新闻中心
智能工厂 – 工业人工智能应用
这是2010年。当时的巴拉克·奥巴马（Barack Obama）还在就任美国总统。智能手机正在开始征服世界。全球金融危机已经结束，各国经济都弥漫着乐观的气氛。与此同时，在一些创新IT公司的开发部门中，一些令人着迷的事情也正在发生，而公众却没有注意到。一项颠覆性的技术自此迅速崛起，成为我们当今时代最重要的话题之一：人工智能。
人工智能这个概念的创立时间可以追溯到 1950 年代——且在创建初期就能让研究人员为之着迷。然而，基于神经网络的“一般问题解决方案”的想法在当时却根本无法实现。当这个话题再次在1990年代被炒作时，情况仍然未能改变，尽管当时的IBM深蓝成为第一台战胜国际象棋世界冠军加里·卡斯帕罗夫的计算机。转机直到 2010 年左右才被发现，从而使人工智能的实际商业应用成为可能。这是因为从本质上讲，有三件事发生了变化：
一. 随着 Web 2.0 的出现，出现了社会化的技术转型这导致了人们对互联网的依赖，让每个人都能积极分享和创造信息。从而创造出大量具有商业价值的有效数据。
二. 算法的进步，尤其是深度学习算法的进步，使人工智能应用变得强大和繁荣。
三. 多核CPU架构的实现使算力变得便宜。
在随后的数年里，人工智能成为大型科技公司的焦点。五大科技公司——谷歌、脸书、亚马逊、苹果和Microsoft——迅速地采用了这项利润丰厚的技术，并在此基础上创建出全新的服务和商业模式。使其应用领域包括了从实用应用程序，如汽车导航、智能手机上的天气预报、家庭智能助手，到以预测和影响人类行为为目的的复杂算法。通过这些服务，人工智能现在已经占据了我们日常生活的每个领域，而我们却到现在还没有意识到这一点。
在2023，我们经历了人工智能创造的第一次大爆炸。就在这一年，OpenAI公司向公众发布了其AI ChatGPT平台。这个GPT-3.5语言模型是在大量文本数据上进行训练的，其不仅拥有丰富的知识，而且具有真实的语言基础。这是否意味着1950年代的“一般问题解决方案“已触手可及了呢？这些模型的性能如此之高，以至于第一批预言家们已经公布了未来五年将不复存在的工作清单了。尽管这看起来有些夸张，但这项新技术将带来的经济和社会后果肯定是巨大的。然而，至今仍然难以对其准确评估。
人工智能在第四次工业革命早期会扮演什么角色？
“工业4.0”几乎在人工智能商业觉醒的同一时间就获得了大家的关注。该术语已创建于2011年，当时是作为德国联邦政府高科技战略的一部分。现在则被转化成跨越整个欧洲的“数字化”进程。除了与其相关的设计原则（网络、信息透明、技术援助和权力下放）外，初始的技术指南还包含对人工智能应用的参考。而之所以能够告之各位观众如何在工业生产数字化过程中来应用人工智能，是因为我一直站在其最前沿。
2010年，我在COPADATA开始了我的第一份工作，成为这家公司的一名年轻工程师。当我在一个具有挑战性的学术课程中受到启发，从而产生强烈的自信能够通过不屈不挠地意志改善世界的愿景。当时在COPADATA的我很快被人们称之为“创新者”，从2013年左右开始，我主要负责人工智能领域。
我与一支由销售专家和数据科学家组成的专业团队一起，拜访了对工程设计及其生产技术感兴趣的公司，主要是对人工智能项目的探讨。在最初的几年里，公司任命我和以下三方进行有效沟通：
一. 积极进取的部门主管/首席执行官。这些人会在他们最喜欢的商业杂志上阅读到人工智能是下一件大事，认为这项技术几乎可以在一夜之间解决所有问题。
二. 负责任的自动化工程师，这类人士对于人工智能这个主题持怀疑态度。怎么可能在突然间，随机数据推送系统就能用“魔法”解决他们所在部门的挑战？
三. 从首席执行官和工程师的角度来看，数据科学家似乎是来自另一个星球的迷人生物，他用一种听起来好得令人难以置信的奇怪语言来阐述事物。
所以这项沟通任务要求很高，其成功与否取决于公司对创新的开放程度。
人工智能数字化的最初几年产生了一些非常有趣的项目，在这些项目中，我们为不同的任务实施了特定于应用的人工智能模型，例如预测性维护、生产设备参数优化和关键指标的预测。即使是其中一些模型最终仍在运行中，但也很少有在这类原型开发完之后得到实际应用的。
