火爆全網的ChatGPT，會讓AI在工業領域迎來新的發展契機嗎？

2022年，幾個新的人工智能（AI）應用沖出了開發實驗室，讓更多的工程界人士感到興奮。例如，12月推出就火爆全網的ChatGPT，是一個復雜的大型語言模型，可以作為一個聊天機器人進行互動。該系統由OpenAI開發，建立在2021年的數據庫上，但它確實提供了一個極其強大的人工智能示范。

另外一個類似的例子是人工智能圖像生成器Stable Diffusion，它可以在幾秒鐘內從一個簡單的文本輸入生成復雜的圖像。

?AI對工業自動化的影響

Festo公司產品管理和營銷主管Steve Sands認為，諸如此類的應用使人們對人工智能有了更廣泛的認識和接受，這將加速AI技術在制造業更多機械應用中的普及。

在解釋這些發展如何轉化為工業自動化領域時，Sands以Festo AX人工智能工具為例，該工具主要圍繞三個關鍵應用而開發——預測性維護、能耗和質量優化。將應用知識與強化學習軟件相結合，由人機閉環系統（human in the loop）負責教導和訓練，獎勵好的輸出，忽略或懲罰差的輸出。

PCB制造中的典型異常是部件缺失或錯位或焊點故障。

"它可以訓練軟件，將原始數據轉化為系統化的模型，在那里可以建立模式并檢測出異常情況。擁有應用知識就變得至關重要，因為它使Festo項目團隊有可能支持對異常情況進行分類，并以首選的形式將其輸出給適當的人類員工，例如高水平的報告、維護干預、文本信息或直接輸入智能維護工具中。人類的反饋將不斷提高輸出的質量。"Sands說。

工業自動化和人工智能的未來是有內在聯系的。"我們將看到更強大的軟件工具，通過AI優化的機器設計，它們可以加速和支持設計師和程序員的工作。"Sands說。這些將比今天的編程更直觀，可能使用自然語音或文本。

復雜的機器模型將從標準化和結構化的數據模型中更迅速和無錯誤地創建。這些物理機器的數字雙胞胎將包含用于拖放CAD設計的部件的物理尺寸，以及關于其性能動態和操作的信息，因此它們可以被優化為能源消耗、整體設備效率（OEE）和總擁有成本（TCO）。

隨著對可持續發展的密切關注，它也將自動生成一個完整的狀態分析圖，以說明機器所有部件在生產制造過程中所消耗的二氧化碳，以及在其生命周期內與產出有關的消耗。

不過，AI的應用也存在著風險和挑戰。Sands認為，"諸如知識產權所有權和內置偏見等因素需要被監控和解決，而且，隨著這些解決方案變得越來越有說服力，我們需要注意邏輯錯誤不會被內置、強化或重復。只有了解AI的愿景和局限性，我們才能努力獲得它所提供的全部好處。"

?解決實際生產問題

西門子公司高級人工智能專家Arun Kumar表示，今天你所看到的地方幾乎都在使用AI技術，例如，搜索引擎、在線商店、智能手機和先進的駕駛輔助系統等。而且，隨著所需的計算能力在車間里的普及，生產系統也可以獲得AI的好處。

通過AI解釋和學習生產數據的能力，制造商現在能夠解決傳統上難以實現自動化的問題，比如視覺質量檢查。

產品的視覺檢查是許多行業中質量控制的一個重要步驟。例如，它有助于確保瓶子或罐子的正確灌裝，或確保包裝內容的完整和正確定位。這些檢查具有高度的重復性，手動執行容易出錯。但同時，視覺檢查涉及大型數據集以及模糊的錯誤定義，使其自動化非常復雜。

"這就是人工智能發揮作用的地方，" Kumar說，"它可以根據模式而不是嚴格的閾值或規則，檢測數據集中的異常情況，并識別正確或不正確的部分。"

他引用了西門子印刷電路板（PCB）制造業務中的一個質量控制應用，其中一個基于AI的質量系統已被成功部署，以檢測丟失、錯誤焊接或錯位的組件。AI最初是在云環境中使用包含無缺陷和有缺陷的PCB圖像的大型數據集進行訓練。然后在Simatic IPC520A Tensorbox系統上實現該算法。

在那里，AI應用檢查視覺系統的PCB圖像是否有異常，并對算法檢測到的異常的可靠程度給予評價。這種反饋有助于改進訓練算法。由于算法的計算密集型訓練在一個單獨的（云）系統上運行，圖像識別和分析需要很少的現場資源，這讓檢測既準確又快速：通常，異常檢測需要不到100毫秒。

