《GIO圓桌會議：2024AI使能工業創新白皮書（73頁）.pdf》由會員分享，可在線閱讀，更多相關《GIO圓桌會議：2024AI使能工業創新白皮書（73頁）.pdf（73頁珍藏版）》請在三個皮匠報告上搜索。

1、GIO白皮書白皮書AI使能工業創新使能工業創新2024年9月本文件由全球產業組織圓桌會議（GIO）倡議編寫，該倡議旨在為多個垂直行業中參與數字化轉型和/或ICT技術的全球產業組織提供一個討論和公開交流的環境。本白皮書是涵蓋制造業人工智能創新的多個產業組織共同努力的成果。它是對最新的“進行中工作”的持續研究，僅供了解一般信息，未考慮讀者的具體情況，并且僅反映制造業和汽車行業的當前進展。發布時間：2024年9月20日，第14次GIO圓桌會議如需了解有關GIO的更多信息，請訪問http:/www.gio.zone。來自“創新廚房”的問候AI甜點甜點制造業的創新開胃應用AI在制造業的應用由人類和AI廚

2、師組成的混合團隊提供的意想不到的食譜編輯和關鍵作者Jrgen Grotepass博士教授、Christopher Ganz博士等人前言前言本用例選集的標題是“來自廚房的問候”制造業的創新開胃應用。我們設計的封面圖片既包含了制造業中以人為基礎的創新，也包含了尖端AI使能的創新，體現了信息比特和物理齒輪的融合。兩位廚師擁有不同的能力和優勢，象征著他們所走的不同道路?？梢园雅砹_斯階梯視為兩位廚師的“云服務”，預示著他們所走的不同道路終將相遇。在匯合點，創新燈泡被點亮。流動著的藍色和黃色的能量讓燈泡在菜肴上方閃耀著綠色的光芒。當人類和AI團隊開始合作創新，在數據空間創造價值時，我們可能會大吃一驚。制造

3、業中AI使能的創新選集是GIO圓桌會議討論的成果，也是作者在為跨國公司工作并活躍于各個行業組織的過程中，開發和部署跨行業、跨地域的工業4.0解決方案所形成的跨文化經驗的結晶。創新就是以不同的方式處理事情，找到新的做事方法。創新就是要打破傳統思維，接受新的想法，即使這些想法看起來不合常規或具有風險。這種創新方法要求我們勇于承擔風險，擁抱驚訝，因為往往正是通過擁抱意外，我們才能找到最重要的突破和進步。創新還需要一定程度的適應性和靈活性，因為我們必須能夠在事情沒有按計劃進行時調整方法。這可能具有挑戰性，因為它要求我們放棄先入為主的觀念，對新想法和新觀點持開放態度。不過，抱著這種心態，我們就能接觸到新

4、的機會和潛在的解決方案，而這些機會和解決方案可能是我們從未考慮過的。這本關于創新開胃應用的手冊講述了如何接受解決方案，即學會預料意外和應對驚訝?！皠撔麻_胃應用”章節列出的創新故事均以引文開頭，每段引文都來自于歷史、哲學和科學領域的思想領袖，或節選自對作者產生影響的藝術作品。這種在編寫創新故事時從不同視角出發的設計是一種思維轉換的實踐，打破了傳統的解決問題的方式。隨著數字化使能行業轉型，導致OT、IT和電信行業的融合，這樣的實踐變得越來越重要。不同的問題解決方式、不同的標準、痛點和KPI可能會在多個利益相關方的合作中導致意見沖突。這就需要進行對話，使解決方案提供商、集成商和最終用戶/運營商這三個

5、關鍵角色之間的互動成為創新成功的使能器。目錄目錄引言引言預料意外預料意外在創新中與在創新中與AI合作合作創新開胃應用創新開胃應用第一道菜第一道菜設計和工程設計和工程一塊又一塊石頭#生成式設計未來并非命運的安排#產品的二氧化碳跟蹤孫子兵法中的戰術#5G使能價值創造金錘定律#云機器人眼見為實？.#光學檢測這是超感觀感知嗎？#具備視覺能力的未來網絡主菜主菜運營運營用我朋友的一點幫助#制造即服務鐘聲為誰而鳴#流程中的質量監控靈魂之樹#聯邦學習未來已來#數據空間中的價值創造我們三人何時再見#動態預測性風險管理根據其自身規律#自主工廠甜點甜點維護維護哪顆種子會長成？#預測性維護預測的目標#面向鑄造廠的規范

6、性AI三元組之美#協同狀態監控六小時砍倒一棵樹#基于AI的服務生態所有菜肴的新調料所有菜肴的新調料#生成式生成式AI展望展望13589121518202326273134404346495053586265681引言引言本手冊總結了創新食譜，其中有些是“老式”AI，例如機器學習、神經網絡（NN），有些則是新發展的AI，如基于模型的生成式人工智能，為開胃應用增添了風味。人類和AI能力的融合將設計出新的產品、流程甚至制造方式。正如我們從2011年諾貝爾經濟學獎得主丹尼爾 卡尼曼那里了解到的那樣，人類的決策過程很容易出錯1。他的主要論點是產生決策的是兩種思維模式：“系統1”是快速的、本能的、感性的和

7、有偏見的，而“系統2”則是緩慢的、理性的、耗費精力的和基于統計的。大多數時候，我們以為自己是根據“系統2”開展的行動，但事實上，我們仍然是根據“系統1”開展行動。由于創新需要應對意外情況，局限于“系統1”的思維模式讓作者想起安托萬 德 圣?？诵跖謇锏闹鲬馉庯w行員（1942年）中的一句話：“Dans ma civilisation,celui qui diffre de moi,loin de me lser,menrichit”（在我的文明中，與我不同的人非但不會傷害我，反而會豐富我）。他認為不同的觀點令人充實。有時，最成功的創新是那些通過協作、合作以及愿意傾聽和學習他人（如今也包括AI系統

8、）意見而形成的想法。從這個意義上說，這句話可以被視為一則提醒，提醒我們以開放的心態、學習的意愿來對待創新，并專注于找到讓每個人都受益的解決方案?；贏I的決策依賴于數據，而且在大多數情況下，依賴于最好是經過人類專家驗證的已訓練模型。隨著復雜性的增加，AI可能會提出人類未曾想到的解決方案。從這個意義上說，如今的AI是“系統2”的自動助手。因此，我們發現，在尋找新的解決方案時，AI和人類行為方組成的混合團隊將是最好的創新者?？紤]到生成式AI，我們認為一種新型創新文化正在不斷發展。與任何跨文化經歷一樣，我們需要文化學習和溝通技能來應對陌生和意外情況，從而將驚訝轉化為接受。驚訝是六種基本且普遍的情緒之

9、一，這些情緒在所有文化中都是一樣的（PaulEkman）。人工智能系統的未來設計需要預見學習循環，以應對人類的驚訝，并在需要時提供所用數據和模型的背景信息，因此雙方都需要學習。本書旨在作為跨文化的學習演練，也是一項仍在進行中的有關處理創新及人工智能支持創新的工作。本書還旨在邀請所有對創新感興趣的讀者和初創公司作為共同作者，與日益壯大的AI社區分享他們的解決方案和想法。從長遠來看，這將有助于開發和部署從設計上保證遵循用戶意圖的AI系統。*1.Kahneman,D.（2011）：快思慢想，企鵝出版社，第496頁等，ISBN 978-01410335702由于AI尚處于早期階段，現在正是引導其發展、

10、“教育”其能力以確保實現我們的意圖的時候。彭羅斯階梯上的二進制代碼是作者發出的“機器可讀”信息，旨在描述這個混合團隊踏上的旅程的愿景和使命。如果您現在就想知道這段信息的含義，您可以獲得生成式AI工具的翻譯支持，以節省時間。但是，隨著時間的推移在您消化我們在后續章節中介紹的創新開胃應用時您就會知道它的含義，也會在本書的展望章節看到相關摘要。3預料意外預料意外在創新中與在創新中與AI合作合作創新是指引入能為客戶創造價值的新事物（例如產品、服務、流程）。創新可能涉及新想法的形成、新技術（例如AI）的使用，或新商業模式的實施。創新的關鍵在于，在工業解決方案中采用創新時，必須為客戶創造價值。最近，新聞報

11、道了許多創新的AI解決方案和AI用例，但這些方案必須在客戶側體現價值，而不是體現在使能工具或流程（AI）上。在工業流程創新中，常見的方法是在當前未使用AI的解決方案的背景下描述問題或用例。這些解決方案通常是為人類操作量身定制的。引入AI最明顯的期望和方法往往是取代人類的勞動并與AI互動。但是，人類的局限性不是AI的局限性，AI的局限性也不是人類的局限性。因此，這種方法是不充分的。相反，應將用例與人類的局限性解耦或進行抽象，并考慮采用新的方法，發揮AI的優勢。這種基于AI的解決方案應結合人類的優勢，創建一個利用AI和人類優勢的系統。但是，人類的優勢最好由人類來執行，而不是由機器進行不完美的模仿。

12、由于任何AI方法都需要大量的數據集，而這些數據集必須是正確、一致、有標簽且完整的，因此以下局限性必須由人類智能來彌補：AI系統無法檢測因果關系，但很擅長發現相關性。AI以現有數據為基礎，無法投射到沒有數據的領域（模型也是如此）。解決方案反映了訓練數據集的所有缺點（偏見等）。另一方面，人類智能建立在心智模型上，而心智模型是在較少的數據基礎上訓練出來的，可以用于外推。在創新中與AI合作可以帶來很多好處，因為它可以讓組織快速、準確地處理和分析大量數據。不過，在與AI合作時，一定要預料意外，因為AI有時會產生意想不到的結果，或以人類可能無法預料的方式行事。與AI合作的關鍵挑戰之一是，通常很難完全理解A

13、I是如何得出結論或做出決定的。在處理基于大量數據訓練出來的復雜機器學習算法時，情況尤其如此。雖然這些算法在發現規律和進行預測時可能非常有效，但它們可能并不總是能夠解釋自己的推理，或清楚地說明它們是如何得出特定結果的。這種缺乏透明度的情況可能會導致意想不到的結果，使組織難以預測和消減潛在的風險或挑戰。例如，AI系統可能會做出不符合組織價值觀或目標的決定，或者可能產生與人類期望不一致的結果。4為了應對這一挑戰，組織需要為其AI項目制定明確的目標和期望，并設立健全的流程，以確保所使用的AI系統符合企業的價值觀和目標。這可能包括對AI系統進行定期審查和審計，以確保其按照意圖運行，以及進行持續的訓練和開

14、發，以確保其保持更新和準確。對于AI系統的供應商來說，這可能包括對出售給有其他價值觀或數據使用限制的其他國家的機器、系統或自動化解決方案中包含的AI系統進行升級。并非所有AI都智能盡管目前人工智能備受炒作和推崇，但需要注意的是，并非所有的AI解決方案都是智能的。大量實例表明，AI的行為愚蠢得令人吃驚。這主要是由于人工智能依賴于用于創建底層神經網絡的良好訓練數據。訓練AI系統就是一個很好的“垃圾進、垃圾出”的例子：訓練數據選擇不當會導致系統反映出訓練數據集的所有缺點和弱點。并且，如果系統在以后的使用中遇到了超出訓練范圍的情況，其行為就會變得不可預測。因此，無論是網絡的規模還是訓練數據的規模都不能

15、表明AI解決方案的質量。影響質量的最主要因素是訓練時使用的數據。由于這些數據通常是由人類選擇的，屬于AI與人類之間的交互，但這種交互常常被忽視，需要加以掌握。并非所有智能系統都是AI另一方面，并非每一個看起來很智能的技術系統都是基于目前所理解的AI（神經網絡）。復雜的工業設施，例如煉油廠、發電廠或類似設施，已經在沒有使用AI的情況下運行了幾十年。確定性控制算法已經發展到了一定水平，很容易給外界觀察者留下智能的印象。以模型預測控制為例：系統的傳感器讀數用于確定其當前狀態。然后通過動態模型方程運行該狀態，模擬對系統執行器的不同指令。利用優化算法，找到能使系統最接近理想狀態的最佳執行器指令。然后將該

16、指令下達給物理執行器以運行流程。在每個控制步驟中都會重復這個算法，在某些情況下甚至會以亞秒級的間隔重復。由于動態模型方程是基于物理定律，系統可以處理以前沒有遇到過的情況，即沒有先前數據的情況。然后，人類操作員監控系統的行為，僅通過調整設定值來驅動運行?？傊?，在創新中“與AI合作”可以帶來很多好處，但重要的是要預料意外，并積極應對潛在的風險和挑戰。這包括要設立明確的目標和期望，確保所使用的AI系統與公司甚至國家層面的價值觀和目標相一致，并對AI系統和人類能力的局限性進行期望管理。5創新開胃應用創新開胃應用本章總結了作為工業用例引入的小型創新和突破性創新，每項創新都具有挑戰性的主題和令人驚訝的最終

17、解決方案。技術成熟度各不相同，從研發項目的實際成果所產生的示范產品狀態，到市場上成熟的行業解決方案，不一而足。所選案例源自作者的專業經驗，是在作者為ICT（信息和通信技術）和自動化領域的跨國公司工作時為了制造流程的創新而開發的。在產品或制造流程以及生命周期的不同階段，必須應對不同的挑戰。因此，下一章列出的用例分為以下三組：設計與工程運營維護當前，各行各業正處于雙軌轉型過程（數字化轉型和綠色轉型）中，產品和流程的碳足跡已成為一種新貨幣。由于可以訪問數據，AI會成為將經驗流程知識轉化為預測性解決方案的關鍵使能器。這些解決方案將為客戶和相關價值鏈節省成本。在鋼鐵和橡膠等較為傳統的行業，為預測性和規范

