L’IA industrielle inaugurera également le « moment ChatGPT »

L'émergence de ChatGPT peut indiquer que l'industrie de l'IA, qui a été progressivement considérée comme ayant atteint le goulot d'étranglement de l'industrialisation au cours des dernières années, reste le terrain fertile le plus innovant et recèle d'énormes opportunités.

Les conséquences du « tremblement de terre » de ChatGPT basé sur le GPT-3 monomodal ne se sont pas atténuées, et le « tsunami » du GPT-4 multimodal a balayé le cercle d'amis en un instant.

"Cela nous rappelle que les prédictions sur l'intelligence artificielle sont très difficiles." Le PDG d'OpenAI, Sam Altman, l'a dit un jour après la sortie de DALL-E 2. Il s'avère qu'il avait raison. Le déclin des systèmes experts basés sur le symbolisme a fait croire autrefois que l’intelligence artificielle avait pris fin en 2012. L’apprentissage profond a de nouveau ravivé l’espoir, et il domine désormais le domaine de l’IA. À mesure que les systèmes deviennent plus grands, le temps de formation et les coûts d’investissement continuent d’augmenter. Juste au moment où tout le monde craignait que l'ajout de paramètres au modèle n'apporte des bénéfices marginaux décroissants, GPT-3 et GPT-4 ont successivement déclaré au monde que des systèmes d'apprentissage profond plus grands et plus complexes pourraient en effet libérer des capacités plus étonnantes, et la naissance de ChatGPT, et plus encore, les gens peuvent voir les résultats « perturbateurs » de l’application (de fausses nouvelles prétendent même que le nombre de paramètres GPT4 est de 100 000 milliards).

L'émergence de ChatGPT peut indiquer que l'industrie de l'IA, qui a été progressivement considérée comme ayant atteint le goulot d'étranglement de l'industrialisation au cours des dernières années, reste le terrain fertile le plus innovant et recèle d'énormes opportunités. Alors qu'une nouvelle productivité commence à prendre forme, les industries représentées par la fabrication industrielle pourraient inaugurer des changements plus profonds en matière d'IA et inaugurer le « moment ChatGPT » de l'industrie. Dans ce processus, les entreprises technologiques qui s'alignent sur les tendances technologiques devraient également être les premières à le faire. sortir du cercle.

1. La victoire de l'universalité

Jusqu'à présent, les modèles qui dominent le domaine de l'IA sont toujours spécifiques à des tâches. Les modèles développés par les sociétés d’IA ont donné de bons résultats dans une plage spécifique, mais les ingénieurs ont constaté que leurs capacités de généralisation étaient insuffisantes pour prendre en charge le déploiement dans une gamme plus large de scénarios. Selon les initiés de l’industrie, de nombreux modèles ont été formés, mais il en faut encore beaucoup plus.

Ce goulot d'étranglement est presque amplifié par N fois dans le domaine de la fabrication industrielle très fragmenté. Étant donné qu'il existe de nombreux domaines subdivisés dans la fabrication industrielle, chaque domaine présente de grandes différences en termes de processus de production, de technologie, de configuration de la ligne de production, de matières premières et de types de produits. La production de batteries au lithium peut être divisée en plus d'une douzaine de processus, avec des milliers de points de processus, et une ligne de production comporte au moins 2 500 points de contrôle de qualité clés ; la production de panneaux LCD implique des centaines de processus, et il existe jusqu'à 120 types de panneaux. défauts pouvant survenir au cours du processus de production. Il existe des centaines de pièces pour téléphones portables, impliquant des centaines de fournisseurs, et chaque pièce peut présenter des dizaines de défauts à tester.

Les modèles d'apprentissage profond existants ont un faible degré de généralisation, et même dans le même secteur, le taux de réutilisabilité des modèles est relativement faible. Par exemple, si vous souhaitez desservir l’ensemble de la chaîne de production intelligente d’une marque de téléphonie mobile leader mondial, vous devrez peut-être créer des centaines de milliers de modèles d’algorithmes (à l’exclusion des mises à niveau itératives ultérieures des logiciels et du matériel).

Maintenant, cet épineux problème est devenu un scénario typique pour le modèle de base (grand modèle) représenté derrière ChatGPT.

En 2022, un document de recherche [1] d'institutions telles que Google, l'Université de Stanford, l'Université de Caroline du Nord à Chapel Hill et DeepMind ont introduit la « capacité émergente » des grands modèles, c'est-à-dire que certains phénomènes n'existent pas dans les petits modèles. modèles mais présents dans des modèles plus grands, ils soutiennent que cette capacité du modèle est émergente. Bien que cette capacité se reflète actuellement principalement dans les modèles linguistiques, elle inspire également les futures recherches sur les modèles visuels et les modèles multimodaux.

Selon le Centre de recherche sur les modèles fondamentaux (CRFM) du Centre pour l'intelligence artificielle centrée sur l'humain (HAI) de l'Université de Stanford, « les grands modèles représentent un nouveau paradigme réussi pour la construction de systèmes d'IA, la formation d'un modèle sur de grandes quantités de données, et le rendre adaptable à une variété d'applications" [2].

