作者：彭昭（智次方創(chuàng)始人、云和資本聯(lián)合創(chuàng)始合伙人）物聯(lián)網(wǎng)智庫(kù) 原創(chuàng)

這是我的第352篇專欄文章。

在我之前的文章《從LLM大模型到SLM小模型再到TinyML,這個(gè)領(lǐng)域有望增長(zhǎng)31倍》中，曾經(jīng)提到小模型SLM的進(jìn)展，如今這一領(lǐng)域正在悄然發(fā)生突破。

小模型SLM，可以看作是大模型LLM的“迷你版”，它們雖然體型小巧，但卻擁有著不容小覷的能力。相比動(dòng)輒數(shù)百萬、數(shù)十億參數(shù)的GPT-4等大模型，SLM的運(yùn)行規(guī)模要簡(jiǎn)單得多。經(jīng)過優(yōu)化的SLM能夠高效處理較為簡(jiǎn)單的任務(wù)，而無需消耗大量計(jì)算資源。

如今，小模型正朝著產(chǎn)業(yè)落地的方向大步邁進(jìn)，它們不再是實(shí)驗(yàn)室里的“玩具”，而是正在成為各行各業(yè)的“生力軍”。

科技巨頭們已經(jīng)嗅到了小模型的無限潛力，紛紛加入這場(chǎng)爭(zhēng)奪未來的戰(zhàn)局。

微軟、谷歌和蘋果等公司均已入局小模型SLM，例如微軟的Phi-3、谷歌的Gemma和蘋果的Foundation Models。

最近，微軟更是推出了適用于工業(yè)領(lǐng)域的全新AI小模型。

通過與拜耳、羅克韋爾自動(dòng)化、西門子等公司合作，這些小模型使用行業(yè)特定數(shù)據(jù)進(jìn)行了預(yù)先訓(xùn)練，可用于處理一些關(guān)鍵問題。這就像是為每個(gè)行業(yè)量身定制了一套“智能裝備”，讓AI的力量深入到每個(gè)生產(chǎn)環(huán)節(jié)，提升效率、優(yōu)化流程、創(chuàng)造價(jià)值。

今天這篇文章，我們將一起探索小模型在工業(yè)應(yīng)用中的最新進(jìn)展，了解它們所蘊(yùn)藏的機(jī)遇與挑戰(zhàn)。

小模型與AI代理：下一個(gè)熱門？

首先，我們需要進(jìn)一步理清大模型與小模型之間的區(qū)別，如上圖所示。

小模型之所以“小”，不僅僅在于其參數(shù)數(shù)量較少，更重要的是，小模型常常在小型數(shù)據(jù)集上進(jìn)行微調(diào)，以優(yōu)化其在特定任務(wù)上的性能，使其更加契合業(yè)務(wù)工作流的需求。

小模型的強(qiáng)項(xiàng)在于處理特定任務(wù)和工作流程。盡管參數(shù)數(shù)量有限，但當(dāng)使用定制數(shù)據(jù)集針對(duì)特定領(lǐng)域任務(wù)進(jìn)行微調(diào)時(shí)，小模型完全能夠勝過大型通用模型。針對(duì)特定任務(wù)的訓(xùn)練可以減輕幻覺現(xiàn)象，增強(qiáng)問題解決能力。

資源效率是小型語(yǔ)言模型的另一大亮點(diǎn)，對(duì)于希望跨越各種平臺(tái)和設(shè)備實(shí)施AI解決方案的企業(yè)來說，它們尤其具有吸引力。小模型使企業(yè)能夠以更簡(jiǎn)單的基礎(chǔ)架構(gòu)和更低的成本，充分享受AI帶來的優(yōu)勢(shì)。據(jù)測(cè)算，小模型可以節(jié)省高達(dá)75%的模型訓(xùn)練成本和超過50%的總部署成本。

在小模型的基礎(chǔ)上，我們還可以玩出許多新花樣。

一些公司將小模型用于AI代理工作流中，其中多個(gè)小模型通過通信和協(xié)作來執(zhí)行更加復(fù)雜的任務(wù)。

例如，在AI代理工作流中，第一個(gè)AI代理可能負(fù)責(zé)規(guī)劃如何解決任務(wù)，第二個(gè)AI代理進(jìn)行必要的研究，第三個(gè)AI代理執(zhí)行該計(jì)劃，第四個(gè)AI代理則驗(yàn)證和評(píng)估結(jié)果。這種協(xié)作方式展示了這些模型如何協(xié)同工作，以提高生產(chǎn)力并實(shí)現(xiàn)更復(fù)雜的結(jié)果。

