01
引 言
据2023年4月12日微软公开新闻表示，西门子和微软正在利用以为代表的生成式人工智能（AI）的力量，帮助工业企业在产品的设计、工程、制造和运营生命周期中推动创新和效率。
图片源自网络
为了加强跨职能协作，两家公司正在将西门子的产品生命周期管理软件（PLM）与微软的协作平台Teams、Azure 服务中的语言模型以及其他Azure人工智能功能集成。微软云+人工智能执行副总裁Scott 表示：“人工智能与技术平台的融合将深刻改变我们的工作方式和每个企业的运营方式。”“通过西门子，我们将人工智能的力量带给更多的工业组织，使他们能够简化工作流程，克服竖井，并以更具包容性的方式进行合作，以加快以客户为中心的创新。”
在今年的汉诺威工业博览会上，两家技术领导者展示如何通过AI驱动的软件开发、问题报告和视觉质量检查，来提升工厂自动化和运营的水平。后续西门子和微软团队将推出新的应用程序，这些将使设计工程师、一线员工和跨业务职能的团队能够更快地完成反馈循环，共同解决挑战。例如，服务工程师或生产人员可以使用移动设备，使用自然语言记录和报告产品设计或质量问题。通过Azure 服务，该应用程序可以解析非正式的语音数据，自动创建摘要报告，并在内将其发送给适当的设计、工程或制造专家，以简化工作流审批，减少请求设计更改所需的时间，从而更容易地影响设计和制造过程，并加快创新周期。
近年来，人工智能技术的发展在企业信息化领域引起了广泛关注。以最近爆火的、、New Bing为例，作为基于GPT4（ Pre- ）模型的先进的自然语言处理技术，具有广泛的应用潜力，在不远的将来将对PLM（产品生命周期管理）、MES（制造执行系统）、ERP（企业资源计划）和工程大数据应用产生较大影响，对企业的数字化和自动化水平也将带来显著的影响，包括提升生产效率、优化决策流程、改进用户体验等。然而，也存在一些挑战，例如安全性和隐私保护等。因此，制造企业应充分认识AI技术在企业数字化建设和应用的潜力与局限性，合理应用，以推动企业数字化升级。
02
GPT模型对传统工业管理软件的影响
GPT模型是一种基于深度学习的自然语言处理技术，基于大规模文本数据的训练，可以生成自然语言的文本，它的核心是生成式对话模型，可以生成具有上下文感知和语言流畅性的对话文本。GPT模型具有广泛的应用领域，包括语音识别、自动翻译、智能客服、自动写作等。在企业信息化领域中，GPT模型可以通过理解和生成自然语言文本，与用户进行对话，提供智能化的服务和支持，从而对制造企业核心业务信息系统应用产生重要影响。
产品生命周期管理（PLM）是一种用于协调产品设计、制造、销售和服务全生命周期的管理方法。GPT模型可以通过与设计师和工艺师的对话，理解他们的需求和意图，并自动化生成相应的设计方案、工艺参数和产品文档。这可以加速产品设计和开发过程，提高设计效率和准确性，并且会随着生成样本数量的不断增加而自我迭代优化。同时，GPT模型还可以与产品生命周期各阶段的相关人员进行实时的沟通和协作，帮助解决设计变更、产品质量和产线协同等问题，从而优化PLM的管理流程，提升产品质量和生产效率。
1.基于知识图谱的数据管理优化：通过的自然语言处理技术，帮助用户更轻松地管理和检索PLM中的数据，并快速构建知识图谱。GPT模型可以自动理解大量文本数据，提取实体关系，可以帮助用户快速查询和过滤数据，进行复杂的搜索和排序和组织操作，无需依赖实施人员提前配置复杂的查询检索条件，从而提高数据管理的效率，并为用户提供丰富的产品和工艺知识。
2.智能文件编写和文档协作：可以帮助用户更好地编写和协作文档，例如通过语义描述从海量历史数据中快速查询、引用、总结并基于给出条件，提取重要信息构建结构化知识，快速生成方案草稿，能够通过对话的形式创建、编辑、翻译、摘要、共享并与他人协作修改文档，以及通过对话进行文档版本的管理和历史记录的查看。
3.智能分析和报告：可提供智能分析和报告功能。通过对PLM中的数据进行分析和挖掘，可以生成可视化的报告，帮助用户更好地了解项目状态、趋势和数据洞察，从而支持决策和管理。
4.产品设计的即时支持：产品设计过程中，设计师可以与进行语言交互获取设计建议、标准查询、性能计算等即时支持，甚至自动化进行模型、BOM的创建和维护，可以基于PLM管理的数据和知识，自动回答设计师的问题，并提供相关的任务指导，如新部件设计流程指导，而不需要复杂的操作界面或命令，这可以加速产品设计过程，提高设计质量，提高PLM软件的易用性。
