沃卡惠圍繞ChatGPT、Bard、Bing Chat和其他生成式人工智能（AI）工具的炒作正在增加。AI工具推廣者的承諾是，未經培訓的用戶可以使用這些工具來創建書面內容、計算機代碼甚至法律文件。工業生成式AI戰略應該包括具有自動化或應用專業知識（或兩者兼而有之）的熟練人員，以仔細考慮可擴展的平臺、開放式編程和抽象問題。
目前，AI工具是免費或低成本的。它們在為非關鍵用途創建“軟”內容方面顯示出巨大的前景，甚至在執行詳細任務（例如參加測試）時也是如此。另一方面，結果有時可能具有誤導性或不正確。Microsoft公司副總裁Jared Spataro介紹該公司的365 Copilot AI工具時曾指出， “Copilot有時是正確的，有時則是錯誤的，但它總能讓你走得更遠。”
任何考慮將AI應用于工業級、始終在線、關鍵任務工作的人，都理應對將“有用的錯誤”工具納入工作流程，同時仍期望提供必要而可靠的結果感到擔憂。在開源世界中，使用生成式AI的個人和公司最終可能仍要對任何負面結果負責。
在回答如何在工業自動化領域有效應用AI這一問題之前，首先要考慮什么是智能，以及如何對其進行評估。在這條前進的道路上，謹慎使用生成式AI可以加速工業朝著正確的方向發展。
從早期開始，智能的特點就是一個人所知道的東西。支持其智力的知識主要是通過學習書籍和書面材料獲得的，這需要付出巨大的時間和金錢成本，這也賦予了學者一定程度的權力。
隨著幾十年前互聯網的興起，情況發生了變化。突然之間，純數據的獲取成本變得非常低廉，盡管其內在價值依然存在（圖 1）。現在，任何人都可以通過網絡獲取大量數據和信息，智能的定義也隨之轉變為人們最佳數據源、理解數據并將其整合為有用信息和見解的能力。無論如何，這些原始數據的準確性需要審核（書籍也是如此），因為錯誤的斷言仍然存在。
隨著幾十年前互聯網的興起，公式發生了變化。突然之間，純數據變得非常便宜，但仍然保留了內在價值。隨著現在任何人都可以在線訪問大量數據和事實，智能的定義轉向一個人找到最佳數據來源、理解數據并將其綜合成有用信息和見解的能力。無論如何，這些原始數據的準確性需要審查——書籍也是如此——因為虛假斷言仍然存在。
圖1：我們可能會輕信生成式AI工具產生的結果，這僅僅是因為我們沒有相關背景或資源去了解更多。
在許多方面，數據無處不在和廣泛可用是一件好事。來自日益多樣化的來源和聲音的新信息不斷沖擊，使人類很難在大海撈針中找到數據中的針。過多的數據會掩蓋最有用或最重要的內容，而缺乏可靠的工具來審查新的數據源會模糊真相與虛構之間的界限。我們可能會輕信生成式AI工具產生的結果，這僅僅是因為我們沒有相關背景或資源去了解更多。
智能的一個日益重要的標志就是辨別力。辨別力首先體現在知道該問什么問題?；ヂ摼W上充斥著這樣的例子：人們向生成式AI工具提出簡單的問題，卻得到了完全不符合要求的答案。辨別力還意味著能夠審視AI生成的回復，并利用知識和經驗來理解答案是否正確，“有用的錯誤”甚至是危險的。
在智能方面，辨別力一直是一項寶貴的技能，但隨著原始數據的加速擴張，以及從浩瀚海洋中獲取洞察力的生成式AI工具的迅速崛起，這種形式的智能比以往任何時候都更加重要。怎樣才能具備良好的洞察力？辨別力的簡單定義可以是經驗應用于知識——換句話說，就是主題專家（SME）。
像生成式 AI這樣的技術將把智能的發展提升到一個新的水平，幫助用戶更有效地訪問大量數據并與之交互。用戶可以通過無數特定于應用程序的方式從中受益。例如，他們可以使用AI驅動的導航工具來篩選堆積如山的地理數據，并沿著最佳路線提供前往目的地的實時方向。具有高度辨別力的專家可以更廣泛地使用生成式AI，因為盡管更多的數據訪問并不能造就專家，但訪問絕對會放大他們的努力。
正如扳手是技術人員擰緊螺栓的力量倍增器一樣，生成式 AI 也是幫助主題專家解決問題的力量倍增器。不過，一些人認為生成式AI的使用更像是伐木工人從使用手鋸切換到使用鏈鋸那樣，可以極大地提高生產率，但如果由不熟練的工人使用，也會帶來更大的危險。