18、性AI創建模型仍舊任重而道遠。隨著時間的推移，經驗會不斷積累。這是因為前端流程中的過程數據仍然缺失，需要傳感器集成來生成這些數據，這也是棕地更新的目標。傳統制造業的用例面臨更多的挑戰和瓶頸，因為它們：通常是客戶自建的，無法與其他設施進行比較，即來自類似設施的數據往往是不相關的。是為執行特定任務而設計的，正常運行的結果是已知先驗，并遵循工程結構和物理原理：這大多是基于物理模型完成的。因此，與消費者分析不同，工業客戶不希望了解平均（正常）運行情況，而是希望找到異常值（意外、故障）。設計工廠或機器時考慮的特定任務會反復執行。收集到的數據只有極小的差異，從而會證實先驗知識。有關意外和故障的數據非常罕見

19、，不足以得出統計結論。在工業設施的不同階段（工程運行維護）具有不同的生命周期。所有階段對于工廠的性能都同等重要。此外，工廠的生命周期比運行工廠所使用的軟件的生命周期更長。許多工業流程都很危險。錯誤可能導致損害和人員傷亡，甚至造成更大規模的環境破壞。試錯是不可接受的。6與用于大規模AI解決方案訓練的數據集相比，有關工業流程的數據和信息更為稀缺。此外，數據集屬于工業企業財產，往往不易獲得。歐洲目前的研發計劃（GAIA-X、Catena-X、Manufacturing-X）正致力于通過資助制造業的數字化轉型來解決其中的一些問題。歐洲議會于2022年4月6日通過的數據治理法旨在促進歐盟境內的數據共享，

20、從而使公司和初創企業能夠獲得更多數據，用于開發新產品和服務。只有當利益相關方和用戶能夠訪問大數據時，人工智能的潛力才能得到充分發揮。Angelika Niebler（歐洲議會的德國議員）主導歐洲議會通過了上述法案，她表示：“數據只有經過匯總、提煉并以正確的方式使用才有價值。一些企業可能甚至不知道可以利用其工業機器等產生的數據做些什么。更多的數據共享可以帶來新的商業模式，實現更高的效率，或者改進產品?！睆倪@個意義上說，下文列出的每一個創新用例都可能成為讀者想要跟進的一段旅程的起點，從而了解可以用數據做些什么。因此，我們希望將這些用例稱為創新開胃應用，以引起讀者的好奇心，并介紹創新廚房中的全新“熱

21、賣”食譜人類和AI團隊提供的開胃菜（設計和工程階段）、主菜（運營階段）和甜點（維護階段）。在介紹每個創新用例之前，會有一段引文來闡述相關主題，并在結尾處提供有關商業價值主張和關鍵績效指標的信息。創新就是要改變觀點，提出正確的問題，并敢于創新。為了引入創新精神，在編寫創新故事時，每個用例都會以一段引文作為開頭，表示不同的角度。這是一種思維轉換的實踐，打破了傳統的解決問題的方式。引文引文Nur wer das Frchten nie erfuhr,schmiedet Nothung neu.從未感受過恐懼力量的人什么也鍛造不了。理查德瓦格納：齊格弗里德，第1幕，第2場理查德 瓦格納的歌劇齊格弗里德

22、提到了要提出正確的問題，齊格弗里德敢于無視慣常的鑄劍方法，不偏袒歷史悠久的行會專長。最后，他成功地找到了新的鑄劍方法。從這個意義上說，克服恐懼、擁抱未知的想法可能與創新過程有關，因為創新往往需要承擔風險，涉足未知領域。要想為問題提出新的、具有創意的解決方案，就必須愿意挑戰自己的假設，跳出思維定勢，即使這意味著涉足可能不熟悉或不確定的領域。這種擁抱變化和接受挑戰的意愿可以是成功創新的一個重要方面。當AI作為用于創新的新工具，這一點尤為重要。7在每個用例中，我們都會指出它將為客戶帶來哪些價值。在本書所涉及的工業、B2B環境中，價值歸根到底是指通過新的解決方案產生的現金。在進行投資決策時，通常需要計

23、算凈現值，其中必須考慮解決方案帶來的正現金流。所以，我們要指出解決方案將對客戶現金產生積極影響的領域。為此，我們使用了圖1所示的雷達圖。圖1：用于顯示客戶價值領域的價值雷達圖圖表左側的區域有助于增加產品銷量，即通過增加銷量或通過提高設備運行效率（OEE）來增加產量。圖表右側是可以減少的成本項目：銷貨成本（COGS）、運營支出（OPEX），或資本支出（CAPEX）。右下方的部分是營運資金的變化。我們發現影響制造業的解決方案會影響庫存水平。對應收賬款或應付賬款有影響的解決方案可能與業務流程自動化更相關，為簡便起見，未將其包含在雷達圖中。請注意，雷達上列出的現金杠桿并不完整?？赡苓€有一些影響總收入或

24、凈利潤的方面沒有列出。這些內容將添加到圖表旁邊的注釋文本中，根據具體用例的情況對價值進行解釋。經過我們多年的分析，雷達圖已被證明對大多數工業應用而言是相當全面和完整的。8第一道菜設計和工程作為第一道菜，我們傾向于從設計和工程過程中提供一些啟發性的開胃應用，因為大多數創新都是從這里開始的。產品和系統的設計側重于滿足客戶的要求和技術規范，而工程則結合了科學和數學領域，在客戶現場解決特定問題。如今，我們看到工程學的定義發生了轉變：從傳統的機器設計和工程到社會技術系統的“工程”（德國國家工程院），社會和環境也成為價值鏈中新的利益相關方。政界要求開始關注與產品生命周期相關的循環經濟，從設計階段開始，直至

25、材料的回收和再利用。最新的例子是，歐洲要求遵守能源和產品碳排放方面的規定，以實現雙軌轉型目標（數字化轉型和綠色轉型）。到2050年，可持續的數字化技術將使歐盟實現碳中和?！盎谀Ｐ偷南到y工程（MBSE）是對建模的形式化應用，以支持系統需求、設計、分析、驗證和確認活動，從概念設計階段開始，貫穿整個開發和后續的生命周期階段。MBSE技術方法通常應用于擁有復雜系統的各行各業，例如航空航天、國防、鐵路、汽車、制造業等?！保ㄕ跃S基百科）由于系統性能與設計階段設定的系統邊界密切相關，后期糾正設計和工程階段出現的錯誤會產生極高的成本。然而，數字孿生的興起能夠在產品的早期階段模擬物理屬性和環境參數，而不再需

26、要花費高昂的成本來制造原型。因此，可以避免錯誤，減少材料和能源消耗，并避免回收原型硬件。此外，連接到云服務和訪問數字孿生可能會帶來更加靈活的系統邊界。通過按需部署云服務可以提高系統的彈性和適應性。當獲得運營數據和反饋時，工程和運營階段開始重疊。9 用例：產品設計和工程中的生成式AI對于制造企業來說，保持競爭力是成功的關鍵。最近在生成式AI領域取得的成功讓人們產生了將這種方法用于產品設計和工程的想法。通過利用機器學習和數據分析的力量，公司可以創造出滿足客戶需求的創新且高效的產品?？蛻舻奶魬痍P于生產優化和維護方面的AI應用已經有了很多論述。此外，這些精選的用例參考了幾篇致力于改善工廠運營的論文。然

27、而，工廠設計和建造中的錯誤很難在運行時得到糾正，或者說，即使能被糾正，代價也非常高昂。工廠一旦建成，可能會按照“建成時”的配置運行數年而不作任何更改（例如制煉廠）。離散制造工廠在生產新產品系列時可能會進行重新配置。因此，在工廠的生命周期內，我們可以確定三個周期：工廠設計、建造和運營產品設計和生產產品制造和維護所有這些都包括生產運行。在調整設備的設定值來優化運行時，可以基于大量持續收集的運行數據。然而，對于產品重新設計周期而言，從之前的產品中收集的數據可能并不相關，而且為了提供足夠的數據所需收集數據的頻率要低得多。工廠的設計周期大多甚至不是一個周期周期是指工廠從建成到運行，直到幾十年后被拆除。因

28、此，要想基于測量數據來優化工廠設計，相關數據很難獲得。工廠工程和產品設計都必須依賴仿真能力來提供相關的優化數據。一旦實現了這一點，就可以建造工廠，或者對工廠進行改造，以生產新的產品系列。引文引文Une cathdrale est bien autre chose quune somme de pierres.Elle est gomtrie et architecture.Ce ne sont pas les pierres qui la dfinissent,cest elle qui enrichit les pierres de sa propre signification.教堂不僅僅

29、是石頭的堆砌。它是幾何學和建筑學。不是石頭決定了它，而是它用自己的意義豐富了石頭。安托萬 德 圣?？诵跖謇?，戰爭飛行員一塊又一塊石頭#生成式設計10最近，隨著ChatGPT、Dall-E等受到熱議的解決方案的發布，生成式AI算法受到了廣泛關注。生成式算法不僅能將輸入數據集映射到輸出數據集，而且通常具有更復雜的結構。其中一類算法是生成對抗網絡（GAN）。在這種情況下，兩個網絡進行對賭。其中一個是生成器，經過訓練后可以根據輸入數據集創建輸出，例如根據描述創建圖片。另一個是判別器，負責接收原始輸入和生成器人工生成的輸入，并經過訓練來判斷輸入是生成的還是原始的。當判別器檢測到人工輸入時，就會將這一信息

30、反饋給生成器，讓生成器學習創建更逼真的輸出，并誘使判別器將生成器的輸出評定為真實輸出。在這種系統中，生成器會隨著時間的推移變得越來越好。這樣的系統可以比作大師和評論家：大師提供作品，評論家評定好壞。然后，大師學習哪些作品被評為好作品，隨著時間的推移，大師只會收到好的評價。這一概念可應用于產品設計。系統接收零部件的規格。生成器可以創建符合規格的零部件設計。判別器根據規格對這些設計進行評定，然后生成器創建新的設計，使其變得更好，最終滿足規格要求。為了使這些系統更加有效，它們不能只依賴AI模型。生成式設計工具能夠對零部件的物理屬性進行建模和仿真，因此可以通過仿真其行為并將其與設計規格進行比較來評估設

31、計的表現。人類設計師從一組表現相似的生成式設計中選擇最終設計，或在整個過程中根據人類經驗調整參數來改進設計。所產生的生成式設計通常具有更加有機的外觀：設計沿著力場和應力矢量分配材料，從而形成在自然界中經?？吹降慕Y構，特別是植物的生長形態。這些在地球歷史上不斷演變的形態是最有效的結構之一。傳統的減材機械無法有效地制造這種結構。為了創造上述結構，增材制造通常是首選的生產方法。生成式設計可以在材料使用和重量方面更加高效。它們還能產生人類未曾感知到的全新設計理念。軟件是一個特例。軟件是以文本（編程語言）的形式設計的，近期基于語言的模型（例如ChatGPT）非常適合處理文本。很多參考文獻讓ChatGPT

32、寫的不是文章或論文，而是計算機軟件。它的表現相當出色。在軟件方面，我們已經可以看到，工程任務未來可能會更多地關注概念性問題，而編寫正確、安全代碼的細節可能會由AI智能體負責。即使是像PLC應用這樣的專業軟件，這也是可能的：西門子在2023年漢諾威工業博覽會上展示了使用ChatGPT生成PLC代碼的技術?；贏I的挑戰和機遇11 結論生成式算法的飛速發展，尤其是在語言、圖像和視頻方面的發展，也為工程領域帶來了巨大的潛力。正如它們在軟件工程中展現出的優勢一樣，不理解計算機語言但理解物理語言的類似解決方案可以為更快地設計產品或組件提供巨大支持。此外，它們還能更精確地滿足人類設計師提出的規格要求。目前

33、，許多PLM供應商都提供此類軟件包，在不久的將來，我們可能會看到這一領域取得更多進展。為了真正從新方法和由此產生的優化設計中獲益，在許多應用中都需要對制造進行調整以包含增材制造能力，從而能夠創造出設計的形狀。生成式設計和增材制造共同創造了新的機遇，為設計工程師提供了更強大的工具。產生的價值生成式設計通常能更高效地利用材料，使產品更輕（“不動產”的重量更輕）。自動創建供檢視的變體可提高員工的工作效率。自動化程度更高的設計可提高產品配置的靈活性，縮短上市時間。12引文引文Zukunft ist kein Schicksalsschlag,sondern die Folge der Entschei

34、dungen,die wir heute treffen.未來并非命運的安排，而是我們今天所做決定的結果。弗朗茲 阿爾特 用例：產品和流程設計中的產品碳足跡跟蹤我們可以在今天做出的影響產品和流程的未來的決定往往在產品和流程設計階段就開始了。目標是通過“設計”，在整個生命周期內盡可能實現可持續發展。設計階段還包括材料回收和二次利用，解決產品和流程從“搖籃到墳墓”期間的循環經濟需求?？蛻舻奶魬鹂沙掷m產品倡議（SPI）是歐盟“綠色新政”的一部分，就產品碳足跡（PCF）的申報提出了新的監管要求。數字產品護照可能會涵蓋PCF。所有行業都可能被要求以數字產品護照（DPP4.0）的形式提供某些產品信息2。D

