随着大模型技术的飞速发展,AI应用如今已呈现出丰富多彩的态势。在制造业这一传统而关键的领域中,AI同样以令人瞩目的速度引领着行业的深刻变革。
Tips
直播精彩分享回顾
随着大模型技术的不断迭代,AI技术的应用也是五花八门,本场直播我们跟海岸线科技首席技术顾问一起,围绕AI技术在制造业中的应用展开讨论 :
1
AI热点资讯解读

AI科学家获得诺贝尔奖
今年诺贝尔物理学奖和化学奖颁发给了AI领域的科学家,这深刻反映了AI技术在全球科研舞台上的崛起与影响。
诺贝尔物理学奖的两位获得者使用物理学工具训练了人工神经网络,这些方法已成为当今强大的机器学习的基础。

在人工智能的发展历程中,神经网络的出现无疑是一个重要的里程碑。它不仅改变了我们对机器学习的理解,也极大地推动了人工智能技术的进步和应用。从最初的线性模型和数模型,到后来的神经网络,每一次技术的革新都带来了新的可能和挑战。
近年来,深度学习作为神经网络的一个重要分支,取得了显著的成果。它通过构建深层的网络结构,能够更好地提取和理解数据的特征,从而实现更高效的学习和推理。
大模型是当前人工智能领域的一个热点话题。这些模型通常包含数十亿甚至上百亿的参数,能够处理更加复杂和多样化的任务。它们不仅在学术研究中发挥着重要作用,也在工业界得到了广泛的应用,如智能助手、推荐系统、自动驾驶等。
智能驾驶
前段时间,马斯克的发布会上向公众展示了最新的智能驾驶技术,全球首辆无方向盘、无加速和制动踏板的 CyberCab,据说已经达到了L4级别的自动驾驶。

L4级别的自动驾驶指的是系统在特定环境和条件下能够完成所有驾驶任务并监控驾驶环境,驾驶员在自动驾驶可以运行的范围内无需介入。
那么,现在驾驶一台Cybercab就能够在乡村道路随意行驶,或者是复杂的城市道路,随意行驶不会出现意外吗?
答案是还不能,目前自动驾驶技术虽然在不断发展,但要实现完全自动驾驶并应对各种复杂场景,如乡间小路、山路等,还面临诸多挑战。这包括技术难题、道德法律问题以及社会接受度等方面。
从技术层面来看,国内自动驾驶技术相对国外还有一定差距,主要停留在L2或L2.5级别的辅助驾驶阶段。国内厂商通常采用雷达和视觉方案相结合的方式进行路况感知,但这种方式可能存在识别错误的风险。
道德和法律问题也是自动驾驶发展的重要障碍。如果自动驾驶车辆发生事故,责任归属尚未明确。同时,隐私保护、数据安全等问题也需要得到妥善解决。
虽然目前自动驾驶技术还存在诸多挑战和问题,但随着技术的不断进步和相关法律法规的完善,未来有望实现更加安全、高效、便捷的自动驾驶服务。然而,在短期内,完全依赖自动驾驶技术躺着回家的想法还不太现实。
2
AI在制造业中的热门应用

AI产品设计
以汽车设计为例,在不少行业都害怕AI代替自己的时候,AI与汽车早已“协同发展”起来了。AI技术正在改变汽车设计的方式,它能够通过学习历史设计和工程参数,生成新的车辆设计方案。这种技术可以帮助设计师在保持功能和性能限制的前提下,探索更多创新和多元化的设计。例如,丰田已经开发出一种生成式AI技术,帮助车辆在开发设计的初期就包含工程参数,缩短开发周期,减少迭代。

AI生成铅笔画风格的不同曲率的侧面造型
提升设计效率
AI能够快速生成大量设计方案,为设计师提供创意灵感,这种高效率是人类设计师难以实现的。通过AI,设计师可以从简单的关键词或文本描述出发,快速生成大量效果图,提供更多的选择。
个性化和优化设计
AI技术还可以根据设计师的提示创建新的汽车设计,同时预测消费者对设计的评价,提高设计的美观度和创新性。此外,AI结合VR和AR技术,可以创建虚拟的汽车模型,供设计师和客户在虚拟环境中查看和互动,节省了物理原型的制造成本,加快了设计评审和修改的过程。
AI 设计不仅限于汽车领域,还可以应用于医药研发、建筑、时尚、工业设计等多个领域。通过跨领域的知识迁移和融合,AI 可以带来更加创新和多样化的设计方案。
AI智能客服
智能客服是当前AI技术应用中最为广泛和成熟的领域之一。通过自然语言处理(NLP)和机器学习技术,智能客服可以理解用户的问题并提供相应的回答或解决方案。它们可以处理常见的咨询、投诉、退货等问题,并且在不断学习中提高自己的应答准确率。

智能客服的优势在于可以同时处理多个客户的咨询,提高服务效率,并且能够24小时不间断地提供服务。此外,智能客服还可以通过分析大量的对话数据来不断优化自己的回答策略,提高用户满意度。
然而,智能客服也存在一些挑战和限制。首先,它们可能无法处理一些复杂的问题或情况,需要人工介入。其次,智能客服的回答可能缺乏人性化和情感关怀,这在某些情况下可能导致用户体验不佳。最后,智能客服的训练和维护需要大量的数据和资源,这对于一些中小企业来说可能是一个挑战。
AI智能决策系统
AI在智能决策领域的应用非常广泛,包括客户服务、制造业、金融等多个行业。通过数据分析和模型预测,AI可以帮助企业做出更加精准和高效的决策。例如,在制造业中,AI可以通过分析生产数据来优化生产流程,提高生产效率;在金融领域,AI可以通过分析市场数据来预测股票价格走势,帮助投资者做出更加明智的投资决策。

