7月4日,2024世界人工智能大会(WAIC 2024)在上海开幕,在下午产业发展主论坛上,西门子全球执行副总裁,西门子中国董事长、总裁兼首席执行官肖松博士做了《以AI重塑产业未来,化想象力为生产力》的主题演讲。
肖松博士在演讲中指出,如今人工智能技术的爆发式增长,必将加速“工业元宇宙”的实现,丰富“工业元宇宙”的内涵,并最终重塑整个产业价值链。
为此,西门子与微软合作,基于微软的大语言模型和西门子的行业经验,研发了全球第一款用于工业场景的生成式AI。这样的生成式AI让工程师输入自然语言就可以生成复杂的自动化代码,大大降低编程门槛,缩短开发时间。
这一工具如今已经在舍弗勒的产线上启用。
这样的生成式AI只是西门子通过与产业力量广泛合作加速“工业元宇宙”的案例之一,肖松博士在论坛上表示,未来西门子将携手更多伙伴,以“基础模型+智能应用”的新范式,加速工业AI的通用化和规模化。
以下为肖松博士演讲全文:
相信大家都体验过生成式AI的美妙,文生图、文生视频,通过寥寥数语,就能创造出一段逼真、生动的影像。
设想有一天,AI生成的不仅是一段视频,而是一个沉浸式、高仿真、遵循物理规律的虚拟空间,身处其中,人可以在AI的辅助下,轻松驾驭复杂的工具和任务,无拘无束地进行发明创造。现实空间里的设备和产线,则可以在AI的辅助下,更高效自主地进行协作,将虚拟世界的设计变成“实物”。
也就是说,运用自然语言,普通人就能创造出他可以想到的任何产品。
这将是怎样一种美妙的体验?
数字和现实世界更加深度融合,人和机器之间的鸿沟被跨越,过去需要几年才能开发出的产品,未来也许只要几小时,甚至几秒钟,就能出现在眼前,人的创造力被极大释放,生产效率被极大提升。
这就是我们西门子所畅想的“工业元宇宙”。
AI的爆发式增长,必将加速“工业元宇宙”的实现,丰富“工业元宇宙”的内涵,并最终重塑整个产业价值链!
早在50多年前,西门子就踏上了工业AI的征途,在机器学习、视觉智能、异常检测、知识图谱、神经网络等领域积累了深厚经验,并在全球拥有1500多位AI专家和3700多项AI专利申请,位居欧洲之首。
我们深知,工业场景交互环节多、行业差异大、复杂性高、容错率低,AI要从消费走向工业,就必须“深度结合工业场景,打通数字和机理的任督二脉,以安全、可靠、可信的工业级AI,实现生产力的飞跃”。
西门子聚焦40多个重点行业,服务40多万家客户,积累了丰富的现场经验和行业know how,全球1/3的工厂都在使用我们的控制器。
西门子也是全球十大软件企业之一。在汽车行业,世界前10的整车企业中,有9家使用西门子工业软件,这些正是工业AI创新的底座。
前不久,我们在汉诺威工博会上展示了全球第一款用于工业环境的生成式AI (Industrial Copilot),就是基于微软的大语言模型和西门子的行业经验。工程师仅需输入自然语言便可生成复杂的自动化代码,大大降低编程门槛,缩短开发时间。这一工具已经在舍弗勒的产线上启用。
据估算,全球制造业每一天大约可产生1800+PB(petabyte,1个PB等于2的50次方)的数据,如何辨识和解码这浩繁的数据是AI落地工业的另一大制约。西门子OT/IT融合技术可以高效收集、整合多模态数据,并通过模型进行理解和应用。
我们正在开发训练“工业时序数据基础模型”,基于来自制造、楼宇、交通等领域的330亿高质量时序数据,实现趋势预测、异常检测等多种应用。未来我们将携手更多伙伴,以“基础模型+智能应用”的新范式,加速工业AI的通用化和规模化。
就在大家热议“2024是AI场景之年”的同时,大量AI和场景的结合已经出现在了西门子的成都数字化工厂。至今,我们已实施了近100个AI项目,其中绝大部分来自一线工人和技术员的创新,实现工厂制造成本连续5年下降,制程质量高达99.999%。这就是人类智慧和AI的互相成就。
正如西门子全球CEO博乐仁先生3年前在这个舞台上所说,没有一个国家或组织能凭一己之力实现数字化转型。
进入AI时代,只有共生,才能共赢。
西门子已经在和英伟达等中外企业深入合作,加速布局工业元宇宙。两年前,我们推出了开放式数字商业平台“西门子Xcelerator”,它将成为我们与各行各业的生态伙伴共同发掘工业场景、打通工业数据,加速工业AI通用化、规模化进程的“共享平台”。
各位嘉宾,科技的创新,一路推动人类工业文明从蒸汽机走向电气化、自动化、数字化和智能化。如今,我们已经站在了新一轮工业革命的潮头。
让我们一起努力,以AI的伟大创新,撬动未来无限可能,实现“工业元宇宙”,化想象力为生产力。
好文章,需要你的鼓励
OpenAI明确表示要成为互联网一切事物的主导界面。AI智能体正在改变用户的数字习惯,从健康记录分析到购物指导,ChatGPT已经在多个领域扩展影响力。用户快速采用AI工具,但企业和生态系统的适应速度滞后。电商领域的权力分配尚不明确,用户偏好AI驱动的答案优先体验,品牌则推动生成式引擎优化。研究旨在了解用户与企业在AI变革中的适应差异。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。