大語言模型是基于神經網絡且經過海量文本數據訓練的深度學習算法。近年來，大語言模型已經開始在各行各業嶄露頭角，尤其在工業自動化領域的應用范圍不斷擴大。這些模型能理解并生成人類語言，進而幫助大幅提升工業流程效率。保守估計，大語言模型可以幫助原始設備制造商（OEM）在構建機器PLC應用程序時節省20%的工作量。
大語言模型的發展十分迅猛，從GPT-2到GPT-4，模型不斷升級成熟，處理能力大大提升，其在工業自動化領域的應用范圍也得到極大拓展。隨著技術的日趨成熟和廣泛應用，我們期望看到將大語言模型應用于工業自動化領域的更多實際案例。
大語言模型的最重要的特征之一在于，可以根據工業自動化相關的特定用例或任務進行來定制。在工業中，這些用例或任務有三種可能：代碼生成、文檔編寫、重構和測試；自然語言接口；自動化系統設計與開發。
然而，我們也需要考慮到大語言模型中可能普遍存在的局限性，以及在大語言模型產業化之前如何應對由這些局限因素帶來的影響。接下來，我們將對這些機會、局限性以及如何實現大語言模型的產業化展開進一步探討。
1.代碼生成、文檔編寫、重構和測試
大語言模型可以為PLC等工業控制系統生成代碼，或者允許人類使用自然語言輸入內容生成人機交互（HMI）頁面，進而簡化應用程序的工程設計過程，減少開發控制應用程序所需的時間和工作量。此外，大語言模型還有望提高生成代碼的質量和一致性，從而減少錯誤并縮短調試時間。保守估計，大語言模型生成的代碼，對于編寫機器類PLC程序而言，大約70%是可用的，編程效率大幅提升。大語言模型的另一個應用是自動生成配方代碼，在更改參數、更換供應商或更改配料時，能夠節省時間。創建配方并觸發生產線變更所花的時間會直接影響生產時間，因此任何可能的時間節省都有助于提高效率。更進一步，大語言模型還可用于自動生成與其生成的代碼相關的文檔，如自動測試腳本，而測試腳本對于自動化工程師來說一直是一項非常耗時的任務。
例如，在施耐德電氣，我們一直在測試大型語言AI模型的專用版，并為EcoStruxure機器專家應用軟件來訓練這些模型。測試結果顯示其潛力巨大——代碼能夠快速而準確地生成，盡管仍然需要人工審核。我們可以看到，同樣的模型可以應用于其他軟件應用程序。
2.自然語言接口
大語言模型還可為工業自動化系統創建自然語言接口，由此操作員只需要使用人類語言，而無需專門的編程語言，就可以與這些系統進行交互。自然語言接口的關鍵應用之一就是使用自然語言命令訪問現有文檔，如技術產品信息。在許多行業中，操作人員和維護人員必須手動搜索產品文檔中的信息。有些甚至還是紙質文件！然而，隨著文檔逐步數字化，并傳輸至安全的特定大語言模型中，這些工具可用來快捷地提出問題，并迅速找到答案。例如，“錯誤代碼8975的含義是什么？該如何解決？”這種問題可以輕松得到解答。其關鍵是使用安全的特定大語言模型。這些模型應該僅從經審核以及官方提供的手冊、技術說明和源代碼中提取答案。
工業企業面臨的一個常見挑戰是，行業知識可能只掌握在特定人群中。雖然隨著資產的數字化、工作方式的數字化以及勞動力人口結構的變化，這種情況也有所改變。但在許多工廠中，仍然會遇到機器或資產發生故障，唯一知道如何解決故障的人卻并不當班的情況。想象一下，如果當班的維護人員能夠通過語音命令來進行故障排除、訪問文檔，并（在安保措施落實到位的情況下）借助人工智能進行故障修復，將會節省多少時間，生產力又能提高多少？
