工业领域在对经济效益深度挖掘时，员工经验所带来的优化空间遭遇瓶颈。企业知识库的重要性由此愈发凸显，成为突破现有困境、迈向更高发展层级的关键要素。
工业大模型的兴起为重塑企业知识库管理与协作带来了新的机遇。它具备整合优化现有知识体系的强大能力，可有效挖掘知识潜在价值，从知识整合、梳理、检索、更新维护到应用与决策支持等多方面，针对性地解决传统模式下的诸多痛点。
那么，工业大模型如何建立智能、高效的监测与更新机制，确保企业知识库能实时反映行业动态与企业内部经验积累的最新变化？如何面临如幻觉问题？如何实现大小模型协同？
让我们一同走进这篇深度洞察，通过案例进一步探索。
在工业小模型时代，我们可以利用机理加上经验结合AI，把小模型放到工业软件/信息系统内，沉淀出AI+工艺调参、AI+设备管理、AI+能源管理等方法论，服务于冶金、钢铁、汽车等各个行业。
这其中主要涵盖经验丰富的员工、工业软件和现场生产情况三个要素。而在对经济效益的追逐过程中，员工这块逐渐产生了优化瓶颈。员工的知识和经验储备有限，企业难以单凭老师傅的经验进行全局性优化，这时企业知识库的作用显得尤为重要。
本文我们将探索工业大模型如何通过加强知识库的管理与优化，重塑企业知识库的管理与协作，赋能企业知识检索与沉淀等场景。
01
整合优化现有知识体系，挖掘更多知识潜在价值
需要明确的是，在工业领域的知识库包含：第一，工业的专业知识；第二，企业的私有知识。知识库的管理是企业可持续发展的基石，也是积累企业核心竞争力必不可少的工作。进入数字化时代，知识库管理虽愈发受到重视，但部分企业在知识整合、梳理、检索与更新维护等方面仍面临的诸多痛点，给业务的高效运营与持续发展带来了挑战。
首先，在知识整合方面，数据异构性是一大难题，许多高潜在价值的知识可能会被埋没。工业企业通常犹如一个庞大的数据集合体，包含像生产系统记录的结构化数值、设备传感器的时间序列数据，以及各类研发文档、售后服务反馈等形式各异的文本信息等。
内部来自不同源头的数据在格式、结构和语义上有着天壤之别，同时工业复杂多变的生产环境会影响最终的数据质量，数据质量参差不齐也会影响后续知识的存储和应用。企业往往缺乏成熟有效的手段去跨越这些障碍，致使很多潜在的知识被埋没在数据的“海洋”中，难以挖掘整合。
工业大模型在多模态数据处理能力的优势可以有效应对数据异构性和质量参差不齐的痛点。工业大模型能够从分散在各系统中的海量异构数据，提取对企业有价值的知识并整合到知识库中，让原本“各自为政”的数据转化为相互关联、条理清晰的知识体系。同时也可以对存在错误、缺失的数据进行自动识别和修复，在复杂环境下即便部分传感器数据因干扰出现偏差，大模型也能依据历史数据规律和整体知识关联进行合理校正，确保抽取的知识准确可靠。
其次，在知识梳理方面，工业领域知识专精且覆盖面广，涉及众多门类和业务环节，传统依赖人工整理很难建立一套统一清晰的分类标准。不同部门不同领域的员工站在自身立场，对知识也有着不同的理解，很难站在企业全局的角度梳理出工业流程中知识间的关联并构建知识图谱。非系统性的知识存储与管理也极大低降低了知识管理和查询的效率。
对于分类标准模糊的痛点，可以依靠工业大模型语义理解等能力，依据知识的内涵和逻辑关系，自动生成清晰合理的分类体系，通过分析海量数据中的语义联系，自动构建知识图谱，展现各知识节点间的内在逻辑。例如在汽车领域可以把涉及发动机、车身、底盘等各方面繁杂的知识，按照功能、工艺、技术难度等维度进行精准分类，并标注关键特征，使得知识库中的知识方便查找，也便于企业人员把握知识脉络。
再者，知识检索上，传统方式难有快速检索的手段。在急需知识支持的情况下，容易出现员工在花费大量时间搜寻后也容易出现大量无关信息、遗漏关键要点的尴尬局面，在海量内容中迷失方向，传统的知识库架构和关键词匹配机制使得员工难以快速定位真正对自己有用的知识信息。