Cette capacité universelle est exactement ce dont la fabrication industrielle a besoin. La fabrication industrielle est confrontée à une variété de scénarios. Comment créer des capacités techniques universelles dans un contexte de demandes très fragmentées grâce à un système technique stable est devenu le plus grand défi pour toute entreprise technologique essayant de montrer ses talents ici.

Jia Jiaya, le fondateur de Simou Technology, a mentionné le concept de l'IA 2.0 lors de la création de l'entreprise. L'un des points essentiels qui la distingue des entreprises d'IA qui adoptent largement l'IA 1.0 aujourd'hui est l'accent mis sur la polyvalence. "Nous voulons construire une nouvelle génération d'architecture de système d'IA, utiliser une architecture unifiée pour résoudre des problèmes que d'autres ont déjà fait dans un seul scénario et la rendre universelle dans différents scénarios", a déclaré Jia Jiaya. "Construire un système d'IA plus intelligent de bas en haut. Les algorithmes utilisent des moyens standardisés pour résoudre des scénarios industriels décentralisés et surmonter des problèmes clés tels que la réplicabilité et la standardisation.

La plate-forme industrielle Smore ViMo, le produit le plus populaire de Simou Technology, est un exemple typique de conception universelle. plateforme multisectorielle conçue pour les scénarios industriels, avec une polyvalence multi-scénarios. Il répond non seulement aux besoins de plus de 1 000 scénarios d'application subdivisés dans plusieurs secteurs tels que les nouvelles énergies, les semi-conducteurs, l'automobile et l'électronique grand public, mais il prend également en charge de manière flexible les besoins de conception d'une variété de solutions de vision industrielle difficiles, telles que le suivi des matériaux, localisation des défauts et comptage des pièces dans les lignes de production, détection des défauts d'apparence, etc.

Architecture système de la plateforme industrielle intelligente SMore ViMo.

La caractéristique importante de cette voie est un meilleur équilibre entre agilité, personnalisation et faible coût marginal. Avec l'aide de la plate-forme SMore ViMo, SMore Technology peut déjà prendre en charge des centaines de projets dans différents secteurs de l'industrie en même temps. À l'avenir, elle devrait se développer par dix pour prendre en charge des milliers de projets en même temps, apportant ainsi de l'efficacité. percées dans les applications industrielles de l’IA.

Après avoir été le premier à utiliser la technologie Transformer dans des scénarios industriels à grande échelle pour améliorer considérablement l'efficacité de la fabrication intelligente, Simou a une fois de plus adopté les grands modèles pour la première fois. L'équipe Simou est la première équipe à mener des recherches et une industrialisation de la capacité émergente des grands modèles dans le domaine industriel. Ses grands modèles industriels utilisent un petit nombre d'échantillons de défauts pour l'apprentissage en contexte, afin que le modèle de base puisse s'adapter rapidement. des scénarios industriels spécifiques et effectuer des tâches spécifiques.

De l'avis de certains initiés de l'industrie, le succès de ChatGPT et la technologie plus polyvalente qui la sous-tend pousseront les applications d'IA vers une nouvelle étape. Parmi tous les horizons représentés par la fabrication industrielle, les entreprises qui se sont implantées dans l'industrie dans le passé, ont adopté cette tendance et ont achevé la mise en œuvre en boucle fermée des données et de la technologie ont plus d'avantages et seront plus favorisées dans la future explosion de candidatures.

2. Accélérer le développement inclusif de l'IA

Dans le domaine de la fabrication industrielle, il existe également de profonds écarts entre les différents « langages ». Les initiés de l'industrie ont déclaré que l'industrie manufacturière industrielle a accumulé beaucoup de données, mais que les ingénieurs de fabrication (tels que les ingénieurs en mécanique et les ingénieurs en matériaux) écrivent encore rarement des programmes pour utiliser ces données, et les développeurs d'IA sont également confrontés au défi de comprendre les problèmes industriels. restreint dans une large mesure la mise en œuvre de la technologie.

Les ingénieurs algorithmiques de Simou Technology ont déclaré que la technologie derrière ChatGPT, comme le RLHF (Reinforcement Learning from Human Feedback, apprentissage par renforcement basé sur le feedback humain), leur permet de voir qu'ils peuvent aller plus loin sur les travaux existants.

RLHF est une extension de l'apprentissage par renforcement qui intègre le feedback humain dans le processus de formation de grands modèles, offrant ainsi un processus d'apprentissage interactif naturel et humain pour les machines, tout comme les humains apprenant l'expertise d'un autre professionnel de la même manière. En construisant un pont entre l’IA et les humains, RLHF permet à l’IA de maîtriser rapidement l’expérience humaine.

