沃卡惠围绕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工具推广者的承诺是，未经培训的用户可以使用这些工具来创建书面内容、计算机代码甚至法律文件。工业生成式AI战略应该包括具有自动化或应用专业知识（或两者兼而有之）的熟练人员，以仔细考虑可扩展的平台、开放式编程和抽象问题。
目前，AI工具是免费或低成本的。它们在为非关键用途创建“软”内容方面显示出巨大的前景，甚至在执行详细任务（例如参加测试）时也是如此。另一方面，结果有时可能具有误导性或不正确。Microsoft公司副总裁Jared Spataro介绍该公司的365 Copilot AI工具时曾指出， “Copilot有时是正确的，有时则是错误的，但它总能让你走得更远。”
任何考虑将AI应用于工业级、始终在线、关键任务工作的人，都理应对将“有用的错误”工具纳入工作流程，同时仍期望提供必要而可靠的结果感到担忧。在开源世界中，使用生成式AI的个人和公司最终可能仍要对任何负面结果负责。
在回答如何在工业自动化领域有效应用AI这一问题之前，首先要考虑什么是智能，以及如何对其进行评估。在这条前进的道路上，谨慎使用生成式AI可以加速工业朝着正确的方向发展。
从早期开始，智能的特点就是一个人所知道的东西。支持其智力的知识主要是通过学习书籍和书面材料获得的，这需要付出巨大的时间和金钱成本，这也赋予了学者一定程度的权力。
随着几十年前互联网的兴起，情况发生了变化。突然之间，纯数据的获取成本变得非常低廉，尽管其内在价值依然存在（图 1）。现在，任何人都可以通过网络获取大量数据和信息，智能的定义也随之转变为人们最佳数据源、理解数据并将其整合为有用信息和见解的能力。无论如何，这些原始数据的准确性需要审核（书籍也是如此），因为错误的断言仍然存在。
随着几十年前互联网的兴起，公式发生了变化。突然之间，纯数据变得非常便宜，但仍然保留了内在价值。随着现在任何人都可以在线访问大量数据和事实，智能的定义转向一个人找到最佳数据来源、理解数据并将其综合成有用信息和见解的能力。无论如何，这些原始数据的准确性需要审查——书籍也是如此——因为虚假断言仍然存在。
图1：我们可能会轻信生成式AI工具产生的结果，这仅仅是因为我们没有相关背景或资源去了解更多。
在许多方面，数据无处不在和广泛可用是一件好事。来自日益多样化的来源和声音的新信息不断冲击，使人类很难在大海捞针中找到数据中的针。过多的数据会掩盖最有用或最重要的内容，而缺乏可靠的工具来审查新的数据源会模糊真相与虚构之间的界限。我们可能会轻信生成式AI工具产生的结果，这仅仅是因为我们没有相关背景或资源去了解更多。
智能的一个日益重要的标志就是辨别力。辨别力首先体现在知道该问什么问题。互联网上充斥着这样的例子：人们向生成式AI工具提出简单的问题，却得到了完全不符合要求的答案。辨别力还意味着能够审视AI生成的回复，并利用知识和经验来理解答案是否正确，“有用的错误”甚至是危险的。
在智能方面，辨别力一直是一项宝贵的技能，但随着原始数据的加速扩张，以及从浩瀚海洋中获取洞察力的生成式AI工具的迅速崛起，这种形式的智能比以往任何时候都更加重要。怎样才能具备良好的洞察力？辨别力的简单定义可以是经验应用于知识——换句话说，就是主题专家（SME）。
像生成式 AI这样的技术将把智能的发展提升到一个新的水平，帮助用户更有效地访问大量数据并与之交互。用户可以通过无数特定于应用程序的方式从中受益。例如，他们可以使用AI驱动的导航工具来筛选堆积如山的地理数据，并沿着最佳路线提供前往目的地的实时方向。具有高度辨别力的专家可以更广泛地使用生成式AI，因为尽管更多的数据访问并不能造就专家，但访问绝对会放大他们的努力。
正如扳手是技术人员拧紧螺栓的力量倍增器一样，生成式 AI 也是帮助主题专家解决问题的力量倍增器。不过，一些人认为生成式AI的使用更像是伐木工人从使用手锯切换到使用链锯那样，可以极大地提高生产率，但如果由不熟练的工人使用，也会带来更大的危险。