其原因通常不会在应用程序自身中被找到。人工智能模型总体上符合技术预期。然而，缺乏商业成功是有原因的：
一. 成本： 要实施人工智能项目，你需要这方面的专家，而这些专家在当时的就业市场上很难找到。就是有其每日费率及相关成本也相应较高。
二. 缺乏信任： 对于大多数专业部门来说，人工智能话题还是相对陌生的，而且难以理解。在自动化技术领域，人们习惯于算法是基于物理公式这样一个事实，因为那是可被理解的。但人工智能模型的事实并非如此; 它更像是启发式的。因此，许多工程师对这种人工智能自动化的方法持怀疑态度。
三. 不适当的数据和程序：“垃圾输入，垃圾输出”是计算机科学中的一个著名短语，特别适合人工智能。人工智能模型的好坏取决基于它被训练的数据。而这些数据的有效性及其项目的敏捷性会给许多公司带来挑战。企业没有意识到数据的价值和时效性，如处理敏捷性项目必须使用最新的。
回顾那些年，人工智能进入工业的时机似乎仍然不成熟。在行业中，人工智能技术的供需双方相互开发相关领域的知识和技术，直到期望趋同，这是一个必须的发现阶段。
数字化是人工智能的推动力
情况在2017年开始的随后数年里开始发生变化。这一变化背后的最大驱动力是正在实施的数字化生产。这意味着（几乎）所有阻碍人工智能项目成功的因素均被扫清了。
这些进步始于对数据赋予更高内在价值的转变。许多公司尝试试点数字化领域的项目，并乐于在会议和活动中谈论他们的发现。无论这些项目是关于人工智能、云、物联网、边缘计算还是数字孪生，在“我们学到了什么”的PPT幻灯片上总是存在有两类观点：
一. 数据是数字化的重要组成部分。
二. 我们的数据收集工作做的不够好，无论是在所收集数据的数量还是质量上。
为了满足对高质量数据的新需求，企业在收集和存储方面投入了大量资金。特别是在跨技术和跨部门使用数据上需要达成一致的数据模型，以使可用信息透明。
数据的新价值不仅可通过更好的可用性来帮助人工智能项目，而且还能通过非常人性化的方式进行转化：一个跨域不同业务线的数字化模型。人们开始渴望分享他们新的高质量数据。大家放弃了最初对人工智能项目的怀疑。
专业的敏捷软件开发
数字化的大趋势使许多公司提高了其开放和创新的意愿。在其前瞻性的项目设计中也会考虑到数字服务。这股席卷项目领域的新风不仅在内容方面取得了成果，而且还有助于将专业人员的重点从IT繁重的软件开发上转移到OT部门。通过敏捷开发方法、高级语言和现代化的软件架构 。软件开发这种专业化进步也有利于人工智能的推进。很明显 ，人工智能项目最终就像当今天的其他软件项目一样
人们认识到，这些系统必须由工业自动化人员开发和长期维护，并建立在确定的实际需求的基础上，这消除了 2010 年代不切实际的期望。
人工智能已经进入工业工作日
关于数字化各类构成的炒作现在已经消退，取而代之的是实施这些解决方案时更现实的期望和亲力亲为的心态。我自己通过服务于这个领域的项目赚取了良好生活的费用，以我自身的经验体会，今天的人工智能是一种工具，如果有选择地和适度地使用，可以带来令人惊喜的结果。
必要的AI专家仍然很少见，但不断改进的无代码/低代码分析平台则将继续使该领域平民化。
未来会怎样？
到目前为止，我在本文中使用了“人工智能”一词，指的是经过训练的小模型，这些模型可以利用工业生产中的相关数据来解决特定问题。
与此相反的概念是GPT-4等大型语言模型 （LLM），近几个月来一直引起公众的关注。这些模型之所以庞大，不仅是因为它们的参数数量庞大，还因为它们有时是以巨大的成本创建的—— GPT-4 的训练成本超过1亿美元。
到目前为止，我们都听说过人工智能的惊人能力，也相信我们都同意这项技术将对世界产生相当大的影响。这已经适用于我的日常工作：人工智能帮助我编写代码，更正我的电子邮件，甚至为本文建议措辞和图片。从手写的潦草会议记录中创建精心制定的的总结摘要，并通过几个关键字生成可用的幻灯片文档。
但是，这些人工智能模型将在多大程度上改变工业数字化？是否在未来自动生成HMI呢？
在过去的几个月里，我们看到了大型语言模型能力的巨大进步。更大的上下文长度、插件和精确遵循指令的能力只是其中的一小部分创新。我们行业将这些功能用于工业应用程序只是时间问题。事实上，我们中的一些人已经开始......
工业数字化解决方案架构师和开发