Sora如果真的朝智能制造方向去做，黑燈工廠、自動駕駛、數字孿生中的一系列難題，有希望得到解決。

　　文|趙艷秋

　　OpenAI推出Sora后，立刻在影視界、廣告界和游戲業炸開了鍋，但因為它作為“模擬器”，在模擬世界上的局限性，很多人并沒想到會與智能制造沾上邊。

　　但一些智能制造的專家，已對Sora進行了觀察研究，看到了底層邏輯的相通之處，也想到了一些結合點。“如果業界真的朝智能制造方向去做的話，黑燈工廠、自動駕駛、數字孿生中的一系列難題，是有希望解決的。”幾位智能制造專家說。

　　一個有意思的現象是，自從2022年底ChatGPT大模型推出后，技術派、大模型廠商、創業者出來說得多，但制造企業和行業人士鮮有發聲。“有一點過度消費了，每周都有爆炸式的技術推出，但它們的落地在哪里?產生了什么商業價值?”一位制造人士說。一些制造企業感到焦慮，背后的原因是從技術到應用，中間仍有一些間隙需要彌合。

　　不過，經過過去半年的摸索和嘗試，2024年，伴隨政府發展新質生產力，以及一些央國企在大模型應用上的動作加快，在智能制造業，尤其是在那些變化快、競爭激烈的行業，應用大模型創新的進程正在提速。

　　01

　　Sora能用于制造業嗎?

　　Sora推出后，OPPO AI中心產品總監張峻，對生成式AI的迭代速度感到驚訝，“幾乎每天早上起來，都會看到一個有意思的新demo”。未來，用戶怎么調用這些生成式AI，可能將給手機帶來架構、交互等全方位的改變。OPPO內部也在探索。

　　在終端的變化上，業界已有一些明確的方向。比如，在短期之內，可能就會發生兩個較大的變化。一是去App化。大模型本身具備生態插件及融合能力，它自己會去調用服務接口，不需要打開App。第二是搜索入口的變化。大模型本身外部檢索能力非常強，多模態能力也非常強，它就是一個好的搜索入口。

　　一家車企人工智能資深人士在Sora推出后，也進行了觀察思考。對于車廠，他認為Sora有一定應用場景和價值。在自動駕駛的訓練中，他們已用大模型做數據生成，但大都是靜態數據。“交通流這些動態數據，Sora目前還達不到要求，但至少是看到一些希望。”

　　在合成數據方面，車企原來要基于虛擬環境(元宇宙)去做，而虛擬環境需要拍攝一些視頻，用Nerf做3D重建，但成本不小，很多地方還不能拍攝。“其實智能駕駛只關心場景，不關心跟地標相關的東西，因此合成數據場景對Sora這類技術的需求應該也很大。”

　　在浪潮信息，硬件研發部副總經理王武軍和團隊之前已介入AIGC的訓練中。王武軍從Sora生成的視頻看，“那個東京街頭，地面上雨水的反光，已逐漸接近于可接受的現實”。

　　Sora的底層邏輯是通過大量數據訓練而來，現在制造業有很多地方是人去推算的。如果數據量極強的話，運用Sora的模式，有希望對產品設計、仿真、柔性安裝和運維帶來改變。

　　“我現在沒辦法說明它未來是一個什么形態，但它將是顛覆性的。”王武軍打了一個比方，業界的一個難題是“柔性安裝”。比如，服務器機箱中有幾十條線，這些線怎么“繞”、怎么指揮機械臂去安裝。

　　可行的做法是，針對每條線纜，需要工程師做一個3D模型。根據配置不同，一根線纜要插在不同的位置，需要數十種3D模型，而組裝過程中，又需要臨時調整，從而導致柔性物體自動化安裝事倍功半，不太現實。如果能通過數據訓練，自動生成“繞線”方式，再直接將數據提取出來，告訴機械臂怎么去組裝，這個問題就解決了。

　　做仿真的工業軟件人士也注意到了Sora。“你看Sora視頻中那位女主角走路的姿態，如果結合了仿真工具，會更加自然，現在太空靈了。”CAE人士李巖說。仿真軟件可以模擬復雜的機器、產品，他看到了Sora和仿真的結合之處。

　　“現在仿真迭代的過程很長，如果前期通過Sora的方式，讓仿真不從最差的初始條件去計算，整體計算時間會大大縮短。”他說，“后期也可以對仿真結果去做優化。”

