生成式人工智能(Gen AI)作为人工智能的最新前沿，正在各行各业掀起热潮。它不仅能与其他形式的人工智能和分析技术相辅相成，创造额外价值，而且在能源和材料行业有着独特的应用优势。
原文：Generative AI in energy and materials | McKinsey
如今，无论是打开新闻app还是浏览社交媒体，几乎都能看到关于生成式AI的讨论。从硅谷名人到风险投资家，再到科技专家，似乎每个人都在谈论ChatGPT、Bard等各种AI系统，以及它们所蕴含的巨大潜力。
面对这股热潮，企业领导者该如何应对？毕竟，这并非技术专家第一次大力推崇某项新技术。那么，我们是该将AI视为昙花一现的时尚，还是应该将其视为解决技术难题的万能良药？
事实上，这两种观点都不够准确。我们的研究表明，那些依赖创新、数据分析和流程自动化的组织将从生成式AI中获益最多。在农业、化工、能源和材料等领域，许多公司正在超越简单的应用场景，采取更加创新的方法来应用生成式AI。据估计，未来几年这些行业有望通过生成式AI创造3900亿至5500亿美元的额外价值。
生成式AI的潜力
生成式AI在促进增长和降低成本方面的潜力不容忽视。对于严重依赖数据和分析进行创新的能源和材料行业来说，这一点尤为重要。简而言之，生成式AI为各类数据增添了智能，可用于辅助决策，有望将冗长的过程简化为一个简单的问题，并使员工能够获取以前未知的知识或能力。
考虑到这一点，采矿、石油天然气、化工、农业、电力和材料等领域正在出现越来越多令人兴奋且不平凡的潜在应用场景，这足以成为领导者认真考虑生成式AI的充分理由。
然而，要实现生成式AI的承诺，需要对如何利用其力量有一个清晰的愿景。行业参与者需要认真研究AI如何融入他们当前的数字战略，包括评估组织是否具备实施这些技术的数字能力，是否在商业化解决方案可用时及时采用，或者是否设计一些全新的、雄心勃勃的应用。领导者还需要了解AI带来的风险，以及如何有效管理这些风险以确保组织安全。
现在就开始建立这些能力，在生成式AI领域站稳脚跟，可以为公司提供有利条件，以便在未来迅速采用更先进的模型。事实上，大型语言模型(LLM)的规模和功能预计将在未来两到三年内呈指数级增长。与2023年初的模型相比，最新的尖端模型已经显示出实质性的进步，大大扩展了技术上可行的应用场景范围。
与传统分析和之前的数字技术一样，组织应该将AI视为一种强大的新工具，而不是最终目标，以充分发挥其潜力。
能源和材料行业利用生成式AI的独特优势
随着复杂的重工业越来越依赖数据分析来提升效率，能源和材料行业在利用生成式AI方面展现出独特优势。石油天然气、农业、电力、化工以及材料和采矿等领域可以借助生成式AI的力量，改革后台和跨部门业务，优化核心运营。
这些行业积累了海量数据。现代工厂、矿山和农场都拥有多年的传感器历史数据，以及用于故障分析、工程报告、工单和日常操作记录的维护日志。资源勘探和开采更是产生了数以TB计的电磁和地震测量数据。此外，还有大量的OEM手册和故障排除指南存放在仓库里。
这些结构化和非结构化数据为生成式AI的应用提供了肥沃土壤。由于数据的专有性，率先利用这些数据的企业将获得独特优势。在许多资产密集型行业中，优化资产利用率、精简流程和预测长期结果都是至关重要的应用场景。
基于此，我们可以将生成式AI在这些行业的应用分为两类：直接应用和”登月计划”式应用。
- 直接应用：这类应用通常不需要高深的技术专长，部署起来相对简单，可能很快就会成为普及品。例如：
- 自动执行管理任务的虚拟助手
- 面向客户的聊天机器人
- 协助软件开发人员和数据科学家的AI”副驾驶”
- “登月计划”式应用：这类应用更具创新性，需要更多定制，有时甚至需要从头训练大型语言模型（LLM）。虽然潜在价值更大，但也需要在功能和基础设施方面进行大量前期投资。这类应用因行业和价值链环节的不同而各异。
总的来说，能源和材料行业拥有丰富的数据资源和独特的应用场景，为生成式AI的创新应用提供了广阔空间。
工业领域的创新应用案例包括：