說到這里，我來解釋一下什么是AI智能代理。

AI代理的官方定義是一種能夠感知環(huán)境、進(jìn)行決策和執(zhí)行動(dòng)作的智能體。

簡(jiǎn)而言之，ChatGPT不屬于AI代理，但戰(zhàn)勝李世石的AlphaGo可以被視為AI代理。

目前，我們與AI的交互形式基本上都是先輸入指令，AI模型根據(jù)指令內(nèi)容做出響應(yīng)，這就導(dǎo)致我們每次都需要提供有效的提示詞，才能達(dá)到預(yù)期效果。

而AI代理則不同，它被設(shè)計(jì)為具有獨(dú)立思考和行動(dòng)能力的AI程序。我們只需要提供一個(gè)目標(biāo)，比如寫一個(gè)游戲、開發(fā)一個(gè)網(wǎng)頁(yè)，AI代理就會(huì)自主生成一個(gè)任務(wù)序列，開始工作。

讓我們通過幾個(gè)例子來更深入地理解AI代理。

一個(gè)初級(jí)的AI代理，是家中的空調(diào)自動(dòng)控制系統(tǒng)。它遵循簡(jiǎn)單的“如果-那么”原則運(yùn)行：如果溫度低于設(shè)定點(diǎn)，則打開空調(diào)暖風(fēng)；如果溫度高于設(shè)定點(diǎn)，則關(guān)閉空調(diào)暖風(fēng)。這種基礎(chǔ)的AI代理雖然簡(jiǎn)單，但在日常生活中已經(jīng)發(fā)揮了重要作用。

而高級(jí)的AI代理，如DeepMind的AlphaGo，則是專為復(fù)雜的圍棋而設(shè)計(jì)的人工智能系統(tǒng)。AlphaGo展示了非凡的學(xué)習(xí)能力，最終擊敗了世界冠軍圍棋選手。這一里程碑式的事件，彰顯了AI代理在處理復(fù)雜任務(wù)方面的巨大潛力。

就像俄羅斯套娃一樣，多個(gè)初級(jí)和高級(jí)的AI代理可以建立起分層代理系統(tǒng)。

分層代理是一種將復(fù)雜任務(wù)分解為更簡(jiǎn)單的子任務(wù)，并以分層結(jié)構(gòu)組織起來的AI系統(tǒng)。這種方法允許代理管理不同級(jí)別的抽象，更有效地處理復(fù)雜問題。

分層代理的一個(gè)典型例子，就是亞馬遜Amazon Go商店的“Just Walk Out”技術(shù)。該系統(tǒng)在運(yùn)作中表現(xiàn)出了清晰的層級(jí)結(jié)構(gòu)：

頂層：整體商店管理和庫(kù)存跟蹤

中級(jí)：客戶跟蹤和行為分析

低級(jí)：產(chǎn)品識(shí)別和交互檢測(cè)

最低級(jí)別：傳感器數(shù)據(jù)處理和融合

依靠這些AI代理的協(xié)同工作，Amazon Go以“不用排隊(duì)，拿了就走”的全新購(gòu)物體驗(yàn)，在零售行業(yè)和科技圈吸引了無數(shù)目光。

上述案例只是冰山一角，AI代理在實(shí)際應(yīng)用中的想象力正在被激發(fā)。

小模型與Copilot覆蓋超100家公司12萬用戶

在了解了小模型與AI代理的概況后，讓我們一起探索微軟與工業(yè)企業(yè)的最新合作。

本次嘗試微軟小模型的企業(yè)包括拜耳、羅克韋爾自動(dòng)化、西門子、Sight Machine等。

以羅克韋爾自動(dòng)化為例，該公司從操作層面開始嘗試應(yīng)用小模型。在人機(jī)界面可視化平臺(tái)FactoryTalk Optix的食品和飲料版本中，他們運(yùn)用小模型，將行業(yè)特定功能的優(yōu)勢(shì)帶給制造業(yè)一線工人，支持食品和飲料領(lǐng)域的資產(chǎn)故障排除。AI模型為工廠車間工人和工程師提供關(guān)于特定制造流程、機(jī)器和輸入的實(shí)時(shí)建議、解釋和知識(shí)。