35、PP可能是促進更可持續的產品和消費的一大步，通過使能基于數字數據共享等新型商業模式來提高能源和資源效率。西門子技術副總裁兼對外合作負責人、ZVEI工業4.0管理部主席DieterWegener教授博士認為：“DPP有助于極大地提高能源和材料供應的安全性，從而增強經濟韌性”3。從這個意義上說，有助于可持續發展的數字產品護照已成為一種新的貨幣，使企業在與不遵從DPP規定的供應商競爭時更具優勢。ZVEI在2023年漢諾威工業博覽會上示范了首款高度集成的產品4。作為用例，ZVEI選擇了一臺由多個模塊組成的控制機柜，其中每個模塊都由其數字孿生（資產管理殼）進行描述5。由于每個資產管理殼中的子模型都包含其

36、制造過程中的產品碳足跡（PCF）數據，因此，將每個模塊組裝過程中的所有單個PCF相加，就可以輕松計算出整個機柜的綜合碳足跡。如下圖所示，掃描每個組件及整個產品的二維碼就可以監控數據，因此就有了透明度。*2.https:/www.zvei.org/en/subjects/zvei-show-case-pcfcontrolcabinet*3.https:/ 61406（識別鏈接）的數字銘牌（DNP4.0）和 符合IEC 63278標準（正在開發）的資產管理殼（AAS）如圖3所示，工程流程包括公司與相關IT系統之間的許多接口。除了必須傳輸工程數據外，各個組件的數據也必須從供應商傳輸到系統集成商。在這

37、個簡單的例子中，已經有15家公司參與其中，需要從這些公司獲取56種產品和組件的數據以實現增值，最終形成由93個零部件組成的一個系統。圖3：工程辦公室、系統集成商和客戶之間的價值鏈數據共享14 產生的價值監管合規：對產品進行二氧化碳跟蹤，減少數噸的產品紙質文檔，從而獲得競爭優勢。產品吸引力：DPP將幫助利益相關方和消費者在購買和使用產品、產品所體現的環境影響，或可回收材料含量方面做出更明智的決定6。生命周期成本：DPP為產品的再利用/再循環提供了必要的信息。結論和展望2022/2023年漢諾威工業博覽會上的示范產品令人印象深刻，展示了如何在資產管理殼（AAS）和數字銘牌（DNP4.0）的幫助下呈

38、現產品信息，并在相關流程中自動使用。計算控制機柜在整個供應鏈中的產品碳足跡（PCF）就是一個很好的例子。這個技術解決方案能夠提供產品信息，還體現了數字產品護照（DPP4.0）的概念。AAS旨在簡化系統集成和減少工程工作量。這將得到作為子模型的AAS的附加元信息的支持。這將為更深入地集成其他網絡（如GAIA-X和Catena-X）奠定基礎7?；贏I的挑戰為了促進生產和產品的可持續發展，我們在設計產品時就必須考慮到產品的整個生命周期。這包括監控整個供應鏈以及組件和材料的回收和再利用。需要使用AI工具來分析和選擇數字市場中不同供應商提供的組件的數字孿生。在工程階段，將通過優化多個參數來選擇組件，例

39、如匹配技術規格、有關能源和PCF消耗的環境要求、客戶對交貨時間和成本的要求，以及供應鏈的韌性。當前的差距表明，需要進一步開展研發工作，開發未來的生成式預訓練AI模型，以訪問和分析數字市場中提供的資產和生產能力的數字孿生。*6.https:/ 用例：5G使能價值創造過去，我們制造了完美的機器，現在仍然如此。但是，與量產場景和通過固定設計來滿足客戶要求的規格不同，我們如今面臨的新挑戰是如何使系統具有適應性、彈性和可持續性?？蛻舻奶魬馂榱藢崿F量產，機器的有線解決方案和固定設計為我們贏得了“過去的勝利”，但現在我們可以考慮增加無線連接，以數據為基礎創造價值，不再區分聯網的硬件、軟件和服務。機器和模塊可

40、以在工廠內外進行連接，以實現新的生產范式，例如共享生產場景。5G能夠對機器進行棕地更新，使系統邊界更加靈活，因為基于數據的云服務可以集成更多的功能，這與最初的設想不謀而合。隨著市場上出現的“類電纜”（確定性）無線網絡解決方案（5G+：5G及更高代際），傳統機器可以通過5G進行更新，按需增加模塊和傳感器，并部署智能云服務，以實現質量和流程控制等。這就是對現有機器進行“棕地更新”，例如將焊接、銑削、鉆孔和數控制造所需的生產機器連接到云端，實現基于數據的在線流程自動化。這樣一來，由于車間不再需要其他硬件，可以在減少二氧化碳足跡的情況下實現更高的質量，而且基于資產數字孿生，可以在數字空間中進行復雜的仿

41、真和服務提供?；贏I的挑戰在漢諾威工業博覽會和5G-ACIA（互聯產業和自動化聯盟）的網絡研討會上展示的與基于5G的智能制造相關的各種創新用例中，都可能涉及基于AI的挑戰。用例用例1安全和模塊認證（基礎設施即服務：IaaS）：與安全相關的機器驗證以云服務的形式提供。通過在車間運行的資產的數字孿生了解安全風險，并頒發虛擬證書。利用AI服務進行環境篩查和物體檢測，以監控是否發生未曾預料的額外安全風險。此外，通過進一步的研發來涵蓋AI服務本身的風險，從而開發可信服務。孫子兵法中的戰術#5G使能價值創造16圖4：通過自動安全驗證實現快速的機器重配置（Eco Connect Rom，2019）如圖4所

42、示，自適應的無線聯網機器的最新安全認證場景是基于車間運行資產的數字孿生。與車間資產（例如機器人）相關的風險由其數字孿生在特定環境場景下進行描述。AI可用于監控環境，即是否仍按計劃進行，甚至可以展望幾秒鐘后的未來。這種預測性風險管理帶來了新的動態認證流程。中央安全控制回路不再局限于有線聯網的資產。如果緊急停止，無線聯網的機器也會停止。用例用例2在產品運輸過程中通過AI服務實現增值：如圖5所示，AGV在物流領域的增值：利用運輸時間進行按需的質量控制。在對AGV進行棕地更新時，集成了一個具有5G連接功能的攝像頭。在產品運輸過程中，將圖像數據發送到邊緣位置，進行質量評估。最佳情況是AGV將貨物運送到下

43、一個生產步驟或客戶處。如果在運輸過程中發現缺陷，AGV會把產品運至維護區，請求人工操作員的支持。用于質量控制的AI服務包括對AI模型進行訓練，并利用共享同一用例的其他多臺機器的進一步數據更新數據庫。這就是所謂的“聯邦學習”，可為所有地點提供最佳性能，因為缺陷一旦在單個機器或地點被發現，就會在所有地點被檢測到。17圖5：利用5G質檢測試臺對AGV進行棕地更新（HMI2022）產生的價值靈活性：5G為生產提供了必要的靈活性，可以更好地滿足客戶需求。上市時間：如果機器采用無線連接，工廠車間的重新配置速度會更快。生命周期成本：基礎設施投資可在其生命周期內重復用于各種工廠配置。因此，預計到2030年，5

44、G技術將使全球制造業的國內生產總值（GDP）增加高達7,400億美元8。結論和展望5G+無線連接可以使能連網生產和AI服務的新型工業場景。目前已為5G機器人和制造業創建了各種測試臺，并發布了相關評估結果（5G-ACIA，2021-2023年漢諾威工業博覽會）。其他信息和參考文獻https:/5g-acia.org/testbeds/testbed-5g-based-smart-manufacturing-and-industrial-ai-services/https:/5g-acia.org/insight/endorsed-testbeds/*8.Adib,D.（2019）：5G對制造業的

45、影響2030年實現7,400億美元收益。STL Partners顧問公司，倫敦。18 用例：以繞線機為例的云制造電動發動機是使用傳統繞線機器制造的。然而，這些機器的設計限制了新型發動機產品線的繞線，因為這些產品線的幾何形狀或設計上都不在傳統繞線機的范圍內?？蛻舻奶魬痤A計電動機市場將從2023年的1,356.1億美元增長到2031年的2,140.6億美元，預測期間（2023-2031年）的年增長率（CAGR）為5.32%10。高昂的產品成本和復雜的繞線技術要求新的自適應制造解決方案能夠制造從消費類電機到機械和汽車的各種產品線。電動發動機日益增長的市場潛力需要靈活的生產能力和構件，例如傳統機器人系

46、列。*9.https:/en.wikipedia.org/wiki/Law_of_the_instrument*10.https:/www.wbk.kit.edu/wbkintern/Forschung/Projekte/AgiloDrive/index.php工具定律即金錘定律，是一種認知偏差，包括對某一熟悉工具的過度依賴9?；贏I的挑戰和未來機遇繞線工藝已經超越了傳統繞線機的功能，被重新視為一種焊接工藝。機器人將叉形針插入定制的定子孔中，而不是繞銅線。如圖6所示，在第二個生產步驟中，通過焊接針元件形成發動機的連接線，從而實現連接。這一工藝創新是人為的，但也可能是未來AI分析數字孿生并識別

47、可用于制造產品的不同生產能力的良好范例?？梢栽L問產品和工藝能力的數字孿生（資產管理殼）的通用AI模型或許可以為任何現有制造工藝提出新的解決方案。工藝工程師必須決定是批準還是駁回這樣的解決方案。下方的圖6介紹了基于魯棒的機器人構件的敏捷生產能力，展示了電動發動機的不同制造流程。設計已經改變，發動機定子是3D打印的，機器人負責插入和連接針。金錘定律#云機器人引文引文如果你唯一的工具是一把錘子，那么就很容易把所有事情都當成釘子來對待。亞伯拉罕 馬斯洛，196619工程設計（傳統）傳統繞線機上的電機繞線 產品（發動機）的設計限制與繞線工藝有關創新設計（利用不同的能力）重新定義繞線工藝。插入針頭并通過焊

48、接進行連接 利用敏捷構件使產品要求與生產技能相匹配圖6：KIT項目AgiloDrive展示了敏捷生產能力的構件 產生的價值設備TCO：基于機器人的靈活繞線方法使專用繞線機變得過時?？梢灾匦屡渲脵C器人以覆蓋其他產品類型，而繞線機的靈活性僅限于特定的產品范圍。靈活性：無需新機器即可生產客戶定制的電機。結論云機器人創新使智能機器人具有更高的計算效率和更低的功耗。由于需要的硬件更少，制造成本可以降低。產品生命周期中的產品和流程的碳足跡得以減少。20 用例：光學檢測設計出一種能夠檢測隱形屬性的光學系統！這無疑是一項工程挑戰。這項創新開胃應用涵蓋兩個領域：設計和運行，不過創新是在設計域完成的，并在運營領域

49、證明了其價值。圖7：Dall-E生成的圖片：“人員輕觸在產汽車以檢測缺陷”客戶的挑戰白車身（BIW）是指在汽車制造過程中，車身框架連接在一起的階段，即在噴漆完成之前，以及在電機、底盤分總成集成到車身結構之前的階段11。白色車身是油性的，因此不會反射任何光線。所以，人眼無法看到表面缺陷，只能由經過培訓的質量“檢驗”人員在白色車身被運往噴漆車間的過程中通過觸覺檢測。如圖7所示，人員輕觸整輛車，以感受并修復凹凸等表面缺陷，使其符合質量管理要求。和再次*11.https:/en.wikipedia.org/wiki/Body_in_white眼見為實？#光學檢測引文引文眼見為實，但感受才是真理。托馬斯

50、 富勒（17世紀作家）21任何缺陷都會導致額外的成本，因為在噴涂工藝后，這些缺陷就會顯現出來，必須進行修復和再次噴涂，從而導致非常高昂的成本和時間損失。由于人工檢驗結果取決于檢驗人員的個人主觀能力，存在不可靠性，因此需要對這項流程進行創新：設計一種集成視覺系統的流程，用于在白色車身運往噴漆車間的過程中客觀檢測車身表面缺陷。巴伐利亞州公共資助的名為“ABIS自動車身檢驗系統”的研發項目由此啟動。由于存在時間和在線流程整合等多方面的限制，對整輛汽車進行三維數據采集并不可行，因此該項目利用了一項專利，實現了一次性的數據采集。這背后的基本思路是使用投影儀相機對，其中投影儀以傾斜角度向表面區域投射灰階正

51、弦波圖案，而攝像機則垂直于該表面區域。任何表面缺陷都會導致在圖像中檢測到局部相移，從而可以計算出該缺陷確切的三維尺寸。由于圖像尺寸僅覆蓋20厘米乘20厘米的區域，因此采用了集成多個相機和投影儀對的門式系統設計。當白色車身經過門式機器人被傳送到噴漆車間時，每個投影儀和相機對都會根據汽車的CAD文件和運動過程中的實際位置被引導到正確的位置。如圖8所示，這樣就可以對整輛汽車進行無縫檢驗。圖8：自動車身檢驗系統“ABIS”從手工到機器人檢驗的演進 基于AI的挑戰以支持向量機為基礎的機器學習算法經過訓練，能夠以可接受的檢測率和“誤報”率對表面異常進行檢測和分類。由12臺PC組成的網絡只需2秒鐘就能在每輛