- 公用事业行业：拥有大量远程基础设施的企业通常在资产维护上投入巨资。通过利用人工智能技术，可以整合多种数据源，如历史损坏记录、目视检查结果和设备传感器数据等，重新训练腐蚀和预测性维护模型，提高其性能。人工智能还能显著提升核心业务功能的效率，确保运营连续性和公共安全。此外，人工智能驱动的计算机视觉技术可以大幅改善无人机、航拍和卫星图像等数据的处理质量。
- 石油天然气行业：专门的人工智能模型可以处理、插值和解释昂贵的地震数据，识别关键特征（如地层追踪、断层定位或直接碳氢化合物分类）。这不仅能减少高分辨率勘探所需的数据量，还能提高结果质量。
- 矿业行业：拥有复杂且分散的机器车队的矿山可以利用维护手册、历史工单、操作程序、工具库存和备件等信息为AI模型提供基础数据库。这样可以为维护技术人员提供强大的AI助手，简化工作流程并提高可靠性。虽然这看似是现成模型的简单应用，但需要特别注意确保所提供的建议对熟练技术人员来说既正确又有用，并且必须与现有系统集成才能发挥全部价值。
- 化工行业：利用庞大的化学数据库创建的模型可以预测新化学物质的特性，大大缩小实验室搜索范围，加快分子发现速度。同时，新的合成途径可以通过数字原型进行设计，有助于解决低成本、低能耗或低碳排放等问题。
- 农业：农艺公司可以通过挖掘天气、土壤条件、病虫害压力等数据，构建基于人工智能的虚拟顾问。这些顾问能为种植者、农场经理和经营者提供个性化的风险和机会分析，并实现全天候低成本访问。人工智能还可以综合各种数据点，为分析程序生成测试场景，使农艺公司能够模拟不同事件并提供更准确的输出。
这些创新应用案例虽然看似雄心勃勃，但一些有远见的企业已经开始开发其中的部分用例，认识到它们在核心业务活动中蕴含的巨大价值潜力。
行业领导者如何优先考虑和实施生成式AI
未来几年，企业面临的主要挑战将是如何实施能为组织带来实质性价值的人工智能应用场景。在此过程中，许多公司常常会陷入一个误区：没有先制定全面的数字化战略，就在组织的多个部门同时启动多个试点项目。相反，领导者应该将有限的时间和资源集中在那些既有影响力又切实可行的应用场景上。这种做法更有可能产生真正的成果，提高采用率，并获得利益相关者的支持。
在考虑是否使用生成式AI解决特定问题时，公司需要谨慎评估。尽管生成式AI模型在许多领域带来了新的优势，并在某些方面显著推动了技术进步，但它并非万能钥匙。有时，传统的AI解决方案（如简单的预测、系统建模或优化应用）可能更适合，甚至在未来仍然更有效。对于许多行业来说，在生成式AI成为合适选择之前，可以先从常见的流程优化用例中获取价值。
虽然现成的模型易于开发和部署，但它们可能会限制组织在市场上的竞争优势。一般来说，核心业务运营可能需要针对特定行业进行重大定制。这在很大程度上是由于工业过程的高度复杂性和专业性。例如，识别和开发化学配方需要定制的模型基础设施和通常包含专有数据的特定数据库，以确保模型提供准确结果。同样，几乎所有应用都需要深入的运营和行业专业知识才能达到足够的准确性，并且需要关键最终用户的参与，以确保应用能够解决现有流程中的实际痛点。
总的来说，考虑优先实施生成式AI的行业领导者应该明确定义数字化战略成功的核心要素，并充分了解潜在风险。
确保数字战略成功的关键要素
生成式AI（Gen AI）只是组织整体数字战略中的一个方面，正如大语言模型（LLM）只是企业探索新机遇的众多模型之一。为了充分发挥Gen AI对组织的潜在价值，领导者可以考虑以下几个方面：
- 以业务为导向的战略路线图：组织应该通过明确价值所在、可实现目标及其逻辑顺序，来快速、逐步实现真正的价值。高层团队需要达成一致，确保路线图和资源与组织愿景相符。创造实质性竞争优势的路径应该清晰明确。
- 人才储备：内部技能和能力的发展规划需要与战略路线图同步。生成式AI是传统分析的延伸，现有人才可以通过转岗或技能提升来实施许多应用场景。然而，对于特别复杂的应用，如需要定制LLM的项目，可能需要招募特定的新技能人才。随着新专业的出现，数据科学家、机器学习工程师和云架构师将继续受到高度需求。
