的嚴謹工作、整理澄清以及來自多個職能部門的專家的協(xié)作，才能確保最終質量和可行性。如果借助大語言模型對各方需求和資料進行快速梳理，則可以加快整個過程，同時滿足各層級的合規(guī)要求。

大語言模型的道德考慮和限制因素

在工業(yè)自動化中使用大語言模型可能會帶來一些道德考慮和風險，必須要認真對待，以確保這項技術的使用，是負責任的，并且符合道德規(guī)范。

系統(tǒng)安全：當討論AI模型執(zhí)行工業(yè)自動化操作的可能性時，首先必須制定明確的安全措施。

數(shù)據(jù)安全：大語言模型需要大量的訓練數(shù)據(jù)。這些數(shù)據(jù)可能包括個人敏感信息或有關特定流程的保密信息，因此確保數(shù)據(jù)安全，遵守保密原則、尊重個人隱私權至關重要。

偏見：大語言模型可能會將訓練數(shù)據(jù)中存在的社會偏見一直延續(xù)下去，并持續(xù)放大這些偏見的影響。這可能導致不公平和歧視性后果。因此，識別偏見并減輕偏見的影響很重要，它有助于確保結果的公平公正。

信息安全：大語言模型容易遭到模型竊取或對抗性攻擊等惡意攻擊。必須確保這些模型的安全，幫助其抵御威脅。

解讀：大語言模型很難解釋和理解，因此對于它做出的響應也可能會難以解釋。在決策過程中使用這些模型時，這可能會成為問題，因為很難理解這些決策的基礎是什么，也就很難確保其公平性和合理性。

以人為本：通過本文，我們已經(jīng)看到了大語言模型在工業(yè)自動化領域的一些積極的應用前景。然而，任何輸出仍需要人類的審查。這些模型只能用作人類能力的補充。例如，機器可以執(zhí)行任務，但任務完成后必須有人來進行檢查；或者機器可以改進或挑戰(zhàn)人類的創(chuàng)造性思維。

可靠性：大語言模型的結果可能并不一定真實，而且目前，在使用這一結果前還應該始終由人類專家來進行審查。

大語言模型的產(chǎn)業(yè)化

如上所述，要想利用大語言模型的優(yōu)勢，就必須對其進行恰當部署，并充分考慮其道德考慮和限制因素。此外，還需要重點考慮的是，大語言模型的潛在規(guī)模，以及哪些地方可以或者需要部署這些大語言模型。例如，GPT-3模型有1750億個參數(shù)，而GPT-4則有1.8萬億個參數(shù)，效率更高。很顯然，模型執(zhí)行將需要超大規(guī)模的算力和存儲空間。

值得關注的是，特定領域的數(shù)據(jù)對大語言模型進行預訓練可以提高其性能并簡化其部署。不同行業(yè)應評估如何創(chuàng)建這些基礎模型，以及何時需要大模型，何時需要更小的、更具體的解決方案。例如，特定領域的大語言模型——如制造行業(yè)GPT、醫(yī)療行業(yè)GPT、旅游行業(yè)GPT等——意味著可以創(chuàng)建更小且更聚焦特定領域的模型，然后在此基礎上進行構建。這也有助于解決因非相關背景疊加而產(chǎn)生的錯誤輸出。也可以由同一行業(yè)中的各個組織來協(xié)作，共同創(chuàng)建適用于其領域中普適性用途的GPT，同時仍保留其特定IP。