52、車的25,000個數據集中識別并定位缺陷。檢測到的缺陷位置被傳送至噴墨機器人處，以便對缺陷進行標記和維修。另一個已解決的挑戰是保證長期的流程能力，避免在臨時發生流程轉變后出現局部最優或數據訓練的問題。因此，經過訓練的歷史數據以“紅綠燈”的形式顯示，在顯示的實際缺陷中，“綠色”表示已接受的缺陷，“紅色”表示未接受的缺陷，如圖9所示。22圖9：聯邦教育與研究部資助的研發項目“OPAQ”中開發的用戶界面12 產生的價值減少了汽車生產線的停線時間，降低了流程成本和隱性質量成本，原因是將平均流程成熟度從4西格瑪提高到了6西格瑪。每提高一個西格瑪成熟度，成本降低達銷售收入的10%，因為停線成本高達每小時數

53、百萬美元。通過在線解決方案提高流程效率（30%），提高質量（從5西格瑪提高到6西格瑪）。結論通過不斷擴大的數據庫以及針對先前流程的較短反饋回路，可以識別并消除導致缺陷的根本原因。甚至可以優化沖壓車間的工具和沖壓條件，因為工具中殘留的任何異物都會產生系列缺陷，需要在白車身工藝中進行修復。通過上述創新和系統演進，可以將生產流程控制和質量保證任務整合在一個系統中?？煽?、客觀的測量數據的透明度使工廠操作人員能夠同時監控生產流程和所生產的車身部件的質量。13*12.https:/quality-engineering.industrie.de/allgemein/unsichtbare-fehler-s

54、ichtbar-machen/*13.ZEISS and GOM,https:/ mon secret.Il est trs simple:on ne voit bien quavec le cur.Lessentiel est invisible pour les yeux.這就是我的秘訣，一個非常簡單的秘訣；只有用心，才能看清事物的本質，眼睛是看不見的。安托萬 德 圣?？颂K佩里，小王子，第21章這是超感觀感知嗎？#具備視覺能力的未來網絡24每個5.5G網元都將原生集成通信、計算和感知能力，促進從云端集中智能向深度邊緣泛在智能的演進。AI部分是網絡固有的，是未來實現大規模應用的基礎設施的一部

55、分?；谏疃冗吘壷悄艿姆植际綑C器學習架構對于滿足未來社會和制造業的大規模智能需求至關重要。網絡感知網絡感知：5.5G將具備網絡感知能力。在頻段、帶寬和天線不斷增加的推動下，通信系統將集成無線感知能力，通過無線電傳輸、回波、反射和散射探索物理世界。通信系統還將提供高分辨率感知、定位、成像和環境重建能力，以提高通信性能，支持更廣泛的網絡服務場景。它涵蓋了一系列用例，例如設備甚至無設備目標的定位、成像、環境重建和監測，以及手勢和活動識別。14極致連接極致連接：未來網絡將提供通用的高性能無線連接和極致體驗，其速度可與光纖媲美。峰值速率高達1Tbit/s，體驗速率為10-100 Gbit/s，時延為亞毫

56、秒級，連接密度是5G的十倍，可實現厘米級定位、毫米級成像，以及基于可控誤差分布的端到端系統可靠性。未來，這些將不僅使能以人為中心的沉浸式服務，還將加速垂直行業的全面數字化轉型和生產效率升級14，如圖11所示。圖11：2023年漢諾威工業博覽會：華為表示6G或將改變未來機器人的設計方式15 基于AI的挑戰AI將成為5.5G通信系統的一項服務和原生特性，并且，5.5G將成為支持基于AI的服務和應用的端到端系統。具體來說，5.5G空口和網絡設計將利用端到端的AI和機器學習來實現定制優化和自動化營運管理與維護（OA&M）。此外，每個5.5G網元都將原生集成通信、計算和感知能力，促進從云端集中智能向深度

57、邊緣泛在智能的演進。高效、分布式的協作學習架構對于降低大規模AI訓練的計算負載至關重要。此外，分布式和聯邦學習將有助于優化計算資源、本地學習和全局學習，并有助于滿足新的數據本地治理*14.https:/ Ta等人，6G的通感一體化：動機、用例、要求、挑戰和未來方向，D.Tan，Jia He以及另外四位作者，W.Tong，2021年2月23日發表，計算機科學，2021年第1屆IEEE聯合通信與感知（JC&S）國際在線研討會 產生的價值新的產品和市場可能會圍繞AI服務發展。5.5G有合并價值鏈、現有業務，甚至行業的潛力，因此制造業可以實現去中心化的平臺經濟。感知能力可能為新的解決方案帶來新的可能性

58、?，F在處于發展的早期階段，有待挖掘更多價值。從5G到6G網絡的演進將整合通信、感知、計算和智能等各種能力，因此有必要重新定義網絡架構。新的網絡架構應支持原生可信，并能靈活適應協同感知、分布式學習等任務，以大規模推廣AI應用。數據以及由此衍生的知識和智能是5.5G和6G網絡架構重新設計的驅動力。新的數據治理架構支持數據合規和變現，以及先進的隱私保護和量子攻擊防御17。結論和展望26作為主菜，我們希望提供運營階段的精選開胃應用，因為創新必須在運營階段證明其價值。工業數字化進程正在快速推進，相關標準（例如OPC-UA以及資產和服務的數字孿生）也在不斷出臺。車間OT（運營技術領域）到IT（工業網絡領域

59、）的數據可追溯性成為新商業案例和運營范式的使能器，設計和工程階段開始與運營階段融合。適應性、互操作性和自主性將成為可持續發展和彈性制造的新型關鍵要素（德國工業戰略2030，PI4.0）。雖然上一節指出，設計階段定義的系統邊界限制了運營特性，但由于這兩個階段開始融合，新的選擇也隨之出現。傳感器可以集成到傳統系統和機器中，生成過程數據，這些數據可以通過無線網絡（例如5G+、Wi-Fi）連接到內部硬件（邊緣設備）或外部數據中心（公有云或私有云）。這樣就可以在本地部署云服務，提供原本沒有預料到的能力。這一過程被稱為“棕地更新”，是實現制造業數字化的必要步驟。在運營階段，根據流程性能指標（流程能力）的統

60、計測量結果來監控理想的系統輸出。在對流程進行統計控制時需要使用這些KPI，例如在流程存在了一段時間后。當超過質量基準時，工廠或機器操作員將采取行動，從正在進行的流程轉變中恢復系統。最近的工業運營要求是達到6西格瑪或以上的流程成熟度，這意味著每生產一百萬個零部件，最多只能觀察到3.4個缺陷。主菜運營27 用例：共享生產“制造即服務”圖12所示的共享生產場景是GAIA-X用例的一部分，由國家層面的公共資金支持，目的是在共享生產資源的基礎上開展合作：圖12：共享生產：跨工廠和跨公司生產展示；智慧工廠KL 2025愿景“自主產線L4”18 客戶的挑戰這種生產范式提供了各種解決方案，以便在需要時利用數字

61、市場提供的生產能力自己的車間不具備這種能力，或者將未使用的生產能力提供給新客戶。開放式和模塊化的生產方式使各個公司能夠跨越公司界限，以更加密切和透明的方式展開合作，定制生產。生產和增值網絡的控制是數據驅動的，數據的所有權持續得到保障。與正常的價值鏈一樣，數據的收集和處理可以挖掘新商業模式的潛力。不同之處在于，組建臨時的增值網絡可以進一步提高潛力，并在每種場景下（共同）開發新的商業模式。*18.https:/www.bmwk.de/Redaktion/EN/Artikel/Digital-World/GAIA-X-Use-Cases/shared-production.html用我朋友的一點幫助

62、#制造即服務引文引文我靠朋友的幫助過得不錯。披頭士樂隊，用我朋友的一點幫助28該用例已在2022年和2023年漢諾威工業博覽會上進行了概念驗證。歐洲各地的不同生產線已聯網，可根據客戶的配置定制產品。圖13：自主產線L4示范產品提供了一個數據空間，用于連接公司內部和公司之間的生產服務。圖片來源：智慧工廠KL/A.Sell圖13中的自主產線L4示范產品有三項創新：跨越工廠限制、能夠自主釋放的模塊交換基于深度神經網絡的自學習AI方法可連接不同生產能力的Gaia-X系統架構自主產線L4代表基于可擴展的可信架構進行“共享生產”19。如下圖14所示，該用例是由聯邦教育與研究部資助的研發項目SmartMA-

63、X的一部分，該項目隸屬于GAIA-X20：*19.https:/www.elektroniknet.de/automation/smartfactory-kl-erarbeitet-shared-production.182372.2.html*20.https:/www.data-infrastructure.eu/GAIAX/Navigation/EN/Home/home.html圖14：共享生產的特點是基于技能的全歐洲互聯智慧工廠，能夠提供產品碳足跡的可追溯性或所使用的生產能力信息。29 基于AI的挑戰AI未來的作用將主要體現在工程階段，即為數字市場提供的生產服務尋找和匹配合適的數字孿生

64、（AAS：資產管理殼）。在匹配過程中，AI工具將幫助設計師在符合客戶要求的不同生產能力中，根據能耗和產品碳足跡（PCF）的最佳值做出選擇。圖15描繪了通過AAS將工程重新視為連接技能的過程?；诜盏臄底謱\生，在符合GAIA-X要求的數據空間中產生價值。圖15：在生態系統中使用EDS Eclipse數據空間連接器以符合GAIA-X要求的方式產生價值然而，AI服務并不局限于工程階段。此外，它們還將支持客戶打造制造生態系統，連接合作伙伴以滿足共享生產的需求，并基于自動拍賣來達成合作。產生的價值產品吸引力：新的商業模式促使在不斷發展的新市場上提供和請求獲取生產能力。投資成本：在需要時使用制造服務可減

65、少對本地新生產能力的投資。生產效率：當合同隨客戶需求的減少而減少時，可避免生產閑置的風險。結論在當今產品特性飽和、價格極具競爭力的市場上，制造商正在探索全新的服務型商業模式，以擴大利潤并與客戶建立更牢固的關系。許多制造商發現，在產品組合中增加服務，可以使其產品與眾不同，并獲得競爭優勢。30由于制造企業可以通過設計靈活的工廠、共享資產，以及分離工廠所有權和使用權來應對關鍵挑戰，“生產即服務”的范式增強了企業的彈性。上述用例還表明，人工智能、人類和機器是未來的夢之隊，高科技生產并不會把人趕出工廠。共享生產的特殊系統架構實現了不斷發展的工業數據空間（例如作為汽車網絡的Catena-X21以及作為橫跨

66、各行業細分領域的Manufacturing-X22網絡）這一形式的彈性和可持續性。*21.https:/www.plattform-i40.de/IP/Redaktion/EN/Downloads/Publikation/Manufacturing-X_long.html*22.https:/catena- 用例：貫穿整個生產過程的質量監控在許多生產流程中，質量控制是在子組件結束安裝時或者在重要中間時點進行的。如果質量問題是由不符合規范的機器參數或來料缺陷造成的，那么在質量檢測之前仍在生產線上的零部件也可能存在問題。盡早發現質量問題有助于提高產量。在引文中，人們在澆鑄之前對金屬件進行了檢查?？?/p>

67、戶的挑戰設備綜合效率（OEE）是衡量某一設備可生產多少產品的指標。它包括三個方面：生產效率、可用性和質量。生產效率和可用性通過增加正常運行時間和生產速度來增加產量。提高質量就是減少無法使用的產品數量。所以，可以減少因低質量而浪費的材料和能源。這不僅對OEE有影響，還能節省能源和材料。因此，質量是生產環節的一個重要因素。如今，許多生產流程都將質量保證作為生產的最后一步。通過系統的質量檢測或從一批產品中抽取樣品來檢查成品是否符合規格要求?？梢栽谏a環節中對這些樣品進行在線分析，也可以在質量保證實驗室進行離線分析。不良質量可能來自個別生產錯誤，也可能來自生產線上的系統性錯誤。在后一種情況下，必須對整

68、批產品進行分析，并有可能將這批產品丟棄。必須找到并修復生產錯誤。如果在生產流程的最后階段才發現并糾正錯誤，那么生產出的這批無用的產品已經耗費了大量的精力。在流程早期跟蹤問題有助于節省處理有問題的產品所需的時間、材料和精力?？梢蕴崆巴Ｖ股a并且解決問題，這樣就不會生產出整批有缺陷的產品。此外，將測試范圍從單個樣品擴大到生產的每件產品，可避免發出有問題的產品，以及避免在現場進行昂貴的更換或維修。鐘聲為誰而鳴#流程中的質量監控引文引文Wie sich schon die Pfeifen brunen!Dieses Stbchen tauch ich ein,Sehn wirs berglast er

69、scheinenWirds zum Gusse zeitig seyn.看到水管已經變黃！我在其中浸泡了一小塊；如果它呈現出釉層，就可以開始澆鑄了。弗里德里希 席勒鐘聲之歌32 基于AI的解決方案機遇人工檢驗產品質量時通常使用目測。他們會檢測出不當的涂層、裂縫等問題。圖像識別是一項成熟且成功的AI應用。AI不僅可以區分貓和狗，還可以通過訓練檢測出合格產品和故障產品之間的區別。智能手機使用的攝像頭使得小型、低價、高質量的圖像捕捉設備大量出現。人工檢驗需要人眼能看到被檢驗的產品，而攝像頭則可以放置在有限的空間內，例如機器內，以監控生產過程中任何階段的產品質量。攝像頭不僅可以檢測產品中的故障，還可以

