工業基礎模型簡介
2024年5月，西門子主辦了“AI with Purpose Summit（人工智能賦能峰會）”，在這場有關制造業AI的重要活動上，分析師們見證了關于西門子制造業基礎模型的精彩演示。
基礎模型代表了AI（人工智能）領域的范式轉變——這類基于海量數據訓練的大型通用AI系統，只需少量額外訓練即可適配多種特定任務。雖然技術基礎在2018年左右奠定，但這一概念在2020至2022年間獲得廣泛認可，特別是在斯坦福大學基礎模型研究中心（CRFM）2021年發表重要論文《論基礎模型的機遇與風險》之后。
定義工業場景下的基礎模型
這些AI系統通過海量領域數據預訓練，具備跨領域上下文理解、內容生成、模式識別和復雜問題解決能力。其核心特征包括：
基于海量數據集的大規模訓練
自監督學習方法
無需完整重訓練的多任務適應能力
跨領域多場景通用性
關鍵在于，基礎模型并非針對特定任務設計，而是作為靈活的"基礎"架構，僅需通過參數微調或輸入提示的較小改動即可適配多種應用場景。雖然自2021年正式提出概念以來，這些模型已變革眾多領域，但工業制造領域直到最近才成為重點探索方向。
基礎模型在制造業的戰略價值
制造業基礎模型通過提供處理復雜制造數據、流程和運營知識的統一方法，代表了工業數字化的重大進步。它們通過建立統一表征層，有效解決了現代制造運營中的根本性挑戰。該表征層：
無需為每種數據類型構建定制化管道，即可整合異構數據源（時序傳感器數據、CAD模型、維護日志、質量報告）
支持跨領域遷移學習，可針對多種應用場景進行高效微調
通過自監督學習減少對標注數據集的依賴——這對于故障樣本稀少的故障預測場景至關重要
生成式AI的變革維度
這些基礎模型中的生成式AI能力對制造業具有變革性影響，具體體現在：
設計生成：基于規范創建新穎的設計方案
仿真模擬：生成產品與流程的虛擬測試場景
流程優化：基于歷史數據提出工作流改進建議
知識萃取：從數十年的技術文檔中提煉核心見解
代碼生成：創建自動化腳本與集成解決方案
從技術角度來看，這些模型通過提供統一的數據處理和決策支持平臺，顯著降低了部署和維護多個單點解決方案的復雜性——在降低集成成本的同時，提升了運營可視性和控制力。
業務影響同樣顯著，包括更快地實施流程改進、更高效的資源利用、通過預測性維護減少停機時間、通過全面數據分析實現更好的質量控制，以及提升運營靈活性和可擴展性。
西門子的戰略定位
西門子通過將基礎模型集成到其工業產品組合中，已站在這一革命的前沿。盡管該公司多年來一直在進行AI研究與實驗，但2023年標志著其戰略性地接受并公開承諾將基礎模型作為未來工業產品的核心組成部分。這包括建立戰略合作伙伴關系，尤其是與微軟合作，并展示早期概念。
西門子業務的核心在于其作為工業自動化領域領先供應商的角色，特別是通過Teamcenter和全集成自動化（TIA）門戶等項目，提供將不同機器整合到工業流程、并將不同流程融入供應鏈所需的軟件、網絡和專業服務。這使得西門子能夠從工業經濟的廣泛領域獲取價值。AI的發展不僅將鞏固其市場地位，更能將其積累的多元化工業流程數據資源轉化為商業收益。
2024年4月，在漢諾威工業博覽會上，西門子正式發布了其工業基礎模型（IFM）——這是一套專為工業應用設計的預訓練AI模型組合。這些模型現已集成到其Xcelerator產品組合中，用于應對設計、工程和制造領域的挑戰。當前的重點應用場景包括CAM編程優化、簡化的SCL代碼生成以及加速的P&ID開發。
技術解析：西門子IFM的工作原理
構建此類模型的主要挑戰在于多模態處理——訓練數據、輸入和輸出都可能涉及多種不同格式。西門子代表提到的模態包括：二維和三維CAD渲染圖、各類機床的底層控制代碼、仿真工具的程序代碼、技術文檔，以及從ERP或CRM應用導出的物料清單和成本信息。部分數據源甚至采用過時的文件格式，存儲在磁帶或紙質介質上。視覺-語言、視頻-語言這類雙模態模型，其實現難度仍然要高于文本-文本或文本-圖像。而本項目可能會涉及數十種模態，這將是一項重大突破。首批應用場景包括：西門子NX中的CAM編程、為西門子Simatic S7可編程邏輯控制器生成SCL代碼，以及根據簡略布局圖生成更詳細的P&ID（管道與儀表流程圖）。
