GIO白皮书：AI使能工业创新（2024）

GIO白皮书 AI使能工业创新 2024年9月 本文件由全球产业组织圆桌会议（GIO）倡议编写，该倡议旨在为多个垂直行业中参与数字化转型和/或ICT技术的全球产业组织提供一个讨论和公开交流的环境。 本白皮书是涵盖制造业人工智能创新的多个产业组织共同努力的成果。它是对最新的“进行中工作”的持续研究，仅供了解一般信息，未考虑读者的具体情况，并且仅反映制造业和汽车行业的当前进展。 发布时间：2024年9月20日，第14次GIO圆桌会议 如需了解有关GIO的更多信息，请访问http://www.gio.zone。 来自“创新厨房”的问候 AI甜点 制造业的创新开胃应用 AI在制造业的应用 由人类和AI厨师组成的混合团队提供的意想不到的食谱 编辑和关键作者 JürgenGrotepass博士教授、ChristopherGanz博士等人 前言 本用例选集的标题是《“来自厨房的问候”——制造业的创新开胃应用》。我们设计的封面图片既包含了制造业中以人为基础的创新，也包含了尖端AI使能的创新，体现了信息比特和物理齿轮的融合。 两位厨师拥有不同的能力和优势，象征着他们所走的不同道路。可以把彭罗斯阶梯视为两位厨师的“云服务”，预示着他们所走的不同道路终将相遇。在汇合点，创新灯泡被点亮。流动着的蓝色和黄色的能量让灯泡在菜肴上方闪耀着绿色的光芒。当人类和AI团队开始合作创新，在数据空间创造价值时，我们可能会大吃一惊。 制造业中AI使能的创新选集是GIO圆桌会议讨论的成果，也是作者在为跨国公司工作并活跃于各个行业组织的过程中，开发和部署跨行业、跨地域的工业4.0解决方案所形成的跨文化经验的结晶。 创新就是以不同的方式处理事情，找到新的做事方法。创新就是要打破传统思维，接受新的想法，即使这些想法看起来不合常规或具有风险。这种创新方法要求我们勇于承担风险，拥抱惊讶，因为往往正是通过拥抱意外，我们才能找到最重要的突破和进步。 创新还需要一定程度的适应性和灵活性，因为我们必须能够在事情没有按计划进行时调整方法。这可能具有挑战性，因为它要求我们放弃先入为主的观念，对新想法和新观点持开放态度。不过，抱着这种心态，我们就能接触到新的机会和潜在的解决方案，而这些机会和解决方案可能是我们从未考虑过的。 这本关于创新开胃应用的手册讲述了如何接受解决方案，即学会预料意外和应对惊讶。 “创新开胃应用”章节列出的创新故事均以引文开头，每段引文都来自于历史、哲学和科学领域的思想领袖，或节选自对作者产生影响的艺术作品。这种在编写创新故事时从不同视角出发的设计是一种思维转换的实践，打破了传统的解决问题的方式。 随着数字化使能行业转型，导致OT、IT和电信行业的融合，这样的实践变得越来越重要。不同的问题解决方式、不同的标准、痛点和KPI可能会在多个利益相关方的合作中导致意见冲突。这就需要进行对话，使解决方案提供商、集成商和最终用户/运营商这三个关键角色之间的互动成为创新成功的使能器。 目录 引言1 预料意外——在创新中与AI合作3 创新开胃应用5 第一道菜——设计和工程8 一块又一块石头#生成式设计9 未来并非命运的安排#产品的二氧化碳跟踪12 《孙子兵法》中的战术#5G使能价值创造15 金锤定律#云机器人18 眼见为实？#光学检测20 这是超感观感知吗？#具备视觉能力的未来网络23 主菜——运营26 用我朋友的一点帮助#制造即服务27 钟声为谁而鸣#流程中的质量监控31 灵魂之树#联邦学习34 未来已来#数据空间中的价值创造40 我们三人何时再见#动态预测性风险管理43 根据其自身规律#自主工厂46 甜点——维护49 哪颗种子会长成？#预测性维护50 预测的目标#面向铸造厂的规范性AI53 三元组之美#协同状态监控58 六小时砍倒一棵树#基于AI的服务生态62 所有菜肴的新调料#生成式AI65 展望68 的工作。