自 ChatGPT 广泛发布以来的一年半时间里，人工智能（AI）备受关注，与此同时，人们也在共同开发被称为Co-Pilots的技术。为工业领域开发的Co-Pilots类似于我们多年来一直听说的数字助理，虽然它们取得了一些有限的成功，但尚未被广泛采用。

　　这些新的Co-Pilots和数字助理之间的主要区别在于大型语言模型 （LLM）AI 技术的快速开发和使用，其中 ChatGPT 是最著名的。这对自动化专业人士有潜在的影响，因为正在为工业应用开发的副驾驶技术旨在改善制造业和加工行业中的人机协作。

　　总体而言，我们仍处于大模型AI应用的早期阶段。Co-Pilots的相关产品正在开发中，在未来几年内，您将听到更多有关它们的信息。考虑到AI技术正在迅速影响企业计划和劳动力的某些方面，紧跟这些技术的发展是明智之举，因为它们有可能严重影响人们与各种自动化技术的互动方式。

　　Augury公司是一家提供人工智能技术以预测和预防机器故障并优化生产质量和产量的供应商，该公司战略副总裁Artem Kroupenev解释说，可以将AI Co-Pilots理解为一种“智能助手”，通过利用庞大的多学科数据集进行分析和洞察，使工人能够高效地计划和完成任务，并推动更好的决策。随着时间的推移，AI Co-Pilots将能够在任务规划和执行的任何层面上（与人类）进行有效协作，并独立完成大量工作。

　　是什么让这项AI技术与众不同？

　　除了使用先进的人工智能技术之外，Co-Pilots和我们多年来一直听到的数字助理技术之间的另一个区别在于自动化与自主性的概念。

　　Kroupenev说：“与专注于自动化简单任务的数字助理前辈们不同，今天的人工智能Co-Pilots有能力处理复杂的问题解决、决策和创造性过程。“这一转变标志着从任务自动化到战略增强的关键演变，展示了AI在现代工作场所的变革潜力。这些Co-Pilots与人类工人并行操作，以无缝地管理更精确的工作。”

　　该技术已经在高度具体的用例中显示出令人印象深刻的结果，例如AI驱动的解决方案，使工厂工程师能够通过预测性维护来确保生产正常运行时间、安全性和可持续性。AI Co-Pilots的发展将使它们在所有领域无处不在，通过为员工提供数据驱动的自动化洞察力来改变工作场所。

　　与数字孪生技术一样，Co-Pilots技术也存在不同的定义，这很可能会造成一些混淆。Kroupenev看到了关于什么是Co-Pilots的一系列观点，并同意行业需要更严格的定义。他提出了三个他认为能够代表Co-Pilots核心理念的关键要素：

　　● 协作：AI Co-Pilots的设计应该是为了补充和增强人类的工作能力，通过持续的协作和互动使其更加高效和富有洞察力。

　　● 广泛的洞察力和适用性：Co-Pilots应该在多个工作层面上发挥作用，包括战略、规划和执行，并且它们应该可以针对多个应用程序进行定制。

　　● 自主性：人工智能Co-Pilots应该进化为具有自主性，变得更像一个熟练的团队成员，而不是一个协助、协作和独立执行各种任务的工具。

　　他补充说：“即使Co-Pilots的应用在不同领域可能有很大差异，这些概念也应该保持总体上保持不变。”

　　适合所有人的工具？

　　Kroupenev认为，在未来五年内，每个员工都可能会使用到AI Co-Pilots，因为AI在帮助未来劳动力进行研究、创建和执行行动计划、总结和生成内容、编写代码、加快规划流程和分析来自多个来源的大量数据方面的能力越来越强。

　　在工厂车间，基于多个AI系统和生成式人工智能（GenAI）界面的Co-Pilots可以利用来自生产过程的多个实时信号和基于文本的企业数据，如现场笔记和操作程序。这将使管理人员能够更好地解决问题和分配资源，工程师能够计划生产，生产工人能够用他们的自然语言与Co-Pilots交谈，以了解机器何时需要维修，并获得有关维修设备最佳实践的分步指导。这将推动制造业的效率、创新和可持续性，并为拥有更多样化技能的人在工业领域开始他们的职业生涯创造机会。

　　制造业熟练劳动力的持续短缺意味着AI技术对未来工业的增长至关重要。AI Co-Pilots的加入将有助于减少生产停机时间，实现可持续发展目标，提高工人的技能，实现决策等等。Co-Pilots将深入了解整个行业的主题，为工人提供他们需要的信息，以便他们更自主地做出明智的决定。

　　如何评估Co-Pilots？

　　有很多关于即将到来的人工智能Co-Pilots技术和应用的新闻，例如来自西门子和Microsoft。Kroupenev指出，已经有几家公司在工业领域推出了早期基于生成式AI的应用程序的市场营销级展示。

　　“Cognite、西门子和C3等公司已经开始布局Co-Pilots技术，” Kroupenev说，“但要使这些概念真正有用和可靠，还有一段路要走。工业界严重偏向于信任和可靠性是有充分理由的，制造一个可以完全信任的Co-Pilots来提供准确的信息并在制造环境中表现良好，是目前更广泛开发和采用的最大障碍之一。可靠且无偏见的数据决定了模型的准确性，而制造数据往往既不可靠也不标准化。”

　　对于希望进一步研究AI Co-Pilots技术的制造商来说，Kroupenev表示，制造商首先需要理解其运营中存在的具体问题。

　　这是应用任何技术的关键——即使是在其应用上更为直接的技术，比如机器人。正如ARM Institute的首席执行官Ira Moskowitz指出的：“你最常见的情况之一，就是机器人被闲置在工厂的某个角落，因为制造商认为他们需要它，所以购买了它。现在它就被放在角落里。因此，制造商需要做的第一件事是寻求帮助，判断他们的问题是什么。他们可能认为这是一个自动化问题或机器人问题，但现实可能并非如此。他们可能存在其他需要解决的低效率问题，这听起来似乎需要一个机器人，但根本原因可能是其他的东西。所以，首先要做的是对生产线进行系统分析，并验证是否真的需要一个机器人。”

　　类似的思路也被应用于人工智能。Kroupenev认为，一个常见的误解是AI将解决所有问题，但这并不完全正确。AI有可能解决许多组织障碍，但每个解决方案在解决最大挑战方面都是独一无二的。在四处寻找AI解决方案时，提出问题是关键。

　　在与 AI 供应商签署协议之前，了解数据质量、生成的见解类型以及如何衡量价值至关重要。为了获得最佳结果，请从经过验证的AI技术开始，这些技术可以提供近乎立竿见影的价值，从而为更大的计划获得支持。