大语言模型的产业化
590/0350/5/1/3/2/0/0/0000/000/000 如上所述，要想利用大语言模型的优势，就必须对其进行恰当部署，并充分考虑其道德考虑和限制因素。此外，还需要重点考虑的是，大语言模型的潜在规模，以及哪些地方可以或者需要部署这些大语言模型。例如，GPT-3模型有1750亿个参数，而GPT-4则有1.8万亿个参数，效率更高。很显然，模型执行将需要超大规模的算力和存储空间。
值得关注的是，特定领域的数据对大语言模型进行预训练可以提高其性能并简化其部署。590/0350/5/1/3/2/0/0/0000/000/000 不同行业应评估如何创建这些基础模型，以及何时需要大模型，何时需要更小的、更具体的解决方案。例如，特定领域的大语言模型——如制造行业GPT、医疗行业GPT、旅游行业GPT等——意味着可以创建更小且更聚焦特定领域的模型，590/0350/5/1/3/2/0/0/0000/000/000 然后在此基础上进行构建。这也有助于解决因非相关背景叠加而产生的错误输出。也可以由同一行业中的各个组织来协作，共同创建适用于其领域中普适性用途的GPT，同时仍保留其特定IP。
590/0350/5/1/3/2/0/0/0000/000/000
人工智能技术在工业自动化中的其他应用
590/0350/5/1/3/2/0/0/0000/000/000 生成式人工智能，特别是大语言模型，只是人工智能在工业自动化中的让人震撼的应用之一。我们正在探索人工智能技术在以下行业中的更多应用：
- 人工智能增强型设备——将用于特定任务的AI模型充分集成到智能传感器或执行器等嵌入式设备中，或集成到互联互通的产品中，将人工智能技术用于自整定、预测性维护，或者结合云端应用完成更复杂的推理应用。例如，施耐德电气在中国构建了智能工业视觉质量检测解决方案，即“云-边协同AI工业视觉检测平台”，在云端实现数据存储和标注及模型训练，并把云端模型下发到产线边缘侧，执行边缘推理。目前，这种AI工业视觉监测平台已经施耐德电气中国15家工厂上线，显著提高了生产线的检测效率，将误检率降低0.5%以内，并实现了零漏检率。此外，2023年6月，施耐德电气推出AI模型生产与运维平台EcoStruxure AI引擎，覆盖企业实现人工智能落地所需的五大建模相关流程，590/0350/5/1/3/2/0/0/0000/000/000 包括AI模型生命周期中的数据准备、模型训练、模型部署、模型推理及模型监控。它可以帮助开发人员和数据科学家快速构建、训练和部署机器学习模型，在云端实现数据存储和标注及模型训练、推理、部署、监控，以及迭代更新等全流程，并把云端模型下发到产线边缘侧，执行边缘推理，有效降低模型管理训练的复杂度。
- 基于人工智能的控制技术——这首先是AI生成的控制应用程序，这些应用程序可通过本文中讨论的大语言模型技术或者我们也正在研究的深度强化学习（DRL）技术来实现。基于人工智能的控制也是将基于人工智能的计算机应用与控制应用的实时集成，以赋予机器和过程最高程度的自主权。
- 虚拟传感器——替代物理传感器的方法，在给定信息的前提下，产生类似的输出
- 基于人工智能的洞察——利用现场数据对预测模型进行训练，以发现异常情况或提供维护建议
AI等新技术发挥潜力的关键在于其产业化与规模化应用，2023年，590/0350/5/1/3/2/0/0/0000/000/000 施耐德电气在中国设立AI创新实验室，致力于开拓“实体产业+技术生态+AI”的应用创新，探索AI技术在资产和工艺优化、基础设施管理、需量管理以及新能源管理上的应用，为各大产业的数字化与可持续发展赋能。