人工智能技術在工業(yè)自動化中的其他應用

生成式人工智能，特別是大語言模型，只是人工智能在工業(yè)自動化中的讓人震撼的應用之一。我們正在探索人工智能技術在以下行業(yè)中的更多應用：

人工智能增強型設備——將用于特定任務的AI模型充分集成到智能傳感器或執(zhí)行器等嵌入式設備中，或集成到互聯(lián)互通的產(chǎn)品中，將人工智能技術用于自整定、預測性維護，或者結合云端應用完成更復雜的推理應用。例如，施耐德電氣在中國構建了智能工業(yè)視覺質量檢測解決方案，即“云-邊協(xié)同AI工業(yè)視覺檢測平臺”，在云端實現(xiàn)數(shù)據(jù)存儲和標注及模型訓練，并把云端模型下發(fā)到產(chǎn)線邊緣側，執(zhí)行邊緣推理。目前，這種AI工業(yè)視覺監(jiān)測平臺已經(jīng)施耐德電氣中國15家工廠上線，顯著提高了生產(chǎn)線的檢測效率，將誤檢率降低0.5%以內，并實現(xiàn)了零漏檢率。此外，2023年6月，施耐德電氣推出AI模型生產(chǎn)與運維平臺EcoStruxure AI引擎，覆蓋企業(yè)實現(xiàn)人工智能落地所需的五大建模相關流程，包括AI模型生命周期中的數(shù)據(jù)準備、模型訓練、模型部署、模型推理及模型監(jiān)控。它可以幫助開發(fā)人員和數(shù)據(jù)科學家快速構建、訓練和部署機器學習模型，在云端實現(xiàn)數(shù)據(jù)存儲和標注及模型訓練、推理、部署、監(jiān)控，以及迭代更新等全流程，并把云端模型下發(fā)到產(chǎn)線邊緣側，執(zhí)行邊緣推理，有效降低模型管理訓練的復雜度。

基于人工智能的控制技術——這首先是AI生成的控制應用程序，這些應用程序可通過本文中討論的大語言模型技術或者我們也正在研究的深度強化學習（DRL）技術來實現(xiàn)。基于人工智能的控制也是將基于人工智能的計算機應用與控制應用的實時集成，以賦予機器和過程最高程度的自主權。

虛擬傳感器——替代物理傳感器的方法，在給定信息的前提下，產(chǎn)生類似的輸出

基于人工智能的洞察——利用現(xiàn)場數(shù)據(jù)對預測模型進行訓練，以發(fā)現(xiàn)異常情況或提供維護建議

AI等新技術發(fā)揮潛力的關鍵在于其產(chǎn)業(yè)化與規(guī)模化應用，2023年，施耐德電氣在中國設立AI創(chuàng)新實驗室，致力于開拓“實體產(chǎn)業(yè)+技術生態(tài)+AI”的應用創(chuàng)新，探索AI技術在資產(chǎn)和工藝優(yōu)化、基礎設施管理、需量管理以及新能源管理上的應用，為各大產(chǎn)業(yè)的數(shù)字化與可持續(xù)發(fā)展賦能。

結論

大語言模型在各個行業(yè)中的應用愈發(fā)廣泛，也愈加常見。麥肯錫（McKinsey）指出“生成式人工智能有望變革工作結構，讓某些人工活動實現(xiàn)自動化，從而增強個體的工作能力?！?/p>

GPT-4等大語言模型正用于代碼生成，與自然語言接口相結合，正在改變工業(yè)自動化中的工作方式，未來也將用于自動化系統(tǒng)的設計和開發(fā)。

大語言模型使用先進的機器學習技術，可以快速、輕松地生成高質量的代碼和文檔，顯著提高效率，減少錯誤。但是，極為重要的是，要考慮代碼生成的可行性，留心與這些模型相關的道德考慮和風險因素，并思考特定領域（如工業(yè)自動化）如何能夠協(xié)同工作，讓大語言模型更好地發(fā)揮其潛力，變革現(xiàn)有工作模式。

然而，大語言模型只是人工智能在工業(yè)領域應用的冰山一角，還有很多產(chǎn)品正在開發(fā)過程中。從互聯(lián)互通的產(chǎn)品到應用、分析與服務，從設計、建造到運營和維護的整個生命周期，未來我們將看到人工智能技術將被部署于技術解決方案的方方面面。