行業(yè)資訊
了解最新行業(yè)資訊
大模型是當(dāng)前全球數(shù)字經(jīng)濟(jì)發(fā)展的熱點和趨勢，也是人工智能重要的核心技術(shù)。本文旨在探索大模型與國產(chǎn)工業(yè)軟件的結(jié)合及其落地實現(xiàn)方式。探討了工業(yè)大模型的概念及其在工業(yè)軟件中的應(yīng)用場景。以武漢開目信息技術(shù)股份有限公司自研的基于大模型的工藝自動生成系統(tǒng)為例，闡述了AI大模型在相關(guān)工業(yè)軟件中的應(yīng)用場景、技術(shù)難點及其解決方案。通過對大模型的研究，本文為大模型與工業(yè)軟件的深度融合提供了新的視角和應(yīng)用落地的思路。
隨著人工智能（Artificial Intelligence，AI）技術(shù)的興起，大模型成為從信息化走向數(shù)智化的重要驅(qū)動力。2023年，大模型技術(shù)進(jìn)入快速發(fā)展階段，以ChatGPT為代表的通用人工智能大模型在全球掀起了新一輪人工智能產(chǎn)業(yè)發(fā)展的熱潮，大模型、人工智能內(nèi)容生成AIGC（Artificial Intelligence Generated Content，AIGC）在短時間里經(jīng)歷了三次大的發(fā)展[1]。第一次是以GPT為代表的大模型的出現(xiàn)，形成了生成式人工智能發(fā)展的重要基礎(chǔ)。第二次是應(yīng)用層的快速創(chuàng)新，以生產(chǎn)力場景作為承載對象，使智能化從單純的生成式Chat對話，向著Work的方向轉(zhuǎn)化。第三次則是深度業(yè)務(wù)場景的應(yīng)用，“AI+行業(yè)應(yīng)用”的深度融合，使得用戶在各種實際業(yè)務(wù)場景中大幅提升效率，達(dá)到降本增效的目的。
工業(yè)軟件是工業(yè)企業(yè)數(shù)智化轉(zhuǎn)型升級的重要工具，也是我國智能制造的重要基礎(chǔ)和核心支撐。隨著美國科技制裁不斷，工業(yè)軟件關(guān)鍵技術(shù)“卡脖子”問題突出，國產(chǎn)工業(yè)軟件對國外工業(yè)軟件的逐步替代將成為長期趨勢，且替代空間很大。國家高度重視國產(chǎn)工業(yè)軟件的發(fā)展，從政策引導(dǎo)、稅收優(yōu)惠、到明確提出要發(fā)揮舉國體制優(yōu)先攻克關(guān)鍵領(lǐng)域“卡脖子”技術(shù)，國家政策的扶持為國產(chǎn)工業(yè)軟件的長期發(fā)展提供了強(qiáng)大支撐。2015年，國務(wù)院發(fā)布《中國制造2025》，將智能制造作為主攻方向，智能制造成為我國制造業(yè)轉(zhuǎn)型升級的關(guān)鍵。數(shù)字化制造是智能制造的基礎(chǔ)，智能制造的發(fā)展，必然依賴于工業(yè)軟件的發(fā)展[2][3]。
預(yù)訓(xùn)練大模型的出現(xiàn)，為當(dāng)前AI領(lǐng)域在工業(yè)軟件上的突破應(yīng)用提供了新的思路，讓各行各業(yè)看到了AI技術(shù)在工業(yè)軟件上大規(guī)模普惠落地的可能。在國家政策的推動與市場的重視下，工業(yè)軟件迎來了轉(zhuǎn)型升級的發(fā)展機(jī)遇。如利用AI賦能工業(yè)軟件，在關(guān)鍵生產(chǎn)環(huán)節(jié)帶來質(zhì)量提升與成本效益。通過人工智能技術(shù)，AI的應(yīng)用可貫穿于設(shè)計、生產(chǎn)、管理和服務(wù)等制造業(yè)的各個環(huán)節(jié)[4]。為此，本文探討了大模型在工業(yè)軟件中的相關(guān)應(yīng)用場景，以武漢開目信息技術(shù)股份有限公司（以下簡稱武漢開目）自研的工藝自動生成系統(tǒng)為案例，為大模型在工業(yè)軟件中的落地提供思路。
