GIO白皮书：AI使能工业创新

由GIO发布了《GIO白皮书：AI使能工业创新》这篇报告。以下是对该报告的部分摘录，完整内容请获取原文查看。随着数字化使能行业转型，导致OT、IT和电信行业的融合，这样的实践变得越来越重要。不 同的问题解决方式、不同的标准、痛点和KPI可能会在多个利益相关方的合作中导致意见冲突。

1.预料意外——在创新中与AI合作

创新是指引入能为客户创造价值的新事物（例如产品、服务、流程）。创新可能涉及新想法 的形成、新技术（例如AI）的使用，或新商业模式的实施。创新的关键在于，在工业解决方案中采 用创新时，必须为客户创造价值。最近，新闻报道了许多创新的AI解决方案和AI用例，但这些方 案必须在客户侧体现价值，而不是体现在使能工具或流程（AI）上。 在工业流程创新中，常见的方法是在当前未使用AI的解决方案的背景下描述问题或用例。这 些解决方案通常是为人类操作量身定制的。引入AI最明显的期望和方法往往是取代人类的劳动并与 AI互动。

但是，人类的局限性不是AI的局限性，AI的局限性也不是人类的局限性。因此，这种方法是 不充分的。相反，应将用例与人类的局限性解耦或进行抽象，并考虑采用新的方法，发挥AI的优势。 这种基于AI的解决方案应结合人类的优势，创建一个利用AI和人类优势的系统。但是，人类的优 势最好由人类来执行，而不是由机器进行不完美的模仿。

由于任何AI方法都需要大量的数据集，而这些数据集必须是正确、一致、有标签且完整的， 因此以下局限性必须由人类智能来弥补： • AI系统无法检测因果关系，但很擅长发现相关性。 • AI以现有数据为基础，无法投射到没有数据的领域（模型也是如此）。 • 解决方案反映了训练数据集的所有缺点（偏见等）。

另一方面，人类智能建立在心智模型上，而心智模型是在较少的数据基础上训练出来的，可 以用于外推。 在创新中与AI合作可以带来很多好处，因为它可以让组织快速、准确地处理和分析大量数据。 不过，在与AI合作时，一定要预料意外，因为AI有时会产生意想不到的结果，或以人类可能无法 预料的方式行事。

与AI合作的关键挑战之一是，通常很难完全理解AI是如何得出结论或做出决定的。在处理基 于大量数据训练出来的复杂机器学习算法时，情况尤其如此。虽然这些算法在发现规律和进行预测 时可能非常有效，但它们可能并不总是能够解释自己的推理，或清楚地说明它们是如何得出特定结 果的。这种缺乏透明度的情况可能会导致意想不到的结果，使组织难以预测和消减潜在的风险或挑 战。例如，AI系统可能会做出不符合组织价值观或目标的决定，或者可能产生与人类期望不一致的 结果。

为了应对这一挑战，组织需要为其AI项目制定明确的目标和期望，并设立健全的流程，以确 保所使用的AI系统符合企业的价值观和目标。这可能包括对AI系统进行定期审查和审计，以确保 其按照意图运行，以及进行持续的训练和开发，以确保其保持更新和准确。对于AI系统的供应商来 说，这可能包括对出售给有其他价值观或数据使用限制的其他国家的机器、系统或自动化解决方案 中包含的AI系统进行升级。

2.创新开胃应用

第一道菜——设计和工程

作为第一道菜，我们倾向于从设计和工程过程中提供一些启发性的开胃应用，因为大多数创 新都是从这里开始的。 产品和系统的设计侧重于满足客户的要求和技术规范，而工程则结合了科学和数学领域，在 客户现场解决特定问题。

如今，我们看到工程学的定义发生了转变：从传统的机器设计和工程到社会技术系统的“工 程”（德国国家工程院），社会和环境也成为价值链中新的利益相关方。政界要求开始关注与产品 生命周期相关的循环经济，从设计阶段开始，直至材料的回收和再利用。最新的例子是，欧洲要求 遵守能源和产品碳排放方面的规定，以实现双轨转型目标（数字化转型和绿色转型）。到2050年， 可持续的数字化技术将使欧盟实现碳中和。

“基于模型的系统工程（MBSE）是对建模的形式化应用，以支持系统需求、设计、分析、验 证和确认活动，从概念设计阶段开始，贯穿整个开发和后续的生命周期阶段。MBSE技术方法通常 应用于拥有复杂系统的各行各业，例如航空航天、国防、铁路、汽车、制造业等。”（摘自维基百 科） 由于系统性能与设计阶段设定的系统边界密切相关，后期纠正设计和工程阶段出现的错误会 产生极高的成本。然而，数字孪生的兴起能够在产品的早期阶段模拟物理属性和环境参数，而不再 需要花费高昂的成本来制造原型。因此，可以避免错误，减少材料和能源消耗，并避免回收原型硬 件。 此外，连接到云服务和访问数字孪生可能会带来更加灵活的系统边界。通过按需部署云服务 可以提高系统的弹性和适应性。当获得运营数据和反馈时，工程和运营阶段开始重叠。

