标准化的漫长历程与数字化的逐步引入
制造业标准化可以追溯到上个世纪初。当时，欧美国家开始制定机械等领域的工业标准，以提高产品的互换性和通用性，加速实现工业化和现代化。
随着全球技术进步和贸易扩大，标准化在促进贸易和投资、提高产品和服务的质量和供应效率、降低成本和风险以及加强知识产权保护、促进技术创新、维护市场秩序等方面的重要性也逐步显露出来。
20世纪20年代，国际标准化组织成立，世界范围内的标准开始提速。
20世纪50年代，我国开始参与了国际标准化组织的工作，并改革开放后逐步建立起标准化法律法规体系。
20世纪80年代，随着计算机和信息技术的成熟，相关技术开始逐步应用到标准程度相对较高的工业生产管理领域，在产品设计和开发、生产管理、产品质量控制、供应链管理等领域显示出极高的效率和经济性，同时也进一步推动了标准化的普及和深化。
这一过程中，制造业的数字化与标准化，相辅相成、互相促进。
数字化技术提高了标准化的实施效率和效果，标准化则规范了数字化技术的应用范围和标准，从而保障数字化技术的安全和可持续发展，二者融合推进，推动了制造质量和效率的持续提升。
二
新问题的累积与人工智能的介入
但任何先进的技术都有其局限性，其应用也会带来新的问题。
伴随着标准化的深入和数字化的推广，数据及处理方面的问题也慢慢累积并显露出来。
首先是数据堆积。
制造业中的数据量非常庞大，包括大量的生产数据、质量数据、设备数据等。伴随着这些数据的日常累积，处理的难度也越来越大，人工处理，甚至普通的机器处理已几乎不可能。
其次是数据孤岛。
4G、5G之前，受带宽等的限制，制造业信息化的数据只能沉积在工厂。带宽增加后，制造化数字化也随之提升，数据量呈现几何级增长，大多数企业数据仍只能滞留在工厂，甚至是企业各部门和生产线上——再宽的河道也难承载持续不断、浪高一浪的洪峰!
然后是人才短缺。
制造业数字化需大量既懂工厂生产又懂专业技术和管理的人才——包括但不限于工厂生产相关技术知识，如制造流程、物流管理、质量控制等;数字技术;能够协调各部门的管理能力——目前为止，这仍是制造业的突出短板之一。
第四是人的弱化。
目前的制造业数字化，存在人沦为技术附庸的现象，表现在：数字化生产方面，工人的角色被动按照机器的指示操作，不需要思考和决策;供应链管理中，注重数据的分析和处理，而忽略了老员工的经验和判断等。
还有就是数字安全。
数字化带来了高效的信息化和网络化结构，同时也带来了潜在的安全隐患，比如可能的数据泄露、网络攻击等，以及可能会对企业的声誉和财产造成严重损失的其他数字信息的被盗取等。
AI在工业领域的应用，正是针对上述问题。
数据收集处理方面
AI技术可以通过机器学习和数据分析技术，对制造业中庞大的生产数据、质量数据、设备数据等进行实时的分析和挖掘，并提供相应的解决方案，能够有效解决数据堆叠的问题。同时，及时有效的数据处理，也可以大幅减少数据中心需要收集和处理的数据量。
这一领域的AI产品目前已经相当多，比如：产品的设计和仿真领域，Dassault Systèmes的3DEXPERIENCE;供应链管理领域，SAP推出的Integrated Business Planning;设备的实时监控和故障诊断领域，则有ABB的Ability、GE的Predix、Siemens的MindSphere等成熟产品。
AI工具赋能方面
AI虚拟人可以在产品线中充当职业导师或关键助手，帮助一线员工操作或维修数字设备、生产管理者进行数字决策等，更好实现数字化赋能，并减少对外来技术支持的依赖。此外，AI技术可以帮助企业实现智能化招聘和培训，提高人力资源的管理效率和水平。
这一领域的产品多数仍在开发当中，但已有一些公司介入，比如AI职业咨询服务领域，有美国公司的Koru和Pymetrics;工作辅助领域，则涌现出英国的MyTutor和美国的Knewton等。
数字安全方面
AI可以通过对网络日志数据的实时监测和分析，及时发现网络攻击和安全漏洞，并采取相应的防护措施，保障企业的网络安全。此外，AI还可以通过边缘计算等办法，帮助制造业实现数据的生产端即时处理，从源头上减少数据大规模流转带来的数据失真、丢失以及泄密等问题。
网络安全领域，国内大厂跟进很早，并推出很多成熟的产品，比如腾讯云的安全大脑、华为云的AI防御盾、阿里云的安全图谱等等。
边缘计算领域，亚马逊的AWS Greengrass、微软Microsoft Azure IoT Edge等产品也已在很多生产领域得到了应用。
三
新的问题和新的ChatGPT
生活就是一个问题接着另一个问题，技术发展也是这样。
随着人工智能技术的应用越来越广泛，企业在生产和经营过程中应用AI产品越来越多。但这些AI产品往往只解决一类问题，而且A公司产品也难平移到B公司，定制和开发的成本和难度很大，应用受到很大限制。
简而言之，既有AI产品一个突出问题，就是缺乏通用性。而ChatGPT的出现，让低成本的通用AI解决方案成为一种可能。
日前发布的多模态 GPT-4，已拥有非常强大的语言生成能力和更加高效的多模态学习能力，可以同时处理文字、图像、语音等多种不同的输入信息，具备了相当强的通用平台属性。
更为强大的 GPT-5 也已经开始测试，它的模型参数量更为庞大，能够处理的情景更为广泛和具体。
这种通用性使得ChatGPT可以适用于多种不同的场景和行业，特别是制造业。
举例来说，
在智能化生产领域，目前是专业第三方公司根据制造企业需求，开发并训练特定的AI模型，然后试用、调整、试用、再调整……最后是相当部分的闲置。
但在ChatGPT加持下，经过简单培训、能够准确提问的一线技术工人，就可以生成符合具体产品线生产要求的APP代码，并可以根据实际生产需求，对APP进行调整改进。
这一过程，几乎全程不再需要第三方介入，按照字节数付出的费用，对比原先的专业公司开发，几乎可以忽略不计。
四
未来，美好与问题并行而来
日前，马斯克等技术大咖呼吁停止ChatGPT—5大模型的训练和开发，引发了公众对AI技术的警惕和反思。
技术发展就是，“新技术”的出现，是为了应对“老问题”，但同时，也会滋生出“新问题”。
但他们关注的，恐怕更多是工具成瘾，以及AI技术应用带来的人好奇心的退化，这于社会而言，的确是一个很严重的问题。
但就制造业领域而言，以ChatGPT为代表的AI技术，它们在数据处理、生产决策，特别是对一线工人的赋能潜力上的优势和潜力，仍是值得期待的。
目前，我国将工业领域的AI大模型作为重点方向，国内重点企业，如华为、百度等，他们在大模型方面的技术储备应该能够支撑起这样的应用需求。