制造执行系统（MES）是一种用于实时监控和管理生产过程的信息化系统。可以通过与生产工人和生产管理人员的对话，了解生产计划、产线状态、设备维护等信息，并生成实时的生产报告、生产指令和生产日志。这可以帮助生产管理人员更好地掌握生产状态和资源利用情况，做出及时的决策和调整。同时，还可以通过与生产工人的实时对话，提供生产操作指导、异常处理建议等支持，从而提高生产过程的可控性和生产效率。
1.智能操作助理：使用可以帮助用户快速查询、创建、修改或删除制造订单、工艺路线、设备状态、物料需求等信息。用户可以通过自然语言与智能操作助理交互，而不需要复杂的操作界面或命令。智能操作助理可以根据用户的输入，自动生成相应的操作指令或界面，同时也可以根据用户的反馈，调整操作的步骤、顺序、方式等。
2.智能问题预测：使用可以帮助用户预测制造过程中可能出现的问题、风险、异常等。用户可以通过输入一些历史数据或当前状况，让智能问题预测工具自动生成相应的预测结果或建议。智能问题预测工具可以利用深度学习等技术，分析制造数据中的模式、趋势、关联等，同时也可以利用外部数据源，如天气、市场、供应链等，提高预测的准确性和可靠性。
3.智能数据分析：使用可以帮助用户分析制造过程中的数据、指标、趋势等。用户可以通过提出一些问题或需求，让智能数据分析工具自动生成相应的报表、图表、总结等。智能数据分析可以利用自然语言处理等技术，理解用户的意图和语境，同时也可以利用数据挖掘等技术，提取数据中的价值和洞察，为用户提供高价值甚至预测性的信息。
4.智能培训工具：使用可以帮助用户提高制造技能、知识、经验等。用户可以通过与智能培训工具进行对话、模拟、测试等方式，学习和掌握相关的制造内容。智能培训工具可以利用对话系统等技术，与用户进行自然和友好的交流，同时也可以利用知识图谱等技术，构建和更新制造领域的知识体系，为用户提供个性化和适应性的学习路径。
企业资源计划（ERP）是一种用于整合企业内外部资源，管理企业各业务流程的信息化系统。可以通过与企业内部员工和外部合作伙伴的对话，了解企业的业务需求、订单状态、供应链信息等，并生成相应的订单管理、库存管理和供应链协调方案。这可以帮助企业更好地协调各业务流程，优化资源配置，提高订单响应速度和客户满意度。同时，还可以通过与企业员工的对话，提供日常的人力资源管理、绩效评估、员工培训等支持，从而提升企业的人力资源管理效果。
1.自然语言排产计划编制：使用可以帮助计划管理人员快速查询和制定各种计划，例如生产计划、采购计划、销售计划等，而不需要通过复杂的界面和操作。用户可以通过自然语言的方式，向提出编制生产计划涉及的各种问题或需求，例如：“我需要在下个月生产20台发动机”“我需要采购多少钢材和塑料”“我需要根据返修情况调整交付计划”等，可以根据产品、产能、订单、约束条件等，并参考历史计划和历史生产数据智能化进行排产排程计算，并以文字或可视化数据、图表的方式给出排产结果。
2.全局采购比较：使用可以帮助用户高效地管理采购流程和供应商关系，而不需要通过繁琐的表单和审批。根据用户通过自然语言方式提出的各种问题或指令，诸如采购需求、查询供应商信用评级和交货期、订单增减等，可以参照上下文，智能化分析历史采购信息，分析采购价格变动曲线，比较供应商最低报价，并结合已采购零部件质量合格情况生成相应的回答或执行相应的操作，提供相关的信息和反馈。
3.财务核算和销售预测助理：可以帮助用户有效地管理财务核算和销售预测，不需要人工进行大量数据的准备，也无需编写冗长的报告。管理层和财务都可以通过自然语言的方式，而无需掌握专业的财务术语，向提出各种问题或需求，包括计算某月现金流量表、预测下个季度的利润水平、申报本年度的所得税、查看本季度的销售额和利润率等，可结合历史财务信息和销售数据等，智能化的采用计算和分析公式对提出的问题进行数据获取、分析、整理，并以图文或报表的形式即时生成答案。
4.高效实时物流跟踪：可以帮助用户高效地跟踪物流和运输情况，而不需要通过复杂的系统和设备。用户可以通过自然语言的方式，向询问，例如：“我需要查询L公司的货物位置”“考虑国庆堵车帮我安排J公司的运输路线”“我需要评估K公司的物流成本”等，可智能给出物料的物理坐标，兼顾预期路况规划运输路线，结合油价、高速费用等估算物流成本并以报表方式反馈。
大数据技术在企业中的应用日益广泛，可以通过对海量数据的分析和挖掘，为企业提供深入的洞察和决策支持。作为一种自然语言处理技术，可以通过与用户的对话，实时获取用户的需求和意图，并生成相应的查询和分析请求，从而与大数据软件进行集成。可以通过与大数据软件的对话，获取实时的数据分析结果、数据可视化和数据报告，并将这些信息传递给用户。这可以帮助企业更好地理解和利用大数据，进行数据驱动的决策，优化业务流程，提高企业的竞争力和创新能力。