本书还旨在邀请所有对创新感兴趣的读者和初创公司作为共同作者，与日益壮大的AI社区 分享他们的解决方案和想法。从长远来看，这将有助于开发和部署从设计上保证遵循用户意图的AI系统。 *1.Kahneman,D.（2011）：《快思慢想》，企鹅出版社，第496页等，ISBN978-0141033570 1 引言 本手册总结了创新食谱，其中有些是“老式”AI，例如机器学习、神经网络（NN），有些则是新发展的AI，如基于模型的生成式人工智能，为开胃应用增添了风味。人类和AI能力的融合将设计出新的产品、流程甚至制造方式。 正如我们从2011年诺贝尔经济学奖得主丹尼尔·卡尼曼那里了解到的那样，人类的决策过程很容易出错1。他的主要论点是产生决策的是两种思维模式：“系统1”是快速的、本能的、感性的和有偏见的，而“系统2”则是缓慢的、理性的、耗费精力的和基于统计的。大多数时候，我们以为自己是根据“系统2”开展的行动，但事实上，我们仍然是根据“系统1”开展行动。 由于创新需要应对意外情况，局限于“系统1”的思维模式让作者想起安托万·德·圣埃克絮佩里的著作《战争飞行员》（1942年）中的一句话：“Dansmacivilisation,celuiquidiffèredemoi,loindemeléser,m'enrichit”（在我的文明中，与我不同的人非但不会伤害我，反而会丰富我）。他认为不同的观点令人充实。有时，最成功的创新是那些通过协作、合作以及愿意倾听和学习他人 （如今也包括AI系统）意见而形成的想法。从这个意义上说，这句话可以被视为一则提醒，提醒我们以开放的心态、学习的意愿来对待创新，并专注于找到让每个人都受益的解决方案。 基于AI的决策依赖于数据，而且在大多数情况下，依赖于最好是经过人类专家验证的已训练模型。随着复杂性的增加，AI可能会提出人类未曾想到的解决方案。从这个意义上说，如今的AI是“系统2”的自动助手。因此，我们发现，在寻找新的解决方案时，AI和人类行为方组成的混合团队将是最好的创新者。考虑到生成式AI，我们认为一种新型创新文化正在不断发展。 与任何跨文化经历一样，我们需要文化学习和沟通技能来应对陌生和意外情况，从而将惊讶转化为接受。惊讶是六种基本且普遍的情绪之一，这些情绪在所有文化中都是一样的（PaulEkman）。人工智能系统的未来设计需要预见学习循环，以应对人类的惊讶，并在需要时提供所用数据和模型的背景信息，因此双方都需要学习。 本书旨在作为跨文化的学习演练，也是一项仍在进行中的有关处理创新及人工智能支持创新 由于AI尚处于早期阶段，现在正是引导其发展、“教育”其能力以确保实现我们的意图的时候。彭罗斯阶梯上的二进制代码是作者发出的“机器可读”信息，旨在描述这个混合团队踏上的旅程的愿景和使命。如果您现在就想知道这段信息的含义，您可以获得生成式AI工具的翻译支持，以节省时间。但是，随着时间的推移——在您消化我们在后续章节中介绍的创新开胃应用时——您就会知道它的含义，也会在本书的展望章节看到相关摘要。 2 预料意外——在创新中与AI合作 创新是指引入能为客户创造价值的新事物（例如产品、服务、流程）。创新可能涉及新想法的形成、新技术（例如AI）的使用，或新商业模式的实施。创新的关键在于，在工业解决方案中采用创新时，必须为客户创造价值。最近，新闻报道了许多创新的AI解决方案和AI用例，但这些方案必须在客户侧体现价值，而不是体现在使能工具或流程（AI）上。 在工业流程创新中，常见的方法是在当前未使用AI的解决方案的背景下描述问题或用例。这些解决方案通常是为人类操作量身定制的。引入AI最明显的期望和方法往往是取代人类的劳动并与AI互动。 但是，人类的局限性不是AI的局限性，AI的局限性也不是人类的局限性。因此，这种方法是不充分的。相反，应将用例与人类的局限性解耦或进行抽象，并考虑采用新的方法，发挥AI的优势。这种基于AI的解决方案应结合人类的优势，创建一个利用AI和人类优势的系统。