這是我的第352篇專欄(lan)文章(zhang)。
在(zai)我之(zhi)前的(de)文章《從LLM大模(mo)型(xing)到(dao)SLM小模(mo)型(xing)再到(dao)TinyML,這個領(ling)域有(you)望增長31倍》中，曾經提(ti)到(dao)小模(mo)型(xing)SLM的(de)進展(zhan)，如今這一領(ling)域正在(zai)悄(qiao)然發生突破。
小(xiao)模型(xing)(xing)(xing)SLM，可以看(kan)作(zuo)是(shi)大(da)(da)模型(xing)(xing)(xing)LLM的“迷你版”，它們雖然(ran)體型(xing)(xing)(xing)小(xiao)巧，但(dan)卻(que)擁有著不(bu)容(rong)小(xiao)覷的能力。相(xiang)比動輒(zhe)數百萬、數十億參(can)數的GPT-4等(deng)大(da)(da)模型(xing)(xing)(xing)，SLM的運行(xing)規模要簡單得多。經過(guo)優化(hua)的SLM能夠高效(xiao)處理較為簡單的任務，而無需消耗大(da)(da)量計算資源。
如(ru)今，小模型正朝(chao)著產業(ye)落地的方向大步邁進，它們不(bu)再是實驗室里的“玩具(ju)”，而是正在成為各行各業(ye)的“生力軍”。
科技巨頭們已經(jing)嗅到了小模型的(de)無限潛力，紛紛加(jia)入(ru)這(zhe)場爭奪未來的(de)戰局。
微(wei)軟、谷歌和蘋果等公司均已入局小模型SLM，例如(ru)微(wei)軟的Phi-3、谷歌的Gemma和蘋果的Foundation Models。
最近，微軟(ruan)更是(shi)推(tui)出了適用(yong)于工業領域的(de)全新AI小模型。
通過與拜(bai)耳、羅(luo)克韋爾自動化、西門子等(deng)公司合作(zuo)，這些(xie)小模型使用行(xing)業特定數(shu)據進行(xing)了(le)(le)預先訓練(lian)，可用于處理一些(xie)關鍵問題。這就像是為每(mei)個行(xing)業量(liang)身定制了(le)(le)一套“智能裝備”，讓AI的力量(liang)深入到每(mei)個生(sheng)產環節，提升效(xiao)率(lv)、優化流程、創造價值。
今天這篇文章(zhang)，我們將一起探索小模(mo)型在工業(ye)應用中的最新進展，了(le)解它們所(suo)蘊(yun)藏的機遇與挑戰。
小模型與AI代理：下一個熱門？
首先，我們需要進一步理清(qing)大(da)模型(xing)與(yu)小模型(xing)之(zhi)間的區別，如上圖所示。
小模型之所以“小”，不僅僅在(zai)于其參(can)數(shu)數(shu)量(liang)較(jiao)少，更重要的是，小模型常常在(zai)小型數(shu)據集上進行(xing)微(wei)調，以優化(hua)其在(zai)特(te)定任務上的性能，使其更加契合(he)業務工作流的需求。
小(xiao)(xiao)模型(xing)的強(qiang)(qiang)項在于處理特定(ding)任(ren)務(wu)和工作流程。盡管參(can)數(shu)數(shu)量(liang)有限，但當使用定(ding)制數(shu)據集針(zhen)對特定(ding)領域任(ren)務(wu)進行微調時(shi)，小(xiao)(xiao)模型(xing)完全能(neng)夠勝(sheng)過大(da)型(xing)通用模型(xing)。針(zhen)對特定(ding)任(ren)務(wu)的訓(xun)練可以(yi)減輕幻覺現象，增強(qiang)(qiang)問題解決能(neng)力。
資源效率是小(xiao)型(xing)語言模(mo)(mo)(mo)型(xing)的另一大亮點，對于希望跨越(yue)各(ge)種平臺(tai)和(he)設備實施AI解決方案的企業(ye)來說，它們尤(you)其具有吸引力。小(xiao)模(mo)(mo)(mo)型(xing)使(shi)企業(ye)能(neng)夠以更簡單的基(ji)礎架構(gou)和(he)更低的成本(ben)，充分享受AI帶來的優(you)勢。據測(ce)算，小(xiao)模(mo)(mo)(mo)型(xing)可以節省(sheng)高達75%的模(mo)(mo)(mo)型(xing)訓練成本(ben)和(he)超過50%的總(zong)部署成本(ben)。
