今天小编分享的科技经验：Sora只用于娱乐？智能制造第一个不服，欢迎阅读。
文｜赵艳秋
OpenAI 推出 Sora 后，立刻在影视界、广告界和游戏业炸开了锅，但因为它作为 " 模拟器 "，在模拟世界上的局限性，很多人并没想到会与智能制造沾上边。
但一些智能制造的专家，已对 Sora 进行了观察研究，看到了底层逻辑的相通之处，也想到了一些结合点。"如果业界真的朝智能制造方向去做的话，黑灯工厂、自动驾驶、数字孪生中的一系列难题，是有希望解决的。" 几位智能制造专家说。
一个有意思的现象是，自从 2022 年底 ChatGPT 大模型推出后，技术派、大模型厂商、创业者出来说得多，但制造企业和行业人士鲜有发声。"有一点过度消费了，每周都有爆炸式的技术推出，但它们的落地在哪里？产生了什么商业价值？" 一位制造人士说。一些制造企业感到焦虑，背后的原因是从技术到应用，中间仍有一些间隙需要弥合。
不过，经过过去半年的摸索和尝试，2024 年，伴随政府发展新质生产力，以及一些央国企在大模型应用上的动作加快，在智能制造业，尤其是在那些变化快、竞争激烈的行业，应用大模型创新的进程正在提速。
01
Sora 能用于制造业吗？
Sora 推出后，OPPO AI 中心产品总监张峻，对生成式 AI 的迭代速度感到惊讶，" 几乎每天早上起来，都会看到一个有意思的新 demo"。未来，用户怎么调用这些生成式 AI，可能将给手机带来架构、互動等全方位的改变。OPPO 内部也在探索。
在终端的变化上，业界已有一些明确的方向。比如，在短期之内，可能就会发生两个较大的变化。一是去 App 化。大模型本身具备生态插件及融合能力，它自己会去调用服务接口，不需要打开 App。第二是搜索入口的变化。大模型本身外部检索能力非常强，多模态能力也非常强，它就是一个好的搜索入口。
一家车企人工智能资深人士在 Sora 推出后，也进行了观察思考。对于车厂，他认为 Sora 有一定应用场景和价值。在自动驾驶的训练中，他们已用大模型做数据生成，但大都是静态数据。"交通流这些动态数据，Sora 目前还达不到要求，但至少是看到一些希望。"
在合成数据方面，车企原来要基于虚拟环境（元宇宙）去做，而虚拟环境需要拍摄一些视频，用 Nerf 做 3D 重建，但成本不小，很多地方还不能拍摄。" 其实智能驾驶只关心场景，不关心跟地标相关的东西，因此合成数据场景对 Sora 这类技术的需求应该也很大。"
在浪潮信息，硬體研发部副总经理王武军和团队之前已介入 AIGC 的训练中。王武军从 Sora 生成的视频看，" 那个东京街头，地面上雨水的反光，已逐渐接近于可接受的现实"。
Sora 的底层逻辑是通过大量数据训练而来，现在制造业有很多地方是人去推算的。如果数据量极强的话，运用 Sora 的模式，有希望对产品设计、仿真、柔性安装和运维带来改变。
" 我现在没办法说明它未来是一个什么形态，但它将是颠覆性的。" 王武军打了一个比方，业界的一个难题是 " 柔性安装 "。比如，伺服器机箱中有几十条线，这些线怎么 " 绕 "、怎么指挥机械臂去安装。
可行的做法是，针对每条线缆，需要工程师做一个 3D 模型。根据配置不同，一根线缆要插在不同的位置，需要数十种 3D 模型，而组装过程中，又需要临时调整，从而导致柔性物体自动化安装事倍功半，不太现实。如果能通过数据训练，自动生成 " 绕线 " 方式，再直接将数据提取出来，告诉机械臂怎么去组装，这个问题就解决了。
做仿真的工业軟體人士也注意到了 Sora。" 你看 Sora 视频中那位女主角走路的姿态，如果结合了仿真工具，会更加自然，现在太空灵了。"CAE 人士李岩说。仿真軟體可以模拟复杂的机器、产品，他看到了 Sora 和仿真的结合之处。
" 现在仿真迭代的过程很长，如果前期通过 Sora 的方式，让仿真不从最差的初始条件去计算，整体计算时间会大大缩短。" 他说，" 后期也可以对仿真结果去做优化。"
