Industrielle KI wird auch den „ChatGPT-Moment' einläuten
Das Aufkommen von ChatGPT könnte darauf hindeuten, dass die KI-Branche, von der in den letzten Jahren allmählich angenommen wurde, dass sie den Engpass der Industrialisierung erreicht hat, immer noch der innovativste fruchtbare Boden ist und enorme Chancen bietet.
Die Nachwirkungen des „Erdbebens“ von ChatGPT auf Basis des monomodalen GPT-3 sind nicht abgeklungen, und der „Tsunami“ des multimodalen GPT-4 ist augenblicklich über den Freundeskreis hinweggefegt.
„Das erinnert uns daran, dass Vorhersagen über künstliche Intelligenz sehr schwierig sind.“ Dies sagte Sam Altman, CEO von OpenAI, einmal nach der Veröffentlichung von DALL-E 2. Es stellte sich heraus, dass er Recht hatte. Der Niedergang der auf Symbolik basierenden Expertensysteme ließ die Menschen einst glauben, dass die künstliche Intelligenz im Jahr 2012 am Ende sei, und entfachte nun erneut Hoffnung, und jetzt dominiert sie das Feld der KI. Je größer die Systeme werden, desto größer werden die Schulungszeit und die Kapitalkosten. Gerade als alle befürchteten, dass das Hinzufügen von Parametern zum Modell zu abnehmenden Grenzvorteilen führen würde, teilten GPT-3 und GPT-4 der Welt nacheinander mit, dass größere und komplexere Deep-Learning-Systeme tatsächlich erstaunlichere Fähigkeiten freigeben könnten, und die Geburt von ChatGPT war die Geburtsstunde von ChatGPT Noch besser ist, dass die Leute die „störenden“ Anwendungsergebnisse sehen können (Fake News behaupten sogar, dass die Anzahl der GPT4-Parameter 100 Billionen beträgt).
Das Aufkommen von ChatGPT könnte darauf hindeuten, dass die KI-Branche, von der in den letzten Jahren allmählich angenommen wurde, dass sie den Engpass der Industrialisierung erreicht hat, immer noch der innovativste fruchtbare Boden ist und enorme Chancen bietet. Wenn neue Produktivität Gestalt annimmt, können Branchen, die durch die industrielle Fertigung repräsentiert werden, tiefgreifendere KI-Veränderungen einleiten und den „ChatGPT-Moment“ der Branche einläuten. In diesem Prozess wird auch erwartet, dass Technologieunternehmen im Einklang mit technologischen Trends stehen zuerst den Kreis verlassen.
1. Der Sieg der Universalität
Bisher sind die Modelle, die den KI-Bereich dominieren, immer noch aufgabenspezifisch. Von KI-Unternehmen entwickelte Modelle zeigten in einem bestimmten Bereich eine gute Leistung, die Ingenieure stellten jedoch fest, dass ihre Generalisierungsfähigkeiten nicht ausreichten, um den Einsatz in einem breiteren Spektrum von Szenarien zu unterstützen. Nach Aussage von Brancheninsidern wurden viele Modelle trainiert, aber es werden noch viele weitere Modelle benötigt.
Dieser Engpass wird im stark fragmentierten Bereich der industriellen Fertigung fast um das N-fache vergrößert. Da es in der industriellen Fertigung viele unterteilte Bereiche gibt, weist jeder Bereich große Unterschiede in den Produktionsprozessen, Techniken, Produktionslinienkonfigurationen, Rohstoffen und Produkttypen auf. Die Herstellung von Lithiumbatterien kann in mehr als ein Dutzend Prozesse mit Tausenden von Prozesspunkten unterteilt werden, und eine Produktionslinie verfügt über mindestens 2.500 wichtige Qualitätskontrollpunkte. Die Produktion von LCD-Panels umfasst Hunderte von Prozessen und es gibt bis zu 120 Paneltypen Fehler, die während des Produktionsprozesses auftreten können. Es gibt Hunderte von Teilen für Mobiltelefone, an denen Hunderte von Lieferanten beteiligt sind, und jedes Teil kann Dutzende von Fehlern aufweisen, die getestet werden müssen.
Bestehende Deep-Learning-Modelle weisen einen geringen Generalisierungsgrad auf, und selbst in derselben Branche ist die Wiederverwendbarkeitsquote der Modelle relativ gering. Wenn Sie beispielsweise die gesamte Smart-Produktionslinie einer weltweit führenden Mobiltelefonmarke bedienen möchten, müssen Sie möglicherweise Hunderttausende Algorithmusmodelle erstellen (mit Ausnahme nachfolgender iterativer Upgrades von Software und Hardware).
