这里，我们介绍一个由HPE和德国人工智能公司Aleph Alpha合作开发的应用程序：它是一个生成式人工智能助手，可以在安装、操作和维护工业机器人时提高效率和安全性。它就像一个高度专业化的技术人员，能帮助工人解决生产中的复杂问题。

使用这一程序后，工人能够“无所顾忌”地与人工智能助手交流。工人们不必遵循任何预定义的程序，也不必使用任何特定术语，就能在人工智能助手这里获得所需的答案。值得一提的是，无论这一程序在训练时采用的是哪种语言，投入使用后都能支持多种语言。例如，当员工询问：“我怎么才能停下机器”时，人工智能助手将立即回答：“按下手持设备右上角的红色大按钮。”

此外，工人还能通过图像与人工智能助手交流。例如，工人在对工业机器人进行校准时，可以使用智能手机或平板电脑拍摄特定校准照片，并询问该校准位置是否正确。

上述功能可以显著提高工业机器人的效率和安全性。这一人工智能助手可以解决有关安装、维护或故障排除等许多详细问题，而无需再依赖专业技术人员的帮助。人工智能助手还能敦促工人更好地遵守安全生产规定。工人可以向人工智能助手发送生产过程中的照片，并询问当前是否安全。当出现隐患时，人工智能助手能够及时提醒来防止损坏机器或影响生产。

这一能力还可以扩展到工厂的整个生产环境以及供应链——例如，人工智能助手可以基于技术文档、供应商信息、供应协议、法律法规、成本和碳排放策略等信息进行训练，而后发挥更多作用。由此可见，生成式人工智能正在成为降低成本、缩小风险和提高整个供应链可持续性的优选工具。

在部署人工智能的过程中，制造企业需要对技术的风险性和局限性有一个实际的认知，还要进行周密的计划，并严格执行该计划。工业生产是一个容不得虚假和偏见的领域。例如，在汽车的生产中，几个百分点的效率提升就能带来决定性的竞争优势，但这样的效率提升依赖于严格的真实数据。

在实际的生产运营中，企业的生成式人工智能项目通常会从试验、原型或概念验证开始。而从原型到大规模生产之间，企业还有很长一段路要走，需要从一开始就在战略、组织和技术层面上做好准备。

这对制造企业提出了一些基本要求，包括：企业需要在数据价值挖掘和人工智能方面具备一定的专业性，并且要有能力把握好人工智能助手的运营风险管理。例如，企业可以在私有的本地基础设施上运行大型语言模型，避免对云过分依赖，从而更好地保护商业机密。此外，人工智能模型必须能够合理解释其生成的内容——这意味着当内容溯源到最初的数据源时，数据必须是合适且可靠的。

让生成式人工智能在生产中提高生产力是一项“无趣”的工作，需要耐心和毅力。这不是人们口头上常说的“拯救世界”或“颠覆行业”，而是希望做到在日常运营中节省开支、加速业务流程和防止中断等。