但是，人类的优势最好由人类来执行，而不是由机器进行不完美的模仿。 由于任何AI方法都需要大量的数据集，而这些数据集必须是正确、一致、有标签且完整的，因此以下局限性必须由人类智能来弥补： •AI系统无法检测因果关系，但很擅长发现相关性。 •AI以现有数据为基础，无法投射到没有数据的领域（模型也是如此）。 •解决方案反映了训练数据集的所有缺点（偏见等）。 另一方面，人类智能建立在心智模型上，而心智模型是在较少的数据基础上训练出来的，可 以用于外推。 在创新中与AI合作可以带来很多好处，因为它可以让组织快速、准确地处理和分析大量数据。不过，在与AI合作时，一定要预料意外，因为AI有时会产生意想不到的结果，或以人类可能无法预料的方式行事。 与AI合作的关键挑战之一是，通常很难完全理解AI是如何得出结论或做出决定的。在处理基于大量数据训练出来的复杂机器学习算法时，情况尤其如此。虽然这些算法在发现规律和进行预测时可能非常有效，但它们可能并不总是能够解释自己的推理，或清楚地说明它们是如何得出特定结果的。这种缺乏透明度的情况可能会导致意想不到的结果，使组织难以预测和消减潜在的风险或挑战。例如，AI系统可能会做出不符合组织价值观或目标的决定，或者可能产生与人类期望不一致的 结果。 3 为了应对这一挑战，组织需要为其AI项目制定明确的目标和期望，并设立健全的流程，以确保所使用的AI系统符合企业的价值观和目标。这可能包括对AI系统进行定期审查和审计，以确保其按照意图运行，以及进行持续的训练和开发，以确保其保持更新和准确。对于AI系统的供应商来说，这可能包括对出售给有其他价值观或数据使用限制的其他国家的机器、系统或自动化解决方案中包含的AI系统进行升级。 并非所有AI都智能 尽管目前人工智能备受炒作和推崇，但需要注意的是，并非所有的AI解决方案都是智能的。大量实例表明，AI的行为愚蠢得令人吃惊。这主要是由于人工智能依赖于用于创建底层神经网络的良好训练数据。训练AI系统就是一个很好的“垃圾进、垃圾出”的例子：训练数据选择不当会导致系统反映出训练数据集的所有缺点和弱点。并且，如果系统在以后的使用中遇到了超出训练范围的情况，其行为就会变得不可预测。因此，无论是网络的规模还是训练数据的规模都不能表明AI解决方案的质量。影响质量的最主要因素是训练时使用的数据。由于这些数据通常是由人类选择的，属于AI与人类之间的交互，但这种交互常常被忽视，需要加以掌握。 并非所有智能系统都是AI 另一方面，并非每一个看起来很智能的技术系统都是基于目前所理解的AI（神经网络）。复杂的工业设施，例如炼油厂、发电厂或类似设施，已经在没有使用AI的情况下运行了几十年。确定性控制算法已经发展到了一定水平，很容易给外界观察者留下智能的印象。以模型预测控制为例：系统的传感器读数用于确定其当前状态。然后通过动态模型方程运行该状态，模拟对系统执行器的不同指令。利用优化算法，找到能使系统最接近理想状态的最佳执行器指令。然后将该指令下达给物理执行器以运行流程。在每个控制步骤中都会重复这个算法，在某些情况下甚至会以亚秒级的间隔重复。由于动态模型方程是基于物理定律，系统可以处理以前没有遇到过的情况，即没有先前数据的情况。然后，人类操作员监控系统的行为，仅通过调整设定值来驱动运行。 总之，在创新中“与AI合作”可以带来很多好处，但重要的是要预料意外，并积极应对潜在的风险和挑战。这包括要设立明确的目标和期望，确保所使用的AI系统与公司甚至国家层面的价值观和目标相一致，并对AI系统和人类能力的局限性进行期望管理。 4 创新开胃应用 本章总结了作为工业用例引入的小型创新和突破性创新，每项创新都具有挑战性的主题和令人惊讶的最终解决方案。技术成熟度各不相同，从研发项目的实际成果所产生的示范产品状态，到市场上成熟的行业解决方案，不一而足。所选案例源自作者的专业经验，是在作者为ICT（信息和通信技术）和自动化领域的跨国公司工作时为了制造流程