大模型自然语言检索能力能够使员工用日常的语言来描述问题，准确理解银土并在知识库中筛选出最相关的知识。例如如果工人询问“如何提高产品表面的光洁度?”,大模型会迅速给出涉及刀具选择、切削参数设置等方面精准的答案。在这之后，基于用户画像和查询上下文，大模型也会向员工推荐相关知识，例如故障排除的内容，提高员工获取知识的效率。
知识更新维护方面的主要问题是不及时。信息系统孤立、信息传递更新流程繁琐等问题的存在导致企业无法及时将最新知识成果和经验积累纳入企业知识库，内部知识维护的速度远不及知识外部更新迭代的速度。
而大模型在该方面则主要作用是实时监测内外数据源，一旦监测到新的技行业术标准发布、市场价格变化、政策法规出台等，大模型可以从中挖掘出新的知识并及时更新知识库。对于每次更新的详细信息，可以做到清晰标识版本号和变更内容，协助知识的版本管理，便于员工识别。
最后，在知识应用与决策支持上，尽管知识库中积累了大量知识，但员工缺乏将其有效应用在实际工作中的能力。管理层在制定计划或决策的时候，除了自身认知之外，通常只能依赖数据可视化面板和员工汇报，决策缺乏更多全面和精准的信息支持。
针对上述痛点，工业大模型的应用价值是帮助员工更好地应用知识来解决实际业务问题。例如在领导决策时，大模型整合知识库多方面知识进行综合分析，为生产优化、规划等提供决策参考，助力做出科学合理的决策。对于员工也同样如此，在故障诊断场景中员工可以借助知识库中的知识索引和大模型推理能力，快速定位故障点，判断故障原因并给出解决方案。
02
企业亟需打通知识流通的全链路，形成闭环
面对前文所述痛点，我们之所以会选择大模型作为解决工具，原因是进入数字化、智能化时代，在工业生产场景中产生的数据要素量级呈指数型增长，传统工业系统或数字化工具无法承载，大模型是当期在更广的数据范围内产生价值的最有效方式之一。
所以企业更应该从应用场景出发，将工业大模型的知识库应用服务于业务。从应用场景来看，首先要考虑如何通过工业大模型形成企业自己的知识体系，其次要考虑将工业大模型嵌入至成熟的软件系统内，让生产要素更加智能化，赋能于真实的业务场景，创造真实的业务价值。
这不仅仅局限于文本视频的生成，这只是需求的一小部分，真正的需求是如何利用大模型生成解决生产、运营等问题的有效方案。借助大模型，我们可以打破人与机器在多工序、多场景之间的信息和知识鸿沟，形成柔性化、可泛化自主学习的大模型工厂模式，建立起体系化的内部知识库，在精准决策方面可以端到端的推理变革。
具体来说，利用工业大模型图文/语义理解、文本生成等能力，可以赋能于企业知识库搭建、文本生成审查、数据分析查询、运维诊断等场景应用。
例如对于知识库，大模型可以通过采集行业工艺知识、政策法规、技术标准、市场技术动态、企业内部知识等数据，构建政策库、标准库、法规库、工艺库、设备库等专家知识库，再通过平台应用开发能力去形成技术标准查询、行业知识检索、历史文档查阅等知识服务的能力，开放给员工用户，这样员工就可以通过提问的方式，实时获取知识问答助手所输出的内容。
对于文档生产与审查，可以通过配置特定流程和模板，让大模型生成合同、招标文件或者分析报告。同时可以基于预置的审查问题及审查标准，对输入和输出文档进行的风向排查并输出检查报告。
在教培领域，工业大模型可以基于所有的教培资料回答员工的提问，同时再基于员工的能力条件和学习进度，以及工作岗位对员工的要求，针对每位员工的情况生成个性化培训方案。
另外，在运营管理领域，大模型可以根据数据分析来判断工厂当前会出现怎样的问题，通过连接工业系统来理解、提炼、总结和展示，在EHS系统内针对安全体系构建起去知识辅助和效率助手。