尋求優化設計、運營和維護效率的制造和加工企業需要考慮如何為其主題專家提供更好的支持（圖 2）。與其將生成式AI視為取代專家和專業知識，不如為其配備AI以加速他們的工作。研究如何將生成式 AI 用于工業級項目的公司需要考慮圍繞生成式 AI 模型的訓練以及 SME對結果的解釋。
圖 2：面向工業自動化的生成式AI 戰略應側重于構建平臺，使主題專家能夠在工作中表現更出色，而不是取代他們。
目前可用的生成式 AI 模型主要是在數據集或其他從互聯網上抓取的信息進行訓練的。這些批量數據可能有助于訓練大型語言模型（LLM），例如 ChatGPT。
對于更具體的項目，例如執行工業自動化設計或優化過程等，使用由主題專家精心策劃的訓練數據集可能會產生更一致和更有效的生成式AI。雖然將訓練數據限制在相關來源可能會帶來一些遺漏的風險，但回報是獲得更可靠的結果，并避免因數據來源有缺陷而導致看似合理的結果出現危險的錯誤。
一旦獲得結果，SME仍然需要仔細審核輸出。可以想象，用于創造藝術或娛樂等非關鍵終端產品的AI模型，造成傷害、物理損害或環境惡化等責任的概率相對較低。但是，如果生成式AI模型被用于設計生產設備，或用于設計機器自動化的代碼，甚至用于提出優化操作的數值建議，則可能造成非常嚴重的后果。
一些使用生成式 AI進行工業自動化工作的探索性實踐表明，對于復雜的任務，凈速度的提高并不比傳統方法好多少。另一方面，主題專家通過采用生成式 AI可以大大加速枯燥或重復性高的任務。這就提出了一個問題：提高工業自動化中生成式 AI采用率的最佳方式是什么？
盡管工業自動化技術在過去幾十年中不斷改進，但從性能和可用性的角度來看，離即使是半熟練的人員也能高效準確地實現工廠自動化的愿景仍相距甚遠。企業仍然需要具有自動化或應用領域專業知識或兩者兼而有之的熟練人員才能實現這些項目。然而，隨著我們朝著實現愿景的方向前進，強調易于使用的技術可以大大擴大有資格從事這項工作的人才庫。
與此同時，用戶應該考慮一些功能強大且易于使用的方法，以騰出時間和資源來探索生成式 AI 技術，例如：
可擴展平臺：大多數用戶需要一系列設備、硬件和軟件選項，以便他們可以從地面到云端無縫部署解決方案，即在現場、控制室和整個企業中（圖 3）。實現這一目標的最佳方法是建立在一個完整且經過驗證的開放平臺上，該平臺包含傳感器、儀器、自動化控制器和用于人機界面（HMI）、監控和數據采集（SCADA）以及分析操作的軟件。當設備直觀、無縫地集成到自動化生態系統中時，問題可以更快地解決，價值可以更快地實現。
開放式編程：工業自動化涵蓋許多方面，包括儀器儀表和測量、現場設備的直接控制、數據采集和歷史化、可視化、分析等等。為了最好地利用這一系列學科的專業知識，編程的靈活性可以加快開發速度并簡化集成。雖然簡單的控制算法最好在梯形圖等傳統編程語言中實現，但更專業的設備（如伺服電機和高精度執行器）的自動化可能會受益于更現代的語言，如結構化文本（ST）等。
絕大多數用于從傳感器數據中獲取洞察力的物聯網算法通常都是用 C、C++ 和 Python 編寫的，通常針對 Linux 操作環境進行了優化。與既能支持傳統的 IEC 工業語言，又能支持 C、C++ 和 Python 等現代標準的自動化平臺合作，有助于使解決方案發揮更大的功能。
抽象化：將AI和其他先進技術集成到工業自動化領域的一個關鍵目標是將流程抽象化，因此普通用戶或開發人員將在更高層次上與邏輯構建塊進行交互，而不需要深入研究源代碼的最深層次的細節。即使沒有AI，現代自動化編程工具也可以整合抽象的關鍵方面。實現者應尋找能夠進行變量編程和數據標記以及創建用戶定義數據類型的開發工具。他們應該尋找支持在所有受支持的編程語言中使用應用程序存儲庫和用戶定義的功能塊重用代碼的工具。
圖 3：將生成式AI技術有效地應用于工業應用，需要用戶采用可擴展、開放式和抽象化的硬件和軟件的綜合平臺。
有了這樣的生產力推動因素，用戶可以花更多的時間在自己的環境中探索新技術，如生成式AI和其他先進技術，以更好地了解什么可以帶來他們所尋求的收益和增強。與自動化專家合作可能會為用戶打開他們認為不可能的新想法和機會，甚至可能發現常見問題的交鑰匙解決方案。
最終目標是使用戶能夠利用他們的行業專業知識，并以最有用的方式整合AI，以幫助最終用戶在部署和優化制造和生產解決方案時提高生產力。