然而,AI在智能决策领域的应用也面临一些挑战和限制。首先,AI的决策过程往往是基于历史数据的分析和预测,可能无法完全适应未来的变化和不确定性。其次,AI的决策过程缺乏人类的直觉和创造力,可能无法处理一些复杂的问题或情况。最后,AI的决策过程可能存在偏见和错误,需要人类进行监督和修正。
总的来说,AI在智能决策领域的应用具有很大的潜力和前景,但同时也需要人类进行监督和指导,确保其决策的准确性和可靠性。随着技术的不断发展和完善,我们可以期待AI在未来能够更好地服务于人类社会的发展和进步。
数字工程师
说到AI辅助,不得不提到现在热门的概念-数字工程师,
在数智化为代表的新兴技术的推动下,现代的生产工具发生颠覆性变化,掌握和用好新型生产工具是发展新质生产力的重要环节,AI+RPA+知识库的数字工程师以其独特的技术优势和巨大潜力发挥着关键作用。
数字工程师具备高度的自动化和智能化特点,它可以通过大数据分析、机器学习和自然语言处理等先进技术,帮助企业提质增效、优化决策,从而推动生产力的提升。
目前,海岸线科技的数字工程师在产品可靠性保障(AQP FMEA、CP、DVP等)、产品质量追踪追溯、产品质量控制等工业应用场景,拥有成功实践。

图:海岸线科技数字工程师多场景应用
数字工程师的应用价值:
1、制造业其实迫切的想要通过数据来告诉他们工艺改善的可能性/可行性在哪里。
2、工厂老板很痛苦,尤其是在研发上面,关键岗位特别依赖老员工,老员工走了,事就没法干了。
3、数字资产被重视,未来数据会成为企业资产的一种,但是目前的数据是被极大的浪费了。
所以数字工程师的出现,能辅助工艺改善、明显的提升人效;减少对老员工的依赖;建立企业的数据资产。

图:未来组织架构
企业知识库
数字工程师的应用往大了延伸,其实是为企业搭建知识库,提升企业的数据资产价值。在整个制造企业的发展过程中,工程师一直存在新老迭代的问题,老的工程师对新工具的适应能力会减弱,新工程师又需要时间积累经验。这时候,企业知识库就发挥了非常重要的作用。
我们可以将历史经验智能沉淀下来,通过知识处理,转换成智能知识库,赋能到数字工程师身上。
通过数字工程师的辅助,新的工程师能实时快速的接收到历史经验,从而产生出一些新思路、新方法、新路径,进一步丰富企业知识库。
在这个过程中,企业的知识库就会越来越值钱。以后企业的核心资产可能不是人,而是它的知识库有多少沉淀。
智慧工厂
智慧工厂是一种高度自动化和数字化的生产环境,其中机器人和智能系统替代了许多传统的人力工作。这种工厂能够进行自我优化,提高生产效率,减少对人的依赖。

智慧工厂的实现需要高度的数字化基础设施,包括大量的数据收集、处理和分析能力。此外,还需要投入大量的财力来购买和维护机器人以及其他高科技设备。尽管智慧工厂的概念很吸引人,但其实现过程复杂且成本高昂,目前只有少数标杆性的大工厂能够实践。
相比之下,数字工程师是一个更为具体和实际的应用,它通过提供虚拟助手来帮助工程师完成重复性或规律性的任务,从而提高工作效率。数字工程师可以应用于各种场景,如设备管理、预测维护、人力资源管理等,帮助企业实现数字化转型。
总的来说,智慧工厂是一个长远的目标,而数字工程师则是迈向这个目标的一个实际步骤。通过逐步实施数字工程师等技术,企业可以逐步提高自己的数字化水平,最终实现智慧工厂的愿景。
智能检验
智慧检验其实也是智慧工厂一部分,工厂应用比较多的一个场景就是自动化检测设备。这些设备使用高精度的探头来检查产品是否有瑕疵,可以达到纳米级的精度,从而替代人工检验。然而,这种技术的一个主要缺点是成本高,特别是对于小规模生产来说,可能不太实用。因为需要对每个产品进行建模,而这个过程耗费的成本可能很高。
因此,对于小规模生产,传统的人工目视化检验可能更为经济实惠。但对于大规模生产,自动化检测手段可以显著提高效率,是一个值得考虑的选择。总的来说,这是一个成本和效益的平衡问题。
以上就是制造业现在关注的AI热门技术,通过谢添老师的分享, 我们也更清晰地了解到AI技术在制造业和其他领域中的应用具有广阔前景和深远影响。从自动驾驶到智能客服,从数字工程师到智慧工厂,这些应用都基于大模型,是当前AI技术的一个重要发展方向。
当然,我们也需要关注其局限性和挑战,并采取相应的措施加以应对。在未来,AI技术将更多地作为辅助工具与人类决策者共同进行决策,推动制造业和其他领域的转型升级。