施耐德电气：大语言模型将如何赋能工业自动化？

施耐德电气 2024-01-09

当前，大语言模型已经展示出对人机交互产生的潜在影响，这种影响令人震撼。波士顿咨询公司（Boston Consulting Group）认为，毫无疑问，通过人机协同，生成式人工智能会带来生产力的大幅提升，而工业自动化恰恰是人机交互最为频繁的领域。

大语言模型是基于神经网络且经过海量文本数据训练的深度学习算法。近年来，大语言模型已经开始在各行各业崭露头角，尤其在工业自动化领域的应用范围不断扩大。这些模型能理解并生成人类语言，进而帮助大幅提升工业流程效率。保守估计，大语言模型可以帮助原始设备制造商（OEM）在构建机器PLC应用程序时节省20%的工作量。

大语言模型的发展十分迅猛，从GPT-2到GPT-4，模型不断升级成熟，处理能力大大提升，其在工业自动化领域的应用范围也得到极大拓展。随着技术的日趋成熟和广泛应用，我们期望看到将大语言模型应用于工业自动化领域的更多实际案例。

大语言模型的最重要的特征之一在于，可以根据工业自动化相关的特定用例或任务进行来定制。在工业中，这些用例或任务有三种可能：代码生成、文档编写、重构和测试；自然语言接口；自动化系统设计与开发。

然而，我们也需要考虑到大语言模型中可能普遍存在的局限性，以及在大语言模型产业化之前如何应对由这些局限因素带来的影响。接下来，我们将对这些机会、局限性以及如何实现大语言模型的产业化展开进一步探讨。

1. 代码生成、文档编写、重构和测试

大语言模型可以为PLC等工业控制系统生成代码，或者允许人类使用自然语言输入内容生成人机交互（HMI）页面，进而简化应用程序的工程设计过程，减少开发控制应用程序所需的时间和工作量。此外，大语言模型还有望提高生成代码的质量和一致性，从而减少错误并缩短调试时间。保守估计，大语言模型生成的代码，对于编写机器类PLC程序而言，大约70%是可用的，编程效率大幅提升。大语言模型的另一个应用是自动生成配方代码，在更改参数、更换供应商或更改配料时，能够节省时间。创建配方并触发生产线变更所花的时间会直接影响生产时间，因此任何可能的时间节省都有助于提高效率。更进一步，大语言模型还可用于自动生成与其生成的代码相关的文档，如自动测试脚本，而测试脚本对于自动化工程师来说一直是一项非常耗时的任务。

例如，在施耐德电气，我们一直在测试大型语言AI模型的专用版，并为EcoStruxure机器专家应用软件来训练这些模型。测试结果显示其潜力巨大——代码能够快速而准确地生成，尽管仍然需要人工审核。我们可以看到，同样的模型可以应用于其他软件应用程序。

2. 自然语言接口

大语言模型还可为工业自动化系统创建自然语言接口，由此操作员只需要使用人类语言，而无需专门的编程语言，就可以与这些系统进行交互。自然语言接口的关键应用之一就是使用自然语言命令访问现有文档，如技术产品信息。在许多行业中，操作人员和维护人员必须手动搜索产品文档中的信息。有些甚至还是纸质文件！然而，随着文档逐步数字化，并传输至安全的特定大语言模型中，这些工具可用来快捷地提出问题，并迅速找到答案。例如，“错误代码8975的含义是什么？该如何解决？”这种问题可以轻松得到解答。其关键是使用安全的特定大语言模型。这些模型应该仅从经审核以及官方提供的手册、技术说明和源代码中提取答案。

工业企业面临的一个常见挑战是，行业知识可能只掌握在特定人群中。虽然随着资产的数字化、工作方式的数字化以及劳动力人口结构的变化，这种情况也有所改变。但在许多工厂中，仍然会遇到机器或资产发生故障，唯一知道如何解决故障的人却并不当班的情况。想象一下，如果当班的维护人员能够通过语音命令来进行故障排除、访问文档，并（在安保措施落实到位的情况下）借助人工智能进行故障修复，将会节省多少时间，生产力又能提高多少？