在小模型的基礎上，我(wo)們還可(ke)以玩出許多(duo)新花樣。
一些(xie)公(gong)司將小模型用于(yu)AI代理工作(zuo)流(liu)中(zhong)，其中(zhong)多個小模型通過通信和協作(zuo)來執行更(geng)加復雜的任務。
例如，在AI代(dai)理(li)工作(zuo)流中，第(di)(di)一個(ge)AI代(dai)理(li)可能負責(ze)規劃(hua)如何(he)解決任務(wu)，第(di)(di)二個(ge)AI代(dai)理(li)進行(xing)必要(yao)的研究(jiu)，第(di)(di)三(san)個(ge)AI代(dai)理(li)執行(xing)該計劃(hua)，第(di)(di)四個(ge)AI代(dai)理(li)則驗證和評估結果。這種協作(zuo)方式展示(shi)了這些(xie)模(mo)型如何(he)協同工作(zuo)，以提(ti)高生產力(li)并實現更復雜的結果。
說到這里(li)，我(wo)來解釋一下(xia)什么是(shi)AI智能代理。
AI代(dai)理的(de)官方定義是一種能夠感(gan)知環(huan)境、進行決策(ce)和執行動作(zuo)的(de)智能體。
簡而言之，ChatGPT不屬于AI代(dai)理，但戰勝李世石的AlphaGo可(ke)以被視為AI代(dai)理。
目(mu)前(qian)，我(wo)們與AI的(de)交互形式基本上(shang)都(dou)是先輸入指令(ling)(ling)，AI模型根據指令(ling)(ling)內容做出(chu)響(xiang)應，這(zhe)就(jiu)導致我(wo)們每次都(dou)需要提供有效(xiao)(xiao)的(de)提示詞(ci)，才能(neng)達到預期(qi)效(xiao)(xiao)果。
而AI代理則不同，它被設計為(wei)具有獨(du)立(li)思考和行動能力(li)的(de)AI程序。我(wo)們只需要(yao)提供一(yi)個(ge)(ge)目標，比如(ru)寫(xie)一(yi)個(ge)(ge)游戲、開發一(yi)個(ge)(ge)網頁(ye)，AI代理就(jiu)會(hui)自(zi)主生成一(yi)個(ge)(ge)任務序列，開始(shi)工作。
讓我們(men)通(tong)過幾(ji)個例子來更深入地理解AI代理。
一個初級(ji)的(de)(de)AI代理，是家中的(de)(de)空(kong)調自(zi)動控制系統。它遵循(xun)簡單(dan)的(de)(de)“如果-那么”原則運行：如果溫(wen)度低于設定(ding)(ding)點，則打開空(kong)調暖風(feng)；如果溫(wen)度高(gao)于設定(ding)(ding)點，則關(guan)閉空(kong)調暖風(feng)。這種基礎的(de)(de)AI代理雖然簡單(dan)，但在日常生活中已經發揮(hui)了重(zhong)要作(zuo)用。
而高級的AI代理，如DeepMind的AlphaGo，則是專為復雜的圍棋而設計的人工智能系統。AlphaGo展(zhan)示了非凡的學習能力，最(zui)終擊敗了世界冠軍圍棋選手。這一里程碑式的事件，彰顯了AI代(dai)理(li)在處理(li)復雜任務方面的巨大潛力。
就像俄羅斯套娃(wa)一樣，多(duo)個(ge)初(chu)級和高級的AI代(dai)理可以(yi)建立(li)起分層(ceng)代(dai)理系統。
分層(ceng)(ceng)代理(li)是一種將復雜(za)任(ren)務分解為更(geng)簡單的子任(ren)務，并(bing)以分層(ceng)(ceng)結構(gou)組織起來的AI系統(tong)。這種方(fang)法(fa)允許代理(li)管理(li)不同級別的抽(chou)象(xiang)，更(geng)有效地(di)處理(li)復雜(za)問題。
