Bonus Episode: How Is Artificial Intelligence Transforming Manufacturing?
29:47 Share

在本期奖励剧集中，我们前往华盛顿特区世界银行办公室，主持人 Sam 和 Shervin 与世界银行和乔治城大学麦克唐纳商学院的组织者 Jonathan Timmis 和 Timothy DeStefano 一起参加了 2023 年 12 月为期一天的会议“人工智能如何改变公司？”。在我们从此次活动中获得的三个奖励剧集中的第二个剧集中，我们将探讨 AI 如何用于制造业。Sam 主持了这个小组讨论，Shervin 与俄亥俄州立大学 AI Edge 研究所所长 Ness Shroff 和美国钢铁公司数字与人工智能项目联合负责人 Matthew Wilding 一起担任小组成员。本剧集提供了小组讨论的简短收听版本；如需完整会议视频，请访问会议网站。嘉宾简介Ness Shroff 是俄亥俄州立大学 AI Edge 研究所所长。Matthew Wilding 是美国钢铁公司数字与人工智能项目联合负责人。Shervin Khodabandeh 是《我和 AI》的联合主持人，也是波士顿咨询集团的高级合伙人。Sam Ransbotham 是《我和 AI》的联合主持人，也是波士顿学院的分析学教授。《我和 AI》是由麻省理工学院斯隆管理评论和波士顿咨询集团合作推出的播客，由 Sam Ransbotham 和 Shervin Khodabandeh 主持。我们的工程师是 David Lishansky，协调制作人是 Allison Ryder 和 Sophie Rüdinger。通过加入我们的 LinkedIn 群组“AI for Leaders”（mitsmr.com/AIforLeaders）或关注 LinkedIn 上的《我和 AI》，与我们保持联系。我们鼓励您对我们的节目进行评分和评论。您的评论可能会用于《我和 AI》的资料中。</context> <raw_text>0 今天，我们播放的是由我们的朋友 Modern CTO Podcast 制作的一集节目，他们最近很友好地邀请我作为嘉宾参加。我们讨论了生成式 AI 的兴起，成功运用技术的意义，以及领导者在指导技术实施工作时需要考虑的一些因素。您可以在 Apple Podcast、Spotify 或您收听播客的任何地方找到 Modern CTO Podcast。

大家好。我是 Allison。您可能还记得我们在 1 月份播出的第一期奖励剧集，它是乔治城大学世界银行活动中关于人工智能如何改变组织的一次采访的节选。本期节目还收录了该活动的演讲，这次重点关注制造业。

Sam 主持了这个小组讨论，并让 Shervin 作为我们的讨论小组成员之一，与俄亥俄州立大学 AI Edge 研究所所长 Ness Schroff 和美国钢铁公司数字与人工智能项目联合负责人 Matthew Wilding 一起参与讨论。要了解有关人工智能如何塑造制造业以及 Shervin 化学工程背景的一些信息，请收听本剧集的其余部分。希望您喜欢。

关于您的背景和您正在做的事情。我叫 Ness Shroff，我是俄亥俄州立大学的电气和计算机工程以及计算机科学和工程教授。我的研究兴趣在于电信网络，在过去十年左右的时间里，我的研究兴趣在于人工智能。我领导着俄亥俄州立大学领导的国家科学基金会人工智能研究所之一。

该研究所的目标是开发用于设计下一代无线网络的人工智能技术，以及实现分布式智能，从而使人工智能民主化。这是我们的目标之一。把它交给您，Matt？

我叫 Matt Wilding。我在美国钢铁公司工作，我是我们的数字与人工智能项目的联合负责人。我的背景实际上是化学，我是一位经过正规训练的化学家，曾在能源部工作过一段时间，并希望从事更贴近最终消费者的解决方案工作。我在管理咨询方面工作了一段时间，然后加入了美国钢铁公司，在那里我领导了我们业务不同领域的连续数字转型。

从人员分析开始，然后发展到更多地考虑人才招聘、招聘签证项目。您如何以数字化方式进行这些工作，并做出明智的决策？目前，我再次领导美国钢铁公司在数字和人工智能方面的全球倡议。我们将转向 Shervin。即使您刚刚听过 Shervin 的发言，也可能有些人加入了这里的直播。所以，Shervin。