用于技术支持的虚拟助手是另一个应用场景，其中带有大语言模型的自然语言接口，可以为工业带来价值。通过电话为客户提供高度专业化和定制支持的工业公司（例如与工业最终用户合作的机器制造商），可以掌握这些隐形的知识，并将知识和信息提供给特定的大语言模型，虚拟助手就可以利用这些模型，从而提升客户体验并有效缩短解决问题的时间。同样，这也适用于机器、自动化产品和系统的用户手册与文档的创建。使用大语言模型创建这些重要文档可以为应用工程师节省时间，让他们可以将知识和技能用于开发更好的机器、产品和系统，从而提升质量并缩短上市时间。

3. 加快自动化系统设计与开发

在过程工业的大型项目中，无论是老项目扩建还是新项目开发，自动化系统的设计和开发都需要众多供应商、用户、合作伙伴以及监管机构等第三方伙伴进行通力协作。从项目发起到项目实施，再到项目运营阶段，都可以用大语言模型对来自各方的需求和参数等进行标准化处理，从而显著节省时间，帮助所有参与方提升竞争力。

这是因为，从客户和合作伙伴的需求出发进行系统开发之初，就会面临关于解决方案架构、物料清单、安全计划、风险管理计划等各方面的多种要求。基于目前的技术，这需要耗费数月、甚至数年的严谨工作、整理澄清以及来自多个职能部门的专家的协作，才能确保最终质量和可行性。如果借助大语言模型对各方需求和资料进行快速梳理，则可以加快整个过程，同时满足各层级的合规要求。

大语言模型的道德考虑和限制因素

在工业自动化中使用大语言模型可能会带来一些道德考虑和风险，必须要认真对待，以确保这项技术的使用，是负责任的，并且符合道德规范。

• 系统安全：当讨论AI模型执行工业自动化操作的可能性时，首先必须制定明确的安全措施。

• 数据安全：大语言模型需要大量的训练数据。这些数据可能包括个人敏感信息或有关特定流程的保密信息，因此确保数据安全，遵守保密原则、尊重个人隐私权至关重要。

• 偏见：大语言模型可能会将训练数据中存在的社会偏见一直延续下去，并持续放大这些偏见的影响。这可能导致不公平和歧视性后果。因此，识别偏见并减轻偏见的影响很重要，它有助于确保结果的公平公正。

• 信息安全：大语言模型容易遭到模型窃取或对抗性攻击等恶意攻击。必须确保这些模型的安全，帮助其抵御威胁。

• 解读：大语言模型很难解释和理解，因此对于它做出的响应也可能会难以解释。在决策过程中使用这些模型时，这可能会成为问题，因为很难理解这些决策的基础是什么，也就很难确保其公平性和合理性。

• 以人为本：通过本文，我们已经看到了大语言模型在工业自动化领域的一些积极的应用前景。然而，任何输出仍需要人类的审查。这些模型只能用作人类能力的补充。例如，机器可以执行任务，但任务完成后必须有人来进行检查；或者机器可以改进或挑战人类的创造性思维。

• 可靠性：大语言模型的结果可能并不一定真实，而且目前，在使用这一结果前还应该始终由人类专家来进行审查。

大语言模型的产业化

如上所述，要想利用大语言模型的优势，就必须对其进行恰当部署，并充分考虑其道德考虑和限制因素。此外，还需要重点考虑的是，大语言模型的潜在规模，以及哪些地方可以或者需要部署这些大语言模型。例如，GPT-3模型有1750亿个参数，而GPT-4则有1.8万亿个参数，效率更高。很显然，模型执行将需要超大规模的算力和存储空间。