2.1 國產(chǎn)工業(yè)軟件現(xiàn)狀
作為智能化時代制造業(yè)的重要組成部分，工業(yè)軟件為制造業(yè)轉(zhuǎn)型升級、智能化發(fā)展提供了有力支持。中國早已是世界第一大工業(yè)國，構(gòu)建了完備的產(chǎn)業(yè)鏈體系，正在從制造大國轉(zhuǎn)變?yōu)橹圃鞆?qiáng)國，工業(yè)軟件應(yīng)用范圍和深度在不斷擴(kuò)大。然而，在工業(yè)軟件領(lǐng)域國產(chǎn)化方面，仍有較為突出的盲點與缺憾。
20世紀(jì)50年代，歐美工業(yè)軟件巨頭開始了工業(yè)軟件研發(fā)之路，到九十年代，伴隨Windows系統(tǒng)的興起，國外工業(yè)軟件進(jìn)入高速增長階段，幾大巨頭紛紛轉(zhuǎn)型升級，并在一系列并購之后，形成了CAx一體化系統(tǒng)，占據(jù)了世界工業(yè)軟件產(chǎn)業(yè)核心位置。而國產(chǎn)工業(yè)軟件起步較晚，核心技術(shù)掌握不足，在性能上相比國外主流產(chǎn)品仍有較大差距，主流軟件市場仍由國外軟件主導(dǎo)；而且在高端軟件上，長期依賴國外，尤其軟件創(chuàng)新方面，工業(yè)軟件的供給和知識產(chǎn)權(quán)保護(hù)，都存在很多短板。其中，研發(fā)設(shè)計類的CAD、EDA、CAE等高端工業(yè)軟件領(lǐng)域技術(shù)壁壘高，短板最為明顯。
2.2 工業(yè)軟件也要“彎道超車”
隨著算力的快速提升，以大模型為代表的人工智能技術(shù)，作為第四次科技革命，將帶來工業(yè)領(lǐng)域新的變化，并重構(gòu)整個行業(yè)的生態(tài)。習(xí)近平總書記曾深刻指出，“人工智能是新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動力量，加快發(fā)展新一代人工智能是事關(guān)我國能否抓住新一輪科技革命和產(chǎn)業(yè)變革機(jī)遇的戰(zhàn)略問題”。大量的中國企業(yè)已經(jīng)在金融、教育、醫(yī)療、能源、汽車等行業(yè)嘗試部署大模型和生成式AI[5]-[7]。在諸多參與者中，涵蓋了能源、電力、化工、汽車、制造等細(xì)分行業(yè)的工業(yè)領(lǐng)域，也被認(rèn)為是將被大模型帶來巨大變革的重要板塊。AI和大模型技術(shù)的發(fā)展以及與工業(yè)軟件的結(jié)合，必將重塑工業(yè)軟件的技術(shù)形態(tài)和產(chǎn)業(yè)格局，這對我國的工業(yè)軟件發(fā)展既是嚴(yán)峻的挑戰(zhàn)，也是彎道超車的機(jī)遇。
3.1 工業(yè)大模型
人工智能大模型正成為各行各業(yè)前沿領(lǐng)域研究的重要工具，大模型向B端，尤其是面向工業(yè)領(lǐng)域的應(yīng)用已成為行業(yè)共識。目前，大模型呈現(xiàn)出以基礎(chǔ)大模型為技術(shù)底座，工業(yè)應(yīng)用為切入點的發(fā)展趨勢，工業(yè)大模型概念應(yīng)運而生?；A(chǔ)大模型（Foundation Model）通過提升模型的參數(shù)量和結(jié)構(gòu)通用性，融合和表達(dá)更多領(lǐng)域知識和模態(tài)知識，形成全知全能的通用模型。而工業(yè)大模型依托基礎(chǔ)大模型的結(jié)構(gòu)和知識，融合工業(yè)細(xì)分行業(yè)的數(shù)據(jù)和專家經(jīng)驗，形成垂直化、場景化、專業(yè)化的應(yīng)用模型。工業(yè)大模型相對基礎(chǔ)大模型具有參數(shù)量少、專業(yè)度高、落地性強(qiáng)等優(yōu)勢，可以為工業(yè)垂直領(lǐng)域的技術(shù)突破、產(chǎn)品創(chuàng)新、生產(chǎn)變革等提供低成本解決方案。
