當(dāng)前工業(yè)元宇宙透過軟硬體互聯(lián)、虛實(shí)整合，讓AI、5G、雲(yún)端整合數(shù)位分身技術(shù)的各個環(huán)節(jié)，進(jìn)一步打造智慧工廠與智慧供應(yīng)鏈，已成為製造業(yè)者在轉(zhuǎn)型上的主要嘗試之一。

根據(jù)調(diào)查，2022年全球元宇宙市場規(guī)模為474.8億美元，年複合成長率為39.4%，到2030年估值為6,788億美元，其中北美地區(qū)占比最大，占比超過45%。而當(dāng)前元宇宙議題雖然稍微退燒，但在製造業(yè)的應(yīng)用上熱度不減，特別在一般製造、汽車、能源和公用事業(yè)、醫(yī)療保健和生命科學(xué)、航空航天、電信等子產(chǎn)業(yè)更是如此。

當(dāng)前工業(yè)元宇宙透過軟硬體互聯(lián)、虛實(shí)整合，讓AI、5G、雲(yún)端整合數(shù)位分身（Digital Twin）技術(shù)的各個環(huán)節(jié)，進(jìn)一步打造智慧工廠與智慧供應(yīng)鏈已成為製造業(yè)者在轉(zhuǎn)型上的主要嘗試之一，這種多技術(shù)的融合牽涉到複雜的數(shù)位基礎(chǔ)建設(shè)、數(shù)位科技掌握程度與工廠自動化程度，其「程式化邏輯控制器」（Programmable Logic Controller；PLC）為雙向生產(chǎn)數(shù)據(jù)的轉(zhuǎn)運(yùn)站，能夠大幅提升單機(jī)、整線、與整廠的營運(yùn)效能。

工業(yè)元宇宙可用於將產(chǎn)品設(shè)計(jì)與生產(chǎn)的物理版本進(jìn)行比較—例如尋找產(chǎn)品缺陷，或者可以建立虛擬環(huán)境以進(jìn)行模擬。例如，許多自動駕駛汽車設(shè)計(jì)師現(xiàn)在利用真實(shí)世界位置的模擬來微調(diào)汽車性能，提高其安全性與可用性。

以汽車業(yè)者BMW為例，該公司在一家新工廠使用工業(yè)元宇宙，以一對一的比例製造虛擬汽車，然後為工廠部署最終佈局。在這六個月的部署過程中，該公司根據(jù)模擬結(jié)果對原始設(shè)計(jì)進(jìn)行了大約30%的更改。雖然BWM並未對外公開表示效率提高幅度，但該公司指出，在模擬的第一天，工廠中有大約30%流程能夠獲得改善。

圖1 : BMW使用工業(yè)元宇宙，以一對一的比例製造虛擬汽車，然後為工廠部署最終佈局。（source：BMW）

當(dāng)然，該技術(shù)也能用於員工培訓(xùn)，以JetBlue為例，若以真實(shí)飛機(jī)培訓(xùn)技術(shù)人員成本高又耗時(shí)，因此該公司與軟體製造商Strivr合作部署了VR解決方案。該程序幫助技術(shù)人員以盡可能最真實(shí)的方式模擬接觸飛機(jī)，而沉浸式學(xué)習(xí)則將VR 的體驗(yàn)與學(xué)習(xí)理論、數(shù)據(jù)科學(xué)和空間設(shè)計(jì)整合有效提升年輕員工的學(xué)習(xí)體驗(yàn)。

若跳脫應(yīng)用場域，單從人工智慧與元宇宙技術(shù)融合，則潛在效益不僅如此，基於人工智慧驅(qū)動的IT基礎(chǔ)設(shè)施能在Metaverse中用於預(yù)測中斷並在問題發(fā)生時(shí)辨識，例如AIOps必須持續(xù)運(yùn)作並且具有足夠的可延展性，以與Metaverse同步運(yùn)作，這使得它的技術(shù)要求很高。

人工智慧還將使元宇宙不僅能夠理解用戶輸入，從文本到圖像甚至影音皆可，無論用戶輸入的語言如何，都能正確回應(yīng)，當(dāng)然，這將需要大量數(shù)據(jù)，並且訓(xùn)練此類高級 NLP 模型可能需要數(shù)年時(shí)間。

同時(shí)，在元宇宙開發(fā)中，人工智慧不僅是電腦視覺和自然語言處理領(lǐng)域的必備技術(shù)，也是虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)（AR）領(lǐng)域的必備技術(shù)。例如，在AR技術(shù)中，AI用於相機(jī)校準(zhǔn)、檢測、跟?、沉浸式渲染、實(shí)體世界物體檢測、虛擬世界物體檢測和3D物體建立，有助於保證AR應(yīng)用的多樣性和可用性。

