当前工业元宇宙透过软硬体互联、虚实整合，让AI、5G、云端整合数位分身技术的各个环节，进一步打造智慧工厂与智慧供应链，已成为制造业者在转型上的主要尝试之一。

根据调查，2022年全球元宇宙市场规模为474.8亿美元，年复合成长率为39.4%，到2030年估值为6,788亿美元，其中北美地区占比最大，占比超过45%。而当前元宇宙议题虽然稍微退烧，但在制造业的应用上热度不减，特别在一般制造、汽车、能源和公用事业、医疗保健和生命科学、航空航天、电信等子产业更是如此。

当前工业元宇宙透过软硬体互联、虚实整合，让AI、5G、云端整合数位分身（Digital Twin）技术的各个环节，进一步打造智慧工厂与智慧供应链已成为制造业者在转型上的主要尝试之一，这种多技术的融合牵涉到复杂的数位基础建设、数位科技掌握程度与工厂自动化程度，其「程式化逻辑控制器」（Programmable Logic Controller；PLC）为双向生产数据的转运站，能够大幅提升单机、整线、与整厂的营运效能。

工业元宇宙可用於将产品设计与生产的物理版本进行比较例如寻找产品缺陷，或者可以建立虚拟环境以进行模拟。例如，许多自动驾驶汽车设计师现在利用真实世界位置的模拟来微调汽车性能，提高其安全性与可用性。

以汽车业者BMW为例，该公司在一家新工厂使用工业元宇宙，以一对一的比例制造虚拟汽车，然後为工厂部署最终布局。在这六个月的部署过程中，该公司根据模拟结果对原始设计进行了大约30%的更改。虽然BWM并未对外公开表示效率提高幅度，但该公司指出，在模拟的第一天，工厂中有大约30%流程能够获得改善。

图1 : BMW使用工业元宇宙，以一对一的比例制造虚拟汽车，然後为工厂部署最终布局。（source：BMW）

当然，该技术也能用於员工培训，以JetBlue为例，若以真实飞机培训技术人员成本高又耗时，因此该公司与软体制造商Strivr合作部署了VR解决方案。该程序帮助技术人员以尽可能最真实的方式模拟接触飞机，而沉浸式学习则将VR 的体验与学习理论、数据科学和空间设计整合有效提升年轻员工的学习体验。

若跳脱应用场域，单从人工智慧与元宇宙技术融合，则潜在效益不仅如此，基於人工智慧驱动的IT基础设施能在Metaverse中用於预测中断并在问题发生时辨识，例如AIOps必须持续运作并且具有足够的可延展性，以与Metaverse同步运作，这使得它的技术要求很高。

人工智慧还将使元宇宙不仅能够理解用户输入，从文本到图像甚至影音皆可，无论用户输入的语言如何，都能正确回应，当然，这将需要大量数据，并且训练此类高级 NLP 模型可能需要数年时间。

同时，在元宇宙开发中，人工智慧不仅是电脑视觉和自然语言处理领域的必备技术，也是虚拟现实和增强现实（AR）领域的必备技术。例如，在AR技术中，AI用於相机校准、检测、跟?、沉浸式渲染、实体世界物体检测、虚拟世界物体检测和3D物体建立，有助於保证AR应用的多样性和可用性。

大型语言模型对企业营运的机会与风险

顾问公司麦肯锡指出，人工智慧企业领导者者比相较其他同业更能抓住在何处享受技术带来的价值，例如制定完整的人工智慧策略，并连结业务、财务指标，同时更频繁地叁与能够大规模开发和部署前瞻技术，发展人工智慧产业化。

这些领导者具备通常完善基础设施，例如模组化的数据架构、优质的数据、完整的Devops团队，以及强悍的资安措施，以快速适应新的应用程式开发。同时这些业者也发展数据的流程自动化，这既可以提高模型的开发效率，又能透过更多高质量的数据倒入演算法，进一步提升开发的应用程式的数量。

