生成式AI十问：引领中国智造变革，解锁企业永续价值

技术引领，力破挑战

侯文皓：业绩管理助手这个用例我们可以看到，数字化已经有力地推动了制造企业的管理效率提升，但是真正实现PDCA（Plan–Do–Check–Act）的自动化比较困难。在生成式AI赋能的数字化时代，现场管理助手不仅能实现非常快速、准确、及时的分析根因，辅助快速排查故障，并且可以快速提炼和总结关键指标的运营表现，自动形成月会报告。甚至在问题还没有发生时，生成式AI模型就可以进行预测，在前端把这些质量问题的根因闭环地解决。这极大地解放了现场管理人员的生产力，有效提升了现场管理质量。

王嘉骏：机修助手这个用例当中，我们可以看到进入生成式AI赋能的数字化时代，机修助手整合了维修手册、管理指南，过往的维修记录，这些非结构化的知识，用聊天机器人这种互动界面来帮助咱们一线员工加上主管们排除故障解决方案，并且能够提供准确的知识来源，把已有的知识领域和经验不断整合进去，提炼，并且减少了对于特定领域专家的等靠要，显著提高了咱们问题解决和持续改善的效率。特别是对于一些经常发生的问题，是完全可以规避一线员工缺乏经验，没有主动性的这些问题。

李铁良：注塑机根因分析助手用例，可以实现查找目标问题的历史档案最佳匹配，来理解提炼历史数据中的根因和CAPA，并生成标准化的根因分析和CAPA报告，它是解决了以往只有少数专家可以做到的问题解读和根因分析。在我们看来，这也是一个非常适合制造企业在早期部署的用例。

侯文皓：我们看到制造企业的常见的业绩管理的三个阶段，第一阶段是传统精益，第二阶段数字化的互联透明的来支持精益的工作，第三阶段实际上是AIGC（Artificial Intelligence Generated Content），生成式AI带来的精益的这样的一个改变。比较明显是各个阶段都有一个比较明显的效率的提升，本身把我们的一些原来人做的一些不增值的工作，可以去减掉，让人去做更多的增值工作，并且我们发现AIGC相对来说可以产生更好的洞见。

但要实现这个愿景的根本还是在于，第一以精益为出发点，精益是一个基础，这些工作是不能取代的。第二企业要做好生成式AI的工作，它的数据质量，包括我们之前的一些积累，根因是什么，最常见的解决举措是什么，我最希望看到的是什么，这个数据的积累是一个保证, 否则将会是Garbage-in, garbage-out（无效输入，无效输出）。第三就是不管数字化，生成式AI，还是传统精益对人的理念的改变是没有变化的，我们还是在朝精益去不断努力，还是用PDCA(Plan-do-check-action) 的办法，问题的发现，暴露，根因的发现, 举措、行动，最后形成一个闭环，生成式AI不能取代这样的一些实体的变化，所以说 PDCA的过程是不变的，只是我们发现有生成式AI和数字化，使得我们追求精益的效果和效率变得更高。

而当然这个过程当中我们要落地，我们发现生成式AIGC的开发的速度比以前快，比起一般的数字化用例开发时间3~6周，团队这次用了4周左右的时间，已经把用例开发出来了，但是特别要注意的试点容易，但是推广最后还是要回到我们的跟业务流程的接轨，跟OT(转型办公室)接轨，才能把AIGC才能真正的有比较好的一个作用。

王嘉骏：我认为有三个事情。第一是历史数据，生成式AI突破了对非结构数据的清理和应用的限制，但是仍然代替不了结构化。积累数据对历史的准确描述，光有非结构化数据也是做不到精准的未来预测的。

第二就是专家经验，生成AI模型可能是1个模型提炼问题，9个模型来做风控，而如何风控，哪些操作建议维修有风险，什么时候要上升干预，这些其实也是要专家积累经验，变成风控模型，才能真正的发挥好它的潜力。

最后就是精益的基础，大语言模型仍然是基于相关性做的词语推断，而针对根因不断寻找和挖掘数据分析能力，还是要依靠我们不断去做判断和提炼提升的。

李铁良：截止到2022年，中国的AI普及率是41%，落后于德国、美国、日本这些国家，主要的原因就在于人才的储备，同时具备这种业务技术组织等这些方面的专业技能人才，尤其是像数字化转译员、产品经理等，同时具备这种问题解决能力和技术应用能力的人才，我们是储备有点不足的。在制造领域里面，他们是真正对制造是非常了解的，同时懂AI技术，可以把这两个领域结合，我们看到大部分的企业缺的不是懂技术的人，也不是懂制造的人，它缺的是怎么样把这两个领域可以更好的结合。

但是我们欣喜地看到，已经有一些领先的制造企业在通过大规模的技能提升和再培训，将内部员工培养为转译员这类生成式AI时代的关键角色，从需求较小的岗位转到生成式AI时代需求较多的岗位，将现有人力资本的成本效益最大化。它们更多的是通过我们推荐的类似这种叫3F模型，即Forum(课堂)，Field(实践), Feedback(反馈)，来将人才培养与业务实践结合起来，通过Forum课程，构建这种价值嗅觉和技术基础。通过Field实践的生成式AI用例设计与开发深入实战，通过Feedback认证与测评反馈检验学习成果，为企业源源不断地培养新的人才，同时获得经济效益。

我们相信未来将看到更多的中国制造企业顺应生成式AI的发展潮流，重新定义岗位，培养全新技能，劳动者自身也必须树立这种终身学习的概念，在生成式AI赋能的未来持续成长，创造更高的业务价值。