用于技術支持的虛擬助手是另一個應用場景，其中帶有大語言模型的自然語言接口，可以為工業帶來價值。通過電話為客戶提供高度專業化和定制支持的工業公司（例如與工業最終用戶合作的機器制造商），可以掌握這些隱形的知識，并將知識和信息提供給特定的大語言模型，虛擬助手就可以利用這些模型，從而提升客戶體驗并有效縮短解決問題的時間。同樣，這也適用于機器、自動化產品和系統的用戶手冊與文檔的創建。使用大語言模型創建這些重要文檔可以為應用工程師節省時間，讓他們可以將知識和技能用于開發更好的機器、產品和系統，從而提升質量并縮短上市時間。
3.加快自動化系統設計與開發
在過程工業的大型項目中，無論是老項目擴建還是新項目開發，自動化系統的設計和開發都需要眾多供應商、用戶、合作伙伴以及監管機構等第三方伙伴進行通力協作。從項目發起到項目實施，再到項目運營階段，都可以用大語言模型對來自各方的需求和參數等進行標準化處理，從而顯著節省時間，幫助所有參與方提升競爭力。
這是因為，從客戶和合作伙伴的需求出發進行系統開發之初，就會面臨關于解決方案架構、物料清單、安全計劃、風險管理計劃等各方面的多種要求?；谀壳暗募夹g，這需要耗費數月、甚至數年的嚴謹工作、整理澄清以及來自多個職能部門的專家的協作，才能確保最終質量和可行性。如果借助大語言模型對各方需求和資料進行快速梳理，則可以加快整個過程，同時滿足各層級的合規要求。
大語言模型的道德考慮和限制因素
在工業自動化中使用大語言模型可能會帶來一些道德考慮和風險，必須要認真對待，以確保這項技術的使用，是負責任的，并且符合道德規范。
•系統安全：當討論AI模型執行工業自動化操作的可能性時，首先必須制定明確的安全措施。
•數據安全：大語言模型需要大量的訓練數據。這些數據可能包括個人敏感信息或有關特定流程的保密信息，因此確保數據安全，遵守保密原則、尊重個人隱私權至關重要。
•偏見：大語言模型可能會將訓練數據中存在的社會偏見一直延續下去，并持續放大這些偏見的影響。這可能導致不公平和歧視性后果。因此，識別偏見并減輕偏見的影響很重要，它有助于確保結果的公平公正。
•信息安全：大語言模型容易遭到模型竊取或對抗性攻擊等惡意攻擊。必須確保這些模型的安全，幫助其抵御威脅。
•解讀：大語言模型很難解釋和理解，因此對于它做出的響應也可能會難以解釋。在決策過程中使用這些模型時，這可能會成為問題，因為很難理解這些決策的基礎是什么，也就很難確保其公平性和合理性。
•以人為本：通過本文，我們已經看到了大語言模型在工業自動化領域的一些積極的應用前景。然而，任何輸出仍需要人類的審查。這些模型只能用作人類能力的補充。例如，機器可以執行任務，但任務完成后必須有人來進行檢查；或者機器可以改進或挑戰人類的創造性思維。
•可靠性：大語言模型的結果可能并不一定真實，而且目前，在使用這一結果前還應該始終由人類專家來進行審查。
大語言模型的產業化
如上所述，要想利用大語言模型的優勢，就必須對其進行恰當部署，并充分考慮其道德考慮和限制因素。此外，還需要重點考慮的是，大語言模型的潛在規模，以及哪些地方可以或者需要部署這些大語言模型。例如，GPT-3模型有1750億個參數，而GPT-4則有1.8萬億個參數，效率更高。很顯然，模型執行將需要超大規模的算力和存儲空間。