当然，越前瞻的人工智慧应用可能带来越高的风险，除了资讯安全外，如何建立好的人工智慧治理机制也相当重要，其例如确保人工智慧和数据治理政策、标准化流程和协议、自动化流程（控制数据质量以减少手动输入资料造成的的错误）、测试模型的有效性，并随着时间监控模型是否存在偏误问题等。

语言模型的已经存在数十年，该模型的核心执行一个简单的任务：给定一串文本，使之能预测最有可能的下一个词，多年来，语言模型已经从基本的N-gram模型（其中语言由简单的向量表示）发展到更复杂的循环（RNN）和长短期记忆 （LSTM）神经网路，以更复杂的方式建立单字和短句子。

语言模型的发展转捩点是从Google Brain 2017年的开创性论文《Attention Is All You Need》

中引入的transformer架构这改变领域游戏规则。过去的语言模型基於对每个单词的单独理解和处理，而转换器允许将句子和段落作为一个整体进行处理。这些模型能够根据字符串中每个词与字符串中其他词的关系，为每个词分配不同的权重；而现在的模型可以根据上下文理解单词，在性能上取得重大突破。

Transformer 使大型语言模型能够从自然语言中深入理解人类的意图，使得一系列突破性的功能成为可能：从描述中生成各种内容，将大量非结构化数据提炼成简洁的摘要，以更准确的翻译、回答复杂的查询等等。

图2 : 语言模型的主要提供商。（source：Two sigma ventures）

近年来，随着软体快速迭代和更大系统的建置，大型语言模型（LLM）的使用快速成长。原因之一为单个模型就能用於多种任务，从文本生成、句子创建、分类和翻译。此外，当使用者仅给出数个标记时，模型几??能够做出合理的预测，即所谓的「小样本学习」。

LLM正在改变我们当今处理业务的方式。随着ChatGPT在短短 5天或2个月内经历的惊人成长，越来越多产业开始意识到这些大型模型可能从根本上改变数据传输与处理的方式，这些模型透过利用深度学习技术与自然语言处理来「生成」各种解决方案，一方面担任「产品设计」的角色，一方面又能透过人机协作来调校模型对准却度，业者若能掌握大型语言模型的核心技术与团队建置，未来在超大量数据的竞争环境下将更容易取得先机。

从实际应用来看，大型语言模型能协助医疗保健、制造、金融、机器人等产业处理各种任务，例如回答客户问题、为他们提供客制化建议、识别和生成高精度的文本、声音和图像。

大型语言模型可以帮助企业更有效率地了解客户需求，从自动化程序到提供客制化化体验。这些基於自然语言处理的人工智慧技术也能用於协助营运上的资安议题、或是自动针对指定内容进行分类、部署虚拟助理、以及提升SEO等，而目前虽然较无看到制造业者使用大型语言模型的案例，但由於云端业者如微软、Google已开始将LLM模型嵌入至解决方案中，故业者应可了解该技术在制造领域的应用。

当然，该模型在营运上也存在风险，大型语言模型可能剽窃或编造内容，使得人员需要辨识资讯的真伪程度，囿於新冠病毒疫情、网路媒体和社群平台的大量使用等因素，企业的经营环境大幅曝险於假讯息风险中，加上定量分析、图形或数位模拟，或为演算法编码等技术不够成熟，对於反制假新闻的能力不足，加上如「错误讯息」的使用，可能在内外部发布消息时误植、遗漏词句或关键资料，让利害关系人与员工相信错误的资讯，最终影响决策。

德国西门子的应用案例

工业软体大厂业者西门子在工业元宇宙与人工智慧的发展上不遗馀力，其数位业务平台Siemens Xcelerator即是代表，2022年6月，公司与人工智慧业者NVIDIA合作，在工业元宇宙与人工智慧合作上再下一城，NVIDIA将Omniverse加入 Siemens Xcelerator开放式的合作夥伴生态系，串联从边缘到云端、拥有丰富资料软硬体解决方案，建立出即时的沉浸式元宇宙环境，这将促使业界加速使用数位分身技术，提升整个生产和产品生命周期中的生产力并改善制程，目前获得机械、电子和软体领域客户采用，Volta Trucks和Automotive Cells Company（ACC）两家业者皆为其客户。