你好，我是 Shervin Kodobande。我是波士顿咨询集团的高级合伙人，也是我们人工智能业务的领导者之一。你们许多人可能听说过 BCG 是一家战略公司。您可能不知道我们做了相当多的人工智能工作，包括战略和设计，也包括构建解决方案和实施解决方案。好的。所以，制造业与人工智能无关。它只是流程。它是运行 AI 的机器。

证明我错了，Matt。

这完全是错误的。我先从这里开始。你让我采取对抗的态度，所以我已经做好了准备。我们讨论的一个主题是用人工智能引入新流程与重新构想现有流程。没有比制造商更注重流程的组织了。我们所做的一切都始于原材料。它始于能源。我们正在消耗它以将其转化为某种在制品，然后成为交付给最终消费者的成品。

因此，在我们接触产品、接触消费者或接触客户的每一个潜在步骤中，您实际上都在做出非常依赖数据的决策，对吧？因为我们所有的设备都在记录信息，以便我们能够在良好的公差范围内、以良好的质量、以良好的产量进行生产。因此，我们拥有大量数据，这实际上为我们提供了一个非常好的

非常丰富的平台，可以成为最早利用这些信息的一些公司之一。我们今天上午听取了医疗保健领域人士的意见，风险状况在做出产量或生产决策时要容易一些，而如果我们实际上是在做出临床环境中疾病诊断的决策时，风险状况则要困难一些。

但也许压力更大一些，我们可以回头再谈。但你提到了数据。Ness，我知道你已经对如何同时从许多不同的地方获取高质量数据进行了大量思考，这似乎是 Matt 刚才谈论的核心内容。

是的，我认为这非常非常重要。在之前的会议上，我们讨论了数据中的偏差。还有“垃圾进，垃圾出”的概念。因此，您必须非常谨慎地对数据进行采样。有时数据量非常庞大。有时数据不足。

因此，特别是如果您正在开发需要处理罕见事件、能够在非典型环境中工作的解决方案，那么您需要确保您已经对足够的数据进行了采样，并在您的模型中使用它，而不是只使用通常发生的数据。

发生的数据。因此，有一个重要的抽样领域专门处理如何对数据进行抽样，以便您可以获得有效、公平、公正等的结果。这似乎在您拥有所有数据后效果很好。我的意思是，所有这些事情，我们讨论过的模型都需要大量数据，但几乎所有这些项目都可能从小规模试点项目开始。

您是如何从小规模试点项目（数据量小）发展到这些大型项目的？我要看看你，Shervin，因为我知道你拥有将小型项目发展为大型项目的丰富经验。碰巧我也曾是化学工程师。

我们有三位化学专业人士……你提到了化学、化学工程。所以我回到我在学术界的时候，我们学习了工程公式、科学、物理、热交换、流体力学以及所有这些基本上用于模拟工厂或生产的东西。然后，当我作为工程师工作了一段时间后，我的工作是去

你知道，有一小部分流程是我的，围绕着我必须优化的某些化学反应。因此，您会设置这些设定点，例如压力、温度、流量或试剂混合物。所以我对此很有信心，因为我学习了公式，我知道工程表格，我可以查阅手册并做到这一点。我认为

我们这里的同事正在谈论的是游戏规则已经改变了。现在您拥有更多的数据，这些公式通常只是现实的近似值，即这些反应器和试剂内部发生的情况，对吧？这就是 AI 能够真正优化设定点、产量或整个经济效益的地方。

挑战在于，像我一样，像我的老板作为一名工程师一样，这些操作员对他们所做的事情非常自豪。他们拥有丰富的经验，因为他们一直在做这件事。你可以争辩说他们并没有错，因为他们不是像例如……

你知道，零售商或贷款员可能会那样做。不是说他们会那样做，但我的意思是，曾经有一段时间你可以说，好吧，你凭直觉行事，你没有数据。这些人是科学家和工程师，他们接受了多年的培训。所以，你知道，你问到从试点到生产的问题。我认为这始于认识到制造或化学过程是一个巨大的挑战。

