今天小編分享的互聯網經驗：洪樸總裁陶青：基于AIGC的制造業知識管理，歡迎閱讀。
5 月 23 日，36 氪舉辦「颠覆 · AIGC」產業發展峰會。本次峰會匯聚產業力量，共同探讨企業、行業在面臨變革時的應對策略，分享思考，探索和發現產業中最具潛力的企業與最具價值的技術，在激蕩的環境中探尋前行的方向。
大會上，洪樸總裁陶青發表了題為《基于 AIGC 的制造業知識管理》的主題演講。基于洪樸利用 AI 大模型賦能制造業企業的三個具體案例，陶青分享了 AIGC 為制造業創造價值的三種途徑：一是，基于 AIGC，制造企業可以全面繼承在行業内長期積累的知識，将行業 know-how 快速轉化成企業自身能力；二是，制造企業可以對分散在各個系統、文檔、數據庫、流程制度中的、各個專業領網域的知識，進行綜合分析和理解，突破人工經驗局限，形成新能力；三是，制造企業可以将有價值的數據、經驗留存在企業内部，而不是 " 随人而動 "，可以提升對知識的保護力度。
制造業場景繁多，不同行業又涉及不同細分場景。陶青指出，洪樸過去的做法是針對性解決不同場景、行業分别面臨的智能數據分析問題，但在 AI 大模型出現後，正在探索如何基于新的技術糅合多場景數據，實現制造企業的全局知識管理。
以下為陶青演講實錄（經 36 氪整理編輯）：
大家好！
站在時代面前我們會有非常多的機會，接下來我分享一下我們的觀點和故事，我是陶青，來自洪樸，我們致力于讓 AI 惠及中國制造。
我不是做技術出身，我從行業起步，在半導體從業了 10 餘年，接下來我将分享三個故事，與大家一起探讨 AIGC 技術能為制造業帶來什麼價值。
第一個故事，我想稱之為 " 後發優勢 " 的故事。這個故事是關于半導體行業中的一類常見設備，其國產化的時間已經不短了。客戶告訴我們這類設備國產化後故障率相對較高，控制精度也不是很好。我們是做制造業數據分析服務的，設備控制和設備診斷是我們的主要場景，我們發現這可能是中國制造業設備國產化的一個重要話題。中國開始有越來越多的國產化設備，特别是在高端制造，譬如半導體行業中，我們已經有了很多國產化的高端設備。但可能設備是國產的，控制參數是海外引進的，我們還沒有足夠的時間完全掌握這些設備。這也是我們中國在制造業發展過程中必須要經歷的過程。
那這樣的情況給我們客戶帶來了什麼樣的具體問題呢？我們看到客戶的設備工程師在一邊研究材料學的論文，一邊研究如何調試設備參數；他們缺乏此類設備的使用經驗，所以這些控制參數到底為什麼要這樣設定？這項參數為何是 30，而不是 50？那項參數為何是 35.5，而不是 35.4？這些經驗，我們本土工程師是不具備的；但這個設備卻有多達 854 個變量，復雜程度已經遠超人的能力，客戶工程師不可能篩選出最優的變量組合。
于是我們從客戶手裡拿到了這類型設備的各類數據，比如參數、指标、日志信息、生產過程中操作數據等，我們還拿到一些客戶手上的海外同類型設備檔案資料。經過學習、分析和模型的适配後，我們為客戶提供了一套參數優化系統，圖片上隐去了一些敏感推薦參數（圖 1），系統會分析客戶每次生產的變化，原材料變化、生產環境變化、設備 PM 變化，對每一次變化都進行生產參數推薦。
圖 1：參數優化系統（IDA 智能數據分析系統） 企業供圖
從第一次拿到數據，到最後形成參數推薦，大約用了兩個月的時間，根據每一次參數推薦我們都會做一次實驗，直到發現這樣一個變化（圖 2）：藍色柱狀圖是經過優化之後明顯提升的生產數據，這個數據已經達到國外同類型設備的品質，我們對于數據的優化情況感到非常驚喜。從這個小故事中，我們學到了第一個認知：基于 AIGC，制造企業可以将行業長期積累的知識，全面的繼承和學習，快速轉化成企業自身能力。這是我們認知到第一個點。
圖 2：優化前和優化後的產出分布圖 企業供圖
