GE通用电气 IC693MDL655 输出模块
IC200TBX023
IC200ALG327
IC200MDD841
IC200ALG240
IC200MDD843
IC200MDD840
IC200TBX114
IC200ALG261
IC200TBX040
IC200TBX010
IC200ACC415
IC697PWR710
IC697PWR711
IC697PWR724
IC697PWR748
IC697RCM711
IC693ALG223C
IC693CMM311L
IC693CMM321-BA
IC693CPU331X
IC693CPU350-CE
IC693CPU350-CG
IC693CPU351-DG
HE693STP111E
HE693THM884M
IC693ALG390F
IC693MDL752G
IC693PWR321
IC660EBA026K
IC660EBD020T
IC693ALG220D
IC693CMM311N
IC693MDL655E
IC693MDL753D
IC693MDL753F
IC693PCM301L
IC693PCM301M
IC693ACC300
IC693ACC301
IC693ACC302
IC693ACC303
IC693ACC305
IC693ACC306
IC693ACC311
IC693ACC312
IC693ACC315
IC693ACC316
IC693ACC317
IC693ACC318
IC693ACC328
IC693ACC329
IC693ACC330
IC693ACC331
IC693ACC332
IC693ACC333
IC693ACC334
IC693ACC335
IC693ACC336
IC693ACC337
IC693ACC341
IC693ACC350
IC693ACC760
IC693ALG220
IC693ALG221
IC693ALG222
IC693ALG223
IC693ALG390
IC693ALG391
IC693ALG392
IC693ALG442
IC693APU300
IC693APU301
IC693APU302
IC693APU305
IC693BEM320
IC693BEM321
IC693BEM331
IC693CBK001
IC693CBK002
IC693CBK003
IC693CBK004
IC693CBL300
IC693CBL301
IC693CBL302
IC693CBL303
IC693CBL304
IC693CBL305
IC693CBL311
IC693CBL312
IC693CBL313
IC693CHS391
IC693CHS392
IC693CHS393
IC693CHS397
IC693CHS398
IC693CHS399
IC693CMM301RR
IC693CMM302
IC693CMM311
IC693CMM321
IC693CPU311
IC693CPU313
IC693CPU321RR
IC693CPU323
IC693CPU331
IC693CPU340RR
IC693CPU341RR
IC693CPU350
IC693CPU351RR
IC693CPU352RR
IC693CPU360
基于单模态GPT-3的ChatGPT 「地震」余波未平，多模态GPT-4「海啸」又顷刻席卷朋友圈。
「这提醒我们，对人工智能的预测是非常困难的。」OpenAI CEO Sam Altman 曾在 DALL-E2发布后讲过这样一句话。事实证明他是对的。基于符号主义的专家系统的衰落，让人们一度认为人工智能已走到尽头，2012年的深度学习又点燃了希望，如今它已统领AI领域。随着系统规模越来越大，训练时间和资金成本也在不断膨胀。就在大家担心向模型添加参数正达到边际效益递减时，GPT-3、GPT-4相继昭告世人，更大规模、更加复杂的深度学习系统确实可以释放更为惊人的能力，而ChatGPT的诞生，更是让人看到了「颠覆性」的应用成果（假消息甚至称GPT4参数量100万亿）。