另一款產(chǎn)品FactoryTalk Design Studio是羅克韋爾自動(dòng)化專注于系統(tǒng)設(shè)計(jì)的云原生軟件，它使用Copilot增強(qiáng)了PLC代碼創(chuàng)建和用戶管理。工程師能夠使用自然語(yǔ)言提示執(zhí)行產(chǎn)品指導(dǎo)、代碼生成、故障排除和代碼解釋等任務(wù)，使系統(tǒng)設(shè)計(jì)更快、更直觀。

同樣，西門子正在為CAD解決方案NX X軟件引入全新的Copilot。該軟件利用經(jīng)過調(diào)整的AI模型，使用戶能夠通過自然語(yǔ)言提問、獲取詳細(xì)的技術(shù)見解并簡(jiǎn)化復(fù)雜的設(shè)計(jì)任務(wù)，實(shí)現(xiàn)更快、更智能的產(chǎn)品開發(fā)。

目前，包括舍弗勒和蒂森克虜伯自動(dòng)化工程在內(nèi)的100多家公司正在使用西門子工業(yè)Copilot來簡(jiǎn)化流程、解決勞動(dòng)力短缺問題并推動(dòng)創(chuàng)新。12萬名西門子工程軟件用戶，現(xiàn)在有機(jī)會(huì)通過生成式AI驅(qū)動(dòng)的助手來提升工作效率。

作為敢于吃螃蟹的用戶，蒂森克虜伯自動(dòng)化工程公司是首家使用Copilot的公司，并且計(jì)劃從2025年初開始，在該公司的全球體系內(nèi)普及應(yīng)用。

根據(jù)實(shí)踐，工程師現(xiàn)在可以在30秒內(nèi)創(chuàng)建可視化面板，并生成代碼，根據(jù)經(jīng)驗(yàn)這些代碼僅需20%左右的調(diào)整就可以直接應(yīng)用。這簡(jiǎn)化了工作流程，減少了人工工作量，解決了熟練勞動(dòng)力短缺的問題。

就具體場(chǎng)景而言，蒂森克虜伯使用AI輔助開發(fā)用于生產(chǎn)汽車電池的自動(dòng)化系統(tǒng)。例如在一臺(tái)電池質(zhì)量的檢測(cè)裝置中，傳感器、攝像頭和測(cè)量系統(tǒng)集成在一起，監(jiān)控多個(gè)階段的電池單元質(zhì)量，進(jìn)行復(fù)雜的評(píng)估以檢測(cè)超出設(shè)定閾值的放電。Copilot通過自動(dòng)執(zhí)行多個(gè)任務(wù)，如數(shù)據(jù)管理、傳感器配置、電池質(zhì)量檢測(cè)等各個(gè)重復(fù)性步驟，輔助操作員增強(qiáng)了該設(shè)備的運(yùn)行效果。

Copilot：工業(yè)生成式AI的現(xiàn)實(shí)角色

在工業(yè)領(lǐng)域，“想到”和“做到”完全是兩碼事，生成式AI的工業(yè)價(jià)值尚需被驗(yàn)證。

古人云“欲得其利、先知其弊”，要充分發(fā)揮小模型的優(yōu)勢(shì)，就必須了解它的局限性。

生成式AI的弊端在于可靠性較低，具有不可解釋性，只能應(yīng)用于對(duì)可靠性要求不高的場(chǎng)合。

小模型的缺點(diǎn)則是精度有限，無法捕捉大規(guī)模和復(fù)雜數(shù)據(jù)集中的細(xì)致特征和關(guān)系，預(yù)測(cè)能力相對(duì)較弱；此外，它們難以應(yīng)對(duì)復(fù)雜問題。這些弊端決定了小模型只能承擔(dān)輔助思考的角色，為我們提供更多可行性方案作為選擇，而最終決策仍需由人來做。

在實(shí)際應(yīng)用過程中，也是挑戰(zhàn)重重。

工業(yè)領(lǐng)域廣泛使用AI的最大障礙是數(shù)據(jù)的缺失。由于工業(yè)涉及設(shè)備、工藝、操作、環(huán)境等多重因素影響，獲取大量且多維的全面數(shù)據(jù)難度很大。大多數(shù)制造商雖然坐擁數(shù)據(jù)，但其中大部分是時(shí)間序列數(shù)據(jù)，沒有得到適當(dāng)?shù)臉?biāo)準(zhǔn)化，甚至無法用于AI的模型訓(xùn)練。