分層(ceng)代理的(de)(de)一(yi)個典型例(li)子，就是亞馬遜Amazon Go商(shang)店的(de)(de)“Just Walk Out”技術。該系統(tong)在(zai)運作中(zhong)表現出了(le)清晰的(de)(de)層(ceng)級結構：
頂層：整體商店(dian)管理和庫存跟蹤
中級：客戶跟(gen)蹤和行為分析
低級：產品識別和交互檢(jian)測(ce)
最(zui)低級別：傳感器數據處理和融合(he)
依靠這些AI代(dai)理的協(xie)同工作，Amazon Go以“不用(yong)排隊(dui)，拿了就(jiu)走”的全新購(gou)物體驗，在(zai)零(ling)售(shou)行業(ye)和科技圈吸(xi)引了無數目光。
上(shang)述案例只是冰山一角(jiao)，AI代理在(zai)實際(ji)應用中的想象力正在(zai)被激發。
小模型與Copilot覆蓋超100家公司12萬用戶
在了解了小模型與AI代理的(de)概況后，讓我們一(yi)起探索微軟與工業企(qi)業的(de)最新合作。
本次(ci)嘗(chang)試微軟(ruan)小(xiao)模型(xing)的企業包括拜(bai)耳、羅克韋(wei)爾自動化、西(xi)門子(zi)、Sight Machine等(deng)。
以羅(luo)克韋(wei)爾自動(dong)化(hua)為(wei)例，該公司從操作層面開始嘗試應用小模型(xing)。在人機(ji)界(jie)面可視化(hua)平臺FactoryTalk Optix的(de)(de)食品和飲料版本(ben)中，他們運(yun)用小模型(xing)，將行業特定(ding)(ding)功能(neng)的(de)(de)優勢帶給制造業一線工人，支持(chi)食品和飲料領(ling)域的(de)(de)資(zi)產故障排除。AI模型(xing)為(wei)工廠車間工人和工程師提供關于(yu)特定(ding)(ding)制造流(liu)程、機(ji)器和輸入的(de)(de)實時(shi)建議、解釋和知(zhi)識。
另(ling)一款產品FactoryTalk Design Studio是羅克韋爾自動化(hua)專(zhuan)注于系統(tong)設計的云原(yuan)生軟(ruan)件，它(ta)使用Copilot增強(qiang)了PLC代(dai)碼創建(jian)和用戶(hu)管理。工程師能夠使用自然語言提示執行產品指導(dao)、代(dai)碼生成、故障(zhang)排除和代(dai)碼解釋(shi)等任務，使系統(tong)設計更快、更直(zhi)觀。
同樣(yang)，西門子正在(zai)為(wei)CAD解決方案NX X軟件(jian)引入(ru)全新的(de)Copilot。該軟件(jian)利用(yong)經過(guo)調整的(de)AI模型(xing)，使用(yong)戶能夠通過(guo)自然語言提問、獲取詳細的(de)技術見解并簡化復雜的(de)設計任(ren)務，實現更(geng)(geng)快(kuai)、更(geng)(geng)智(zhi)能的(de)產品開發(fa)。
目前，包括舍(she)弗勒和蒂(di)森克虜伯自動化工(gong)程在(zai)內的(de)100多家(jia)公司正在(zai)使用西門(men)子(zi)工(gong)業Copilot來(lai)(lai)簡化流程、解決勞動力短缺問題并推動創新。12萬名西門(men)子(zi)工(gong)程軟件(jian)用戶，現在(zai)有機(ji)會通(tong)過生(sheng)成式AI驅(qu)動的(de)助手來(lai)(lai)提升工(gong)作效率。
作為(wei)敢于吃螃蟹的(de)(de)用(yong)戶，蒂森克虜伯自動化工程公司是首家使用(yong)Copilot的(de)(de)公司，并(bing)且計劃從2025年初開始，在該公司的(de)(de)全球(qiu)體系內(nei)普及應用(yong)。
根(gen)據實踐，工(gong)程師現(xian)在可(ke)以(yi)在30秒內創建可(ke)視(shi)化面板(ban)，并(bing)生(sheng)成代碼(ma)，根(gen)據經驗這些代碼(ma)僅需20%左右的調整就可(ke)以(yi)直接(jie)應用。這簡化了工(gong)作流程，減少(shao)了人(ren)工(gong)工(gong)作量，解決了熟練(lian)勞動力短(duan)缺(que)的問題。