70、監控實時生產過程，并檢測出肉眼無法檢測到的不當操作。在實驗室取樣進行的更深入分析很難完全集成到生產過程中，因為這往往需要時間和昂貴的設備。如果有足夠的實驗室測試數據，并能與生產流程中的傳感器讀數相關聯，那么就有可能找到一種解決方案，讓經過訓練的AI模型將實驗室測量結果與傳感器讀數相關聯，從而根據流程傳感器大致預測實驗室測試的結果。然后，實驗室測試可集中在AI系統標記為有問題的材料上。除了在生產流程早期檢測出不良質量外，AI還能幫助提高質量。利用高質量的產品測量結果以及相應的流程設置和規格對AI進行訓練后，AI可以學習到哪些參數能夠實現優異的結果（“黃金批次”），從而輸出最優流程設置。在生產流程

71、中，來料質量可能會對產品質量產生重大影響?？砂凑丈鲜鱿嗤绞竭M行來料質量評估。不過，如果可以提供上游流程的生產質量信息，例如提供數字產品護照，就可以透明地共享這些信息。將上游數據與生產數據進行整合能夠獲得更全面的質量信息。運輸過程中的質量仍有待監控，即交付的零件是否在整個供應鏈中得到了適當處理。這就需要在價值鏈上進行更廣泛的資產跟蹤，并且可將其視為一個單獨的用例。產生的價值主要價值在于：生產的次品數量減少了，因此提高了OEE。附帶效應是：由于需要丟棄的零部件減少，生產這樣的零部件所使用的能源和材料也隨之減少。此外，發貨后出現質量問題的概率也會降低。因此，高質量的產品可以帶來更高的銷售價格。33

72、 結論：雖然預測性維護是最突出的用例之一（在單獨的一節中描述），但值得注意的是，監控生產的產品本身就是一個非常有價值的用例。這兩個用例相輔相成，因為生產設備的劣化（通過預測性維護檢測到）很有可能導致產品問題，而檢測到缺陷產品也可能導致檢測到機器故障。由于AI模型必須基于產品的屬性進行訓練，因此從劣質生產中收集數據尤為重要。AI模型（“良好質量”）也可以從工程工具（如工程用例中所述）的設計數據中得出。如果在整個流程中應用AI可以提升質量，這將帶來更高的OEE并減少材料和能源浪費。34靈魂之樹與伊娃連接，伊娃通過樹的種子與世界直接交互。盡管人類沒有神經隊列，靈魂之樹可以通過其延伸的根纖維的物理接觸

73、直接與人的神經系統連接。靈魂之樹的根須可以與納美人發起神經鏈接，比如通過聲音之樹，從而使所有納美人團結起來。用例：用于聯網生產質檢的聯邦學習“制造生態系統中的質檢”這一用例與共享生產GAIA-X項目“SmartMA-X”有關，由智慧工廠-KL作為協調者，并已在2022年漢諾威工業博覽會上進行了展示。成熟度級別為“概念驗證”，目前正在汽車行業進一步催熟【6】?！爸圃旒捶眨∕AAS）”解決方案連接了多條生產線，以制造定制的卡車樣品，如圖16和圖17所示。盡管卡車在設計、外形、材料和工藝上有所不同，但它們都需要視覺質量檢驗。與在本地的集中式設備上處理產品和工藝數據的常見檢驗程序不同，此解決方案使用

74、的是基于邊緣的分析，在參與共享生產場景的每個站點都進行AI模型的本地部署?？蛻舻奶魬鹇摪顚W習是一種機器學習框架，使多個設備可以協作學習一個模型，而無需共享它們的私有數據。這給醫療保健、金融等關鍵領域提供了大量機會，在這些領域，與其他組織或設備共享私有用戶信息是有風險的。然而，聯邦學習面臨著幾個挑戰：通信效率、數據異構性、系統健壯性和隱私保護。其中一個關鍵挑戰是客戶端選擇，也就是在每一輪聯邦學習訓練中分別選擇一部分客戶端參加?？蛻舳说倪x擇會影響聯邦學習的收斂速度、準確性、公平性和可擴展性。與客戶端選擇相關的一些客戶挑戰包括：如何選擇具備高質量且有代表性的數據的客戶端進行聯邦學習訓練？在選擇客戶端

75、時，如何平衡通信成本和模型性能？在選擇客戶端時，如何保證客戶端的數據和模型參數的隱私和安全？在選擇客戶端時，如何處理客戶端的動態性和異構性（例如可用性、可靠性、資源約束等）？在選擇客戶端時，如何設計激勵機制，鼓勵客戶端參與聯邦學習訓練？靈魂之樹#聯邦學習引文引文靈魂之樹通過樹的種子與世界直接交互電影阿凡達135 基于AI的挑戰在協作學習中，所有站點與云模型共享其AI模型參數，云模型將其插值，并生成優化的參數集，然后以服務形式將其部署在所有本地站點上。這樣可以在所有站點上都檢測到故障，雖然某些故障可能之前只在一個站點上發生過。一個明顯且非常重要的優勢是，所有敏感的產品和工藝數據都保存在本地，只將

76、AI模型權重與云模型共享，用于協作學習。雖然數據法案正推動在工業數據空間進行數據共享，但尚未制定出如何保護參與數據生態系統的合作伙伴產生價值的解決方案仍無法解決行業擔憂。這就導致企業在利用如此重要的數字數據上存在知識不對等的創新障礙，阻礙了數字化和價值創造。利用知識產權保護價值生成的方法將支持行業伙伴共享數據，從而在不披露敏感數據的情況下獲得聯邦服務的收益。由于共享生產的場景是基于自主產線L4的范式，所以該服務具有高度可擴展性。此外，邀請合作伙伴參與，由于所展示的棕地方案通過5G連接實現傳感器的集成，從而進行邊緣和云端分析，伙伴的傳統機器能夠獲得新的功能。所展示的質量檢驗服務涵蓋檢測表面缺陷（

77、如凸起或凹痕）和違反產品資產管理殼（AAS）中所述的產品規格（如CAD文檔）的缺陷等。該解決方案旨在促進數據主權、數據安全和數據互操作性，使組織在協作的同時保持對其數據的控制。在這種情況下，該服務的潛在用戶（買方視角）可以下載和使用該服務，并輕松使用自己生產線中的數據集。以符合Gaia-X工業4.0的方式提供質量檢驗服務（供應商視角）就是借助AAS來描述質量檢驗服務（其特征、特性、屬性和能力）。根據檢驗任務的不同，可能會使用額外的傳感器，或者融合不同來源的數據?；贕aia-X連接器，合作伙伴可以連接到相關的數據空間，并提供（供應商）或使用（買方）基于AAS的軟件服務描述。這意味著可以在Gai

78、a-X服務目錄中找到該服務，服務提供商可以通過圖16所示的市場提供這樣的軟件服務。36圖16：面向軟件服務的工業4.0數據空間客戶可以連接到相關數據空間，可以瀏覽市場上可用的軟件服務，選擇一個符合其要求的軟件服務，下載（例如，作為一個Docker容器）并在自己的生產線中使用。所有這些操作都是在通過AAS提供的通用服務描述的幫助下執行的。因為“質量檢驗”也是登記在市場上的一項服務，所以客戶可以下載該服務，或者如果該服務已經在客戶側運行，則只需基于全局聯邦模型更新模型權重。由于質量檢驗服務是基于聯邦學習算法，因此客戶也可以基于其本地數據集進行一輪額外的訓練，從而提升模型質量。在這個用例中，聯邦學習

79、可以為多個領域的質量控制帶來顯著收益，例如在工業制造應用領域。在確保數據隱私和機密性的同時，聯邦學習可以利用不同來源的數據，這也是群體智能中協作動態的體現。聯邦學習可以使數據驅動的機器學習模型利用不同來源的數據，同時不損害數據所有者的隱私和機密性。聯邦學習還可以通過整合不同客戶端的本地知識和偏好來提高數據的質量和多樣性。與孤立的客戶端模型相比，聯邦學習與目標檢測的集成產生了顯著的準確性和精度提升。我們的研究結果表明，全局聯邦模型在避免局部數據共享的同時，即使在不同的條件下也能保持韌性，如在不同的光照、相機角度和對象組合下。請參見圖17。37圖17：面向“群體學習”的本地AI模型參數的數據共享和

80、本地模型的更新鑒于聯邦學習的可擴展性，很多領域都可以利用聯邦學習的潛力。除了所示的用例，在數據共享受隱私因素限制的領域，如醫療或車聯網的交通管理中，聯邦學習的收益也是顯而易見的。聯邦學習具有合作的性質，多個客戶端收斂形成一個全局模型，所以聯邦學習是一個革命性工具，可以在數據驅動的價值創造中增強魯棒性和適應性【5】,【7】。質量檢驗任務是從對象中抽象出來的，并與對象中的感興趣區域（ROI）相關。因此，無需任何訓練就可以在客戶端1的生產現場（制造各種卡車）識別出缺陷，盡管缺陷是發生在客戶端2的生產現場（制造不同的卡車設計或部件）且訓練也是基于客戶端2的數據。檢驗任務是一樣的。由于檢驗任務與產品設計

81、和材料屬性無關，因此全局模型可以利用參與其中的本地生產單元的所有輸入，進而為每個合作伙伴提供優化后的AI模型參數。38圖18：不同車型的卡車質量檢驗：局部與全局學習的比較【7】圖18展示了一個包含四個卡車駕駛艙的場景，分兩部分展示每種客戶端的類型，并展示兩個類別：“帶擋風玻璃的駕駛艙”和“不帶擋風玻璃的駕駛艙”。圖中所示的值表明，在精度方面，全局模型優于局部模型。它總是得到更高的分數，這表明全局模型在預測精確邊界框方面表現出色，即使是在面對未知的組合類型時也是如此。相較之下，全局聯邦模型顯示了更優的性能，表明其魯棒性更好，這也是通過避免對不相關對象的任何誤報來實現的。產生的價值在當今產品特性飽

82、和、價格極具競爭力的市場上，制造商正在探索全新的服務型商業模式，以擴大利潤并與客戶建立更牢固的關系。許多制造商發現，在產品組合中增加服務，可以使其產品與眾不同，并獲得競爭優勢。產生的價值包括：受益于生態系統減少本地硬件投資平臺商業模式的潛力質量檢驗服務生態內可信的數據共享需求保護數據共享的知識產權39在“質量檢驗即服務”這一用例中，通過服務按需部署，聯邦學習給供應鏈帶來了價值，使投資成本降低，并使所制造產品的質量更高。附加值體現在產品質量更高且碳足跡降低。結論：知識產權保護服務和隨之而來的質量和工藝改進優化服務可能推動中小企業行業合作伙伴進一步創新，這本身可能成為未來的商業用例。本案例研究中涉

83、及的主要參與者是參與“制造即服務（MaaS）”場景的所有合作伙伴。MaaS為參與市場或數據空間的買方和供應商提供了各種機會：更多信息和參考【1】2022年漢諾威工業博覽會直播回看：https:/lnkd.in/eRTg-_p3,從1:52:46開始【2】直播回看路演日“Datenraum工業4.0”：https:/www.plattform-i40.de/IP/Redaktion/DE/Veranstaltungen/2022/09-Pitchday_Stream.html【3】面向所有人的數據空間：https:/www.plattform-i40.de/IP/Redaktion/DE/Dow

84、nloads/Publikation/aas-dataspace4everybody.pdf?_blob=publicationFile&v=6【4】SmartMA-X項目：https:/www.smartfactory.de/en/smartma-x/【5】在硅谷展示的聯邦AI用例聯邦學習智慧工廠-KL：https:/arxiv.org/pdf/2208.04664【6】https:/www.twin4trucks.de/【7】https:/uweseebacher.org/products/collective-intelligence-the-rise-of-swarm-systems-

85、and-their-impact-on-society?srsltid=AfmBOor_T7j42obnencVZdcc25c7t0b-KYPPvM_alBHUZkRjLftBEUGV到目前為止，為了保護企業商業秘密，質量檢驗僅限于每個合作伙伴的工廠內。但隨著MaaS的范式轉變，數據共享使得“質量檢驗即服務”這一新解決方案成為可能，即每個合作伙伴都能受到知識產權保護，且產品質量更高。產品和工藝數據始終不出廠區。聯邦學習可以顯著提升多個領域的質量控制，例如工業應用、預測性維護和醫療。聯邦學習使數據驅動的機器學習模型能夠利用不同來源的數據，同時不會損害數據所有者的隱私和機密性。聯邦學習還可以通過整

86、合不同客戶端的本地知識和偏好來提高數據的質量和多樣性。在買方看來，MaaS可以使能柔性生產：解除自有設備和資源的限制 解除單一地點和固定合作伙伴的限制在供應商看來，MaaS創造了新的市場機會：在開放市場或數據空間中提供免費產能 利用現有資源彌補差距40各個行業的數字化正在以不同的步伐推進。在車間，不同廠商提供的資產類型多種多樣、數據格式和ICT接口各不相同，這些阻礙了企業向新的、基于數據的商業模式推進，而上述商業模式是通往數字經濟的大門。威廉 吉布森的名言用在這里很恰當，首批工業計劃已指明了方向，例如Catena-X是首個開放、協作型數據生態系統。用例：在制造數據空間中以開放和協作的方式創造價