Jetzt ist dieses heikle Problem zu einem typischen Szenario für das Basismodell (großes Modell) geworden, das hinter ChatGPT steht.
Im Jahr 2022 führte ein Forschungsbericht [1] von Institutionen wie Google, der Stanford University, der University of North Carolina in Chapel Hill und DeepMind die „Emergent Ability“ großer Modelle ein, das heißt, einige Phänomene existieren nicht in kleineren Obwohl sie zwar in größeren Modellen vorhanden sind, aber in größeren Modellen vorhanden sind, argumentieren sie, dass diese Fähigkeit des Modells erst im Entstehen begriffen ist. Obwohl sich diese Fähigkeit derzeit hauptsächlich in Sprachmodellen widerspiegelt, inspiriert sie auch zukünftige Forschungen zu visuellen Modellen und multimodalen Modellen.
Laut dem Center for Research on Fundamental Models (CRFM) am Center for Human-Centered Artificial Intelligence (HAI) der Stanford University „stellen große Modelle ein neues und erfolgreiches Paradigma für den Aufbau von KI-Systemen und das Training eines Modells dar.“ auf große Datenmengen und machen es an eine Vielzahl von Anwendungen anpassbar“ [2].
Diese universelle Fähigkeit ist genau das, was die industrielle Fertigung braucht. Die industrielle Fertigung steht vor einer Vielzahl von Szenarien. Die Schaffung universeller technischer Fähigkeiten inmitten stark fragmentierter Anforderungen durch ein stabiles technisches System ist für jedes Technologieunternehmen, das hier seine Talente unter Beweis stellen möchte, zur größten Herausforderung geworden.
Jia Jiaya, der Gründer von Simou Technology, erwähnte das Konzept von AI 2.0, als das Unternehmen gegründet wurde. Einer der Kernpunkte, der es von AI-Unternehmen unterscheidet, die AI 1.0 heute weit verbreitet einsetzen, ist die Betonung der Vielseitigkeit. „Wir wollen eine neue Generation von KI-Systemarchitekturen aufbauen, eine einheitliche Architektur verwenden, um Dinge zu lösen, die andere zuvor in einem einzigen Szenario getan haben, und sie in verschiedenen Szenarien universell machen“, sagte Jia Jiaya. „Ein intelligenteres KI-System aufbauen.“ von Grund auf. Algorithmen nutzen standardisierte Mittel, um dezentrale Industrieszenarien zu lösen und Schlüsselprobleme wie Reproduzierbarkeit und Standardisierung zu überwinden. „
Smore ViMo Industrial Platform, das beliebteste Produkt von Simou Technology, ist ein typisches Beispiel für universelles Designdenken erste branchenübergreifende Hub-Plattform, die für Industrieszenarien entwickelt wurde und vielseitig einsetzbar ist. Es erfüllt nicht nur die Anforderungen von mehr als 1.000 unterteilten Anwendungsszenarien in verschiedenen Branchen wie neue Energie, Halbleiter, Automobile und Unterhaltungselektronik, sondern unterstützt auch flexibel die Designanforderungen einer Vielzahl schwieriger industrieller Bildverarbeitungslösungen, wie z. B. Materialverfolgung, Fehlerortung und Werkstückzählung in Produktionslinien, Erkennung von Erscheinungsfehlern usw.
Systemarchitektur der intelligenten Industrieplattform SMore ViMo.
Das wichtige Merkmal dieses Weges ist ein besseres Gleichgewicht zwischen Agilität, Personalisierung und niedrigen Grenzkosten. Mit Hilfe der SMore ViMo-Plattform kann SMore Technology bereits Hunderte von Projekten in verschiedenen Branchen der Branche gleichzeitig unterstützen. In Zukunft wird erwartet, dass es sich verzehnfacht, um Tausende von Projekten gleichzeitig zu unterstützen und so die Effizienz zu steigern Durchbrüche bei KI-Industrieanwendungen.
Nachdem Simou als erster die Transformer-Technologie in industriellen Großszenarien eingesetzt hat, um die Effizienz der intelligenten Fertigung erheblich zu verbessern, hat er sich nun zum ersten Mal wieder für große Modelle entschieden. Das Simou-Team ist das erste Team, das die Emergent Ability großer Modelle im industriellen Bereich erforscht und industrialisiert. Seine industriellen Großmodelle nutzen eine kleine Anzahl von Fehlerproben für das Lernen im Kontext, sodass sich das Basismodell schnell anpassen kann Sie können bestimmte Industrieszenarien absolvieren und bestimmte Aufgaben erledigen.