　　由于Sora自稱是要做“世界模擬器”，業界也在對比Sora和數字孿生的一些差異。數字孿生是真實世界數據化后的投影。而Sora是基于模擬樣本，構建虛擬和真實交錯的數字世界。

　　由于大模型有不同的數據源，通過Sora來模擬世界，帶有一定的想象力和發散性。比如，在Sora生成的一個視頻，一只小螞蟻穿越洞穴，這在現實中無法拍攝到。但也有網友指出它的漏洞：螞蟻是一個二維生物，走起路來不像人，它們會漫無目的、來來回回，這個Sora生成的視頻，與潛在物理規律有一些偏差。

　　“現階段可以理解Sora是數字化孿生的一種手段和補充，而不是替代。Sora可用于真實世界在虛擬世界的美化展示，以及替代人工建模與設計的生成，幫助數字孿生加速。” 聯想中國區大客戶業務群及制造行業總經理宋濤說。Sora可以用于設計階段的效果構建，或產品的生產構建效果，但沒法替代數字孿生的數據視圖等功能。

　　宋濤認為，未來兩者可能會整合，也可能形成一個新技術合集或新突破，如混合宇宙等，但目前看到他們技術線路的差異，需要有一定的技術突破才能實現。

　　”如果明白現有技術的局限性，在揚長避短的前提下，它們在某些場景下仍然具有價值。“IEEE數字化轉型聯合會戰略與架構主席汪齊齊說。

　　Sora的發散性，讓它有新的空間。“像我們一些高端汽車客戶，需求越來越個性化。可以根據客戶的描述，馬上生成一個視頻推給他，然后再完善設計。”ERP軟件廠商Infor大中華區商業咨詢高級總監鹿崇說。類似的還有外觀設計、車衣、涂鴉等，這是進入研發之前的一個環節。

　　關于成本，業界有種猜測，Sora生成1分鐘視頻，大約要8塊A800計算3小時，成本接近90美元。“To B這么一條，以往按照每秒幾千收費，Sora的價格還是便宜的。”數碼產品資深人士、Angry Miao創始人李楠向數智前線估算。這讓業界看到了它在上述應用中的巨大潛力。

　　目前關于Sora這類技術和制造的結合，一位人士稱，“Demo和產品還沒到落地狀態，但大家有方向，有思路”。

　　02

　　制造業已用了哪些AIGC技術?

　　除了Sora之外，在ChatGPT發布之后，大模型已在制造業有什么落地進展嗎?

　　聯想宋濤從智算資源分布的角度告訴數智前線，目前國內對大模型的需求，70%的生意在互聯網，10%在科研單位，落在制造業，主要的機會是汽車自動駕駛。

　　幾位車企資深人士告訴數智前線，過去幾年，汽車行業越來越卷。車企的錢在往微笑曲線的兩端投，一個是研發端，一個是營銷服務端。在制造端，過去半年，沒有看到典型場景。而大模型落地的主要場景，集中在智能駕駛、營銷服務和智能座艙。

　　比如，智能駕駛中的數據合成以及數據標注;在售后服務上，當遇到一些不常見的故障，大模型可以找到與描述最接近的情況，迅速給出排序，輔助售后服務人員，幫助車主一一排查，這樣的售后服務接受度較高。

　　今年大家競爭的一個焦點是智能座艙。預計上半年，一些車企就會陸續官宣接入大模型。不過，業界在智能座艙中還未找到爆炸式場景，今年要進一步挖掘場景。

　　2024年車企在大模型上的預算普遍在千萬級以上，用于自動駕駛、智能座艙或是大模型私有云部署等。這比2023年有顯著提升。

　　除了汽車行業，其他智能制造業在研產供銷服，都有一些進展。

　　浪潮信息王武軍他們基于“源”大模型，已就研發的三個方向進行訓練。一個方向是為工程師訓練出一個助手“賈維斯”。另一個是智能教練系統，有點像“科大訊飛學習機”，帶著工程師學習和反復訓練。還有一個方向是軟件設計，將通過代碼自動生成，實現服務器的相關軟硬結合環節。目前，這幾個方向內部已開始測試，處于持續優化過程中。

　　在制造環節，騰訊云智能制造專家邴金友印象深刻的是，一家代工企業要處理多個客戶的產品圖紙。結合大模型技術，他們迅速將圖紙結構化，直接輸入到SMT產線，驅動它的貼片機生產，降本增效明顯。