是一件大事。员工、操作员对他们的工作非常自豪。他们知道自己在做什么。你需要帮助他们做得更好。他们也有改进的动力和积极性。所以我认为应该从让他们参与进来开始，了解流程，了解他们试图优化的内容，了解他们正在衡量的指标，了解他们如何做出决策，并向他们展示

AI 可以如何获得更高的产量、更少的试剂或更高的吞吐量，或者他们试图优化的任何其他指标。我认为数据科学家或 AI 领导者在这个领域拥有的优势

是您可以实际构建一些因果模型。我认为在零售业，很难说，我之所以这样做是因为这种特殊的广告。还有很多其他的光环效应。还有很多变量。很多变量。它……

在工程领域，您正在进行测量。您可以看到结果。您更改某些内容，您可以看到结果。因此，能够构建因果模型，这样就不会认为这些只是简单的相关性，实际上是相当高的。所以简短的回答，我的意思是，这是一个很长的答案了，但我的意思是，了解他们正在经历的事情，从第一天起就让他们参与到这个过程中来，

您可以利用能够展示 AI 可以做什么的优势。让他们对此持怀疑态度并提出反对意见，进行调整，然后也让他们能够覆盖它，这样它就不会成为一个黑匣子。我认为当您以这种方式进行试点时，他们会慢慢地看到

前后对比，这将开始改变他们自己及其同事的心态。我喜欢“让他们持怀疑态度”这个说法。继续。是的，不，不，我想补充几件事。我完全同意领域知识对于使用 AI 获得非常好的解决方案至关重要。但我认为，当我们谈论 AI 时，我们经常将其视为一个整体，好像它是一件事。但实际上并非如此。例如，在制造过程中或通信网络中有很多控制系统，您可以在运行时做出决策。因此，您正在使用您拥有的任何数据

并做出决策，这称为在线学习。例如，这与使用您训练许多天、许多月或任何时间的大型神经网络并提出解决方案非常不同。所以我认为您必须做的是，您必须开发适合

您拥有的数据以及您想要研究、分析或控制的动态的解决方案，对吧？对于这些在线机制，您拥有的是不断涌入的数据，您需要开发能够实时

为您提供正确输出、正确的控制机制的适当解决方案，以便优化您心中想到的任何目标函数。

稍微反驳一下，你多次使用了“适当”和“正确”这两个词。我认为没有人会主张进行不适当的流程或做错事。您如何，我将转向 Matt，因为我知道您，这在这里发生了一个转变。我们一开始谈论的是制造和流程，突然间我们不知不觉地转向了组织学习。是的。

我认为这是一个非常好的过渡。Matt，我知道你在美国钢铁公司最近做了一些关于这方面的工作，这并非我们自然会期望的。美国钢铁公司是美国历史最悠久的公司之一。因此，我们是第一家在证券交易所上市的公司。因此，您可能不会期望听到我们与人工智能、谷歌云以及推动这一进步联系在一起。但是

你知道，我们采取的立场，我们之前也提到了这一点，那就是 AI 必须为某事服务。在之前的讨论小组中，有人说，你会对一位科技部长说什么？答案是 AI 为某事服务。它是一种工具。它本身并不是一个目标。所以我之所以这么说，是因为……

你知道，当您考虑一个正在转型的企业时，制造业是一个很好的场所，对吧？因为我们总是不得不重塑自我，想出新的产品、新的方法。我们正在消耗自然资源，寻找解决方法，以及新的材料科学挑战。

在所有这些工作中真正至关重要的是，找到方法利用您现有的制造基础和工具，为您的客户提供创新的解决方案。因此，美国制造业基础设施、我们的资产的平均年龄超过 10 年。在初级金属和制造业中，它超过 20 年。

因此，我们谈论的是尝试收集数据，将这些信息整合在一起。即使制定了最好的计划来做到这一点，您也在控制着在手机真正像今天一样普及之前就已存在的 20 年历史的技术。因此，美国钢铁公司一直在努力做的是，我们找到了合适的合作伙伴。因此，我们一直在与谷歌云合作。

