撰文/ PTC公司 段立淵 施戰(zhàn)備
1. 引言
隨著AI技術(shù)和數(shù)字化技術(shù)的發(fā)展，人工智能正以前所未有的深度重構(gòu)新產(chǎn)品開發(fā)流程中的每一個環(huán)節(jié)。從客戶畫像繪制到需求洞察，從系統(tǒng)工程設(shè)計到仿真測試，從原型開發(fā)到量產(chǎn)持續(xù)交付，從生產(chǎn)計劃預(yù)測到供應(yīng)鏈風(fēng)險評估，AI技術(shù)不僅壓縮了產(chǎn)品開發(fā)周期，更通過數(shù)據(jù)驅(qū)動的模式輔助企業(yè)決策，讓產(chǎn)品創(chuàng)新過程實現(xiàn)從“經(jīng)驗驅(qū)動”、“既有知識驅(qū)動”到“數(shù)據(jù)驅(qū)動”的蛻變。
華為一直倡導(dǎo)的IPD成熟度模型，將企業(yè)的集成產(chǎn)品開發(fā)過程定義為五個階段，分別是工具集成、項目管理、需求驅(qū)動、產(chǎn)品組合、知識管理。而AI技術(shù)在知識管理的高度上實現(xiàn)了數(shù)據(jù)驅(qū)動的動態(tài)知識更新，基于歷史數(shù)據(jù)和不斷產(chǎn)生的實時數(shù)據(jù)，形成自學(xué)習(xí)優(yōu)化的動態(tài)知識庫，在傳統(tǒng)數(shù)字化管理的百尺竿頭實現(xiàn)了更進(jìn)一步的目標(biāo)。
2. 挑戰(zhàn)
隨著DeepSeek的橫空出世，眾多企業(yè)認(rèn)為LLM技術(shù)在制造型企業(yè)的深度應(yīng)用指日可待。然而企業(yè)在實戰(zhàn)驗證環(huán)節(jié)中，往往發(fā)現(xiàn)DeepSeek在回答專業(yè)問題時出現(xiàn)大量“幻覺”，看似井井有條的推理分析實際上毫無用處。這是因為DeepSeek的知識庫主要為公開領(lǐng)域的顯性知識，而非垂直專業(yè)領(lǐng)域的隱性知識，更不用說企業(yè)本身還有大量基于自身市場定位、商業(yè)目標(biāo)、設(shè)計規(guī)則、競爭姿態(tài)的獨特信息。
我們在近期走訪了大量企業(yè)，其中不乏電子高科技、新能源、醫(yī)療器械行業(yè)的頭部企業(yè)，大家在LLM的實踐中主要將DeepSeek這類模型用于通用法規(guī)和設(shè)計標(biāo)準(zhǔn)的一般問答，而在產(chǎn)品開發(fā)過程中卻鮮有應(yīng)用。這是因為產(chǎn)品研發(fā)和流程中的數(shù)據(jù)存在多源異構(gòu)的特點，并且區(qū)別于傳統(tǒng)的工業(yè)設(shè)備數(shù)據(jù)高體量低單位價值的狀況，研發(fā)流程數(shù)據(jù)具有中等體量高單位價值的特點。以設(shè)備產(chǎn)生的振動數(shù)據(jù)為例，現(xiàn)有技術(shù)能夠以毫秒級采集海量數(shù)據(jù)，通過云邊協(xié)作技術(shù)實現(xiàn)大數(shù)據(jù)分析，以預(yù)測設(shè)備故障和評價健康狀況。在工業(yè)設(shè)備數(shù)據(jù)分析的場景中如果丟失或錯誤存儲了部分?jǐn)?shù)據(jù)，并不會對模型預(yù)測的結(jié)果有嚴(yán)重的負(fù)面影響，這是因為工業(yè)設(shè)備數(shù)據(jù)單位價值并不高，依賴規(guī)則化的數(shù)據(jù)清洗邏輯即可處理海量數(shù)據(jù)中的缺陷。遺憾的是產(chǎn)品開發(fā)過程的數(shù)據(jù)往往難以重走工業(yè)設(shè)備數(shù)據(jù)處理的老路，產(chǎn)品開發(fā)過程數(shù)據(jù)具有高單位價值的特點，一旦出現(xiàn)微觀級別的錯誤就可能導(dǎo)致嚴(yán)重的后果，更不用說通過這樣的數(shù)據(jù)開展大規(guī)模的預(yù)測活動。例如產(chǎn)品配方BOM中的配比屬性出現(xiàn)錯誤或空置，LLM技術(shù)并不能像處理工業(yè)設(shè)備數(shù)據(jù)一樣通過簡單的中值、眾數(shù)進(jìn)行差值填補(bǔ)。一旦LLM模型學(xué)習(xí)錯誤或存在缺陷的知識(例如錯誤或過時的配方)，將會給后續(xù)的原型開發(fā)和量產(chǎn)帶來災(zāi)難性的后果。