Nach Ansicht einiger Brancheninsider werden der Erfolg von ChatGPT und die vielseitigere Technologie dahinter KI-Anwendungen auf eine neue Stufe heben. Unter allen Lebensbereichen, die durch die industrielle Fertigung repräsentiert werden, haben Unternehmen, die in der Vergangenheit in der Branche Fuß gefasst haben, diesen Trend aufgegriffen und die Implementierung von Daten und Technologie im geschlossenen Kreislauf abgeschlossen haben, mehr Vorteile und werden bei der zukünftigen Explosion von stärker bevorzugt Anwendungen.
2. Beschleunigen Sie die integrative Entwicklung von KI
Auch im Bereich der industriellen Fertigung gibt es tiefgreifende Lücken zwischen verschiedenen „Sprachen“. Brancheninsider sagten, dass die industrielle Fertigungsindustrie viele Daten angesammelt habe, Fertigungsingenieure (wie Maschinenbauingenieure und Werkstoffingenieure) jedoch immer noch selten Programme zur Nutzung dieser Daten schreiben, und KI-Entwickler stehen auch vor der Herausforderung, industrielle Probleme zu verstehen schränkt die Umsetzung der Technologie weitgehend ein.
Die Algorithmeningenieure von Simou Technology sagten, dass die Technologie hinter ChatGPT, wie z. B. RLHF (Reinforcement Learning from Human Feedback, Verstärkungslernen basierend auf menschlichem Feedback), es ihnen ermöglicht, zu erkennen, dass sie bestehende Arbeiten weiterentwickeln können.
RLHF ist eine Erweiterung des verstärkenden Lernens, die menschliches Feedback in den Prozess des Trainings großer Modelle einbezieht und so einen natürlichen und humanen interaktiven Lernprozess für Maschinen bietet, so wie Menschen auf die gleiche Weise Fachwissen von einem anderen Fachmann erlernen. Durch den Bau einer Brücke zwischen KI und Menschen ermöglicht RLHF der KI, die menschliche Erfahrung schnell zu meistern.
Sie sagten, dass industrielle KI in Zukunft eine aktiv lernende AIaaS-Plattform (AI As a Service) hervorbringen kann. Durch die Zusammenarbeit von Algorithmeningenieuren und Annotationsexperten kann die RLHF-Technologie zum Trainieren großer Modelle und zum Erlernen menschlichen Wissens genutzt werden Wird verwendet, um KI industrielle Probleme verständlich zu machen und die Anforderungen spezifischer industrieller Aufgaben zu erfüllen, sodass auch Industrieexperten, die nicht programmieren können, KI-Modelle trainieren können.
Derzeit untersucht Simou Technology bereits Anwendungsszenarien, die RLHF mit der Industrie verbinden.
Darüber hinaus ist der einfache Interaktionsmodus von ChatGPT auch der Strategie zur Implementierung von KI in der industriellen Fertigung sehr ähnlich. Die Szenarien im industriellen Bereich sind komplex und gute Produkte müssen einfach und benutzerfreundlich sein. Durch prägnante Interaktionen und Ein-Klick-Bereitstellungslösungen können beispielsweise Schulungskosten und Lernaufwand während des Bereitstellungsprozesses reduziert werden.
Viele Programmierer sagen, dass ChatGPT dem Wiederaufbau eines großartigen Turms zu Babel gleichkommt. Die Kommunikation mit Computern ist nicht mehr ausschließlich den Programmierern vorbehalten. Es kann bereits einige Anforderungen verstehen und einfache Codelösungen erstellen. Aber jetzt können wir absehen, dass Praktiker im Fertigungsbereich in naher Zukunft auch Selbstprogrammierung auf der KI-Plattform implementieren und Modelle basierend auf den Anforderungen der Produktionslinie entwickeln können. Dies kann auch dazu beitragen, den Mangel an KI-Talenten in der Fertigungsindustrie zu beheben.
„Nur wenn Computersysteme mehrere große Probleme bei der industriellen Implementierung überwinden und eine automatische Algorithmenkombination und -bereitstellung realisieren können und der Mensch nur in geringem Umfang an der kundenspezifischen Algorithmenentwicklung beteiligt sein muss, wird die domänenübergreifende Industrialisierung der KI in großem Maßstab möglich sein.“ möglich sein“, sagte Jia Jaya einmal.