并试点不同的 AI 解决方案。因此，你知道，我们也谈到了不同类型的人工智能。因此，生成式 AI、定制 AI、传统 AI。因此，我们在几个月前发布的新闻稿中实际上发布了我们第一个用于美国工业领域的人工智能应用程序，我们称之为 MindMind。

它基本上数字化了我们的生产手册、维修手册以及我们使用的 SNOP。因此，我们以前需要展开这些多页纸质文档的技术人员现在可以实时询问，我的卡车转向灯坏了。我该如何修理它？您真的开始看到仪器正常运行时间或设备正常运行时间的提高。

然后我认为人们可能不会从这一点上认识到，我现在将停止谈话一会儿，但人们可能不会认识到的是，当您可以作为制造商做更多工作时，当您可以提高效率时，您消耗的资源、能源和劳动强度都会减少。因此，您实际上更环保、更可持续。

因此，就 AI 如何为制造商的服务而言，它实际上是围绕着创新，同时也考虑您的可持续发展计划以及您如何希望以最佳能力继续运营您今天拥有的资产。但这在以下方面是如何运作的，我的意思是，例如，Ness，你提到了学习和获得反馈，你提到了 10 年、20 年或 30 年历史的东西。

您是如何将 Shervin 谈到的这种学习重新融入流程中的？我的意思是，我的意思是，这个过程是什么样的？你，我不确定该问谁，每个人。例如，您如何获得反馈？Shervin，您是什么时候？您似乎是专家。

我的意思是，你必须从小处着手，对吧？你必须选择一个流程。我认为，Ness，你提出了一个很好的观点。你还必须弄清楚你正在解决什么问题，以及你正在解决的这个问题的实际情况是什么，以及它会影响多少其他子流程以及上游和下游的事情，这样你就不会孤立地去做。我的意思是，所有这些都必须联系在一起。我认为与其他行业相比……

这种连通性非常重要，因为如果你有一个生产线正在做某事，然后在其他地方使用。如果这个生产线没有工作，而你中途发现，那么另一个生产线就必须停止，因为它使用了不合适的材料或没有煮熟的物品，或者任何其他东西。因此，生产线停产的成本是巨大的。所以你必须，

我完全同意并认同这一点。这不是一个可以在孤立状态下解决的问题，但你仍然必须从小处着手，并制定一个计划，说明你如何让操作员参与进来

一路走来。所以我提到了这一点。他们有正确的激励。如果设计正确，AI 也有正确的激励，人与 AI 的结合将使那里的每个人都更快乐。所以确保他们参与其中。在一个小型工厂中进行。如果它是，比如说，采矿或开采之类的，好吧。我的意思是，大多数公司并不只有一个。他们有几十个或数百个这样的工厂。所以对一个工厂进行。

展示它是如何工作的，它是如何在上下游工作的。现在你有了策略。现在你可以扩展它了。另外，我想说，

也许那些 AI 公式并不完全适用，因为也许你在某个地方有一个五阶段的流程，而在另一个地方有一个三阶段的流程。所以它不一定是互换的。但是，对于组织学习、连通性以及从概念验证到试点的速度，该策略可以发展。所以，我想，我对这个问题的粗略答案是，你从小处着手，衡量你的成功，

然后继续前进。所以我看到了水平和垂直维度，因为我是商学院的，所以我必须将所有内容都放在一个 2x2 矩阵中。所以我必须以 2x2 的方式思考。你刚才描述的是一种方法，一种方法是深入研究一个孤岛，让它完全实现 AI 化，然后选择一个不同的流程，在那里实现 AI 化。或者另一种方法是在每个流程上做一些改进，以改进所有流程

另一个流程，再次遍历所有流程，并使它们保持同步。哪种方法有效？所以，我的意思是，我可以说说我们所做的。因此，在我们的研究所中，我们实际上在某种程度上遵循您的模型，因为重点是，你知道，我们正在为未来 10 年、未来 20 年做准备，对吧？因此，我们正在为仍然将要构建的无线网络开发 AI 工具。因此，发生的事情是，我们想要了解