工业元宇宙与人工智慧要能整合应用，大量的数据资料与多元化的使用者缺一不可，西门子在工业4.0以来即累积大量使用数位解决方案的客户，加上过去疫情冲击促使产业转型，Siemens Xcelerator能够整合IT/OT核心系统的数据，同时连结不同的3D设计与CAD应用程序，以建立单一真实来源的虚拟模型，并扩展到物联网、数据系统和工业自动化设备，同时，西门子也透过投资工业技术新创来因应其生态系成长。

图3 : Siemens Xcelerator能够整合IT/OT核心系统的数据，同时连结不同的3D设计与CAD应用程序（source：Siemens）

全球智慧制造未来发展方向

根据Euromonitor指出，全球制造业预计将在2023年经历动荡，肇因於经济前景恶化、地缘政治风险上升以及能源和大宗商品市场的波动将给制造商的业绩带来压力。预计2023年各产业的增长将不平衡，能源强度高或高度依赖投资需求的行业受到的冲击最大。

在全球范围内，预计2023年化工产品、橡胶和塑料以及机械行业的产值增长将放缓，因为预计B2B需求疲软和能源成本上升将影响生产。由於2023年总体经济环境恶化，新车销售放缓预计也将拖累全球运输设备行业的表现，然而，高附加值和低周期性产业预计将在2023年维持成长，预计2023年高科技产品产业将在所有制造业中表现最强劲，因为转向绿色能源和投资於数位科技将继续支持对高科技产品的需求。

同时，根据其调查，全球约62%的公司计划在未来五年增加对云端运算投资，同时约50%的公司计划投资於人工智慧、物联网和生产自动化工具，这些都是制造业需要投入更多资源在数位工具的原因。

在地制造的需求是推动制造业加快工业元宇宙投资的因素之一，在疫情爆发後，制造企业加快了生产在地化和回流工作，地缘政治紧张局势加剧成为2023年生产回流的另一个催化剂：根据生产回流倡导组织Reshoring Initiative的数据，总计1,800家企业计划回美国生产，企业在迁厂的过程中可能需要远端模拟生产情境，以对迁厂进一步评估。

当然，当前经济情势的下滑与预算配置的改变，可能致使相关投资降低，但不变的是人工智慧与其他技术的发展需求依旧庞大。而上述提及，大型语言模型目前虽无大型制造业导入的实际案例，但从Open AI与微软的关系也可看到，大型科技业者正在将各种人工智慧技术整合进服务方案中，而服务的产业日趋多元，未来在制造业的实际应用，应也仅是时间早晚问题。

图4 : 目前正使用Open AI的产业类别。（source：Statia）

结语

若从我国产业发展来看，制造业者在发展工业元宇宙的速度不若国外，许多企业当前尚在挖掘人工智慧的潜能，对於多种技术融合的应用较少，加上当前虽许多制造业者虽已经拥有大量设备与制程数据，但往往很难从中获取价值，因为他们缺乏可以提出数据看法并加以解析的数据科学家，以及相对成熟的机器学习模型。

因此企如何透过合作来打造一个数位生态系，纳入物联网与人工智慧技术，以及采用自动化软体解决方案为当前业者积极部署的领域。另一不可或缺的技术为云端平台，透过云端的即时分析，将原先基於时间的维护设定转变为预测性维护。

随着云端的规模的不断扩大，业者可以在无接触（contactless）的状态下远端对感测器组进行远端更新和维护，这些技术部署都有赖於生态系的建立与夥伴的支援。而这些技术的融合最终应是导向工业元宇宙的发展，由於工业元宇宙本身为多种技术的融合体，因此先熟悉各种技术的应用，对於发展工业元宇宙与人工智慧较有效益。