- 敏捷交付：生成式AI项目应该像其他数字项目一样管理。这意味着公司应该采用迭代开发方法，快速创建最小可行产品，尽早吸取经验教训，并根据情况变化及时调整。产品或服务的发布速度以及组织的风险偏好通常是固定的，必要的”控制职能”（如法律、财务或风险管理）也应该以敏捷的方式运作。
- 技术和工具：生成式AI可能需要一些尚未部署的新资产和工具。云计算能力将是必不可少的。组织应该采用MLOps（机器学习运维）方法，以安全稳定的方式扩大AI应用规模。
- 数据管理：Gen AI的基础是数据，因此，数据是工业公司竞争力的真正来源。生成式AI有能力使数据更加有用，但这些数据首先必须可用且可靠。许多能源和材料公司已经开始集中整合他们的数据，以支持传统的分析应用。这些努力也应该得到加强，以实现生成式AI的应用场景。因此，组织必须在集中管理内部数据与利用外部数据之间取得平衡。这一点至关重要，因为客户对公司数字产品的信任来源于此。
- 采用和运营模式变更：鼓励最终用户参与产品开发，以加速、增强或自动化其部分工作。企业领导者应该对技术的采用负责。
组织应该尽快开始思考这些问题。然而，在急于鼓励实验以测试和学习生成式AI之前，更好的做法是仔细考虑上述要素，并专注于能够提供真正价值的几个应用场景。
人工智能在工业领域的潜在风险
生成式AI在工业应用中存在广泛而重大的潜在风险。在应用生成式AI之前，企业应该仔细考虑以下几个方面的风险：
- 准确性问题：生成式AI模型可能会产生看似可信但实际上是”编造”的答案（也称为”幻觉”），或在抽象推理方面表现不佳。对高管来说看似高质量的回复，对最终用户可能毫无价值。例如，维修技术人员需要关于更换发动机零件的具体、准确建议。与提供故障排除建议相比，提供具体工作指导时，准确性的要求更高。
- 安全隐患：生成式AI容易受到后门攻击，这种威胁有时会被忽视。曾发生过黑客劫持模型、制造虚假信息、窃取数据或实施欺诈的案例。
- 隐私泄露：敏感或机密数据可能通过公共语言模型API泄露。因此，需要对可用于语言模型的数据进行分类，以反映现有的访问控制，尤其是对于机密数据。
- 公平性问题：与传统AI一样，生成式AI有时会产生带有偏见的输出。它还可能被滥用来绕过原本设置的保护措施。
- 法律风险：存在侵犯知识产权、版权和滥用责任的潜在风险。目前，关于生成式AI创造的内容如何适用法律仍不明确。许多国家和地区仍在讨论如何有效监管这项技术。
虽然这些风险存在于所有行业，但能源和材料行业应特别警惕基础模型初期可能存在的准确性问题，尤其是考虑到不准确输出可能带来的严重后果。对于可能危及安全的不准确模型响应是绝对不能接受的，因此必须为工人使用的生成式AI工具建立严格的保护措施。
为了应对这些风险，可以采取以下措施：
- 提高模型精度，同时限制不准确输出的潜在影响。
- 保持人类操作员在决策循环中，最终由人类负责基于AI提供的信息做出运营决策。
- 控制”幻觉”现象，可能的缓解措施包括调整性能参数，结合其他工具客观测量输出的准确性，以防止或标记幻觉反应。
- 开发团队可以使用先进技术来优化提示，提高响应的准确性。
此外，工业领域还应特别注意隐私风险，在使用基础模型时采取措施保护专有、机密和敏感数据。可能的防护措施包括：
- 验证数据和提示，防止恶意输入。
- 执行对抗性测试，过滤不当响应。
- 部署安全措施，加强数据保护功能。
通过采取这些措施，企业可以更安全、有效地利用生成式AI技术，同时最大限度地降低潜在风险。
在能源和材料行业，许多部门常常对所谓的技术突破持谨慎态度。然而，我们不应将生成式AI新一代的快速发展简单地视为”昙花一现”。实际上，该行业的高管们应该积极探索如何让自己的组织从这一波AI浪潮中受益。
大型语言模型（LLM）在技术密集型和流程复杂的行业中可能会创造巨大价值。因此，展望未来，领导者们应该思考的不是”我可以在哪些方面应用生成式AI？”，而是”我该如何运用AI来实现革命性的价值提升？”