如何开发新的模型，这些模型可以在小型级别上以显著的方式提高效率。因此，我们发现的一件事，这与您之前的提问有关，那就是简单地应用现成的组件来解决我们已经对如何使用传统技术解决的问题有相当好了解的问题，通常不起作用。

因此，您必须做的实际上是构建新的基础 AI。

为了解决这些问题。所以这不仅仅是使用现在可用的 AI，而是实际构建能够处理这些复杂系统的 AI。例如，这是什么例子？我很难……哦，是的。例如，假设您想弄清楚如何，比如说，在网络中进行拥塞控制。所以，如果你知道，你们所有人都在使用互联网，你们知道，我们有

相当不错的工具来管理拥塞控制。如果您只是使用传统的 AI 算法并将其放在那里，它的效果会比您使用我们在处理这些系统方面积累的过去 30 年、40 年的所有知识要差。因此，您必须做的是开发能够适当地模拟此复杂系统动态的 AI，适当地了解如何表征系统中的一部分约束

然后您可以获得数量级的改进。这些改进可能是带宽比我们现在高得多，或者延迟低得多，这样您就可以在自动驾驶位置进行非常快速的行动。但是为了做到这一点，

您真的需要从根本上改变技术。仅仅使用我们现在拥有的技术是行不通的。这有点像回到领域知识、物理学。您需要了解您试图建模的物理系统，然后才能开发 AI 来解决该问题。

该问题。所以你描述的是 AI 最初可能要差得多。当然可以。对，你有一个做流程的巨大方法的历史，你将引入 AI 工具到其中，它不会做得那么好。好的，你如何克服这个问题？费曼提出了这个论点，我假设你们都知道理查德·费曼，一位著名的物理学家，对吧？

他说，你的理论有多好并不重要。你的想法有多聪明并不重要。最终，如果该死的玩意儿不起作用，

如果深度的东西在短期内与长期内不起作用，我认为这就是症结所在。但这就是为什么你需要开发合适的技术，不仅让它起作用，而且让它比现在做得更好。因此，您需要确保至少在基线上，AI 的效果要比没有 AI 的情况更好。

所以 Matt，当你引入这个手册，这个生成过程时，它的表现比人们做得更好吗？你必须回答“这取决于”，这是每个人都喜欢给出的答案。因此，如果您有一位与我们合作了 15 年、20 年的个人，他们像了解自己的手掌一样了解该手册。当他们去现场进行维修时，他们甚至可能不会参考该手册。

因此，我们思考这个问题的方式，这与我们的经验相符，那就是当我们拥有这些我们已经捕获了领域知识的工具时，我们正在考虑您可以组合在一起的那些实际确定性模型，或者您在生成式 AI 系统中捕获了领域知识，它有助于平衡性能并更快地使人们掌握情况。

因此，当您第一次将某人调到您的维护团队时，他们以前从未打开过该手册。他们将看到巨大的性能提升，能够像我们一样使用 chat GPT 到 BARD，提出问题并获得答复。但是如果，你知道，你在考虑 30 年的资深人士，他们像了解自己的手掌一样了解它，不，当你考虑到这一点时，收益将相对适中，这——

对我们来说可能变得非常具有挑战性，因为我们实际上并没有谈论制造业中的技能，以及制造商今天面临的挑战。那就是职业学校不像过去那样受欢迎了。那里存在的维持制造商运转的传统技能，机械师、焊接工，

现在真的很难找到。因此，许多制造商的真正目标是让员工快速掌握情况，快速培训，并能够促进和平衡执行这些任务的员工的绩效。因为领域专业知识就在那里。您拥有真正有才华的团队，希望您确实如此。您已经运营了一段时间了。您拥有非常优秀的团队。问题是如何确保信息能够非常轻松地掌握在新员工手中

或者那些对他们试图处理的任何流程或模型不太确定的人手中。是的，我认为这是一个非常重要的观点，Matt。而且，我想说，从谈话中至少可以看出，

人工智能何时会胜过人类？它不需要，对吧？它不需要，就像，它不需要是二元的。我认为这是，我认为这就是你所说的“这取决于”的原因，因为我的意思是，你可以想象你只需要 AI 加上人类就能比他们各自做得更好。在你的例子中，Matt，是的，如果我是某个东西的老手，并且我记住了手册，我可能不需要它。