87、值Catena-X是一個可快速擴展的生態系統，汽車價值鏈上的所有參與者都平等地參與其中，如圖19所示。其目標是為整個汽車價值鏈上端到端數據鏈的創建、運營和協同使用創造環境。2021年的創始成員包括：ARENA2036、巴斯夫、寶馬、德國電信、德國航空航天中心、德國邊緣云公司、漢高、ISTOS、梅賽德斯-奔馳、博世、SAP、舍弗勒、西門子、SupplyOn、采埃孚、大眾以及弗勞恩霍夫協會?？蛻舻奶魬鹬圃鞓I正在經歷深刻的變革，面臨著來自多個方面的挑戰。其中一些挑戰包括：供應鏈韌性（確?？缍鄠€價值鏈步驟的物料流動）可持續性（跟蹤真實PCF數據，實現價值鏈去碳）系統性覆蓋（互操作性標準和中小企業的準備

88、度）創新成本（基于開源的共享服務推動創新）這些挑戰要求制造業開展數字化和可持續發展轉型，使其在不斷變化的世界中保持競爭力和韌性。任何一個市場參與者，無論是OEM、供應商還是設備商，都無法獨自解決當下的問題23。Catena-X旨在助力競爭力和可持續發展目標的達成，同時降低制造業擁有成本。*23.https:/catena- 吉布森41基于模型的產品設計以及相關公司之間新的協作方式。數字行為孿生使得整個價值鏈中的每個產品及其子組件實現無縫集成。市場：使能數據和模型變現，激勵合作伙伴在網絡上提供數字行為孿生。模型和運行時環境帶來的最大收益是中小企業能夠獲得解決方案和評估程序。24圖19:Caten

89、a-X架構提供了市場，從而可以在數據空間中協同創造價值 基于AI的挑戰目前，多個領域都在開發AI支持，涵蓋產品設計和工程階段的云服務、為優化供需管理物流的自動化運營規劃，以預測供應鏈風險并遵守新的監管框架和供應鏈法律。預測性AI的一個關鍵挑戰是獲得過程參數，以降低參與數據室的合作伙伴的總擁有成本。當合作伙伴在市場上登記產能過?；蚨倘睍r，算法會在必要時自動協調有關閑置產能的需求或供應。這樣，生產線就不會閑置，生產成本就會降低。其他挑戰涉及遵守供應鏈法律以及計算、跟蹤和遵守產品和工藝相關的碳足跡法規的新服務。*24.https:/catena- 附加值協作式數據生態系統關注產品和生產能力的整個生命

90、周期，以滿足即將到來的循環經濟的需求。從物料供應到產品制造和回收的所有步驟都包含在內。該數據生態系統的其他特征包括：42 結論Catena-X已經從一個由德國政府資助的研發項目演變為一個產業聯盟。Catena-X概念的實施增強了區域內的采用，并確保數據可以在區域之間流動。已經在法國和瑞典建立了平臺，并計劃在韓國、瑞典和中國建立更多平臺。在出現危機、地緣政治依賴和供應鏈風險時，這種開放、協作的數據空間提供了一種去風險和解耦的方法，因為區域和國際市場中的伙伴可以與建立了可信業務關系的伙伴開展業務，無需依賴特定供應鏈結構。其他閱讀資料https:/catena- 產生的價值主要價值來自降低總擁有成本

91、、提高OEE以及提升產品吸引力。由于市場中的服務，上市時間會縮短。通過共享可復用的服務和使用標準（EDS）來降低成本。將業務從資本支出轉變為運營支出。43三個女巫預測了情況，正在評估她們再次相見的環境和風險?！皠討B預測性風險評估”這一用例是一種新的認證方案，從排除特定環境中的任何風險演變為管理通過評估環境變化而可能預測到的風險。用例：動態預測性風險管理使用預測性AI和環境評估進行風險監控和虛擬認證?？蛻舻奶魬痣S著IT-OT融合，車間機器的適應性有悖于遵循“永不觸碰一個運行中的系統”這一范式的傳統認證方案。認證過程是基于固定的機器人和機器系統設計來展開的，其環境條件中排除了所有安全風險。舉個例子

92、，必須將機器人與人員用柵欄隔開，以避免危險和事故即使或許發生危險的概率非常低。如今，需要新的認證方法來認證人類和機器人共享的共同工作空間，實現適應性和有韌性的系統設計，通過觀察機器運行的環境來管理風險。這個用例會監控實際的風險級別，并預測未來幾秒可能出現的風險級別，并發布虛擬證書，如圖20所示。針對聯網的模塊化生產設計和機器的無線連接，需要設計規則，以實現靈活生產、安全特性封裝，并確?？煽亢桶踩幕谧灾鞔砘蚧谥薪榇淼目刂坪蜎Q策過程，以優化運行時的生產力和安全性并遵守即將出臺的歐盟法規。我們三人何時再見#動態預測性風險管理引文引文女巫1我們三人何時再見？在雷聲、閃電或雨中？女巫2當匆忙結

93、束時，當戰斗失敗和勝利時。女巫3這將是在太陽落山之前。莎士比亞：麥克白，第1幕，第1場44TV南德意志集團正在研究模塊化安全一種利用數字孿生體系的兩步法。資產和機器的數字孿生是實現可信（安全和隱私）的關鍵要素，因為在使用資產和機器的過程中，風險級別和概率可能與不同的環境條件有關。數字孿生是真實世界實體和過程的虛擬表示，以指定的頻率和保真度進行同步。25涉及威脅和危害分析的風險評估需要確定合適的同步頻率和保真度，因為它們對于確保動態用例的韌性至關重要。只有當生命周期內的變化評估已經內置于數字孿生能力中，使可信成為數字孿生架構的一部分時，才有可能對機器或配置進行安全的變更，并且在驗證期間不產生不可

94、接受的長時間停機?；贏I的挑戰運營安全智能利用對基于數字孿生的體系（SoS）的全面理解。這需要環境監控來檢測和了解情境變化，并提前解決沖突。圖20：TUEV-SUED漢諾威工業展，2023年4月17日，面向風險監控和認證的動態和預測性環境評估要為關乎安全的決策贏得時間，數字孿生（DT）是關鍵正向仿真提供了另一個層次預測性安全。運行時的風險評估是IIoT的一項要求。必須確保運營安全：時間t0是過程安全時間，t0+Tx是基于數字孿生體系的預測性安全時間，監控t0+Tx，以進行決策。風險評估必須是機器可讀的以便比較t0和t1之間的變化。*25.實現運行時適應性安全和動態危害評估的安全方法論，202

95、3年5月9-10日在愛爾福特舉行的VDE DKE會議，工業和能源產品副總裁Detlev Richter博士45 產生的價值 結論安全專業人員開始使用數據分析對其環境進行更客觀的評估。通過利用數據和預測性分析的力量，企業可以開始使用超前而不是滯后的指標來跟蹤安全和降低風險。安全生命周期管理需要基于數字孿生的體系。零信任原則是OT/IT堆棧的一部分，旨在確保數據完整性。數字孿生的反饋回路是一種強有力的功能性安全措施，可以保證完整性。預測性安全分析有助于制造商提升工作場所的整體安全，并規范業務結果。事故率和損失工時事故率降低。投資成本：一個可預測的安全環境可以用較少的硬件安全措施達到安全水平?；陬A

96、測性認證流程，可以實現更靈活的機器設計，以更短的生命周期和更低的投資成本獲得更高的產出。AI/機器學習和概率推理是去中心化安全架構解決方案的一部分?；谀Ｐ偷南到y工程是實現可信的第一步基于DT的技術生命周期。46 客戶的挑戰在討論自主系統時，大多數人都會聯想到自動駕駛汽車。也有人在討論如何使各個行業變得更自主。這兩種應用的性質截然不同，需要采用不同的方法。自動駕駛汽車可以在不斷變化的、在某種程度上無法預見的環境中獨立運行。它會對許多外部輸入（交通情況）做出反應，從而遵守交通規則、避免事故，并安全到達目的地。因此，作為一個系統，它有大量的非結構化輸入（測量方式：相機、雷達、激光雷達等，以及目標位

97、置），且只有兩個輸出：速度和方向。汽車的內部功能（例如，發動機控制）不會改變。而自主工廠則恰恰相反：輸入很少，而且是結構化的（生產訂單、物料）。然而，對該輸入的反應要復雜得多，而且可能包括改變機器設置和生產流程。工廠的內部功能可能需要進行適配。自動駕駛汽車的復雜性在于它對復雜環境的反應。制造場景的復雜性在于要將其內部與高度結構化的且基本可預見的輸入保持對齊。一個高度自動化的工廠，如果在較長時間內產品保持不變，就可以被視為是高度自主的。這些工廠可以長時間在幾乎無人看管的情況下運行，特別是在加工工業中。在離散制造中，產品的批次量較小。在工業產品中，產品配置要按照客戶的規格進行調整，這是一個標準流程

98、。但是，越來越多的消費產品也在按照客戶愿望或當地市場的要求進行定制。改變生產以適應新的產品設計越來越常見。在最短的循環中，每一批次的產品（客戶定制的產品）都需要重調整每個產品的生產流程。因此，工廠配置從設計周期轉移到運營周期。一個自主工廠不僅能夠自動生產一開始就計劃生產的產品，而且能夠自動調整和適應產品設計。我們之前討論的屬于工程的部分現在已經成為生產中不可或缺的部分。將我們在工程章節中提出的想法與自配置工廠的想法結合起來，我們就可以得到這樣一個工廠：給它提供規格，它就可以自主生產出滿足這些規格的產品或組件。根據其自身規律#自主工廠引文引文n自己/自己的規律根據其自身規律古希臘詞的含義47在生

99、產車間完全不需要人工參與的極端場景下，可以考慮這樣設計工廠。不再需要設置觀察人員的通道，也無需在機器人周圍設置安全籠，甚至電氣設備機柜也可以拆除（除非它們是為了避免設備污染）。將人類從工廠設計要求中移除可能會提高工廠效率，并降低碳足跡。修復這樣的工廠成了另一個挑戰。一個完全自主的工廠是否能夠自我修復還有待觀察?；贏I的解決方案機遇本書前面已經討論了自主工廠的組成部分。高度自動化是根本。全自動機器已經是最先進的技術了，在今天的智慧工廠中，將機器人用于裝配和某些制造步驟也很常見。我們已經提到了為確保生產出沒有缺陷的產品而進行的過程質量控制。這種工廠是使用自動導引車輛來移動零部件和材料，還是使用其

100、他運輸工具，這本質上是一個設計決策。由于批次量比較小，AI必須具備的一項能力就是將產品設計轉換為機器指令。這樣的系統需要考慮設備的能力、知道如何編程以及如何組裝所生產的部件。這一步所需的智能水平取決于可生產的產品組合的廣度。有些產品變體只需要更改部分機器參數（例如，尺寸、顏色、添加或刪除特性）。如果要生產各種各樣的產品，就可能需要進行大量的適配。甚至可能需要一些設備本身變得更加自主。例如，當前，機器人按照編寫好的程序重復進行所需的動作。自主工廠或許能對機器人重新編程。但機器人可能會對變化的環境做出反應，適應變化的部件，找到不同位置的螺絲孔，或者通過查看零件來識別焊接軌跡。使工廠更具自主性意味著

101、，將通常在生產環節之前執行的設計和工程步驟轉移到運營環節，從而降低生產環節之前的復雜性，但增加運營環節的復雜性。有了更高的自主性之后，工廠變得更加靈活，可以對更多樣的輸入做出反應。但即使是最靈活的工廠也只能生產其組件可以處理的東西。擁有焊接和金屬加工設備的汽車工廠也許可以生產自行車，但它很難生產運動鞋和服裝。因此，在確定期望的自主水平時，工廠的“結果空間”即可能的產品范圍就至關重要。此外，與某些步驟仍由人工處理的解決方案相比，建造這樣一個工廠的代價可能過于高昂。產生的價值自動化程度高，因此生產效率更高、質量更好。減少人力需求，帶來更好的健康和更高的生產力。無需人工，從而降低不動產需求?？傮w而言

102、，實現了更高的生產靈活性。48 結論一個完全自主的工廠可能還很遙遠，也很難實現，而且去除所有人類交互也可能不是最有效的方法。然而，某些應用，例如，海底操作（在數據中心、電力生產或油氣開采中已經看到了）證明這樣的努力是有必要的。如果考慮到征服火星，這樣的想法也是受歡迎的。如何經濟高效地進行小批量生產，這不僅是AI面臨的挑戰。在工業化到來之前，人們是這樣生產的：在作坊里一件件地手工制作。如果回到這樣一個系統，而不利用工業化帶來的巨大效率收益，這無疑是自主工廠面臨的挑戰。49甜點維護作為第三道菜，我們想給您一個驚喜：來自維護的新的開胃應用。維護的作用是盡可能延長機器的使用壽命，而不是修復已經損壞的設

103、備。我們看到了一個趨勢，從統計維護（在達到預定的運營時間后提供維護服務）轉變為在“現場”提供維護服務準確地在需要的時間和地點提供。服務行動是提前規劃的，考慮到實際的機器數據及其因運行期間的振動或環境條件造成的損耗和磨損。及時訂購備件并安排維護人員。服務不再是不透明的“黑盒子”，即不再基于維護所花的時間收取費用，而是成為這樣一種商業模式：在需要采取行動之前，提前為客戶規劃專門的時間和資源。對經營者而言，維護不僅僅是定期實施傳統的、標準化的維護和任務清單，而且要結合各種來源的知識（即客戶生產計劃、針對操作和磨損的傳感器測量、機器歷史、設計），以便使部署規劃與各機器的個性化需求相匹配。特別是，不僅可

