生成式AI在工程研发中的应用：产品创新与研发效率提升的变革力量

研究目标与方法

本研究旨在探讨生成式AI在工程研发（ER&D）领域的战略重要性、实际应用及面临的挑战。通过对印度ER&D组织高管进行调研，分析了生成式AI的必要性、应用场景及价值创造驱动因素。调研涵盖三个维度：生成式AI的战略重要性、价值驱动的应用案例以及价值创造驱动因素。

核心观点与关键数据

• 战略重要性：63%的受访者将投资生成式AI列为前三优先事项，35%视为中等优先级，仅3%未优先考虑，表明组织普遍认可生成式AI对维持竞争力的关键作用。
• 应用趋势：72%的受访者利用生成式AI提升客户体验，64%用于改进业务流程和ER&D流程，49%用于增强功能和个性化，44%用于优化制造和供应链运营。
• 价值驱动应用：
  • ER&D流程效率提升：高价值且高可行性的应用包括测试用例生成、知识助手、数据洞察生成、代码生成与优化、合成数据生成等。
  • 产品改进：个性化产品功能（如自愈功能）、智能产品（决策支持）、增强视觉/沉浸式体验、增强语音助手、自学习产品功能等应用尚处于探索阶段，但呈上升趋势。
• 价值创造驱动因素：
  • 关键使能因素：数据可用性、人才、商业模式、技术、运营模式、生态系统、高性能计算基础设施。
  • 主要挑战：总拥有成本（57%）、数据隐私（54%）、系统集成（51%）、人才短缺（49%）、知识产权（31%）。
  • 数据训练挑战：数据质量（65%）、隐私与安全（56%）、数据访问与民主化（41%）。
  • 开放创新生态系统的知识产权挑战：知识产权归属（59%）、知识产权泄露风险（56%）、许可协议复杂性（50%）。
  • 加速实施的策略：采用带知识产权保护的标准框架（57%）、按客户定制的模块化AI解决方案（50%）、数据匿名化技术（50%）。
  • 开发策略：混合开发方式最受欢迎（69%），结合本地和云端基础设施（56%）。
  • 关键支持需求：与AI供应商合作（63%）、数据与合成数据（53%）。

案例研究

• TCS：基于生成式AI的自动驾驶汽车功能开发，利用传感器融合基础模型和合成数据进行虚拟验证，实现高效测试和快速原型设计。
• 博世：利用生成式AI自动化测试用例生成与执行，提升测试覆盖率（100%），缩短测试时间（30%），降低测试成本。
• 三星：Galaxy AI系列应用包括照片编辑、绘画辅助、健康辅助、语音助手等，提升用户体验和品牌忠诚度（35%），并通过多模态AI和个性化技术推动产品创新。

研究结论

生成式AI正重塑工程研发领域，成为提升效率、创新产品和增强竞争力的关键驱动力。尽管面临成本、数据、人才和知识产权等挑战，但组织应积极制定整合策略，采用混合开发模式，加强生态合作，以充分发挥生成式AI的潜力，推动智能、安全和高效的移动解决方案发展。