就具(ju)體場(chang)景而言，蒂森克虜伯使用AI輔助開發用于(yu)生產汽車電(dian)池的(de)(de)自動化(hua)系(xi)統。例如(ru)在(zai)一臺電(dian)池質量(liang)的(de)(de)檢測裝置中，傳感(gan)器、攝像頭和測量(liang)系(xi)統集成在(zai)一起，監控(kong)多個(ge)階段的(de)(de)電(dian)池單元(yuan)質量(liang)，進(jin)行復(fu)雜的(de)(de)評估以(yi)檢測超出設(she)定閾值的(de)(de)放電(dian)。Copilot通過自動執(zhi)行多個(ge)任務，如(ru)數據管理、傳感(gan)器配置、電(dian)池質量(liang)檢測等各個(ge)重復(fu)性步驟，輔助操作員增強(qiang)了(le)該設(she)備的(de)(de)運行效果。
Copilot：工業生成式AI的現實角色
在(zai)工業領域，“想到”和“做到”完全是兩碼事，生(sheng)成式AI的工業價(jia)值(zhi)尚(shang)需被(bei)驗證。
古人云(yun)“欲得其(qi)利(li)、先知(zhi)其(qi)弊”，要充分(fen)發揮小模型的優勢，就必須了解(jie)它的局(ju)限性。
生成式(shi)AI的弊端(duan)在(zai)于可靠性較低，具(ju)有不可解釋性，只(zhi)能(neng)應用(yong)于對(dui)可靠性要求不高(gao)的場合。
小(xiao)模型(xing)的缺點則是精度有限(xian)，無法捕捉大規(gui)模和復雜數(shu)據集中(zhong)的細(xi)致特(te)征和關系(xi)，預測能力相(xiang)對(dui)較弱；此外，它(ta)們難以(yi)應對(dui)復雜問題(ti)。這些(xie)弊端決(jue)定了小(xiao)模型(xing)只能承擔輔助(zhu)思(si)考(kao)的角色，為我們提供更多可行性方案作為選擇，而(er)最終決(jue)策仍需由人來做(zuo)。
在實(shi)際(ji)應(ying)用過程(cheng)中，也是挑戰重(zhong)重(zhong)。
工(gong)業(ye)領域廣泛使用(yong)AI的(de)最大(da)障礙是數(shu)據(ju)的(de)缺(que)失(shi)。由于工(gong)業(ye)涉及設備、工(gong)藝、操(cao)作(zuo)、環境等多(duo)(duo)重因素影響，獲(huo)取大(da)量且多(duo)(duo)維的(de)全(quan)面數(shu)據(ju)難(nan)度很大(da)。大(da)多(duo)(duo)數(shu)制造商雖(sui)然坐擁數(shu)據(ju)，但其中大(da)部分是時(shi)間序列數(shu)據(ju)，沒有(you)得到適(shi)當的(de)標準(zhun)化，甚至無法用(yong)于AI的(de)模型訓練(lian)。
數據問(wen)題的(de)本質，很多時候不(bu)單純是(shi)(shi)技術(shu)問(wen)題，而是(shi)(shi)人員和流程問(wen)題。不(bu)成(cheng)(cheng)熟的(de)數據管理(li)流程、始終存(cun)在的(de)OT與IT鴻溝(gou)，以及(ji)缺乏對小模型的(de)理(li)解(jie)，都是(shi)(shi)導致生成(cheng)(cheng)式AI目前僅限于(yu)一次(ci)性試(shi)點或實驗的(de)因素。
因此，目前生成式AI在(zai)工業領域(yu)更多以(yi)虛擬助手(shou)的功能(neng)存在(zai)，并將會持續較長時間。
這些(xie)AI虛(xu)擬助手為工廠(chang)車(che)間操作員提供(gong)指導，或(huo)幫(bang)助控制工程師編(bian)寫PLC代碼。鑒于(yu)當前(qian)吸引和留住工廠(chang)車(che)間人才的挑戰(zhan)，Copilot能(neng)夠輕(qing)松(song)幫(bang)助合成實時信息或(huo)提供(gong)編(bian)碼輔助。