第二個故事，我稱之為 " 智能拐點 "，這也是我們的真實故事，關于我們的一個半導體客戶。該客戶的一個生產基地有 4 個工廠，幾百道生產工序，幾千台設備，幾十類產品，這意味着在中國，這個基地可能是該行業中最先進的。這個工廠的領導在和我們交流的過程中，向他們自己的工程師進行了提問：你們分析數據的時候，大概有多少數據量？工程師計算後表示，大約有幾百道工序，一個電性能參數可能會有十幾萬個控制變量，一個產品有幾十個電性能參數，數據量龐大。而且我們有幾十類產品，如果這幾十類產品同時生產，大約有幾十億、甚至上百億的控制變量需要交叉控制和分析。領導提出了第二個問題：人工能做到嗎？工程師表示這是不可能的。他們只能去抓取一些關鍵的指标，做一些定性的分析，遠不能做到定量，并且只能是今天抓取數據，明天做好分析，後天再來看報告。這就是國内該行業最領先企業的現狀。
我說洪樸或許可以嘗試着來解決這個問題，于是我們基于 AIGC 技術給這個企業提供了 IDA 系統（智能數據分析系統），結論非常明确：數據分析效率提升 11 倍，發現生產線問題或者故障的周期縮短了 95%。各位看到這個表現會覺得其實還行，這也是大數據時代的常規表現。這個故事名字大家還記得嗎？我稱之為 " 智能拐點 "，拐點在什麼時候出現呢？
圖 3：MH 參數對產品電性能表現的影響 企業供圖
有一次和這個領導開會，我們分享了一個發現，如圖 3 所示，不難看出有一項參數對于某款產品的最終性能有直接負面影響，這位領導問了一個負責人：這個說法準确嗎？這個負責人說：這是我們沒有考慮到的，我們不知道有這樣一項影響因素。于是我們做了幾次實驗，證實這個影響确實存在。
這個領導又問技術負責人：你們原先的企業是這麼做的嗎？這個負責人說：不是，當時我們也不知道有這個問題存在。聽完工程師的答案後，領導表示他此時已經相信 IDA 系統的智能性了。所以我們說這一天是智能拐點的節點。
這個故事讓我們又得到了一個新的認知：基于 AIGC，制造企業可以将分散在各個系統、文檔、數據庫、流程制度等各個專業領網域的知識進行綜合分析和理解，突破人工經驗局限，形成新能力。
第三個故事更有意思。光伏是近幾年的熱詞，我們在光伏行業有很多客戶和成績。光伏的某主要設備大約每三年會有一次重大更新，所以這個設備的工程師炙手可熱，對于各個大廠而言都很搶手，這也導致這個設備的工程師跳槽頻繁，薪資漲幅高達 50% 之多，因此導致光伏企業不敢深入培養工程師，企業擔心把主要知識和工藝經驗告訴工程師後，雖然設備維修的問題解決了，但萬一跳槽該如何是好？所以這是一個很矛盾的問題，我稱之為 " 熊掌和魚 " 的故事。
一方面是企業缺少成熟工程師，另一方面企業又不敢給他們培訓。我們提供一套系統，整合企業在這套設備上的各類數據：生產數據、質量影像數據、設備的日志信息、mes 數據等等，我們将這些數據綜合起來訓練，并通過洪樸的 " 設備哨兵系統 " 對設備實時管理，一段時間後我們看到：良品率、物料損耗、維護時長、人員效率等各方面指标都有明顯的提升，從而實現降本增質。當然更為顯著的益處在于客戶的數據将被留存在企業内，同時幫助更多的產線員工具備專家級别的設備維護能力，這也是 AIGC 為制造業帶來的價值。
做一個總結：洪樸對于 AIGC 在制造業知識管理上面能為行業帶來什麼價值？我們能帶來以下三點價值。
第一，知識繼承，不管知識是海内外的，還是留存百年的，只要有數據或是一些能夠被閱讀的内容，技術和模型能夠将它轉化為企業的能力；
第二，經驗突破，我們能挖掘出一些人工無法發現的問題，這些問題處在經驗盲點。當所謂多模态、多交叉學科的知識匯聚時，一定會有有不一樣的發現，這是通過人工無法實現的。
第三，知識保護，我們能把數據留存在企業内部，我們稱之為數據不出廠，知識不出廠。
制造業還有很多很多場景，剛才說到設備故障診斷，工藝參數優化，還包括 APS、EHS 管理、生產流程整合、質量分析等等，不同行業中也有很多不同細分場景，比如半導體、光伏、汽車鋼鐵等。
我們在不同場景和不同行業研發、落地、完善我們的產品，但是 AIGC 的概念和技術出現之後，我們在思考，如果打通各類場景的所有數據會怎樣？AIGC 是不是可以在這樣一個十分垂直的行業中，甚至在對于數據安全很敏感的制造企業中，能很好的管理這個制造企業的全局知識，讓問題從一邊輸入的同時，好的解決辦法就能從另一邊輸出呢？我們很期待。最後，讓我借用上午韋青總的話來結束今天的分享：讓我們把一些難的、復雜的或者是不想做的事情，交給算法，讓我們人類繼續進化。
謝謝大家，我是陶青，我來自洪樸。
整理｜沈筱