值得關注的是，特定領域的數據對大語言模型進行預訓練可以提高其性能并簡化其部署。不同行業應評估如何創建這些基礎模型，以及何時需要大模型，何時需要更小的、更具體的解決方案。例如，特定領域的大語言模型——如制造行業GPT、醫療行業GPT、旅游行業GPT等——意味著可以創建更小且更聚焦特定領域的模型，然后在此基礎上進行構建。這也有助于解決因非相關背景疊加而產生的錯誤輸出。也可以由同一行業中的各個組織來協作，共同創建適用于其領域中普適性用途的GPT，同時仍保留其特定IP。
人工智能技術在工業自動化中的其他應用
生成式人工智能，特別是大語言模型，只是人工智能在工業自動化中的讓人震撼的應用之一。我們正在探索人工智能技術在以下行業中的更多應用：
•人工智能增強型設備——將用于特定任務的AI模型充分集成到智能傳感器或執行器等嵌入式設備中，或集成到互聯互通的產品中，將人工智能技術用于自整定、預測性維護，或者結合云端應用完成更復雜的推理應用。例如，施耐德電氣在中國構建了智能工業視覺質量檢測解決方案，即“云-邊協同AI工業視覺檢測平臺”，在云端實現數據存儲和標注及模型訓練，并把云端模型下發到產線邊緣側，執行邊緣推理。目前，這種AI工業視覺監測平臺已經施耐德電氣中國15家工廠上線，顯著提高了生產線的檢測效率，將誤檢率降低0.5%以內，并實現了零漏檢率。此外，2023年6月，施耐德電氣推出AI模型生產與運維平臺EcoStruxure AI引擎，覆蓋企業實現人工智能落地所需的五大建模相關流程，包括AI模型生命周期中的數據準備、模型訓練、模型部署、模型推理及模型監控。它可以幫助開發人員和數據科學家快速構建、訓練和部署機器學習模型，在云端實現數據存儲和標注及模型訓練、推理、部署、監控，以及迭代更新等全流程，并把云端模型下發到產線邊緣側，執行邊緣推理，有效降低模型管理訓練的復雜度。
•基于人工智能的控制技術——這首先是AI生成的控制應用程序，這些應用程序可通過本文中討論的大語言模型技術或者我們也正在研究的深度強化學習（DRL）技術來實現。基于人工智能的控制也是將基于人工智能的計算機應用與控制應用的實時集成，以賦予機器和過程最高程度的自主權。
•虛擬傳感器——替代物理傳感器的方法，在給定信息的前提下，產生類似的輸出
•基于人工智能的洞察——利用現場數據對預測模型進行訓練，以發現異常情況或提供維護建議
AI等新技術發揮潛力的關鍵在于其產業化與規?；瘧茫?023年，施耐德電氣在中國設立AI創新實驗室，致力于開拓“實體產業+技術生態+AI”的應用創新，探索AI技術在資產和工藝優化、基礎設施管理、需量管理以及新能源管理上的應用，為各大產業的數字化與可持續發展賦能。
結論
大語言模型在各個行業中的應用愈發廣泛，也愈加常見。麥肯錫（McKinsey）指出“生成式人工智能有望變革工作結構，讓某些人工活動實現自動化，從而增強個體的工作能力。”
GPT-4等大語言模型正用于代碼生成，與自然語言接口相結合，正在改變工業自動化中的工作方式，未來也將用于自動化系統的設計和開發。
大語言模型使用先進的機器學習技術，可以快速、輕松地生成高質量的代碼和文檔，顯著提高效率，減少錯誤。但是，極為重要的是，要考慮代碼生成的可行性，留心與這些模型相關的道德考慮和風險因素，并思考特定領域（如工業自動化）如何能夠協同工作，讓大語言模型更好地發揮其潛力，變革現有工作模式。
然而，大語言模型只是人工智能在工業領域應用的冰山一角，還有很多產品正在開發過程中。從互聯互通的產品到應用、分析與服務，從設計、建造到運營和維護的整個生命周期，未來我們將看到人工智能技術將被部署于技術解決方案的方方面面。