3.2 工業(yè)大模型在工業(yè)軟件中的應(yīng)用場景
工業(yè)領(lǐng)域各種細(xì)分場景眾多，涉及研發(fā)設(shè)計、生產(chǎn)制造、售后運維等諸多環(huán)節(jié)，細(xì)碎且復(fù)雜。因此，可按照全生命周期維度，劃分為前端的研發(fā)與設(shè)計，中端的生產(chǎn)與制造，后端的售后與運維。本文初步提出以下工業(yè)大模型在不同階段的潛在應(yīng)用場景。
（1）研發(fā)與設(shè)計應(yīng)用場景
在前端的研發(fā)環(huán)節(jié)，大模型能夠從微觀層面探究產(chǎn)品的構(gòu)型和機(jī)理，并通過大模型的涌現(xiàn)能力生成具有新結(jié)構(gòu)、新特性的產(chǎn)品。例如在藥物研發(fā)領(lǐng)域，人工智能大模型可以通過分析大量的已知藥物分子數(shù)據(jù)，從中找出最優(yōu)的藥物候選，并生成一個新的藥物分子設(shè)計方案，從而大幅縮短藥物研發(fā)的時間和成本，提高藥物研發(fā)的成功率。
在設(shè)計環(huán)節(jié)，大模型通過學(xué)習(xí)企業(yè)沉淀的方案庫，可以快速匹配最合適的方案滿足客戶新的需求；進(jìn)一步的，還可以利用大模型將二維CAD圖紙自動轉(zhuǎn)化為三維CAD圖紙，解決設(shè)計環(huán)節(jié)中的大量重復(fù)性工作問題。更進(jìn)一步，大模型可以生成創(chuàng)新性的產(chǎn)品設(shè)計方案，經(jīng)過大量需求與設(shè)計方案之間的潛在邏輯關(guān)系的學(xué)習(xí)，直接針對新需求生成合適的設(shè)計方案，從而更好地輔助技術(shù)人員快速將設(shè)計構(gòu)思和意圖轉(zhuǎn)化為具體實施方案。
不僅如此，大模型還可以利用自身的生成能力提供符合設(shè)計需求的虛擬化仿真測試場景/環(huán)境，解決工業(yè)產(chǎn)品設(shè)計中測試數(shù)據(jù)量少、測試環(huán)境單一等問題，提升產(chǎn)品的可靠性。
（2）生產(chǎn)與制造應(yīng)用場景
在中間端的生產(chǎn)制造環(huán)節(jié)，利用大模型的識別與生成能力，可以幫助企業(yè)在工業(yè)場景中基于視覺、傳感器等數(shù)據(jù)自動進(jìn)行產(chǎn)品瑕疵分析與檢測。通過傳感器收集設(shè)備運行數(shù)據(jù)，大模型還可預(yù)測可能的故障和維護(hù)需求。這種預(yù)測性維護(hù)有助于提前識別潛在問題，避免設(shè)備停機(jī)和生產(chǎn)中斷。
在大型現(xiàn)代化產(chǎn)線中，需要對多個關(guān)鍵節(jié)點進(jìn)行智能化調(diào)度和控制。大模型可以通過分析多樣化的歷史數(shù)據(jù)，更好地理解諸如生產(chǎn)需求、資源可用性、任務(wù)優(yōu)先級等工業(yè)調(diào)度任務(wù)中的復(fù)雜關(guān)系，從而優(yōu)化各節(jié)點的任務(wù)分配和調(diào)度，提高生產(chǎn)效率和靈活性。
（3）售后與運維應(yīng)用場景
在后端的運維環(huán)節(jié)，大模型可以通過自身強(qiáng)大的推理能力實現(xiàn)對生產(chǎn)過程中各類數(shù)據(jù)的分析、預(yù)測，從而提升智能化運維水平，完善生產(chǎn)管理機(jī)制。例如使用大模型對庫存進(jìn)行預(yù)測，并根據(jù)銷售速度和庫存周轉(zhuǎn)率等因素制定補(bǔ)貨策略，有助于及時補(bǔ)充庫存，避免庫存短缺影響銷售，同時避免過度補(bǔ)貨造成庫存積壓和資金占用的問題。大模型還可以接入企業(yè)客服、售后（維保）服務(wù)、精準(zhǔn)營銷等售后環(huán)節(jié)提供多種工作支持，從而幫助企業(yè)滿足不同用戶需求的定制化售后服務(wù)，提升客戶忠誠度和用戶成長，降低企業(yè)的人力成本和時間成本，提高企業(yè)運行效率。