整体上来看，企业需要通过工业大模型形成企业内部的知识体系，打通知识流通的全链路，使得数据形式的知识可以在设计、生产、销售、售后等环节无障碍流动，形成从计划-执行-排查-改进的知识流通闭环。
铝业大模型智能应用：业务知识秒查询，综合成本降10%
某铝业公司在生产过程中，在生产运营管理、能耗等方面曾面临降本增效的难题，需要在焙烧和铝电解场景进行工艺优化和知识学习，其中：
1. 生产过程管控难：生产进程难以监控、关键设备寿命低、安全生产问题突出、生产依赖人工经验；
2. 能源消耗大：生产过程能耗高，电解铝全行业年度用电量约占全社会用电总量6.8%;
3. 缺少数据能力支撑：集团统一管理难，信息孤岛/烟囱现象严重、决策链长且复杂。
浪潮云洲基于工业互联网平台和知业大模型打造了铝行业的智能应用。首先通过数据中台和物联中台，集成企业数据，与数字孪生中的模型进行融合，实现了生产过程全要素指标的可视化，过程和结合实现双对标。
同时，对于车间重点生产工艺的优化，通过打造电解槽分类分级、处理量预测等专用场景的机理模型，融合大模型知识库，打造了面相铝业的知识助手和生产管家。
知识助手面向新员工或基层技术岗员工，主要提供个性化岗位技能培训、铝业知识智能检索推荐、生产过程标准作业指导、设备故障诊断及检修报告生成等服务，帮助员工提高业务水平和工作效率。
生产管家则面向车间工区长或厂区领导，提供业务数据对话式检索分析、异常工况自动化诊断、工艺参数调控智能推荐、工艺流程仿真优化等服务，实现电解铝生产过程智能决策，降低综合生产成本。
应用成效上来看，通过铝业大模型的建设，该企业达成30+工厂、4000+设备数据采集、2800余个指标、88个分析看板、117类报表的全要素指标可视化和过程结果双对标；开发槽况分级评判、计划出铝量评估、氟化盐添加量推荐、氧化炉下料间隔和设定电压调整这五个AI模型使得企业综合成本降10%;整体上阳极碳耗降低，停槽槽龄和单位产量得到提升，知识学习成本降50%,业务知识实现秒级查询。该方案已在铝行业其他10余家企业推广应用。
尽管工业大模型落地应用已不在少数，但当前大模型的幻觉问题仍普遍存在。当用来进行预训练的结构参数规模不够多的时候，大模型的输出内容会成为概率事件，其可信度、准确率、可实施性和安全性难以得到保障。
所以从基础大模型到工业大模型，赋能企业知识库管理，核心要探索如何将工业知识融入模型中、大小模型如何相互协同、三如何生成高可信工业内容这三部分工作。
首先可以做的是工业领域的知识注入。企业可以基于之前做过的数据采集、数据治理等工作，将大量高质量的工业数据用来训练工业大模型，利用不同的垂类数据去打造面向特定场景和领域的大模型，对原有基础大模型进行微调。其次，通过外部行业知识的资源调度，帮助企业构建知识库和知识图谱，在实际使用的过程中同时对大模型进行检索增强。
最后，在形成了这样一个面向工业领域的专用大模型之后，我们可以结合开发工具，打造工业大模型的应用场景。具体来说，企业可以根据不同的需求场景，通过可视化的编排方式，去编排获取数据的过程、大模型的回答策略以及开放结构的方式等，将其嵌入到实际的应用当中。
这样可以让工业大模型发挥出作为“大脑”的作用，对整个体系内的工业数据进行资源调度，也可以串联起一些专用小模型和各个系统的接口，与大模型相融合协同，解决在工业企业内的瓶颈。
进入大模型时代，未来更有望做到的是人机协同，达成以人为本、弹性柔性以及可持续发展的目标，利用AI赋能人类。这实质上也是要求企业更好地进行资源调配，实现降本增效。
注：文/梁子博，文章来源：虎嗅智库服务，本文为作者独立观点，不代表亿邦动力立场。
文章来源：虎嗅智库服务
