江南官方体育appSora只用于娱乐？智能制造第一个不服

　　Sora如果真的朝智能制造方向去做，黑灯工厂、自动驾驶、数字孪生中的一系列难题，有希望得到解决。

　　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、交互等全方位的改变。OPPO内部也在探索。

　　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，硬件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。

　　可行的做法是，针对每条线D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。

　　做仿真的工业软件人士也注意到了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。仿真软件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。

　　”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软件厂商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。

　　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

　　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，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。

　　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

　　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。还有一个方向是软件设计，将通过代码自动生成，实现服务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，可以侦测到在服务过程中的关键词，提供专业的技术指导。

　　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。

　　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。

　　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

　　“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，软件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。”