4.1 基于大模型的工藝自動生成系統(tǒng)應(yīng)用場景分析
在擁抱AI大模型方面，武漢開目也正在積極探索可行的應(yīng)用場景。例如目前正在研發(fā)的AI工藝自動生成系統(tǒng)，解決了基于規(guī)則的CAPP系統(tǒng)具有的一些傳統(tǒng)專家系統(tǒng)固有的弊?。?/span>
●開發(fā)與維護(hù)成本高。構(gòu)建專家系統(tǒng)的關(guān)鍵是獲取及編碼專家知識，這一過程通常需要大量的時間和精力。此外，系統(tǒng)的維護(hù)也需要持續(xù)更新知識庫和規(guī)則，以確保系統(tǒng)的有效性和準(zhǔn)確性。
●靈活性差。當(dāng)環(huán)境或問題發(fā)生變化時，專家系統(tǒng)的適應(yīng)性會下降。工藝的多樣性和多變性讓工藝知識的采集和維護(hù)成為專家系統(tǒng)應(yīng)用瓶頸。
●規(guī)則沖突。規(guī)則構(gòu)建依賴專家經(jīng)驗，不同專家可能對同一個問題有不同的看法，導(dǎo)致在知識庫中引入了互相沖突的規(guī)則，使得系統(tǒng)無法做出明確的決策。某些復(fù)雜問題本身有多個解，且這些解可能相互沖突。
●規(guī)則缺失。由于時間、資源和技術(shù)限制，系統(tǒng)中存儲的規(guī)則數(shù)量有限，無法涵蓋所有潛在的決策情況。
4.2 基于大模型的工藝自動生成系統(tǒng)技術(shù)難點
大模型的廣泛應(yīng)用，為新一代的智能化工藝設(shè)計系統(tǒng)提供了技術(shù)思路。大模型和知識庫的結(jié)合，可實現(xiàn)真正意義上的智能化工藝設(shè)計，但在工藝規(guī)劃內(nèi)容的生成方面，仍面臨如下技術(shù)瓶頸。
●工藝規(guī)劃精度要求高。工藝規(guī)劃內(nèi)容的生成與一般的智能問答、泛娛樂應(yīng)用有著本質(zhì)區(qū)別，前者要求生成的內(nèi)容精確、具有強(qiáng)專業(yè)性的特點；后者卻有著更大的容錯率。前者須講究對錯，后者只講究好壞。這種情況對大模型提出了更高的要求。
●設(shè)計模型噪音特征多。工藝規(guī)劃的輸入是CAD設(shè)計模型，但設(shè)計模型通常包含大量的設(shè)計特征、幾何信息、屬性信息、標(biāo)注信息等，這些信息需要進(jìn)行處理以避免大模型推理的過擬合，影響模型的泛化能力。
●工藝規(guī)劃先驗知識雜。在工藝規(guī)劃中，包含大量嚴(yán)謹(jǐn)?shù)南闰炛R如工藝規(guī)范、數(shù)據(jù)表格、計算規(guī)則等，這樣的知識難以通過樣本學(xué)習(xí)的方式獲得，需要以結(jié)構(gòu)化形式進(jìn)行知識注入，采用特定的算法工具進(jìn)行精確計算和推理。
●工藝生成訓(xùn)練樣本少。工藝規(guī)劃與企業(yè)具體產(chǎn)品類型強(qiáng)相關(guān)，但在企業(yè)中，同類產(chǎn)品或零件的工藝樣本數(shù)量有限，不能滿足大模型進(jìn)行訓(xùn)練的數(shù)量需要，目前只能進(jìn)行“少樣本學(xué)習(xí)”。
4.3 基于大模型的工藝自動生成系統(tǒng)解決方案
為了結(jié)合傳統(tǒng)技術(shù)與大模型的各自優(yōu)勢，揚長避短，我們采用不同的技術(shù)進(jìn)行組合，設(shè)計了一套由特征/文檔預(yù)處理模塊，工序序列生成模塊和工序序列填充模塊組成的自動化工藝生成系統(tǒng)。