3. 破局
企業(yè)要想獲得足以應(yīng)用于新產(chǎn)品開發(fā)能力提升的大模型，必須建立以“算力-算法-數(shù)據(jù)”三大支柱支撐的大模型底座。算力提供可行性，算法提供方法論，數(shù)據(jù)提供學(xué)習(xí)基礎(chǔ)。對于企業(yè)來說，算力和算法的挑戰(zhàn)并不是最大的難題。硬件資源(GPU/TPU集群)、分布式計算能力、云計算等模式趨于成熟，企業(yè)級解決方案的算力越來越強(qiáng)，已經(jīng)能夠解決模型訓(xùn)練的規(guī)模和速度問題。算法層面例如深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)應(yīng)用在制造業(yè)的設(shè)備故障預(yù)測、產(chǎn)能預(yù)測和生產(chǎn)排程等領(lǐng)域應(yīng)用的例子比比皆是。企業(yè)真正要重點優(yōu)化的方向仍是數(shù)據(jù)質(zhì)量的問題，大部分企業(yè)在嘗試DeepSeek等大模型訓(xùn)練的時候，拿不出一套完整和正確的數(shù)據(jù)包。所以企業(yè)要想在大模型的開發(fā)與應(yīng)用方向?qū)崿F(xiàn)破局，必須夯實數(shù)字化基礎(chǔ)，完成多應(yīng)用系統(tǒng)分頭并進(jìn)的現(xiàn)狀到數(shù)字化轉(zhuǎn)型后數(shù)字主線拉通端到端應(yīng)用的轉(zhuǎn)變。如果說算力和算法奠定了大模型應(yīng)用的基石，那么數(shù)據(jù)質(zhì)量就決定了AI應(yīng)用的上限。
數(shù)據(jù)的治理和優(yōu)化是一項長期和復(fù)雜的系統(tǒng)工程，企業(yè)必須建立面向角色的端到端應(yīng)用，建立通用模型基礎(chǔ)上的垂域模型。而面向垂域模型的應(yīng)用需要拉通企業(yè)級多應(yīng)用系統(tǒng)。傳統(tǒng)的ERP/PLM/MES等系統(tǒng)作為企業(yè)應(yīng)用的獨立界面，往往存在跨系統(tǒng)數(shù)據(jù)難以打通，各系統(tǒng)孤島獨立運(yùn)行，數(shù)據(jù)分析要素分散缺失等問題。LLM建模的數(shù)據(jù)基礎(chǔ)需要通過數(shù)字主線技術(shù)拉通一系列系統(tǒng)中的業(yè)務(wù)流與數(shù)據(jù)流。如圖1所示，企業(yè)中的ERP/PLM/MES系統(tǒng)存在大量結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)，LLM模型的知識來源就隱藏在此類離散的海量數(shù)據(jù)中。
企業(yè)在開展系統(tǒng)間數(shù)字主線建設(shè)的同時，應(yīng)該秉承以終為始的思路，考慮如何建立合理的主數(shù)據(jù)體系，并在海量數(shù)據(jù)中進(jìn)行清洗、特征工程、建模、迭代優(yōu)化等工作，將系統(tǒng)中產(chǎn)生的歷史數(shù)據(jù)和新產(chǎn)生的實時數(shù)據(jù)通過數(shù)據(jù)服務(wù)的形式持續(xù)性地組織分析，建立基于系統(tǒng)數(shù)據(jù)的模型自學(xué)習(xí)、自升級機(jī)制。
只要實現(xiàn)了LLM通用模型基礎(chǔ)上的垂域知識訓(xùn)練與建模，在產(chǎn)品開發(fā)過程的每個階段都可以挖掘AI應(yīng)用，例如通過爬蟲技術(shù)進(jìn)行市場洞察、利用LLM模型虛擬大量用戶支撐需求優(yōu)先級排序、利用生成式AI進(jìn)行產(chǎn)品概念設(shè)計或增材制造設(shè)計、采用機(jī)器學(xué)習(xí)對測試活動進(jìn)行缺陷預(yù)測、通過三點估測法結(jié)合深度學(xué)習(xí)預(yù)測項目成本或采購風(fēng)險?；谏鲜瞿芰涂蓸?gòu)建應(yīng)用級智能體，例如采購BOM預(yù)測Agent、基于需求的快速報價Agent、變更影響分析Agent……只有實現(xiàn)了底層系統(tǒng)數(shù)據(jù)打通和面向垂直領(lǐng)域應(yīng)用的持續(xù)分析，才能實現(xiàn)產(chǎn)品開發(fā)過程數(shù)據(jù)的可自主讀取識別，逐漸達(dá)到數(shù)據(jù)可自主創(chuàng)造和自主決策的高度。如圖2所示，將PLM等系統(tǒng)數(shù)據(jù)進(jìn)行結(jié)構(gòu)化、圖譜化梳理，并建立持續(xù)的訓(xùn)練與模型調(diào)優(yōu)機(jī)制，對垂直領(lǐng)域大模型開展?jié)u進(jìn)優(yōu)化，是建立企業(yè)級AI應(yīng)用的必由之路。