Tatsächlich hat sich Simou Technology schon sehr früh den Aufbau einer Entwicklungsplattform vorgestellt, die eine schnelle Technologieiteration ermöglichen kann. Laden Sie einfach das Bild hoch, Fehler können automatisch markiert werden und Modelle oder SDKs auf Produktebene können durch Tests mit einem Klick abgerufen werden , wodurch eine große Anzahl der in den Algorithmus investierten Aufgaben reduziert wird.
Mit der Iteration des Projekts hat Simou Technology nach und nach ausgereiftere Branchenlösungen und praktische Erfahrungen in seine Produkte integriert und dann einen vollständigen Produkttyp auf den Markt gebracht, der es Kunden ermöglicht, ihn ohne die Hilfe von Simou Technology-Mitarbeitern zu erleben und zu nutzen die früheste kommerzielle Anwendung des Produkts.
Mit der Weiterentwicklung der Technologie, sei es für Verbraucher oder Branchen wie die industrielle Fertigung, haben wir integrativere Technologieanwendungen gesehen, die enorme Chancen mit sich bringen.
3. ChatGPT ist nur ein Ausgangspunkt
In den letzten zehn Jahren wurde die Kommerzialisierung der KI-Technologie häufig in Frage gestellt. Diesmal kündigt der technologische Durchbruch hinter ChatGTP den Beginn einer Revolution an, und KI könnte tatsächlich zu einer universellen Produktivitätsinfrastruktur werden.
„GPT (Generative Pre-Trained Transformer) kann auch die Abkürzung für General Purpose Technology (Allzwecktechnologie) sein“, schrieb ein Artikel in The Economist: „Eine bahnbrechende Innovation kann wie eine Dampfmaschine, wie Elektrizität usw. sein.“ Computer verbessern die Produktivität in allen Lebensbereichen“ [3].
Die PC-Revolution, die in den 1980er Jahren begann, steigerte die Produktivität Ende der 1990er Jahre erheblich, da diese Maschinen billiger, leistungsfähiger und mit dem Internet verbunden wurden. Der Wendepunkt des Deep Learning kam im Jahr 2012, als das neuronale Netzwerk AlexNet die Meisterschaft im ImageNet-Wettbewerb gewann. Seitdem wurden umfangreiche Forschungsarbeiten durchgeführt, die Menschen dazu inspirierten, es in verschiedenen Bereichen anzuwenden. In mehr als zehn Jahren überschreitet die Deep-Learning-Technologie die Schwelle zu großen Industriezweigen.
Rückblickend auf die Entwicklungsgeschichte der intelligenten industriellen Fertigung gab es immer Herausforderungen wie die Unfähigkeit technischer Fähigkeiten und Algorithmen, die tatsächlichen Anwendungsanforderungen zu erfüllen, schlechte Reproduzierbarkeit und Schwierigkeiten bei der Implementierung von Lösungen sowie hohe Kommunikationskosten zwischen neuen Technologieunternehmen und produzierende Unternehmen. Das aktuelle Basismodell (großes Modell) zeigt die allgemeine Fähigkeit zum Multi-Domain- und Multi-Tasking. Es durchbricht die „Barrieren“ dieser Branchen und „überwindet“ industrielle Anwendungen mit extrem geringer Fehlertoleranz und Kostenempfindlichkeit -Kosten- und inklusive Weg.
Der Einsatz von KI zur Lösung industrieller Probleme birgt Chancen. Mit der kontinuierlichen Vertiefung einiger Technologieunternehmen in der Branche läuten immer mehr Branchen den „ChatGPT-Moment“ ein.
Das obige ist der detaillierte Inhalt vonIndustrielle KI wird auch den „ChatGPT-Moment' einläuten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



DALL-E 3 wurde im September 2023 offiziell als deutlich verbessertes Modell gegenüber seinem Vorgänger eingeführt. Er gilt als einer der bisher besten KI-Bildgeneratoren und ist in der Lage, Bilder mit komplexen Details zu erstellen. Zum Start war es jedoch exklusiv

Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G

Open AI macht endlich seinen Vorstoß in die Suche. Das Unternehmen aus San Francisco hat kürzlich ein neues KI-Tool mit Suchfunktionen angekündigt. The Information berichtete erstmals im Februar dieses Jahres über das neue Tool, das treffend SearchGPT heißt und über ein c