由于 Sora 自称是要做 " 世界模拟器 "，业界也在对比 Sora 和数字孪生的一些差异。数字孪生是真实世界数据化后的投影。而 Sora 是基于模拟样本，构建虚拟和真实交错的数字世界。
由于大模型有不同的数据源，通过 Sora 来模拟世界，带有一定的想象力和发散性。比如，在 Sora 生成的一个视频，一只小蚂蚁穿越洞穴，这在现实中无法拍摄到。但也有网友指出它的漏洞：蚂蚁是一个二维生物，走起路来不像人，它们会漫无目的、来来回回，这个 Sora 生成的视频，与潜在物理规律有一些偏差。
" 现阶段可以理解Sora 是数字化孪生的一种手段和补充，而不是替代。Sora 可用于真实世界在虚拟世界的美化展示，以及替代人工建模与设计的生成，帮助数字孪生加速。" 联想中国区大客户业务群及制造行业总经理宋涛说。Sora 可以用于设计阶段的效果构建，或产品的生产构建效果，但没法替代数字孪生的数据视图等功能。
宋涛认为，未来两者可能会整合，也可能形成一个新技术合集或新突破，如混合宇宙等，但目前看到他们技术线路的差异，需要有一定的技术突破才能实现。
" 如果明白现有技术的局限性，在扬长避短的前提下，它们在某些场景下仍然具有价值。"IEEE 数字化转型联合会战略与架构主席汪齐齐说。
Sora 的发散性，让它有新的空间。" 像我们一些高端汽车客户，需求越来越个性化。可以根据客户的描述，马上生成一个视频推给他，然后再完善设计。"ERP 軟體厂商 Infor 大中华区商业咨询高级总监鹿崇说。类似的还有外观设计、车衣、涂鸦等，这是进入研发之前的一个环节。
关于成本，业界有种猜测，Sora 生成 1 分钟视频，大约要 8 块 A800 计算 3 小时，成本接近 90 美元。"To B 这么一条，以往按照每秒几千收费，Sora 的价格还是便宜的。" 数码产品资深人士、Angry Miao 创始人李楠向数智前线估算。这让业界看到了它在上述应用中的巨大潜力。
目前关于 Sora 这类技术和制造的结合，一位人士称，"Demo 和产品还没到落地状态，但大家有方向，有思路 "。
02
制造业已用了哪些 AIGC 技术？
除了 Sora 之外，在 ChatGPT 发布之后，大模型已在制造业有什么落地进展吗？
联想宋涛从智算资源分布的角度告诉数智前线，目前国内对大模型的需求，70% 的生意在互联网，10% 在科研部門，落在制造业，主要的机会是汽车自动驾驶。
几位车企资深人士告诉数智前线，过去几年，汽车行业越来越卷。车企的钱在往微笑曲线的两端投，一个是研发端，一个是营销服务端。在制造端，过去半年，没有看到典型场景。而大模型落地的主要场景，集中在智能驾驶、营销服务和智能座舱。
比如，智能驾驶中的数据合成以及数据标注；在售后服务上，当遇到一些不常见的故障，大模型可以找到与描述最接近的情况，迅速给出排序，辅助售后服务人员，帮助车主一一排查，这样的售后服务接受度较高。
今年大家竞争的一个焦点是智能座舱。预计上半年，一些车企就会陆续官宣接入大模型。不过，业界在智能座舱中还未找到爆炸式场景，今年要进一步挖掘场景。
2024 年车企在大模型上的预算普遍在千万级以上，用于自动驾驶、智能座舱或是大模型私有云部署等。这比 2023 年有显著提升。
除了汽车行业，其他智能制造业在研产供销服，都有一些进展。
浪潮信息王武军他们基于 " 源 " 大模型，已就研发的三个方向进行训练。一个方向是为工程师训练出一个助手 " 贾维斯 "。另一个是智能教练系统，有点像 " 科大讯飞学习机 "，带着工程师学习和反复训练。还有一个方向是軟體设计，将通过代码自动生成，实现伺服器的相关软硬结合环节。目前，这几个方向内部已开始测试，处于持续优化过程中。
在制造环节，腾讯云智能制造专家邴金友印象深刻的是，一家代工企业要处理多个客户的产品图纸。结合大模型技术，他们迅速将图纸结构化，直接输入到 SMT 产线，驱动它的贴片机生产，降本增效明显。
在智能客服领網域，大模型已可以替代人。宋涛介绍，联想在电话呼叫中心中，建立了基于AI 智能的 Q&A 系统，可以侦测到服务人员在服务过程中的关键词，提供专业的技术指导。