1.使用可以提高大数据应用的智能性，使其能够更好地理解用户的需求和意图，生成更符合用户期望的数据操作、服务、接口等。人工智能技术可以利用自然语言处理等技术，与用户进行自然和友好的交流，同时也可以利用机器学习等技术，根据用户的输入，自动完成相应的数据任务。这可以帮助企业更有效地获取和使用数据，提升数据的价值和意义。
2.使用可以提高大数据应用的灵活性，使其能够更好地适应不同的数据源、格式、质量等，实现更多样化和个性化的数据处理、转换、集成等。人工智能技术可以利用数据清洗、标准化、融合等技术，处理不同类型和来源的数据，同时也可以利用数据挖掘、推荐、搜索等技术，提供定制化的数据服务。这可以帮助企业更灵活地管理和优化数据，提升数据的效率和质量。
3.使用可以提高大数据应用的创新性，使其能够更好地发现数据中的模式、趋势、关联等，生成更新颖和有趣的数据内容、可视化、报告等。人工智能技术可以利用生成式对抗网络、强化学习等技术，在创新丰富大数据内容的同时优化和改进大数据方案；可以用于帮助企业更创新地开发和改进产品、服务、模式等，提升数据的竞争力和吸引力。
4.使用可以提高大数据应用的可靠性，使其能够更好地预测数据中的问题、风险、异常等，生成更准确和可信的数据结果、建议、预警等。通过充分利用深度学习等AI技术，可以分析大数据中的模式、趋势、关联等，同时也可以利用外部数据源，如市场、竞争、政策等，提高预测的准确性和可靠性，从而帮助企业更可靠地监控和控制数据，提升数据的安全性和稳定性。
03
国防军工行业产品研制过程应用AI技术面临的挑战
我们看到各类GPT的AI技术应用可以为制造业数字化转型应用带来诸多的创新性应用场景，但是面向国防军工行业的特殊化要求，其应用在短期内依然存在着非常大的挑战，可以预见还有很长的路要走，主要包括以下几个方面：
首先是信息安全问题。国防军工行业涉及国家安全和军事机密，对信息系统的安全性和可靠性要求非常高。GPT类应用可能存在数据泄露、模型攻击、生成错误等风险，需要进行严格的审查和监控，防止敌对势力利用GPT类应用进行渗透和破坏。
第二是网络环境问题。国防军工企业不允许接入互联网，无法访问在线的GPT模型，也无法利用云计算等资源进行模型训练和部署。这就限制了GPT类应用的性能和功能，需要依靠离线的方式进行模型更新和维护，增加了成本和难度。
第三是数据样本稀缺问题。GPT类应用依赖于大量的高质量的数据进行模型训练和优化，而国防军工行业中的数据往往是稀缺的、敏感的、专业的、多样的，难以获取和标注。这就导致GPT类应用难以覆盖国防军工行业中的各种场景和需求，也难以保证生成结果的准确性和可信度。
针对上述国防军工行业GPT类应用面临的信息安全、网络环境、样本稀缺等多方面的约束和挑战，我们应该尽快开发出自主可控的类GPT产品，以提高信息系统的安全性和可靠性，适应离线网络环境和计算资源限制，提升数据质量和覆盖范围，满足国防军工行业中的各种场景和需求。自主可控的类GPT产品不仅能够保障国防军工行业的信息安全，而且能够提升国防军工行业的信息化、数字化、智能化水平。主要在以下方面进行改进和创新：
首先是增强安全性和可控性。GPT类应用需要采用加密、脱敏、审核等技术手段，保护数据和模型的安全性，防止泄露和篡改。同时，需要提供可控的生成参数和选项，让用户可以根据实际情况调整生成结果的内容、风格、长度等，避免生成不合适或者错误的信息。
其次优化网络环境和计算资源。GPT类应用需要适应国防军工行业中的离线网络环境，提供离线的模型训练和部署方案，减少对互联网的依赖。同时，需要利用边缘计算、分布式计算等技术手段，提高模型的运行效率和响应速度，降低对计算资源的消耗。
第三是提升数据质量和覆盖范围。GPT类应用需要利用迁移学习、元学习、弱监督学习等技术手段，提高模型的泛化能力和适应能力，使其能够在少量或者低质量的数据上进行有效的学习和生成。同时，需要结合国防军工行业中的专业知识和领域特征，扩大模型的数据来源和覆盖范围，使其能够满足各种场景和需求。
总之，以为代表的GPT类应用必将对工业领域工业管理软件产生深远影响，可以加速产品设计和开发过程，提高生产过程的可控性和生产效率，优化企业的业务流程和资源配置，促进实现数据驱动的决策，也会对未来国防军工行业各领域和各环节有着巨大的应用潜力和价值，但也必须直面存在的诸多约束和挑战。只有通过国内先进软件企业不断地改进和创新，才能逐步克服这些困难，实现人工智能技术在国防军工行业中的有效落地和广泛应用。
图文 | 天圣华信息 李鑫
天圣华信息
天圣华信息多年来根植于国防军工行业，以对军工制造模式的深刻理解，数字化、自动化业务的丰富积累和“专注军工智能，鼎力中国制造”的坚定初心，服务于我们的客户。
关 注 我 们
了 解 更 多
相关文章
