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 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,這個領(lǐng)域有望增長31倍》中，曾經(jīng)提到小模型SLM的進展，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。相比動輒數(shù)百萬、數(shù)十億參數(shù)的GPT-4等大模型，SLM的運行規(guī)模要簡單得多。經(jīng)過優(yōu)化的SLM能夠高效處理較為簡單的任務(wù)，而無需消耗大量計算資源。

如今，小模型正朝著產(chǎn)業(yè)落地的方向大步邁進，它們不再是實驗室里的“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，紛紛加入這場爭奪未來的戰(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。這就像是為每個行業(yè)量身定制了一套“智能裝備”，讓AI的力量深入到每個生產(chǎn)環(huán)節(jié)，提升效率、優(yōu)化流程、創(chuàng)造價值。

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

小模型與AI代理：下一個熱門？

首先，我們需要進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。

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

資源效率是小型語言模型的另一大亮點，對于希望跨越各種平臺和設(shè)備實施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。據(jù)測算，小模型可以節(jié)省高達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AI代理可能負責規(guī)劃如何解決任務(wù)，第二個AI代理進行必要的研究，第三個AI代理執(zhí)行該計劃，第四個AI代理則驗證和評估結(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、進行決策和執(zhí)行動作的智能體。

簡而言之，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，才能達到預(yù)期效果。

而AI代理則不同，它被設(shè)計為具有獨立思考和行動能力的AI程序。我們只需要提供一個目標，比如寫一個游戲、開發(fā)一個網(wǎng)頁，AI代理就會自主生成一個任務(wù)序列，開始工作。

讓我們通過幾個例子來更深入地理解AI代理。

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

而高級的AI代理，如DeepMind的AlphaGo，則是專為復(fù)雜的圍棋而設(shè)計的人工智能系統(tǒng)。AlphaGo展示了非凡的學(xué)習能力，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，多個初級和高級的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別的抽象，更有效地處理復(fù)雜問題。

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

頂層：整體商店管理和庫存跟蹤

中級：客戶跟蹤和行為分析

低級：產(chǎn)品識別和交互檢測

最低級別：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，拿了就走”的全新購物體驗，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、羅克韋爾自動化、西門子、Sight Machine等。

以羅克韋爾自動化為例，該公司從操作層面開始嘗試應(yīng)用小模型。在人機界面可視化平臺FactoryTalk Optix的食品和飲料版本中，他們運用小模型，將行業(yè)特定功能的優(yōu)勢帶給制造業(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、機器和輸入的實時建議、解釋和知識。

另一款產(chǎn)品FactoryTalk Design Studio是羅克韋爾自動化專注于系統(tǒng)設(shè)計的云原生軟件，它使用Copilot增強了PLC代碼創(chuàng)建和用戶管理。工程師能夠使用自然語言提示執(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言提問、獲取詳細的技術(shù)見解并簡化復(fù)雜的設(shè)計任務(wù)，實現(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來簡化流程、解決勞動力短缺問題并推動創(chuàng)新。12萬名西門子工程軟件用戶，現(xiàn)在有機會通過生成式AI驅(qū)動的助手來提升工作效率。

作為敢于吃螃蟹的用戶，蒂森克虜伯自動化工程公司是首家使用Copilot的公司，并且計劃從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)驗這些代碼僅需20%左右的調(diào)整就可以直接應(yīng)用。這簡化了工作流程，減少了人工工作量，解決了熟練勞動力短缺的問題。

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

Copilot：工業(yè)生成式AI的現(xiàn)實角色

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)價值尚需被驗證。

古人云“欲得其利、先知其弊”，要充分發(fā)揮小模型的優(yōu)勢，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)用于對可靠性要求不高的場合。

小模型的缺點則是精度有限，無法捕捉大規(guī)模和復(fù)雜數(shù)據(jù)集中的細致特征和關(guān)系，預(yù)測能力相對較弱；此外，它們難以應(yīng)對復(fù)雜問題。這些弊端決定了小模型只能承擔輔助思考的角色，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)，但其中大部分是時間序列數(shù)據(jù)，沒有得到適當?shù)臉藴驶�，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或?qū)嶒灥囊蛩亍?/p>

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，并將會持續(xù)較長時間。

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時信息或提供編碼輔助。

過去，工程師需要熟悉云平臺、傳感器、物聯(lián)網(wǎng)、人工智能和不同類型的時間序列和工程數(shù)據(jù)，而生成式AI則允許工程師輕松進行數(shù)據(jù)查詢、可視化和工作流程，而無需擔心復(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)和更多的自動化設(shè)備，但那些擁有幾十年經(jīng)驗與知識的資深員工卻逐漸離開了職場，制造商們很難找到年輕的技術(shù)人員來維護現(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：上個月車間的最大產(chǎn)量是多少？或者為什么這臺壓縮機本周效率較低？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)小時的手冊搜索時間。

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：如何建立對顧問的信任。工廠中的新配方經(jīng)常出現(xiàn)，如果沒有適當?shù)母�新和維護，專家系統(tǒng)也會很快過時。另一個風險在于，如何檢查和驗證所有生成式AI的輸出。AI不會說“我不知道”；如果沒有數(shù)據(jù)，它可能會進行編造。

寫在最后

在這個萬物互聯(lián)、智能無處不在的時代，小模型和生成式AI正在工業(yè)領(lǐng)域掀起一場革命。從制造車間到產(chǎn)品設(shè)計，從運營優(yōu)化到故障診斷，AI正在重塑著每一個環(huán)節(jié)。

然而，我們也必須清醒地認識到，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)，都在提醒我們要謹慎對待這項新興技術(shù)。盡管如此，我們?nèi)匀挥欣碛蓪ξ磥肀３謽酚^。

隨著技術(shù)的不斷進步和企業(yè)實踐的深入，人機協(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

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