104、以通過基于AI的單臺機器分析來識別工業工廠的（潛在）問題（“預測性維護”），還可以通過基于AI的、跨客戶的機器數據分析來識別（“對等組比較”）。當前的發展受益于利益相關方價值鏈上的數據可追溯性，例如，利用來自傳感器生產商、機器集成商和最終用戶的數據。由于這些數據是專有的，以前不可能進行交換。但是，隨著新的商業模式的演進，每個參與者的貢獻都可以得到激勵，因為這樣做可以降低客戶站點的總成本。而且傳感器供應商可以在更短的設計周期內使其傳感器適配新的客戶需求。50 客戶的挑戰在運行工業流程時，出現中斷是一件麻煩事。任何經營者都想要避免中斷。在運營中，有時需要中斷生產，例如為產品變更做生產準備的時候。計

105、劃性維護也需要進行某些中斷。然而，計劃外的中斷可能會帶來代價高昂的影響。為了避免中斷，經營者可以采取不同的維護策略。預測性維護是采取降低設備故障概率的措施。這可以與常規的汽車維護相比，包括在維護時更換機油，更換壽命有限的零件。這些任務可以計劃和安排在由于運營原因（重新配置、周末等）停止生產時完成。其影響可以在生產計劃中進行規劃。根據觀察到的設備狀況，維護人員可能認為必須進行一些修理。他們會評估緊急程度，并相應地規劃維護任務。必須圍繞這類干預重新安排運行計劃。當設備發生故障而未被事先識別到時，運行就會中斷。在修復期間，生產會被中斷。更糟糕的是，中斷的生產流程可能導致某個產品不可用。部分生產流程有

106、很長的爬坡期，這會導致中斷的影響更大。如果設備受到嚴重損壞，這種中斷可能很嚴重，并導致重大損失。因此，盡可能準確地檢測到退化情況并預測故障是符合經營者的利益的?；贏I的預測性維護挑戰預測故障很容易，不需要AI就可以做到：任何設備都會在某個時間出現故障。即使預測是正確的，也幫不上忙。為創造價值，預測應包括以下幾個方面：什么即將出現故障？需要做些什么來防止故障發生？什么時候可能出現故障？設備還能安全運行多久？狀態監控第一個關于故障性質的問題可以通過狀態監控來解決?？梢栽诠收闲纬傻南鄬ν砥跁r候看到、聽到甚至聞到故障。AI可以幫助更早地發現故障?？梢允褂脕碜云渌收系臄祿柧毦W絡。再將測量的數據傳

107、遞給AI系統，從而確定設備是否顯示出退化的跡象。哪顆種子會長成？#預測性維護引文引文要是你們能夠洞察時間所播的種子，知道哪一顆會長成，哪一顆不會長成，那么請對我說吧。莎士比亞：麥克白，第1幕，第3場51但是，需要大量的各種故障數據來訓練AI。由于工業設備本身很少發生故障，因此可能無法從一個站點獲得這樣的數據。因此，供應商必須從很大一部分存量中收集數據，要通過物聯網從客戶那里收集信息。如果客戶抱怨說他們不想共享數據，那他們必須意識到，只有在很多站點共享數據的情況下，這樣的解決方案才能創造價值，而且他們可以從其他共享數據的客戶那里受益。因此，他們對該方案的整體質量做出貢獻并從中受益。為了收集數據，

108、設備必須創建包含信息的數據。對于運動中的設備（例如，發動機、機器人等），這不成問題。旋轉設備監測已經存在幾十年了，可以分析收集到的信號頻譜。但是，其他設備（例如斷路器）在被觸發之前都不會傳遞表明其是否正常工作的數據。在被觸發時可以觀察到故障，但為時已晚。因此，和所有AI項目一樣，一個關鍵問題是：是否能夠獲取包含正在形成的故障信息的數據？物聯網可能是實現這一目標的一種手段，但在AI解決方案可能創造價值之前，需要投入大量的資金和時間來建立故障數據集。預測狀態監控可能會指示故障內容，但要知道什么時候會出現故障仍是一項更復雜的任務。仿真可以為預測設備的未來表現提供答案。為了預測故障，老化、磨損和損耗必

109、須反映在仿真時使用的數學模型中。這樣的模型非常復雜，而且用于設計產品和仿真產品運行行為的模型通常不包含這樣的模型。此外，即使仿真中包含故障模型，也不容易將內部模型參數映射到測量值以重現觀察到的影響并對其演變進行仿真。因此，基于數據的模型（如AI）有助于解釋那些被觀察到但沒有被建模的影響。但是，正如在狀態監控一節中提到的那樣，必須能夠獲得此類數據。對于狀態監控，來自某個時間點的數據足以識別該特定時間的狀態。對于預測，還必須提供從檢測到故障這段時間的數據。在這個時間段內，運行狀態，即設備的使用方式，也發揮了一定的作用。在觀察到狀況的地方和預測可能發生故障的地方，運行狀態會有所不同。能夠顯示故障演變

110、過程的數據集則更為罕見。收集此類數據會受到所謂的“審查問題”效應的影響。一旦檢測到故障，大多數客戶都會在設備出現故障之前將其修復。因此，數據集不會包含假如沒有干預設備會何時出現故障的信息。解決辦法與基于狀態的預測性維護一樣，通常會提到另一種方法作為一種可能的維護策略：規范性維護。在這種方法中，會預測什么時候出現故障，以及可以采取什么措施來防止故障出現。除了故障預測，為了產生其他客戶價值，規范性維護必須提供比“修復它”以及如何修復更好的建議。52除此之外，先進的規范性算法還將考慮運行的邊界條件，并提出可能的運行措施以滿足運行目標。這可能意味著以較低的速度運行，或者降低其他流程變量，以便仍然能夠在

111、規格范圍內生產，但將故障推遲到更便于維修的時間段，例如計劃內的停電或低產量期間。以一艘在公海上航行的船只為例。預測性算法可能提示說在到達預定港口之前會出現發動機故障，所以船舶需要改變航線，駛向一個較近的港口。一個好的規范性算法將計算出最優速度，在該速度下發動機將承受較小的應力，所以會在到達港口之后才出現故障，因此可以在港口安全地進行維修。規范性算法不僅要考慮相關設備，還要考慮圍繞它的流程及其各自的業務目標。需要有運行模型來預測設備在退化情況下的行為及其對整個生產流程的影響。這個范圍往往超出了當前AI通常涵蓋的范圍，而且建設成本可能非常高。因此，它只適用于關鍵的、高價值的資產。結論預測性維護是工

112、業應用中物聯網和AI場景中經常提到的一個用例。不過，需要指出的是，這并不容易實現。主要原因是預測并非易事。如果考慮將預測性維護作為一個AI應用，供應商必須仔細研究哪些數據包含表明故障正在形成的信息。而且，要想實現有效的預測性維護，必須獲取數據并對其進行充分標記。因此，不僅要分析物聯網數據，還必須分析包含故障描述的服務報告、關于故障前設備使用的運行數據，以及用于設計設備的任何構造數據和模型?？梢栽谠O備的數字孿生中獲得這些數據。雖然很容易知道設備會在某個時間出現故障，但很難知道會在哪個時間點出現故障。產生的價值增加正常運行時間和減少維修時間會影響生產設備的OEE。這還帶來了更高的韌性，并降低了生命

113、周期成本，因為維護得當的設備的使用壽命更長。53南半球最大的鑄造廠之一每年在其位于南非開普敦的工廠生產12.9萬個高品質鑄鐵汽車零部件。該廠的熔煉產能為每年11萬噸。圖22提供了對需要優化的產品和流程的洞察。為了在全球范圍內競爭，并實現他們成為全球最好的鑄造廠的愿景，該鑄造廠希望擁抱AI解決方案帶來的機會。用例：用于減少鑄造廢料的規范性AI圖21：鑄造廠生產的成品發動機缸體26 客戶的挑戰歷史上，這家工廠的報廢率達6%，他們希望找到一種方法來優化其制造流程，以降低報廢成本。雖然報廢率并不比行業標準水平高，但在歐洲或北美裝運和報廢的每一個缺陷部件都會產生相對較高的運輸和違約成本。*26.http

114、s:/ 薩福54因此，主要目標是通過降低內外部缺陷和報廢率來減少有缺陷的發動機缸體發貨數量，進而提高產量，減少返工。良好的發動機缸體如圖21所示。經驗表明，挑戰在于構成現代鑄造廠的大量非線性因果關系帶來的復雜性。用所有可能的傳統工程方法來優化工廠已經達到了瓶頸，創新和工廠改進停滯。工藝工程師面臨著大量數據，這些數據可以轉換為數百萬種可能的工廠狀態組合。如果沒有人工智能輔助，他們不再可能使用和分析這些數據。圖22：澆鑄前將熔化的金屬轉移到鋼包中27 基于AI的挑戰規范性AI解決方案能夠分析大量的流程和質量數據，從而確定特定工廠的最佳操作區域，并以規范的形式提供設定值更新，使經營者將工廠狀態從次優

115、區域變為最佳性能區域。28必須進行的AI之旅始于從許多不同且通常迥異的源頭提取和轉換數據，然后統一這些數據，以供規范性AI模型使用。對于這個特定的鑄造客戶，歷史生產數據是從PLC和工廠的中央SCADA系統收集的。其他數據取自Excel和CSV文件以及手寫表單。最終，15個月的歷史數據被轉換為一個包含17.3萬條記錄和400個獨特過程變量的單一視圖。*27.鋼包圖片：https:/ 用例：協同狀態監控這個用例解決了當前的行業障礙和現有商業模式的限制，提供了基于高可擴展的價值鏈新結構的解決方案。到目前為止，合作主要是雙邊的，例如，當工廠經營者和機器供應商交換運行數據以規劃維修服務時。這種合作通常只

116、涉及兩個合作伙伴，并通過客戶/供應商關系（包括市場的力量）發起和實施。CCM定義了如圖26所示的“三腳架”價值鏈，包括：供應商集成商工廠經營者這個價值三角形（三點分形）是多邊結構中的最小分形31。*31.https:/www.plattform-i40.de/IP/Redaktion/EN/Downloads/Publikation/Multilateral_Data_Sharing.html三元組之美#協同狀態監控引文引文 ,三元組具有超越所有數字的特殊美和公平性，主要是因為它首次使單子的潛力發揮出來奇異性、完美性、比例性、統一性、極限性。敘利亞柏拉圖主義哲學家楊布里科斯，公元245年-32

117、5年59圖26：最小生態系統的分形是較大生態系統的構建塊（平臺工業4.0）該分形可用于討論多邊協同涉及的以下挑戰和要求：技術方面，例如身份、信任和數據主權合規法律方面思維方式，數據創業的勇氣可用性方面獲得的知識可以轉移到更大的分形網絡中缺乏信任：要想讓參與者共享他們的數據，就需要安全的數據傳輸、存儲和訪問權限，以保護數據不被競爭對手獲取并防止專業知識（敏感的生產數據）被竊取。缺乏商業模式：通過提供和使用CCM中各個參與者的數據，可以產生附加值，這可以對總擁有成本產生積極的影響，例如延長機器使用壽命。通過增加部件和機器的可靠性和使用壽命，可以在數字生態系統（“數字商業模式”）內產生經濟優勢。這需

118、要價值鏈中所有相關方的協作，并根據授權來訪問數據。圖27展示了開發的數據交換框架，包括與業務、法律和技術要求的接口。60圖27：CCM數據交換框架（平臺工業4.0）基于AI的挑戰使用關聯和AI（例如機器學習）可以延長機器或組件的使用壽命。AI的挑戰在于利用數據交換框架，例如，從來自組件供應商、集成商和工廠經營者這三個利益相關方的三種不同類型的數據中獲取和融合輸入，以提供優化的服務。將資產管理殼（AAS）作為標準接口有助于數據交換。組件供應商提供的組件帶有AAS，AAS中包含與使用壽命和可靠性相關的數據字段。機器供應商交付的機器帶有自己的AAS，其中也包含使用壽命和可靠性相關的數據字段。將會升級

119、機器的AAS，使其能夠將機器數據和在機器使用壽命中積累的組件轉發到一個中立平臺?；诠芾須ぶ械臄祿侄?，工廠經營者還會補充相關的機器使用數據（例如，工作溫度、維護間隔）。產生的價值通過提高組件和機器的可靠性和使用壽命，在數字生態系統中產生經濟優勢。數字生態系統中的TCO降低，OEE提高。61*32.https:/www.plattform-i40.de/PI40/Redaktion/EN/Downloads/Publikation/collaborative-data-driven-business-models.html 更多信息平臺工業4.0事件報告：工業多邊數據共享(plattform-

120、i40.de)結論：協同狀態監控（CCM）描述了一種創新的方法，使網絡中的各市場參與者能夠提高制造工廠的可靠性和使用壽命，從而為價值鏈中的所有利益相關方創造附加值。CCM方法是一種創新的方法，因為它是基于企業和競爭對手之間的多邊合作，并催生了新的商業模式。在這種情況下，在運營層面競爭的公司必須提供數字化商業模式實例化所急需的數據（其方式應與其實體產品一樣），并認識到這些數據與品牌和產品差異化無關。3262亞伯拉罕 林肯的這句話指出了規劃和準備工具對于減少要付出的努力的價值。用例：Service-Meister：基于AI的服務生態 客戶的挑戰Service-Meister項目包含了多種成本節約措