值得关注的是，特定领域的数据对大语言模型进行预训练可以提高其性能并简化其部署。不同行业应评估如何创建这些基础模型，以及何时需要大模型，何时需要更小的、更具体的解决方案。例如，特定领域的大语言模型——如制造行业GPT、医疗行业GPT、旅游行业GPT等——意味着可以创建更小且更聚焦特定领域的模型，然后在此基础上进行构建。这也有助于解决因非相关背景叠加而产生的错误输出。也可以由同一行业中的各个组织来协作，共同创建适用于其领域中普适性用途的GPT，同时仍保留其特定IP。

人工智能技术在工业自动化中的其他应用

生成式人工智能，特别是大语言模型，只是人工智能在工业自动化中的让人震撼的应用之一。我们正在探索人工智能技术在以下行业中的更多应用：

• 人工智能增强型设备——将用于特定任务的AI模型充分集成到智能传感器或执行器等嵌入式设备中，或集成到互联互通的产品中，将人工智能技术用于自整定、预测性维护，或者结合云端应用完成更复杂的推理应用。例如，施耐德电气在中国构建了智能工业视觉质量检测解决方案，即“云-边协同AI工业视觉检测平台”，在云端实现数据存储和标注及模型训练，并把云端模型下发到产线边缘侧，执行边缘推理。目前，这种AI工业视觉监测平台已经施耐德电气中国15家工厂上线，显著提高了生产线的检测效率，将误检率降低0.5%以内，并实现了零漏检率。此外，2023年6月，施耐德电气推出AI模型生产与运维平台EcoStruxure AI引擎，覆盖企业实现人工智能落地所需的五大建模相关流程，包括AI模型生命周期中的数据准备、模型训练、模型部署、模型推理及模型监控。它可以帮助开发人员和数据科学家快速构建、训练和部署机器学习模型，在云端实现数据存储和标注及模型训练、推理、部署、监控，以及迭代更新等全流程，并把云端模型下发到产线边缘侧，执行边缘推理，有效降低模型管理训练的复杂度。

• 基于人工智能的控制技术——这首先是AI生成的控制应用程序，这些应用程序可通过本文中讨论的大语言模型技术或者我们也正在研究的深度强化学习（DRL）技术来实现。基于人工智能的控制也是将基于人工智能的计算机应用与控制应用的实时集成，以赋予机器和过程最高程度的自主权。

• 虚拟传感器——替代物理传感器的方法，在给定信息的前提下，产生类似的输出

• 基于人工智能的洞察——利用现场数据对预测模型进行训练，以发现异常情况或提供维护建议

AI等新技术发挥潜力的关键在于其产业化与规模化应用，2023年，施耐德电气在中国设立AI创新实验室，致力于开拓“实体产业+技术生态+AI”的应用创新，探索AI技术在资产和工艺优化、基础设施管理、需量管理以及新能源管理上的应用，为各大产业的数字化与可持续发展赋能。

结论

大语言模型在各个行业中的应用愈发广泛，也愈加常见。麦肯锡（McKinsey）指出“生成式人工智能有望变革工作结构，让某些人工活动实现自动化，从而增强个体的工作能力。”

GPT-4等大语言模型正用于代码生成，与自然语言接口相结合，正在改变工业自动化中的工作方式，未来也将用于自动化系统的设计和开发。

大语言模型使用先进的机器学习技术，可以快速、轻松地生成高质量的代码和文档，显著提高效率，减少错误。但是，极为重要的是，要考虑代码生成的可行性，留心与这些模型相关的道德考虑和风险因素，并思考特定领域（如工业自动化）如何能够协同工作，让大语言模型更好地发挥其潜力，变革现有工作模式。

然而，大语言模型只是人工智能在工业领域应用的冰山一角，还有很多产品正在开发过程中。从互联互通的产品到应用、分析与服务，从设计、建造到运营和维护的整个生命周期，未来我们将看到人工智能技术将被部署于技术解决方案的方方面面。

本文内容来源施耐德电气，责任编辑：胡静，审核人：李峥