ChatGPT的出现或许表明，在过去几年被逐渐认为到达产业化瓶颈的AI行业仍是一片*具创新性的沃土，蕴含着巨大的机会。而随着新生产力初显雏形，以工业制造为代表的行业或许将迎来更深入的AI变革，迎来属于产业的“ChatGPT时刻”，在这一过程中与技术趋势契合的科技企业也有望率先出圈。
一、通用性的胜利
迄今为止，主导 AI领域的模型仍然是面向特定任务的。AI企业开发的模型在特定范围内有不错的表现，但工程师们发现其泛化能力不足以支持部署到更广泛场景。用业内人士的话说，已经训练了很多模型，但仍然需要茫茫多的模型。
这一瓶颈在高度碎片化工业制造领域几乎被 N倍放大。因为工业制造中细分领域众多，各领域在生产流程、工艺、生产线配置、原材料及产品类型上均具有较大差异性。锂电池生产可分为十几道工序，工艺点数以千计，一条产线至少有2500个关键的质量控制点；液晶面板生产涉及上百道工序，生产过程中可能出现的面板缺陷种类多达120种；手机有几百种零件，涉及几百个供应商，每个零件可能有几十种缺陷要做检测。
现有的深度学习模型泛化程度低，即使在同一行业，模型的可复用比例也比较低。比如，如果要服务一家****的手机品牌的整个智能产线，可能需要打造几十万个算法模型（不包括后续软硬件的迭代升级）。
现在，这个棘手的问题成了ChatGPT背后所代表的基础模型（大模型）的典型场景。
在2022年，一篇来自谷歌、斯坦福大学、北卡罗来纳大学教堂山分校以及 DeepMind等机构的研究论文[1]，介绍了大模型的「EmergentAbility（涌现能力）」，即有些现象不存在于较小的模型中但存在于较大的模型中，他们认为模型的这种能力是涌现的。虽然这种能力目前主要体现在语言模型上，但它也激发了在视觉模型、多模态模型上未来的研究。
根据斯坦福大学以人为本人工智能中心（HAI）基础模型研究中心（CRFM）的说法，「它（大模型）代表着构建 AI系统的一种新的成功范式，在大量数据上训练一个模型，并使其适应多种应用」[2]。
这种通用能力正是工业制造所需要的。工业制造面对的场景五花八门，如何通过稳定的技术体系，在高度碎片化的需求中打造通用的技术能力，成为任何一家试图在此大展身手的科技企业的*大挑战。
思谋科技创始人贾佳亚在公司成立之初曾提到 AI 2.0概念，其与在当下广泛采用AI 1.0的AI公司有所区别的一个核心要点，就是对通用性的强调。「我们想做新一代的 AI体系架构，把以前别人在单个场景做的事情，用统一的架构去解决它，在不同场景里做到通用」，贾佳亚说，「从底层构建更智能的算法，用标准化的手段解决分散的工业场景，克服可复制性和标准性等关键性问题。」
思谋科技*受欢迎的产品 SMore ViMo工业平台，就是通用性设计思维的典型例子，它是针对工业场景打造的首个跨行业中枢平台，具有多场景通用性。不仅满足新能源、半导体、汽车、消费电子等多个行业领域超过1000种细分应用场景需求，还灵活支持多种高难度工业视觉方案设计需求，比如产线的物料追踪、缺陷定位、工件计数、外观瑕疵检测等等。
这条路的重要特点是比较好地平衡了敏捷、个性化与低边际成本。借助 SMoreViMo平台，思谋科技已经可以同时支撑工业中不同行业的上百个项目，未来还有望再扩大十倍，同时支撑上千个项目，为AI的行业应用带来效率上的突破。
在率先于大规模工业场景使用Transformer技术，极大提高智能制造效率之后，思谋也再次第一时间拥抱大模型。思谋团队是*早对大模型在工业领域的EmergentAbility开展研究和产业化的团队，其工业大模型利用少量缺陷样本进行in-contextlearning，从而使基础模型快速适应特定工业场景，并完成特定任务。
在一些业内人士看来，ChatGPT及其背后更加具有通用性的技术的成功，将推动AI应用进入一个新的阶段。在以工业制造为代表的各行各业中，过去扎根产业，拥抱这一趋势，完成数据与技术落地闭环的企业拥有更多优势，在未来应用大爆发的过程中亦会更受到青睐。
二、加速AI普惠
在工业制造领域，不同“语言”之间也有着深刻隔阂。有业内人士表示，工业制造产业积累了很多数据，但制造业的工程师（比如机械工程师、材料工程师）还是很少去写程序来把这些数据利用起来，而AI开发者也面临理解产业问题的挑战，这在很大程度上约束了技术的落地。
思谋科技的算法工程师表示，ChatGPT背后的技术，如RLHF(Reinforcement Learning fromHuman Feedback，基于人类反馈的强化学习)，让他们看到可以在现有的工作上更进一步。