數(shù)據(jù)問題的本質(zhì)，很多時(shí)候不單純是技術(shù)問題，而是人員和流程問題。不成熟的數(shù)據(jù)管理流程、始終存在的OT與IT鴻溝，以及缺乏對(duì)小模型的理解，都是導(dǎo)致生成式AI目前僅限于一次性試點(diǎn)或?qū)嶒?yàn)的因素。

因此，目前生成式AI在工業(yè)領(lǐng)域更多以虛擬助手的功能存在，并將會(huì)持續(xù)較長(zhǎng)時(shí)間。

這些AI虛擬助手為工廠車間操作員提供指導(dǎo)，或幫助控制工程師編寫PLC代碼。鑒于當(dāng)前吸引和留住工廠車間人才的挑戰(zhàn)，Copilot能夠輕松幫助合成實(shí)時(shí)信息或提供編碼輔助。

過去，工程師需要熟悉云平臺(tái)、傳感器、物聯(lián)網(wǎng)、人工智能和不同類型的時(shí)間序列和工程數(shù)據(jù)，而生成式AI則允許工程師輕松進(jìn)行數(shù)據(jù)查詢、可視化和工作流程，而無需擔(dān)心復(fù)雜性。操作員可以按需提出問題，而不需要了解軟件。

許多制造企業(yè)配備了復(fù)雜的系統(tǒng)和更多的自動(dòng)化設(shè)備，但那些擁有幾十年經(jīng)驗(yàn)與知識(shí)的資深員工卻逐漸離開了職場(chǎng)，制造商們很難找到年輕的技術(shù)人員來維護(hù)現(xiàn)有的系統(tǒng)。Copilot可以成為幫助縮小這一差距的工具。

例如，工業(yè)軟件企業(yè)Aveva的AI助手可以幫助操作員回答以下問題：上個(gè)月車間的最大產(chǎn)量是多少？或者為什么這臺(tái)壓縮機(jī)本周效率較低？杜邦公司也已經(jīng)開始使用生成式AI來幫助工程師更快地找到信息，生成式AI可以節(jié)省數(shù)小時(shí)的手冊(cè)搜索時(shí)間。

這些Copilot就像操作員的專家顧問，根據(jù)需要建議如何提高產(chǎn)量、降低能耗等。從某種意義上說，它們與原有的“專家系統(tǒng)”并沒有本質(zhì)區(qū)別，是否采納這些建議取決于操作員。

面臨的挑戰(zhàn)也與過去的“專家系統(tǒng)”大同小異：如何建立對(duì)顧問的信任。工廠中的新配方經(jīng)常出現(xiàn)，如果沒有適當(dāng)?shù)母�新和維護(hù)，專家系統(tǒng)也會(huì)很快過時(shí)。另一個(gè)風(fēng)險(xiǎn)在于，如何檢查和驗(yàn)證所有生成式AI的輸出。AI不會(huì)說“我不知道”；如果沒有數(shù)據(jù)，它可能會(huì)進(jìn)行編造。

寫在最后

在這個(gè)萬物互聯(lián)、智能無處不在的時(shí)代，小模型和生成式AI正在工業(yè)領(lǐng)域掀起一場(chǎng)革命。從制造車間到產(chǎn)品設(shè)計(jì)，從運(yùn)營(yíng)優(yōu)化到故障診斷，AI正在重塑著每一個(gè)環(huán)節(jié)。

然而，我們也必須清醒地認(rèn)識(shí)到，工業(yè)領(lǐng)域的AI應(yīng)用之路并非坦途。數(shù)據(jù)缺失、可靠性不足、解釋性有限等挑戰(zhàn)，都在提醒我們要謹(jǐn)慎對(duì)待這項(xiàng)新興技術(shù)。盡管如此，我們?nèi)匀挥欣碛蓪?duì)未來保持樂觀。

隨著技術(shù)的不斷進(jìn)步和企業(yè)實(shí)踐的深入，人機(jī)協(xié)作將更加緊密，小模型和生成式AI也將在工業(yè)領(lǐng)域釋放出更大的潛力。

參考資料：

《忍不住談?wù)劰�業(yè)大模型》，作者：郭朝暉，來源：蟈蟈創(chuàng)新隨筆

《Microsoft Introduces New Adapted AI Small Language Models for Industry》，作者：Colin Masson，來源：ARC Advisory Group

《What is Agentic AI? Is It the Next Big Thing?》，作者：Nora He，來源：arcee.ai

       原文標(biāo)題 : 大模型在先,小模型在后,生成式AI試水工業(yè),如何破局?jǐn)?shù)據(jù)短缺/可靠性不足?