●特征處理模塊：針對噪音特征多的問題。對于工藝設(shè)計專家而言，哪些特征影響工藝流程的生成比較明確。因此，特征處理模塊提供了通用性的特征基礎(chǔ)模板，同時支持用戶自定義特征屬性和計算方法。支持從CAD設(shè)計模型中提取和計算僅影響工藝流程的特征，再作為模型的后續(xù)輸入。
●文檔處理模塊：不同企業(yè)的工藝文檔不論是結(jié)構(gòu)還是敘述習(xí)慣均有較大差異。文檔處理模塊可以將工藝文檔結(jié)構(gòu)解析為統(tǒng)一的格式，然后基于工業(yè)領(lǐng)域語料庫，訓(xùn)練垂直領(lǐng)域大模型用于解析工序步驟中實際的加工動作，將這些加工動作處理為規(guī)范化的描述。為了解決先驗知識雜亂與精度要求高的問題，我們認(rèn)為大模型學(xué)習(xí)應(yīng)關(guān)注工藝流程中重要且穩(wěn)定的部分，例如加工階段/加工部位等信息，而忽略具體的加工余量/加工精度等數(shù)值細(xì)節(jié)。最終輸出每個文檔對應(yīng)的工藝骨架序列。
●工序生成模塊：為了在小樣本情況下能夠?qū)W習(xí)到特征與工序之間的關(guān)系，我們基于同一企業(yè)同類零件的加工方法基本類似的先驗準(zhǔn)則，使用啟發(fā)式算法合并上一模塊輸出的所有序列為一個最短超序列，此時所有同類零件的工序可以看作是該超序列的一個子集。將工序生成問題由開放式的生成問題收束為超序列中的每一個工序是否出現(xiàn)的0/1判別問題。傳統(tǒng)的決策樹算法能夠在小樣本情況下很好地解決此類問題。
●工序填充模塊：經(jīng)過上述模塊處理，我們獲得了目標(biāo)零件的一個加工動作序列，此時該序列中還不包含各種加工要求等數(shù)值細(xì)節(jié)，因為這部分不屬于大模型擅長內(nèi)容。而當(dāng)確定了零件特征以及所需的加工動作時，基于知識的工藝設(shè)計系統(tǒng)(KMCAPP)可以很好地自動化推理并填充這些細(xì)節(jié)。最后輸出符合要求的目標(biāo)工藝。
AI是當(dāng)今科技領(lǐng)域的熱點，大模型與工業(yè)軟件的相互融合，推動了制造模式的革新，為企業(yè)數(shù)字化、智能化轉(zhuǎn)型提供了強(qiáng)大的技術(shù)支持和優(yōu)化方案。本文主要探討了大模型在工業(yè)軟件中的應(yīng)用需求，分析了大模型在工業(yè)軟件中的應(yīng)用場景包括工業(yè)領(lǐng)域大模型、設(shè)計與研發(fā)、生產(chǎn)與制造、售后與運維等。最后，以武漢開目自研的工藝自動生成系統(tǒng)為案例，分析了大模型在工業(yè)軟件中的應(yīng)用場景、技術(shù)難點及解決方案。為了充分發(fā)揮AI在工業(yè)軟件中的應(yīng)用潛力，未來應(yīng)加強(qiáng)相關(guān)技術(shù)研究和創(chuàng)新，對工業(yè)軟件進(jìn)行全智能化的融合升級，提高大模型的自適應(yīng)、自學(xué)習(xí)、自重構(gòu)、自進(jìn)化、自維護(hù)能力，快速適配生產(chǎn)需求，為AI大模型在工業(yè)軟件中的應(yīng)用帶來更多的機(jī)遇和可能性。
本文轉(zhuǎn)自網(wǎng)絡(luò)，不為其版權(quán)負(fù)責(zé)。若有來源標(biāo)注錯誤或侵犯了您的合法權(quán)益，請作者持權(quán)屬證明與本站聯(lián)系，我們將及時更正、刪除，謝謝。
關(guān)注微信公眾號
Copyright ? 2015-2021 biopond.cn All Rights Reserved. 魯ICP備2023002201號-1