在营销方向，有高端装备企业，尝试将 AI 与市场活动等结合起来，撰写策划文案。美的集团也将 AI 接入到集团的系统中，对文稿等基本的日常工作，做辅助测试。
鹿崇看到大模型已应用到了制造业的定价和运维上。在定价方面，很多制造企业的产品定价缺乏针对性，很难根据产品历史销售、市场环境、成本因素等变化适时科学的调整。AI 技术的使用，使得定价模型成为可能。
在运维方面，大量的数据已让工厂中的机器开口 " 说话 "。在机器发生疲劳之后，一些模型结合起来，可以做到预防性 / 预测性维护策略更科学。
而大模型最直接的应用落地是产品，比如 AIPC、AI 手机。
在过去一年，邴金友看到，像光伏、新能源或新型高端装备业，所处的市场竞争压力较大、变化较快，更愿意采用大模型创新技术。另外，一些制造企业的三产或数科公司，对大模型的接受度也较高。
"大模型在制造业有点状落地。按照 Gartner 的技术曲线，目前处于上升期。" 邴金友介绍。
03
面对大模型，制造业要做哪些准备？
从 2024 年开始，几乎每周，大模型都有 " 爆炸性 " 新闻推出。而根据业界的信息，在接下来，仍有一些公司的大招放出。阿里巴巴集团副总裁、瓴羊 CEO 朋新宇接触的不少企业，焦虑于自己不知道该怎么做。在焦虑不断延伸下，社会上也出现了 "AI 的尽头是卖课 " 这样一些社会怪相。
鹿崇坦承，现在概念谈得多，但真正的应用还要一步步做。
" 如果落到企业层面，无非是三样东西：算力、企业的数据，以及企业的人才。" 朋新宇分析说，从算力来讲，除了 OpenAI 等少数企业，对大多数企业而言，大家的起跑线几乎一样。
从数据来说，OpenAI 已把地球上所有的公开数据基本上都收集完了，但是对企业最有价值的数据，往往是企业的自有数据，这部分是 OpenAI 收集不到的。企业要考虑如何把这些数据的质量提升，变成好的资产，与大模型结合。" 我觉得这是企业能抓得住的、实实在在的投入。"
从人才来说，对于大多数企业来讲，去找 AI 领網域的大牛，本质上并没有必要，关键是现在这样的人才也找不到。企业反而需要那些理解如何应用大模型，如何与企业工作流去对话，将大模型的能力转变成企业生产力的一拨人。" 企业要抓得住这拨人。"
汪齐齐则强调了行业专家的力量。他以直播带货为例，社交平台的兴起，解放了个人的生产力，改变了许多传统行业的运作模式。但是，这种模式的成功，往往依赖于对特定行业深入了解的专家。" 例如，一个精通化妆品销售的专家可能不擅长电子产品的直播销售，反之亦然。" 他说，尽管技术为各个领網域提供了不同程度新的机会，但真正的专业知识和行业理解仍然是不可或缺的。
" 不管大模型未来以什么样的姿态出现，它一定会出现。" 朋新宇说，企业要做好准备。
"人工智能属于智能制造第 5 级可以实现的目标。" 联想宋涛说，企业需要从基本的业务梳理，軟體应用和平台打通等数字化工作开始落实，打好地基。而这些也需要基础架构的支持，云计算、混合云、数据安全、数据管理等基础工作，这也是帮助企业重新梳理 IT、OT、DT、ET 等之间的机会。
宋涛也提到了人工智能技术落地的四大要素——算力、数据、算法和场景。其中，场景是驱动，要挖掘能够利用 AI 降本提效的场景。算力是底层支撑，数据是养分，而算法是人工智能技术形成的价值。
他建议，在人工智能落地中，优先做好算力建设和数据存储，再做好数据治理和数据价值的挖掘；用高质量数据，去训练好对应的算法，从而对业务产生价值。而 AI 的落地，也需要对应的人才，分步、分期通过技术实现。
朋新宇提到上周政府工作报告中的 " 发展新质生产力 "。" 大模型用于智能制造是众望所归。" 他说，从 OpenAI 这一年的动作来看，它打开了新的空间——人类的空间、经济的空间以及企业发展的空间。" 本质上，目前行业里还没有看到真正颠覆性的改变，但这也是离企业现场更近的这些人们的职责。"