過去，工程師需要熟悉云平臺、傳感器、物聯網、人(ren)工(gong)智能和不(bu)同類型的時間序(xu)列和工(gong)程數(shu)據，而生成(cheng)式AI則允許工(gong)程師輕松進行數(shu)據查詢(xun)、可視(shi)化和工(gong)作流程，而無需擔心復雜性。操作員可以按需提出問題，而不(bu)需要了解軟件。
許多制造(zao)企業配備了(le)復(fu)雜的(de)(de)(de)(de)系統(tong)和更(geng)多的(de)(de)(de)(de)自動化(hua)設(she)備，但那些(xie)擁有幾十年經驗與知識的(de)(de)(de)(de)資(zi)深員(yuan)(yuan)工卻逐漸(jian)離開了(le)職場(chang)，制造(zao)商們很難(nan)找到年輕(qing)的(de)(de)(de)(de)技(ji)術人(ren)員(yuan)(yuan)來維(wei)護現有的(de)(de)(de)(de)系統(tong)。Copilot可以成為(wei)幫助縮(suo)小這一差(cha)距的(de)(de)(de)(de)工具。
例如，工(gong)(gong)業(ye)軟件企業(ye)Aveva的(de)(de)AI助(zhu)手(shou)可以幫助(zhu)操作員回答以下問題：上個(ge)月(yue)車間的(de)(de)最大產量(liang)是(shi)多少(shao)？或者為什么這臺(tai)壓(ya)縮機本周效率較低？杜邦公(gong)司也已經開始使用(yong)生成(cheng)式AI來幫助(zhu)工(gong)(gong)程師更快地找(zhao)到信息，生成(cheng)式AI可以節(jie)省數(shu)小時(shi)的(de)(de)手(shou)冊(ce)搜索時(shi)間。
這些Copilot就(jiu)像操作(zuo)員(yuan)的專(zhuan)(zhuan)家(jia)顧問，根據需要建議如何提(ti)高產量、降低能耗等(deng)。從某種意義上說(shuo)，它們與原有的“專(zhuan)(zhuan)家(jia)系統”并沒有本質區別，是否采納這些建議取決于操作(zuo)員(yuan)。
面(mian)臨的挑戰也(ye)與過去的“專(zhuan)家系(xi)統”大同小異(yi)：如何建立對顧問的信任(ren)。工廠中的新配(pei)方經常出(chu)現，如果(guo)沒有適當的更新和(he)維護，專(zhuan)家系(xi)統也(ye)會很快過時。另一個風險(xian)在(zai)于，如何檢查和(he)驗證所有生(sheng)成(cheng)式AI的輸出(chu)。AI不會說“我不知道”；如果(guo)沒有數據，它可(ke)能會進行編(bian)造。
寫在最后
在(zai)這個(ge)萬(wan)物互聯、智能無處不在(zai)的時代，小(xiao)模(mo)型和生成(cheng)式AI正在(zai)工(gong)業領域掀起(qi)一場革命。從制造(zao)車(che)間到產品設計，從運營優化到故障診斷，AI正在(zai)重塑著(zhu)每一個(ge)環節。
然而，我們也必須清醒(xing)地認(ren)識(shi)到，工業領(ling)域的(de)AI應用之路并(bing)非坦途。數據缺失、可(ke)靠性不足、解釋性有限等(deng)挑(tiao)戰，都在(zai)提(ti)醒(xing)我們要(yao)謹慎對待這項新興技(ji)術。盡管如此，我們仍然有理(li)由對未來(lai)保持樂觀。
隨著技術的不斷進步和企業實踐的深(shen)入，人機(ji)協作將更(geng)加(jia)緊密(mi)，小模型和生成式AI也將在(zai)工業領(ling)域釋放(fang)出更(geng)大的潛力。
參考資料：
忍不(bu)住談(tan)談(tan)工業大模型(xing)，作者：郭(guo)朝暉，來源：蟈蟈創新隨筆
Microsoft Introduces New Adapted AI Small Language Models for Industry，作者(zhe)：Colin Masson，來源(yuan)：ARC Advisory Group
What is Agentic AI? Is It the Next Big Thing?作者：Nora He，來源：arcee.ai