寻求优化设计、运营和维护效率的制造和加工企业需要考虑如何为其主题专家提供更好的支持（图 2）。与其将生成式AI视为取代专家和专业知识，不如为其配备AI以加速他们的工作。研究如何将生成式 AI 用于工业级项目的公司需要考虑围绕生成式 AI 模型的训练以及 SME对结果的解释。
图 2：面向工业自动化的生成式AI 战略应侧重于构建平台，使主题专家能够在工作中表现更出色，而不是取代他们。
目前可用的生成式 AI 模型主要是在数据集或其他从互联网上抓取的信息进行训练的。这些批量数据可能有助于训练大型语言模型（LLM），例如 ChatGPT。
对于更具体的项目，例如执行工业自动化设计或优化过程等，使用由主题专家精心策划的训练数据集可能会产生更一致和更有效的生成式AI。虽然将训练数据限制在相关来源可能会带来一些遗漏的风险，但回报是获得更可靠的结果，并避免因数据来源有缺陷而导致看似合理的结果出现危险的错误。
一旦获得结果，SME仍然需要仔细审核输出。可以想象，用于创造艺术或娱乐等非关键终端产品的AI模型，造成伤害、物理损害或环境恶化等责任的概率相对较低。但是，如果生成式AI模型被用于设计生产设备，或用于设计机器自动化的代码，甚至用于提出优化操作的数值建议，则可能造成非常严重的后果。
一些使用生成式 AI进行工业自动化工作的探索性实践表明，对于复杂的任务，净速度的提高并不比传统方法好多少。另一方面，主题专家通过采用生成式 AI可以大大加速枯燥或重复性高的任务。这就提出了一个问题：提高工业自动化中生成式 AI采用率的最佳方式是什么？
尽管工业自动化技术在过去几十年中不断改进，但从性能和可用性的角度来看，离即使是半熟练的人员也能高效准确地实现工厂自动化的愿景仍相距甚远。企业仍然需要具有自动化或应用领域专业知识或两者兼而有之的熟练人员才能实现这些项目。然而，随着我们朝着实现愿景的方向前进，强调易于使用的技术可以大大扩大有资格从事这项工作的人才库。
与此同时，用户应该考虑一些功能强大且易于使用的方法，以腾出时间和资源来探索生成式 AI 技术，例如：
可扩展平台：大多数用户需要一系列设备、硬件和软件选项，以便他们可以从地面到云端无缝部署解决方案，即在现场、控制室和整个企业中（图 3）。实现这一目标的最佳方法是建立在一个完整且经过验证的开放平台上，该平台包含传感器、仪器、自动化控制器和用于人机界面（HMI）、监控和数据采集（SCADA）以及分析操作的软件。当设备直观、无缝地集成到自动化生态系统中时，问题可以更快地解决，价值可以更快地实现。
开放式编程：工业自动化涵盖许多方面，包括仪器仪表和测量、现场设备的直接控制、数据采集和历史化、可视化、分析等等。为了最好地利用这一系列学科的专业知识，编程的灵活性可以加快开发速度并简化集成。虽然简单的控制算法最好在梯形图等传统编程语言中实现，但更专业的设备（如伺服电机和高精度执行器）的自动化可能会受益于更现代的语言，如结构化文本（ST）等。
绝大多数用于从传感器数据中获取洞察力的物联网算法通常都是用 C、C++ 和 Python 编写的，通常针对 Linux 操作环境进行了优化。与既能支持传统的 IEC 工业语言，又能支持 C、C++ 和 Python 等现代标准的自动化平台合作，有助于使解决方案发挥更大的功能。
抽象化：将AI和其他先进技术集成到工业自动化领域的一个关键目标是将流程抽象化，因此普通用户或开发人员将在更高层次上与逻辑构建块进行交互，而不需要深入研究源代码的最深层次的细节。即使没有AI，现代自动化编程工具也可以整合抽象的关键方面。实现者应寻找能够进行变量编程和数据标记以及创建用户定义数据类型的开发工具。他们应该寻找支持在所有受支持的编程语言中使用应用程序存储库和用户定义的功能块重用代码的工具。
图 3：将生成式AI技术有效地应用于工业应用，需要用户采用可扩展、开放式和抽象化的硬件和软件的综合平台。
有了这样的生产力推动因素，用户可以花更多的时间在自己的环境中探索新技术，如生成式AI和其他先进技术，以更好地了解什么可以带来他们所寻求的收益和增强。与自动化专家合作可能会为用户打开他们认为不可能的新想法和机会，甚至可能发现常见问题的交钥匙解决方案。
最终目标是使用户能够利用他们的行业专业知识，并以最有用的方式整合AI，以帮助最终用户在部署和优化制造和生产解决方案时提高生产力。