大型語言模型對企業(yè)營運(yùn)的機(jī)會與風(fēng)險(xiǎn)

顧問公司麥肯錫指出，人工智慧企業(yè)領(lǐng)導(dǎo)者者比相較其他同業(yè)更能抓住在何處享受技術(shù)帶來的價(jià)值，例如制定完整的人工智慧策略，並連結(jié)業(yè)務(wù)、財(cái)務(wù)指標(biāo)，同時(shí)更頻繁地參與能夠大規(guī)模開發(fā)和部署前瞻技術(shù)，發(fā)展人工智慧產(chǎn)業(yè)化。

這些領(lǐng)導(dǎo)者具備通常完善基礎(chǔ)設(shè)施，例如模組化的數(shù)據(jù)架構(gòu)、優(yōu)質(zhì)的數(shù)據(jù)、完整的Devops團(tuán)隊(duì)，以及強(qiáng)悍的資安措施，以快速適應(yīng)新的應(yīng)用程式開發(fā)。同時(shí)這些業(yè)者也發(fā)展數(shù)據(jù)的流程自動化，這既可以提高模型的開發(fā)效率，又能透過更多高質(zhì)量的數(shù)據(jù)倒入演算法，進(jìn)一步提升開發(fā)的應(yīng)用程式的數(shù)量。

當(dāng)然，越前瞻的人工智慧應(yīng)用可能帶來越高的風(fēng)險(xiǎn)，除了資訊安全外，如何建立好的人工智慧治理機(jī)制也相當(dāng)重要，其例如確保人工智慧和數(shù)據(jù)治理政策、標(biāo)準(zhǔn)化流程和協(xié)議、自動化流程（控制數(shù)據(jù)質(zhì)量以減少手動輸入資料造成的的錯誤）、測試模型的有效性，並隨著時(shí)間監(jiān)控模型是否存在偏誤問題等。

語言模型的已經(jīng)存在數(shù)十年，該模型的核心執(zhí)行一個簡單的任務(wù)：給定一串文本，使之能預(yù)測最有可能的下一個詞，多年來，語言模型已經(jīng)從基本的N-gram模型（其中語言由簡單的向量表示）發(fā)展到更複雜的循環(huán)（RNN）和長短期記憶 （LSTM）神經(jīng)網(wǎng)路，以更複雜的方式建立單字和短句子。

語言模型的發(fā)展轉(zhuǎn)捩點(diǎn)是從Google Brain 2017年的開創(chuàng)性論文《Attention Is All You Need》

中引入的transformer架構(gòu)這改變領(lǐng)域遊戲規(guī)則。過去的語言模型基於對每個單詞的單獨(dú)理解和處理，而轉(zhuǎn)換器允許將句子和段落作為一個整體進(jìn)行處理。這些模型能夠根據(jù)字符串中每個詞與字符串中其他詞的關(guān)係，為每個詞分配不同的權(quán)重；而現(xiàn)在的模型可以根據(jù)上下文理解單詞，在性能上取得重大突破。

Transformer 使大型語言模型能夠從自然語言中深入理解人類的意圖，使得一系列突破性的功能成為可能：從描述中生成各種內(nèi)容，將大量非結(jié)構(gòu)化數(shù)據(jù)提煉成簡潔的摘要，以更準(zhǔn)確的翻譯、回答複雜的查詢等等。

圖2 : 語言模型的主要提供商。（source：Two sigma ventures）

近年來，隨著軟體快速迭代和更大系統(tǒng)的建置，大型語言模型（LLM）的使用快速成長。原因之一為單個模型就能用於多種任務(wù)，從文本生成、句子創(chuàng)建、分類和翻譯。此外，當(dāng)使用者僅給出數(shù)個標(biāo)記時(shí)，模型幾乎能夠做出合理的預(yù)測，即所謂的「小樣本學(xué)習(xí)」。

LLM正在改變我們當(dāng)今處理業(yè)務(wù)的方式。隨著ChatGPT在短短 5天或2個月內(nèi)經(jīng)歷的驚人成長，越來越多產(chǎn)業(yè)開始意識到這些大型模型可能從根本上改變數(shù)據(jù)傳輸與處理的方式，這些模型透過利用深度學(xué)習(xí)技術(shù)與自然語言處理來「生成」各種解決方案，一方面擔(dān)任「產(chǎn)品設(shè)計(jì)」的角色，一方面又能透過人機(jī)協(xié)作來調(diào)校模型對準(zhǔn)卻度，業(yè)者若能掌握大型語言模型的核心技術(shù)與團(tuán)隊(duì)建置，未來在超大量數(shù)據(jù)的競爭環(huán)境下將更容易取得先機(jī)。