　　在智能客服領域，大模型已可以替代人。宋濤介紹，聯想在電話呼叫中心中，建立了基于AI智能的Q&A系統，可以偵測到服務人員在服務過程中的關鍵詞，提供專業的技術指導。

　　在營銷方向，有高端裝備企業，嘗試將AI與市場活動等結合起來，撰寫策劃文案。美的集團也將AI接入到集團的系統中，對文稿等基本的日常工作，做輔助測試。

　　鹿崇看到大模型已應用到了制造業的定價和運維上。在定價方面，很多制造企業的產品定價缺乏針對性，很難根據產品歷史銷售、市場環境、成本因素等變化適時科學的調整。AI技術的使用，使得定價模型成為可能。

　　在運維方面，大量的數據已讓工廠中的機器開口“說話”。在機器發生疲勞之后，一些模型結合起來，可以做到預防性/預測性維護策略更科學。

　　而大模型最直接的應用落地是產品，比如AIPC、AI手機。

　　在過去一年，邴金友看到，像光伏、新能源或新型高端裝備業，所處的市場競爭壓力較大、變化較快，更愿意采用大模型創新技術。另外，一些制造企業的三產或數科公司，對大模型的接受度也較高。

　　“大模型在制造業有點狀落地。按照Gartner的技術曲線，目前處于上升期。”邴金友介紹。

　　03

　　面對大模型，制造業要做哪些準備?

　　從2024年開始，幾乎每周，大模型都有“爆炸性”新聞推出。而根據業界的信息，在接下來，仍有一些公司的大招放出。阿里巴巴集團副總裁、瓴羊CEO朋新宇接觸的不少企業，焦慮于自己不知道該怎么做。在焦慮不斷延伸下，社會上也出現了“AI的盡頭是賣課”這樣一些社會怪相。

　　鹿崇坦承，現在概念談得多，但真正的應用還要一步步做。

　　“如果落到企業層面，無非是三樣東西：算力、企業的數據，以及企業的人才。”朋新宇分析說，從算力來講，除了OpenAI等少數企業，對大多數企業而言，大家的起跑線幾乎一樣。

　　從數據來說，OpenAI已把地球上所有的公開數據基本上都收集完了，但是對企業最有價值的數據，往往是企業的自有數據，這部分是OpenAI收集不到的。企業要考慮如何把這些數據的質量提升，變成好的資產，與大模型結合。“我覺得這是企業能抓得住的、實實在在的投入。”

　　從人才來說，對于大多數企業來講，去找AI領域的大牛，本質上并沒有必要，關鍵是現在這樣的人才也找不到。企業反而需要那些理解如何應用大模型，如何與企業工作流去對話，將大模型的能力轉變成企業生產力的一撥人。“企業要抓得住這撥人。”

　　汪齊齊則強調了行業專家的力量。他以直播帶貨為例，社交平臺的興起，解放了個人的生產力，改變了許多傳統行業的運作模式。但是，這種模式的成功，往往依賴于對特定行業深入了解的專家。”例如，一個精通化妝品銷售的專家可能不擅長電子產品的直播銷售，反之亦然。“他說，盡管技術為各個領域提供了不同程度新的機會，但真正的專業知識和行業理解仍然是不可或缺的。

　　“不管大模型未來以什么樣的姿態出現，它一定會出現。”朋新宇說，企業要做好準備。

　　“人工智能屬于智能制造第5級可以實現的目標。”聯想宋濤說，企業需要從基本的業務梳理，軟件應用和平臺打通等數字化工作開始落實，打好地基。而這些也需要基礎架構的支持，云計算、混合云、數據安全、數據管理等基礎工作，這也是幫助企業重新梳理IT、OT、DT、ET等之間的機會。

　　宋濤也提到了人工智能技術落地的四大要素——算力、數據、算法和場景。其中，場景是驅動，要挖掘能夠利用AI降本提效的場景。算力是底層支撐，數據是養分，而算法是人工智能技術形成的價值。

　　他建議，在人工智能落地中，優先做好算力建設和數據存儲，再做好數據治理和數據價值的挖掘;用高質量數據，去訓練好對應的算法，從而對業務產生價值。而AI的落地，也需要對應的人才，分步、分期通過技術實現。

　　朋新宇提到上周政府工作報告中的“發展新質生產力”。“大模型用于智能制造是眾望所歸。”他說，從OpenAI這一年的動作來看，它打開了新的空間——人類的空間、經濟的空間以及企業發展的空間。“本質上，目前行業里還沒有看到真正顛覆性的改變，但這也是離企業現場更近的這些人們的職責。”