主菜——运营

作为主菜，我们希望提供运营阶段的精选开胃应用，因为创新必须在运营阶段证明其价值。 工业数字化进程正在快速推进，相关标准（例如OPC-UA以及资产和服务的数字孪生）也在不断出 台。车间——OT（运营技术领域）到IT（工业网络领域）的数据可追溯性成为新商业案例和运营 范式的使能器，设计和工程阶段开始与运营阶段融合。适应性、互操作性和自主性将成为可持续发 展和弹性制造的新型关键要素（《德国工业战略2030》，PI4.0）。

虽然上一节指出，设计阶段定义的系统边界限制了运营特性，但由于这两个阶段开始融合， 新的选择也随之出现。传感器可以集成到传统系统和机器中，生成过程数据，这些数据可以通过无 线网络（例如5G+、Wi-Fi）连接到内部硬件（边缘设备）或外部数据中心（公有云或私有云）。 这样就可以在本地部署云服务，提供原本没有预料到的能力。这一过程被称为“棕地更新”，是实 现制造业数字化的必要步骤。

在运营阶段，根据流程性能指标（流程能力）的统计测量结果来监控理想的系统输出。在对 流程进行统计控制时需要使用这些KPI，例如在流程存在了一段时间后。当超过质量基准时，工厂 或机器操作员将采取行动，从正在进行的流程转变中恢复系统。最近的工业运营要求是达到6西格 玛或以上的流程成熟度，这意味着每生产一百万个零部件，最多只能观察到3.4个缺陷。

甜点——维护

作为第三道菜，我们想给您一个惊喜：来自维护的新的开胃应用。 维护的作用是尽可能延长机器的使用寿命，而不是修复已经损坏的设备。 我们看到了一个趋势，从统计维护（在达到预定的运营时间后提供维护服务）转变为在“现 场”提供维护服务——准确地在需要的时间和地点提供。服务行动是提前规划的，考虑到实际的 机器数据及其因运行期间的振动或环境条件造成的损耗和磨损。及时订购备件并安排维护人员。服 务不再是不透明的“黑盒子”，即不再基于维护所花的时间收取费用，而是成为这样一种商业模式： 在需要采取行动之前，提前为客户规划专门的时间和资源。

对经营者而言，维护不仅仅是定期实施传统的、标准化的维护和任务清单，而且要结合各种 来源的知识（即客户生产计划、针对操作和磨损的传感器测量、机器历史、设计），以便使部署规 划与各机器的个性化需求相匹配。特别是，不仅可以通过基于AI的单台机器分析来识别工业工厂的 （潜在）问题（“预测性维护”），还可以通过基于AI的、跨客户的机器数据分析来识别（“对等 组比较”）。 当前的发展受益于利益相关方价值链上的数据可追溯性，例如，利用来自传感器生产商、机 器集成商和最终用户的数据。由于这些数据是专有的，以前不可能进行交换。但是，随着新的商业 模式的演进，每个参与者的贡献都可以得到激励，因为这样做可以降低客户站点的总成本。而且传 感器供应商可以在更短的设计周期内使其传感器适配新的客户需求。

3.展望

如果这些创新开胃菜让您感到好奇并想要品尝更多，那就已经表明我们的这本手册是成功的。 我们选择将这种方法作为双向开放创新的新方式，以发起一个制造相关的创新社区，既分享研究和 创新的最新用例，也洞察制造行业的实际问题。 正如威廉·吉布森曾说的，“未来已来——只是尚未流行”33，一些解决方案可能已经存在于 其他领域中，而特定领域的用户还不知晓。例如，在棕地，电信行业已经在更新传统机器的专家知 识，但安装和运营无线网络仍需要专家。随着IT领域和OT领域开始融合，我们认为在不久的将来， 客户或用户将获得服务支持，他们自己就可以轻而易举地安装和运营私有网络。

此外，我们坚信，AI工具（如用于生成设计的工具）的加速发展，以及越来越多的对数据空 间的访问，将推动不同行业领域的创新进程。但是，作为特定领域的用户或供应商，您该如何利用 其带来的优势？利用数字化机会的一个关键问题是，制造公司（无论大小）都缺乏IT专家。 随着工业元宇宙和数字市场的发展，我们认为有必要采取行动，克服企业创新需求和IT资源的 瓶颈。我们的解决方案是通过与我们建立了联系的多种渠道将您（作为感兴趣的合作伙伴）链接到 全球各地的AI社区，例如，通过ZVEI（德国电气与电子工业协会）、德国工业4.0平台、全球产业 组织（GIO）以及全球各地的学术机构。