然而，Kumar強調了一點，實現這樣的結果確實是有代價的。他說，"人工智能需要在大型數據集上進行訓練，以學習什么是'正確'和'不正確'的成分或決定。"

訓練環境需要相對較高的計算能力，這些計算機系統通常不適合安裝在機器上或靠近機器的地方，這就是為什么訓練通常在云端或中央機器上進行。不過，一旦訓練完成，實際決策所需的計算能力就會大大降低。執行模型的推理系統可以很容易地在緊湊的嵌入式工業PC上運行。

由于計算能力的不同要求，AI應用通常被設置為兩個不同的系統，一個具有極高計算能力的訓練機和一個用于執行訓練算法的獨立推理機。這種方法可以在最初和應用階段在強大的計算機系統上或在云中對AI進行生產外培訓，從而降低計算成本。車間的推理系統用于執行訓練算法，并將生產數據反饋給訓練系統。

輕量化的邊緣智能

隨著運營數據在數量和來源上的激增，羅克韋爾自動化公司高級分析部全球總監Bijan SayyarRodsari認為，人工智能在工業領域發揮真正作用的時候到了。

"為了產生最大的影響，AI需要在每個人都能接觸到的范圍內，以去中心化的方式在主流硬件上運行，這就是為什么AI的未來可能會處于邊緣端。"他說。

在傳統的AI應用中，數據將離開控制器，進入云端，在那里進行分析和語境化，以 "增加價值"，然后作為可操作的指令返回到車間。"但我們的方法是不同的。雖然仍是基于操作數據構建基于AI的決策，但我們正在通過混合學習來實現。我們用第一原理的知識來限制對數據的學習，以盡量減少并在許多情況下消除對歷史輸入的需求，并且可以在一個非常小的硬件上進行學習。在大多數情況下，這足以支持一個客戶的解決方案。"

"這是一個進化的步驟，"他繼續說，"很像人體，你會不由自主地將手從極端熱源或尖銳物體上拉開。這個動作甚至不涉及大腦，它是一種原始的基于神經的短路，旨在保護我們免受傷害。"

"我們正在尋求對AI做同樣的事情——開發從流數據中提取信息的方法，然后將其放回閉環系統中，將以云為中心的互動需求全部降到最低。我們正在有效地分配智能，并將基于AI的決策放在邊緣。"SayyarRodsari說。這并沒有消除對集中式智能和決策的需求，該方法并不反對或排除企業數據基礎設施，只是要定義和決定如何以及何時使用更廣泛的結構，以優化決策。

"AI需要成為運營的幫助，以支撐更大的生產力和增加價值，但它決不能是過于繁瑣的或被視為一種阻礙，"他繼續說，"我們需要建立一種關系，就像我們與手機相機軟件的關系一樣。借助AI技術即使是最沒有創造力的人也能拍出一些真正令人驚嘆的照片，這與我們在工業方面的目標相類似。"

從技術角度來看，SayyarRodsari堅持認為，硬件永遠不應該是一個限制因素。"即使是一個不大的邊緣設備也應該能夠運行我們的AI解決方案。我們已經優化了算法，使其在邊緣運行時所需的占地面積和復雜性最小——在那里它既可以學習流程特征，又可以執行自主命令。"

"我們正在努力使企業只有在有令人信服的商業案例時才會參與，而人工智能是守門員。事實上，通過優化使用基于云的基礎設施，企業可以將成本和復雜性降低一個數量級。"他補充說。

來自ChatGPT的回復

把關于AI在工業應用中的最后評論留給AI本身是很有意義的。筆者在線詢問了ChatGPT聊天機器人關于"AI技術能在工業領域提供什么好處"。ChatGPT的回答是（完全未經編輯），AI技術可以在工業領域提供許多好處，包括：

■?預測性維護。AI可以用來預測設備何時可能發生故障，從而實現主動維護，減少停機時間。

■?質量控制。AI可用于檢查和測試產品的缺陷，提高產品質量并降低成本。

■?過程優化。AI可用于優化工業流程，如調度和資源分配，以提高效率和降低成本。

■?機器人技術。AI可用于控制和自動化工業機器人，這可以提高效率，減少對人力的需求。

■?能源效率。AI可用于優化能源使用，例如，管理和控制資源的使用，以節省能源。

■?自動駕駛車輛。AI可用于控制和導航自主車輛，如無人機和自動駕駛汽車，它們可用于檢查、運輸和測繪等任務。

■?預測分析。AI可用于分析工業流程中的數據，并預測未來的行為，以便更好地做出決策。

編輯：黃飛