121、施，這是得益于圖28所示的在制造業中基于AI服務平臺進行服務交付。新的服務任務和商業模式導致我們越發需要服務人員來維護或改進機械操作，以減少成本高昂的機器停機時間。特別是在工業4.0環境下，很多機器供應商和制造商不再簡單地銷售他們的機器，而是將機器作為所謂的MaaS（制造即服務）或訂閱模式的一部分。截至目前，服務是基于運行時間來提供和計費的，這限制了服務過程的透明度。27%的德國公司已經在服務和客戶支持中使用AI但預計這一比例將在五年內上升至69%。通過聯網的傳感器，可以遠程訪問機器和環境狀態數據，從而優化透明服務和維護操作的管理。Service-Meister用例的生態系統中包含：服務人員A

122、I服務平臺運營商服務運營商的終端提供商AI解決方案支持中心需要維修服務的機器和設備供應商最終用戶：工廠經營者 基于AI的挑戰Service-Meister平臺旨在提供覆蓋整個服務流程的AI系統和組件360度視圖。服務技術人員必須能夠在各種工作條件下獲取信息，以確保良好的用戶體驗和無障礙地獲取相關信息和解決方案。六小時砍倒一棵樹#基于AI的服務生態引文引文如果我有6個小時去砍一棵樹，我就會先用4個小時磨斧頭。亞伯拉罕 林肯63圖28：面向工業4.0的基于AI的服務生態參與其中的企業的不同關鍵用例“快艇”面臨著不同的AI挑戰：科隆科?。涵h境篩查遠程監測水位，確定排水速率，并發現問題。技術：應對氣候

123、變化需要智慧水務管理解決方案，因此，像這樣的物聯網服務越來越受歡迎。如果冬季雨水較多，而夏季只是偶爾出現強降水，污水管道可能難以應對。極端天氣造成的后果：洪水和高水位。伍爾特伍爾特：工業中的物料供應加速業務流程狀態監控和監測：遠程檢測故障。技術：這些用例側重于預測性維護。OGE：服務管理檢測天然氣管道異常，預測服務需求。技術：OGE公司運營著自己的能力中心，其任務是檢測所有850個氣體泄漏傳感器的數據流中的異常。通快通快：高效規劃服務調用，機器數據自動診斷。技術：機器可以獨立診斷和分析問題，并將結果傳輸到云平臺上進行評估。維護工單可以自動化管理，信息可以用于持續學習和改進。提高了系統的可用性，

124、降低了維護成本。64降低投資成本：中小企業可以通過使用參考架構和通過Service-Meister開放平臺提供的AI即服務平臺來降低投資成本。這將降低使用AI技術和服務生態系統的門檻，從而降低服務提供商和客戶站點的總成本。正在開發新的商業模式，以通過減少機器停機時間、降低環境危害風險以及供應鏈中的總擁有成本來實現特定服務的變現。實際上，在過去50年，德國一直引領著AI研發，但到目前為止，還沒有實現大規模AI平臺的部署。該平臺旨在支持中小企業向其客戶提供服務。通過“快艇”將行業中各種不同的服務需求融入到項目中，代表不同行業的不同用例。此過程可創建供中小企業使用的通用服務、模塊和藍圖，并確保解決方

125、案的可擴展性。該平臺可以作為一個符合GAIA-X標準的聯盟來運營，并確保擁有數字主權的合作伙伴可以交換和共享其數據，并創造新的商業模式。更多信息和參考https:/www.servicemeister.org/das-konsortium/Abendroth,J.,Riefle,L.,&Benz,C.（2021）：打開數字化B2B共同創新平臺的黑盒：一種分類法，第16屆經濟信息學國際會議論文集。https:/ 產生的價值 結論：65到目前為止所展示的用例大多是建立在神經網絡上的，這些神經網絡是使用與特定用例相關的標簽數據進行訓練的。這些解決方案的挑戰不是網絡及其訓練算法的配置，而是適當數據的可

126、獲得性。即使潛在的AI用戶相信他們可以提供所有必要的數據，但情況往往并非如此。數據的正確性、完整性、一致性和可訪問性不足以支持系統訓練。此外，訓練數據必須被標記，即訓練數據集的正確答案必須是已知的。特別是在故障預測等應用中，必須有足夠的故障數據。由于設備在構建時就考慮要盡量避免故障，所以這樣的數據很少。因此，項目失敗往往不是因為AI的復雜性，而是因為缺乏數據。關于“物理信息神經網絡（PINN）”的最新研究解決了基于數學公式或模型生成數據的需求，這些數學公式或模型與其背后的物理現實是一致的。生成式人工智能的最新進展，比如像ChatGPT這樣的大語言模型（LLM），采用了比神經網絡更廣泛的方法。它

127、們不再是從與特定用例相關的數據集中學習，而是復制人類的學習方式：閱讀書籍和文章。由于擁有充足的計算資源，它們不會將自己局限于特定的用例，而是讀取網絡上可訪問的一切內容。它們學會了提取信息，并以新的方式組合這些信息，然后基于學到的內容進行內容生成，如圖29所示。圖29：Dall-E生成的圖片生成式AI成為“烹飪制造創新”的新調料引文引文Un segno di intelligenza la consapevolezza della propria ignoranza智能的一個標志是意識到自己的無知。尼可羅 馬基亞維利所有菜肴的新調料#生成式AI66它們主要是生成文本，無論是禮節性信件、論文摘要，

128、還是任何作者風格的詩歌。需要注意的是，這些模型并不“知道”它們讀了或寫了什么。它們只是根據提示和之前寫過的內容，計算在一個句子中下一個詞可能是什么。從網站或數據庫中檢索的信息總是正確的，但模型的輸出則不一定，其中錯誤的部分被稱為幻覺。除了語言，其他公開可獲得的材料，如圖像和視頻，也可以用于訓練生成式模型，并創造新的工件?；谝欢魏喍痰奈谋?，就可以生成高質量的文本、圖像或視頻。個人使用所有這些工具會覺得很有趣，也很有幫助，而且在商業環境中也有一些應用。大多數業務流程都是通過文本文檔來記錄的。根據LLM的構建和訓練方式，它們非常適合基于公開文本生成任何內容。其中一些應用包括：聊天機器人：回答用戶難

129、以從網站或用戶手冊中找到或拼湊出答案的問題。對于很多應用程序而言，這比使用搜索功能更簡單。文本生成器：根據對內容的簡短描述，按照受眾所需的風格撰寫文本?？紤]到我們工作中花費在撰寫文本上的時間，這可能會使文職型的任務更加高效?？偨Y文本：解析文本并回答與其內容相關的問題。我們要花多少時間閱讀各種過于贅述的報告，以解釋一件我們已經知道的事情？這也可能使很多工作更加高效。計算機代碼是一種特殊的文本類型。大量可訪問的源碼庫（例如，GitHub）為訓練編程引擎提供了良好的基礎。LLM在編程方面已經取得了良好的技能。在這些應用中，一個特別的挑戰是隱私。如果內容生成所依賴的基礎信息是您公司的專有信息，則不能將

130、其用來訓練系統。需要注意的是，公開的LLM會處理輸入給它的所有文本。將公司的機密設計文檔提供給ChatGPT或任何其他公開系統是絕對不行的。此外，LLM需要來自非常大的文本的統計信息。如果對您的應用程序至關重要的信息只包含在幾個文件夾中，那么它不足以影響已訓練的系統。我們面臨的是與較小規模的專用神經網絡中遇到的類似問題：難以訪問不充足的數據是AI項目中經常遇到的一個障礙。還要考慮另一個已經提到的挑戰：幻覺。如果錯誤響應的代價很高，那就不建議將LLM作為唯一的解決方案。在關鍵應用中，我們習慣構建冗余。此外，在人類主導的流程中，一項決定需要得到另一個人的驗證，并且它背后的理由必須被記錄下來。AI系

131、統也是一樣：如果被用在關鍵環境中，它們不應該是唯一的決定方。如果我們從一般的商業應用轉向更偏工業的應用，那么有些領域看起來非常有前景。67設計設計/工程：工程：在LLM成功之前，已經有一些應用使用更傳統的AI或優化算法來解決設計和工程問題。生成式設計允許設計者輸入規格，例如所需的物理屬性，然后系統可以創建設計，仿真其結果，并逐步改進以達到所需的行為。在關于工程的章節中已經描述了這個流程。這樣的系統現在變得更加強大。同樣，化學、材料或藥物發現也越來越多地由生成式系統驅動。規劃規劃/運營優化：運營優化：LLM在這方面也展現出了一些令人驚訝的結果。無論是規劃物流（內部或外部），還是資源分配和調度，這

132、些復雜問題都被成功地記錄下來了。然而，最近的研究表明，這樣的系統實際上并不會做規劃：它們將描述先前規劃的文本中的信息進行組合，并將它們放在新的上下文中。對于許多應用程序來說，這已經足夠了，但跟更傳統的系統模型和數學優化器相比還有差距。盡管取得了初步成功，但仍有很大的改進空間。診斷診斷/預測性維護：預測性維護：該應用經常被稱為生成式設計的候選應用。值得注意的是，我們在本書的維護章節也描述了解決此類問題的挑戰。生成式AI出現后，這些挑戰并未消失。在詢問ChatGPT關于生成式AI的潛在工業應用時，它確實會將這個主題列為機會之一。當被問到它會如何看待生成式AI時，其描述是恰當的：它描述了我們之前也描

133、述過的常規方法。對于以下問題：“你沒有在你的解決方案中使用生成式AI?！彼换卮穑骸笆堑?，你是對的?！边@里也有很大的改進空間。前面描述的弱點目前正在通過檢索增強生成（RAG）來解決。在編撰一個回復之前，系統會查詢它認為相關的數據源（或定義為系統的一部分的數據源）。然后，它將這些信息反饋給問詢，就像用戶輸入支持文檔進行分析一樣。這樣的解決方案往往包含更少的錯誤，并且對于數據源中包含的特定情況可以給出更具體的響應。雖然LLM的一些弱點可以得到解決，但還是要回到之前所說的，我們需要訪問充分、正確、一致且完整的數據。在本節一開始，我們就是從這里開始探索基礎模型的?？傊?，在本文沒有涉及的許多領域（例如

134、，娛樂、廣告等），生成式AI都顯示出了驚人的結果。開頭引用的馬基亞維利的話直指人類的無知，盡管那是在AI出現之前說的。根據哈內曼的分析，人類的快速決策往往不是基于事實，而AI使能的決策在數據缺失的情況下往往會產生幻覺。因此，這兩個弱點都需要在合作中利用對方的長處來克服。在應用AI的時候，我們必須意識到它的缺點以及它的優勢。在設計由生成式AI支持的系統時，許多系統組件可能不是基于AI的，有些甚至需要人類交互。因此，對最新技術以及為應對其缺點而開展的研究的充分理解就很重要。許多組織，如ZVEI、GIO或世界經濟論壇當前的項目，都在對此進行研究。進展很快，但仍有很大的不確定性。如果我們回顧一下革命性

135、的創新，就會發現創新從來都不是照搬以前的做法：輪子代替了腿，內燃機代替了馬，印刷代替了手工書寫，計算機不像人腦那樣工作。創新必須超越模仿人類。如果是模仿人類，那么我們希望機器可以規避的人類缺陷也會被復制。68展望展望尊敬的讀者：如果這些創新開胃菜讓您感到好奇并想要品嘗更多，那就已經表明我們的這本手冊是成功的。我們選擇將這種方法作為雙向開放創新的新方式，以發起一個制造相關的創新社區，既分享研究和創新的最新用例，也洞察制造行業的實際問題。正如威廉 吉布森曾說的，“未來已來只是尚未流行”33，一些解決方案可能已經存在于其他領域中，而特定領域的用戶還不知曉。例如，在棕地，電信行業已經在更新傳統機器的專

136、家知識，但安裝和運營無線網絡仍需要專家。隨著IT領域和OT領域開始融合，我們認為在不久的將來，客戶或用戶將獲得服務支持，他們自己就可以輕而易舉地安裝和運營私有網絡。此外，我們堅信，AI工具（如用于生成設計的工具）的加速發展，以及越來越多的對數據空間的訪問，將推動不同行業領域的創新進程。但是，作為特定領域的用戶或供應商，您該如何利用其帶來的優勢？利用數字化機會的一個關鍵問題是，制造公司（無論大?。┒既狈T專家。隨著工業元宇宙和數字市場的發展，我們認為有必要采取行動，克服企業創新需求和IT資源的瓶頸。我們的解決方案是通過與我們建立了聯系的多種渠道將您（作為感興趣的合作伙伴）鏈接到全球各地的AI社區，例如，通過ZVEI（德國電氣與電子工業協會）、德國工業4.0平臺、全球產業組織（GIO）以及全球各地的學術機構。為了從我們的舉措中獲益，您可以：上傳您的創新故事成為我們社區的一員。上傳問題描述訪問全球各地的AI社區。聯系本書作者組織或開展黑客馬拉松，以尋找新的或替代解決方案。上傳基于AI的方法，尋找應用進入市場。歡迎加入社區！聯系郵箱（GIO秘書處）：operation_teamgio.zone*33.封面臺階上的二進制代碼包含了威廉 吉布森的上述引言，增加了提示語：“是時候選擇支持哪個未來了”。呼吁全球共同努力，為人類福祉、健康和可持續發展做出貢獻，保護我們的生命和我們的星球。