從實(shí)際應(yīng)用來看，大型語言模型能協(xié)助醫(yī)療保健、製造、金融、機(jī)器人等產(chǎn)業(yè)處理各種任務(wù)，例如回答客戶問題、為他們提供客製化建議、識別和生成高精度的文本、聲音和圖像。

大型語言模型可以幫助企業(yè)更有效率地了解客戶需求，從自動化程序到提供客製化化體驗(yàn)。這些基於自然語言處理的人工智慧技術(shù)也能用於協(xié)助營運(yùn)上的資安議題、或是自動針對指定內(nèi)容進(jìn)行分類、部署虛擬助理、以及提升SEO等，而目前雖然較無看到製造業(yè)者使用大型語言模型的案例，但由於雲(yún)端業(yè)者如微軟、Google已開始將LLM模型嵌入至解決方案中，故業(yè)者應(yīng)可了解該技術(shù)在製造領(lǐng)域的應(yīng)用。

當(dāng)然，該模型在營運(yùn)上也存在風(fēng)險(xiǎn)，大型語言模型可能剽竊或編造內(nèi)容，使得人員需要辨識資訊的真?zhèn)纬潭龋箪缎鹿诓《疽咔椤⒕W(wǎng)路媒體和社群平臺的大量使用等因素，企業(yè)的經(jīng)營環(huán)境大幅曝險(xiǎn)於假訊息風(fēng)險(xiǎn)中，加上定量分析、圖形或數(shù)位模擬，或?yàn)檠菟惴ň幋a等技術(shù)不夠成熟，對於反制假新聞的能力不足，加上如「錯誤訊息」的使用，可能在內(nèi)外部發(fā)布消息時(shí)誤植、遺漏詞句或關(guān)鍵資料，讓利害關(guān)係人與員工相信錯誤的資訊，最終影響決策。

德國西門子的應(yīng)用案例

工業(yè)軟體大廠業(yè)者西門子在工業(yè)元宇宙與人工智慧的發(fā)展上不遺餘力，其數(shù)位業(yè)務(wù)平臺Siemens Xcelerator即是代表，2022年6月，公司與人工智慧業(yè)者NVIDIA合作，在工業(yè)元宇宙與人工智慧合作上再下一城，NVIDIA將Omniverse加入 Siemens Xcelerator開放式的合作夥伴生態(tài)系，串聯(lián)從邊緣到雲(yún)端、擁有豐富資料軟硬體解決方案，建立出即時(shí)的沉浸式元宇宙環(huán)境，這將促使業(yè)界加速使用數(shù)位分身技術(shù)，提升整個生產(chǎn)和產(chǎn)品生命週期中的生產(chǎn)力並改善製程，目前獲得機(jī)械、電子和軟體領(lǐng)域客戶採用，Volta Trucks和Automotive Cells Company（ACC）兩家業(yè)者皆為其客戶。

工業(yè)元宇宙與人工智慧要能整合應(yīng)用，大量的數(shù)據(jù)資料與多元化的使用者缺一不可，西門子在工業(yè)4.0以來即累積大量使用數(shù)位解決方案的客戶，加上過去疫情衝擊促使產(chǎn)業(yè)轉(zhuǎn)型，Siemens Xcelerator能夠整合IT/OT核心系統(tǒng)的數(shù)據(jù)，同時(shí)連結(jié)不同的3D設(shè)計(jì)與CAD應(yīng)用程序，以建立單一真實(shí)來源的虛擬模型，並擴(kuò)展到物聯(lián)網(wǎng)、數(shù)據(jù)系統(tǒng)和工業(yè)自動化設(shè)備，同時(shí)，西門子也透過投資工業(yè)技術(shù)新創(chuàng)來因應(yīng)其生態(tài)系成長。

圖3 : Siemens Xcelerator能夠整合IT/OT核心系統(tǒng)的數(shù)據(jù)，同時(shí)連結(jié)不同的3D設(shè)計(jì)與CAD應(yīng)用程序（source：Siemens）

全球智慧製造未來發(fā)展方向

根據(jù)Euromonitor指出，全球製造業(yè)預(yù)計(jì)將在2023年經(jīng)歷動盪，肇因於經(jīng)濟(jì)前景惡化、地緣政治風(fēng)險(xiǎn)上升以及能源和大宗商品市場的波動將給製造商的業(yè)績帶來壓力。預(yù)計(jì)2023年各產(chǎn)業(yè)的增長將不平衡，能源強(qiáng)度高或高度依賴投資需求的行業(yè)受到的衝擊最大。