RLHF是强化学习的一个扩展，它将人类的反馈纳入训练大模型的过程，为机器提供了一种自然的、人性化的互动学习过程，就像人类从另一个专业人士身上学习专业知识的方式一样。通过在AI和人类之间架起一座桥梁，RLHF让AI快速掌握了人类经验。
他们表示，工业 AI 未来可以孕育出一个主动学习AIaaS（AI As aService，人工智能即服务）平台，通过算法工程师和标注专家的配合，利用RLHF技术训练大模型，用人类知识让AI理解工业问题，并满足特定工业任务的要求，让不会编程的工业专家也能训练AI模型。
目前，思谋科技已经在探索RLHF和工业结合的应用场景。
此外，ChatGPT这种简单的交互模式与工业制造中落地AI的策略亦十分相似。工业领域场景复杂，好的产品一定是简单易用的，比如通过简明的交互，一键化部署方案，减少交付过程中的培训成本与学习负担。
许多程序员表示，ChatGPT相当于重新构建了一座宏伟的巴别塔，与计算机的交流，不再是程序员的专利，它已经可以理解部分需求，并生产简单的代码方案。但现在，我们可以预见在不久的将来，制造领域的从业者也可以在AI平台上实现自行编程，根据产线需求开发模型。这样也能帮助解决制造业AI人才短缺的问题。
「只有当计算机系统可以突破工业落地中的几大难题，实现自动算法组合和部署，人类仅需参与少量定制化算法设计时，AI的跨领域规模产业化才具备实现的可能。」贾佳亚曾表示。
事实上，思谋科技很早开始便构想打造一个可实现技术快速迭代的开发平台，只需把图片上传，即可自动标注缺陷，一键测试得到产品级的模型或SDK，减少项目中大量投入的算法成本。
随着项目的迭代，思谋科技逐渐把更加成熟的行业方案和实用经验整合到产品中，继而推出了完整的产品类型，让客户无需在思谋科技员工的帮助下即可自行体验与使用，从而形成了产品*早的商业化应用。
随着技术的进步，无论是面向消费者，还是面向工业制造这样的产业，我们已经看到了更普惠技术应用，正在带来巨大的机遇。
三、ChatGPT只是一个起点
十年以来，AI技术的商业化受到了诸多质疑。这一次，ChatGPT背后所代表的技术突破，预示着一场革命的到来，AI有可能真的成为普世的生产力基础设施。
「GPT(generative pre-trained transformer）也完全可以是general - purpose technology（通用技术）的缩写」，《经济学人》的一篇文章中写到，「一种翻天覆地的创新，可以像蒸汽机、电力和计算机那样提升各行各业的生产率」[3]。
始于20世纪80年代的个人电脑革命，到90年代末开始真正提升生产力，因为这些机器变得更便宜、更强大，还能连接到互联网。深度学习的转折发生在2012年，彼时AlexNet神经网络在ImageNet比赛中获得**，至此大量研究开始铺开，激发人们将其应用于各个领域。十多年的时间，深度学习技术正在跨越大规模赋能产业的门槛。
回顾工业制造智能化的发展历程，技术能力和算法无法满足实际应用需求、解决方案复制性较差难以落地、新技术公司与制造业企业沟通成本高等挑战一直存在。而目前基础模型（大模型）表现出多领域多任务的通用化能力,正在打破这些行业「壁垒」，并用低成本、普惠的方式，「席卷」容错率极低、成本敏感的产业应用。
用AI解决产业问题蕴含着机会，ChatGPT是一个起点，随着一些扎根产业的技术公司的持续深耕，越来越多的行业正在迎来AI应用的“ChatGPT时刻”。
[1] Wei, Jason, Yi Tay, Rishi Bommasani, Colin Raffel, BarretZoph, Sebastian Borgeaud, Dani Yogatama et al. "Emergent abilitiesof large language models." arXiv preprint arXiv:2206.07682(2022).
[2] https://crfm.stanford.edu/
[3] https://www.businessreview.global/zh-CN/latest/63e5d63ef5aab0516567873c