生成式AI“拥抱”制造业，如何重塑新增长路径？

　　在数字化浪潮蓬勃发展和新技术引领的产业变革环境下，数字化与智能化正在为企业转型升级提供新的机遇。在此过程中，生成式AI正在加速嵌入制造行业的业务场景，在产品开发和设计、制造运营、供应链、营销和销售、智能客服及知识库等方面带来巨大业务价值。

　　近日，亚马逊云科技与制造行业客户、合作伙伴一起，就当前中国制造行业发展趋势洞察、制造业企业在数字化转型与创新阶段面临的挑战与机遇等话题展开讨论。

　　根据亿欧智库发布的《2022中国装备制造行业售后服务数字化研究报告》，到2027年，30%的制造商将使用生成式AI提高产品研发的效率。

　　亚马逊云科技大中华区战略业务发展部总经理顾凡表示，当前，传统制造行业的数字化转型升级正在不断加速与深化，高端化、智能化、绿色化已成为制造行业发展的主要趋势。但也特别要注意到，制造业领域场景确实高度碎片化，但是这个并不是行业还未重复利用大模型的真正原因，根本原因是，相对于医疗和教育来说，制造业核心工艺公开数据相对较少，所以很难预训练大模型。

　　顾凡称，大模型领域最重要的是找准核心业务应用场景，解决业务难题，提升效率，降本增效。大模型本身其实只是一个工具，把不同工具应用到最合适的场景里进行组合，找到最优解才是最佳的解决方案。

　　那么，推动生成式AI重塑制造业的增长路径，该如何降低构建生成式AI应用关键路径中的门槛，充分渗透进制造业价值链场景？

　　“在制造行业，我们需要从实际应用与解决方案出发，目前来看，在一定时间内，大模型与小模型共存仍是一个大趋势。”顾凡表示，在小模型解决方案方面，亚马逊云科技做的例如工业视觉检测的场景，以及供应链基于人工智能的模型做到货时间预测等，这些场景都是基于小模型构造的。

　　施耐德电气全球供应链中国数字化转型总监冒飞飞也认为，大模型不会吞并小模型，而是相辅相成的概念，短期内，小模型会随着大模型推陈出新，并长期存在。因为，工业领域多碎片化场景以及有非常深的行业碎片化知识，面对这些行业壁垒很高的应用场景，小模型的存在有其必要性。

　　另一方面，大模型可以对小模型的训练与精度有辅助性的提升。比如说在工业质量检测场景中，大模型可以通过图生图，快速帮忙生成大量负样本，增强模型训练中的图片验证过程。

　　冒飞飞称，当下，大模型发展还在早期阶段，施耐德电气也在积极探索，在工业能源降碳、财务、人力资源、维修等场景，施耐德电气沉淀了大量语料与经验，有望未来优先从如企业内部知识管理、智能知识问答等产品与场景做切入。

　　而作为首批入选“国家级工业设计中心名单”的企业，海尔创新设计中心选择亚马逊云科技打造生成式AI解决方案，并将此方案引入到新品设计、改款升级、渠道定制化等工业设计的业务场景，建成了目前已知的全国首个结合实际业务场景落地的AIGC工业设计企业级解决方案。通过此方案，海尔创新设计中心的整体概念设计提速了83%，集成渲染效率提升了约90%，高效解决了设计阶段人力成本高、概念产出与通过效率低等问题。

　　顾凡称，在大模型解决方案方面，上述案例都是基于大模型构建的。所以可以预见，在一段时间内大模型、小模型一定会共存。

　　“很多客户会觉得，To C端的大模型越大、越精准越好。那对于To B端的制造业客户来说，需要面对的一个问题是，找到合适的应用场景与解决方案。有应用场景就会出现推理，如果推理成本控制不了，只是一味追求模型越大越好，对于企业来说很难负担得起。”顾凡直言，因此，对于制造业客户来说，大模型应用核心需要注意的是，找到模型准确度和推理成本之间的平衡点。