?西門子正以一款采用模塊化架構的大型開源大語言模型（LLM）作為研發起點。雖然未具體指明模型名稱，但"模塊化"暗示了其可能采用了混合專家（Mixture-of-Experts，MoE）架構，Mistral和阿里通義千問的多個模型都符合此特征。混合專家模型的訓練方式是依次處理數據集的不同子集，使模型的各個部分發展出功能專精化，同時通過通用路由層決定每次生成過程需要調用的專家模塊。這種架構既能實現高效的計算訓練，又能保持各專家模塊的獨立部署能力。基礎MoE模型的微調雖屬常規方法，但技術難點在于多模態數據的處理與協調。
為此，西門子正在為每種數據源開發數據讀取器（實質上是提取-轉換-加載腳本），這些讀取器將為每種模態提供編碼器。編碼器輸出的詞元(Token)將通過另一個神經網絡重新投影為統一的詞元化格式，從而創建訓練數據集。隨后，原始模型將基于該數據集進行監督式微調。
盡管西門子尚未明確表態，但該公司很可能正在采用低秩自適應（LoRA）微調方法。該方法在計算和數據效率上表現優異，并能為每次微調操作生成獨立的適配器模塊。這些適配器可以獨立應用于主模型，甚至能夠從數據庫動態加載——這對實現項目目標大有裨益，包括為特定客戶提供定制化模型版本、支持大量模態，同時保持邊緣部署所需的輕量化模型體積。目前LoRA已成為一項成熟技術，在開源軟件和商業云服務中都獲得了良好支持。數據預處理和統一詞元格式的映射轉換是當前的主要挑戰。
最終應用架構還采用了常見的檢索增強生成（RAG）模式，使模型能夠通過查詢數據庫服務獲取額外信息。這種方法不僅為引入動態數據及特定應用/用戶數據提供了另一條途徑，還能在一定程度上防止模型產生幻覺輸出。
西門子面臨數據需求挑戰：分析師觀點
基礎模型需求與西門子的定位
基礎模型需要海量數據，其預訓練數據量是傳統AI模型的100-1000倍。西門子憑借在多個制造垂直領域積累的龐大數據資產占據獨特優勢，目前已成功利用這些專有數據集結合合成數據開發出基礎模型。然而，僅基于西門子內部數據訓練的模型必將遭遇性能瓶頸——特別是考慮到每個客戶的制造流程都存在獨特性。為拓展應用場景并提升精度，這些模型需要接受來自多個工業垂直領域的多樣化客戶數據訓練。
制造業面臨的數據挑戰
這一需求凸顯了制造業AI發展面臨的重大障礙——數據獲取難題。制造業數據素以采集困難著稱，而數據隱私堪稱行業的"圣杯"，也是開發有效AI模型和廣泛實施數字技術的主要障礙。這類敏感數據不僅涉及客戶知識產權，還包含第三方信息、合作伙伴的專有技術等機密材料。
當前已建立多項促進數據共享和創建聯合數據倉庫的倡議，例如Gaia-X和Manufacturing-X。然而，鑒于持續進行的關稅談判和不斷升級的地緣政治緊張局勢，這些舉措取得的成果有限，其未來發展前景也顯得愈發不確定。
數據共享的價值主張
那么，企業為何要共享數據來開發基礎模型呢？
首先需要指出的是——客戶案例表明——供應商并不一定要提供受知識產權保護的數據。企業可以向西門子提供非敏感數據，但這需要客戶方進行仔細的數據分類、篩選和清理工作。西門子方面將保證客戶數據在獲取、訓練和推理過程中的安全性。
作為一項重要優勢，西門子為客戶提供獲取定制化模型的可能性：這些基礎模型可在客戶現場利用其專有數據進行微調，確保敏感信息始終不會離開供應商的設施。除定制模型外，西門子還提供全面的用戶培訓、持續的技術支持以及專家團隊的咨詢服務。
工業發展協同框架
西門子已在傳統業務外多個行業建立數據合作伙伴關系，并積極歡迎更多客戶參與這場變革。
對于考慮與西門子等技術提供商開展數據合作的制造企業而言，其核心考量在于如何協調創新機遇與長期戰略自主性。
行業參與者可能需要思考：這些協同框架將如何動態演進？它們能否培育真正平衡的生態系統——使所有參與方在開展合作的同時持續提升自身核心能力？當技術供應商與制造專家的專業能力形成互補時，將創造巨大的共同發展潛力，特別是在創新路徑多元化的框架設計下。核心挑戰在于：如何既加速AI應用落地，又審慎把握協同創新與戰略自主之間的平衡。
本文作者
Anna Ahrens
首席分析師，工業IoT
文章版權和解釋權歸微信平臺Omdia所有
Omdia隸屬于Informa TechTarget, Inc.（納斯達克代碼：TTGT），是一家全球領先的技術研究與咨詢機構。依托對科技市場的深刻洞察、與行業領導者的深入對話以及龐大數據資源，Omdia幫助客戶洞察趨勢、把握機遇，搶占市場先機。從研發到投資回報，我們識別最具潛力的機遇，推動科技產業持續發展。
omdia.com
Joyce.Liu@omdia.com