Ils ont déclaré que l'IA industrielle peut donner naissance à une plate-forme d'apprentissage actif AIaaS (AI As a Service) à l'avenir Grâce à la coopération d'ingénieurs en algorithmes et d'experts en annotation, la technologie RLHF peut être utilisée pour former de grands modèles et les connaissances humaines peuvent être utilisées. utilisé pour faire comprendre à l'IA les problèmes industriels et répondre aux exigences de tâches industrielles spécifiques, afin que les experts industriels qui ne savent pas programmer puissent également former des modèles d'IA.

Actuellement, Simou Technology explore déjà des scénarios d'application combinant RLHF et industrie.

De plus, le mode d'interaction simple de ChatGPT est également très similaire à la stratégie de mise en œuvre de l'IA dans la fabrication industrielle. Les scénarios dans le domaine industriel sont complexes et les bons produits doivent être simples et faciles à utiliser. Par exemple, grâce à des interactions concises et à des solutions de déploiement en un clic, les coûts de formation et les charges d'apprentissage pendant le processus de livraison peuvent être réduits.

De nombreux programmeurs disent que ChatGPT équivaut à reconstruire une magnifique tour de Babel. La communication avec les ordinateurs n'est plus l'apanage exclusif des programmeurs. Il peut déjà comprendre certaines exigences et produire des solutions de code simples. Mais maintenant, nous pouvons prévoir que dans un avenir proche, les praticiens du domaine manufacturier pourront également mettre en œuvre l'autoprogrammation sur la plateforme d'IA et développer des modèles basés sur les besoins de la ligne de production. Cela peut également contribuer à résoudre la pénurie de talents en IA dans l’industrie manufacturière.

"Ce n'est que lorsque les systèmes informatiques pourront résoudre plusieurs problèmes majeurs de mise en œuvre industrielle et réaliser une combinaison et un déploiement automatiques d'algorithmes, et que les humains n'auront besoin que de participer à une petite quantité de conception d'algorithmes personnalisés, que l'industrialisation à grande échelle de l'IA dans tous les domaines être possible", a déclaré un jour Jia Jaya.

En fait, Simou Technology imagine depuis très tôt la création d'une plate-forme de développement capable de réaliser une itération technologique rapide. Il suffit de télécharger l'image, les défauts peuvent être automatiquement marqués et les modèles ou SDK au niveau du produit peuvent être obtenus via des tests en un clic. , réduisant un grand nombre de tâches dans le coût de l'algorithme investi.

Au fil de l'itération du projet, Simou Technology a progressivement intégré des solutions industrielles plus matures et une expérience pratique dans ses produits, puis a lancé un type de produit complet, permettant aux clients de l'expérimenter et de l'utiliser sans l'aide des employés de Simou Technology. la première application commerciale du produit.

Avec les progrès de la technologie, que ce soit pour les consommateurs ou pour des industries telles que la fabrication industrielle, nous avons vu des applications technologiques plus inclusives, qui offrent d'énormes opportunités.

3. ChatGPT n'est qu'un point de départ

Au cours des dix dernières années, la commercialisation de la technologie de l'IA a été soumise à de nombreux doutes. Cette fois, la percée technologique derrière ChatGTP annonce l’arrivée d’une révolution, et l’IA pourrait véritablement devenir une infrastructure de productivité universelle.

"GPT (transformateur pré-entraîné génératif) peut aussi être l'abréviation de technologie à usage général (technologie à usage général)", écrit un article de The Economist, "Une innovation révolutionnaire peut être comme une machine à vapeur, comme l'électricité et les ordinateurs, cela améliore la productivité dans tous les domaines »[3].

La révolution des ordinateurs personnels qui a commencé dans les années 1980 a commencé à vraiment augmenter la productivité à la fin des années 1990, lorsque ces machines sont devenues moins chères, plus puissantes et connectées à Internet. Le tournant de l'apprentissage profond s'est produit en 2012, lorsque le réseau neuronal AlexNet a remporté le championnat du concours ImageNet. Depuis lors, de nombreuses recherches ont commencé à être menées, incitant les gens à l'appliquer dans divers domaines. En plus de dix ans, la technologie du deep learning franchit le seuil des industries génériques à grande échelle.

En regardant l'histoire du développement de la fabrication industrielle intelligente, il y a toujours eu des défis tels que l'incapacité des capacités techniques et des algorithmes à répondre aux besoins réels des applications, une mauvaise réplicabilité et des difficultés dans la mise en œuvre des solutions, et des coûts de communication élevés entre les entreprises de nouvelles technologies et entreprises manufacturières. Le modèle de base actuel (grand modèle) montre la capacité générale à multi-domaines et multi-tâches. Il brise les « barrières » de ces industries et « balaye » les applications industrielles avec une tolérance aux pannes extrêmement faible et sensibles aux coûts dans un délai faible. -coût et de manière inclusive.

L'utilisation de l'IA pour résoudre des problèmes industriels présente des opportunités. ChatGPT est un point de départ Avec l'approfondissement continu de certaines entreprises technologiques ancrées dans l'industrie, de plus en plus d'industries inaugurent le « moment ChatGPT » des applications d'IA.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!