4. AI驅(qū)動的集成供應(yīng)鏈優(yōu)化
以集成供應(yīng)鏈優(yōu)化為例，AI技術(shù)能夠協(xié)助企業(yè)預(yù)測采購需求，推薦物料選型，求解最佳采購計劃，規(guī)避供應(yīng)商交付風(fēng)險，如圖5所示，AI技術(shù)在供應(yīng)鏈優(yōu)化方面能夠提供重要助力。
由于市場需求和供應(yīng)鏈趨勢的波動，企業(yè)希望提前預(yù)測未來一段時間的采購計劃。企業(yè)可以通過建立市場趨勢、客戶需求、歷史銷售數(shù)據(jù)和采購數(shù)據(jù)的數(shù)字主線，結(jié)合時間序列模型和深度學(xué)習(xí)模型，預(yù)測未來的采購方案，以降低庫存壓力或物料短期風(fēng)險。某車企通過時間序列ARIMA模型和深度學(xué)習(xí)LSTM模型預(yù)測6個月內(nèi)的采購需求，實現(xiàn)訂單驅(qū)動的拉式生產(chǎn)零庫存管理，將庫存對資金占用的浪費降到最低。
AI技術(shù)也能夠幫助企業(yè)建立物料智能優(yōu)選引擎，構(gòu)筑物料采購規(guī)模效應(yīng)。通過建立包含供應(yīng)商歷史交貨準(zhǔn)時率、質(zhì)量合格率、價格波動、DOE結(jié)果、客訴數(shù)據(jù)的數(shù)字主線，構(gòu)建面向物料的多維尺度評價模型，整合基于固有屬性的機(jī)理模型和基于歷史采用情況的數(shù)據(jù)模型，自動推薦最優(yōu)供應(yīng)商和物料，實現(xiàn)數(shù)據(jù)驅(qū)動的物料智能推薦。國內(nèi)電子高科技行業(yè)某頭部企業(yè)已經(jīng)開始使用上述方法針對電氣元器件進(jìn)行AI智能優(yōu)選的探索，并且取得了一定的成效。
Gartner預(yù)測到2028年，至少15%的日常工作決策將通過代理型AI自主做出。借助AI的力量，未來的集成供應(yīng)鏈管理必將從傳統(tǒng)的“成本單元”轉(zhuǎn)型為構(gòu)筑企業(yè)競爭力的“戰(zhàn)略單元”。
5. 展望
人工智能技術(shù)是企業(yè)數(shù)字化轉(zhuǎn)型的重要驅(qū)動力，企業(yè)要想構(gòu)建基于AI的數(shù)字化轉(zhuǎn)型能力就必須構(gòu)建“算力-算法-數(shù)據(jù)”三位一體的底層架構(gòu)。對于企業(yè)來說該架構(gòu)的最大困難仍然在于高質(zhì)量數(shù)據(jù)的突破，能否將嵌在多源異構(gòu)系統(tǒng)和流程中的寶貴數(shù)據(jù)提煉并應(yīng)用，是企業(yè)未來實現(xiàn)AI驅(qū)動數(shù)字化轉(zhuǎn)型的最大挑戰(zhàn)。如圖4所示，AI技術(shù)是未來驅(qū)動數(shù)字化轉(zhuǎn)型的核心驅(qū)動力，要想駕馭AI能力并實現(xiàn)落地應(yīng)用，企業(yè)還有很長的路要走。
企業(yè)在這場沒有終點的AI競賽中想要勝出，除了需要構(gòu)建“算力-算法-數(shù)據(jù)”三位一體的底層架構(gòu)以外，還需要建立基于LLM通用模型基礎(chǔ)上的垂直領(lǐng)域模型，達(dá)到面向人員的能力在線和面向流程的業(yè)務(wù)在線，使其具備制造業(yè)專有的產(chǎn)品開發(fā)知識，用于促進(jìn)多角色協(xié)同的產(chǎn)品開發(fā)工作。未來的產(chǎn)品競爭力，將取決于企業(yè)駕馭AI創(chuàng)新的能力。唯有將AI深度融入研發(fā)基因，方能在智能時代占據(jù)先機(jī)。
（來源：PTC ）