在全球範(fàn)圍內(nèi)，預(yù)計(jì)2023年化工產(chǎn)品、橡膠和塑料以及機(jī)械行業(yè)的產(chǎn)值增長將放緩，因?yàn)轭A(yù)計(jì)B2B需求疲軟和能源成本上升將影響生產(chǎn)。由於2023年總體經(jīng)濟(jì)環(huán)境惡化，新車銷售放緩預(yù)計(jì)也將拖累全球運(yùn)輸設(shè)備行業(yè)的表現(xiàn)，然而，高附加值和低週期性產(chǎn)業(yè)預(yù)計(jì)將在2023年維持成長，預(yù)計(jì)2023年高科技產(chǎn)品產(chǎn)業(yè)將在所有製造業(yè)中表現(xiàn)最強(qiáng)勁，因?yàn)檗D(zhuǎn)向綠色能源和投資於數(shù)位科技將繼續(xù)支持對高科技產(chǎn)品的需求。

同時(shí)，根據(jù)其調(diào)查，全球約62%的公司計(jì)劃在未來五年增加對雲(yún)端運(yùn)算投資，同時(shí)約50%的公司計(jì)劃投資於人工智慧、物聯(lián)網(wǎng)和生產(chǎn)自動化工具，這些都是製造業(yè)需要投入更多資源在數(shù)位工具的原因。

在地製造的需求是推動製造業(yè)加快工業(yè)元宇宙投資的因素之一，在疫情爆發(fā)後，製造企業(yè)加快了生產(chǎn)在地化和回流工作，地緣政治緊張局勢加劇成為2023年生產(chǎn)回流的另一個催化劑：根據(jù)生產(chǎn)回流倡導(dǎo)組織Reshoring Initiative的數(shù)據(jù)，總計(jì)1,800家企業(yè)計(jì)劃回美國生產(chǎn)，企業(yè)在遷廠的過程中可能需要遠(yuǎn)端模擬生產(chǎn)情境，以對遷廠進(jìn)一步評估。

當(dāng)然，當(dāng)前經(jīng)濟(jì)情勢的下滑與預(yù)算配置的改變，可能致使相關(guān)投資降低，但不變的是人工智慧與其他技術(shù)的發(fā)展需求依舊龐大。而上述提及，大型語言模型目前雖無大型製造業(yè)導(dǎo)入的實(shí)際案例，但從Open AI與微軟的關(guān)係也可看到，大型科技業(yè)者正在將各種人工智慧技術(shù)整合進(jìn)服務(wù)方案中，而服務(wù)的產(chǎn)業(yè)日趨多元，未來在製造業(yè)的實(shí)際應(yīng)用，應(yīng)也僅是時(shí)間早晚問題。

圖4 : 目前正使用Open AI的產(chǎn)業(yè)類別。（source：Statia）

結(jié)語

若從我國產(chǎn)業(yè)發(fā)展來看，製造業(yè)者在發(fā)展工業(yè)元宇宙的速度不若國外，許多企業(yè)當(dāng)前尚在挖掘人工智慧的潛能，對於多種技術(shù)融合的應(yīng)用較少，加上當(dāng)前雖許多製造業(yè)者雖已經(jīng)擁有大量設(shè)備與製程數(shù)據(jù)，但往往很難從中獲取價(jià)值，因?yàn)樗麄內(nèi)狈梢蕴岢鰯?shù)據(jù)看法並加以解析的數(shù)據(jù)科學(xué)家，以及相對成熟的機(jī)器學(xué)習(xí)模型。

因此企如何透過合作來打造一個數(shù)位生態(tài)系，納入物聯(lián)網(wǎng)與人工智慧技術(shù)，以及採用自動化軟體解決方案為當(dāng)前業(yè)者積極部署的領(lǐng)域。另一不可或缺的技術(shù)為雲(yún)端平臺，透過雲(yún)端的即時(shí)分析，將原先基於時(shí)間的維護(hù)設(shè)定轉(zhuǎn)變?yōu)轭A(yù)測性維護(hù)。

隨著雲(yún)端的規(guī)模的不斷擴(kuò)大，業(yè)者可以在無接觸（contactless）的狀態(tài)下遠(yuǎn)端對感測器組進(jìn)行遠(yuǎn)端更新和維護(hù)，這些技術(shù)部署都有賴於生態(tài)系的建立與夥伴的支援。而這些技術(shù)的融合最終應(yīng)是導(dǎo)向工業(yè)元宇宙的發(fā)展，由於工業(yè)元宇宙本身為多種技術(shù)的融合體，因此先熟悉各種技術(shù)的應(yīng)用，對於發(fā)展工業(yè)元宇宙與人工智慧較有效益。