但是如果新来的人要问我，好吧，A，他不会问我，所以我提高了效率。B，手册本身可能错了。因为在这个特定知识用例中，就像我在我的工作中看到的那样，有多个 SNOP 不一致，因为它们是修订版或在不同时间编写的。这可能会让人感到困惑。所以我只是觉得这个框架是，

AI 有帮助还是有害？然后，当然，根据用例的不同，您可能会有非常非常低的风险

容忍度，您会谨慎行事，或者在其他地方您可能会有更大的容忍度。而且，你知道，所以我只是觉得这说得很好，这取决于。这取决于用例。这也取决于您正在衡量什么。而这种衡量标准不必是我们必须用 AI 取代每一位工程师。而是工程师加 AI 可以做得更多。我喜欢“这取决于”，因为“这取决于”意味着这对我们来说很难。如果它不取决于，

我们就有答案了。对不起，继续，Matt。我只是想补充一点。你知道，我们思考 AI 的方式，我喜欢这种思考方式，即 AI 加上人类必须比两者独立都好。以及为什么一些新兴技术上线的原因，例如，生成式 AI 对我们有帮助，因为它甚至平衡了沟通方式的差异。

因此，我们很早就看到了这一点，因为你知道，我们已经将这些手册数字化了。我们感到非常聪明。我们对自己的感觉很好。数字团队击掌庆祝。然后，您有现场提问的团队，而模型无法执行，因为他们用来指代某些特定设备的口语，在这种情况下，它被称为狗骨头。因此，我们试图浏览手册。你知道，后台的数据科学团队就像，狗骨头在哪里？我们无法验证模型是错误的。这是……

对他们来说，狗骨头是拉杆，这是该小组 50 多年来使用的语言。因此，对我们来说，另一个巨大的好处是能够让人们互相理解，理解我们对事物的分类方式、讨论方式的差异，并解决问题。

这实际上对我们来说并非障碍，而实际上对我们来说非常有帮助，能够让来自我们各个地点的不同团队了解这些差异以及共同点。——这真是一个，我非常感谢小组今天来发言。一些非常好的例子。我认为它们不仅突出了制造业中的问题，而且突出了所有行业中的问题。感谢您的时间。

在本期特别节目中，我们来到了华盛顿特区世界银行的办公室，主持人Sam和Shervin与世界银行和乔治城大学麦克多诺商学院的组织者Jonathan Timmis和Timothy DeStefano一起参加了2023年12月为期一天的会议“人工智能如何改变企业？”。在我们从此次活动中衍生出的三个特别节目中的第二个节目中，我们将探讨人工智能在制造业中的应用。Sam主持了这个小组讨论，小组成员包括Shervin、俄亥俄州立大学人工智能边缘研究所所长Ness Shroff和美国钢铁公司数字与人工智能项目联合负责人Matthew Wilding。本期节目提供了小组讨论的简短版本；如需观看完整会议视频，请访问会议网站。 嘉宾简介 Ness Shroff是俄亥俄州立大学人工智能边缘研究所所长。 Matthew Wilding是美国钢铁公司数字与人工智能项目联合负责人。 Shervin Khodabandeh是《我和AI》节目的联合主持人，也是波士顿咨询集团的高级合伙人。 Sam Ransbotham是《我和AI》节目的联合主持人，也是波士顿学院的分析学教授。 《我和AI》是由麻省理工学院斯隆管理评论和波士顿咨询集团合作推出的播客节目，由Sam Ransbotham和Shervin Khodabandeh主持。我们的工程师是David Lishansky，协调制作人是Allison Ryder和Sophie Rüdinger。 通过加入我们的LinkedIn小组“AI for Leaders”（mitsmr.com/AIforLeaders）或关注《我和AI》的LinkedIn账号与我们保持联系。我们鼓励您对我们的节目进行评分和评论。您的评论可能会被用于《我和AI》的资料中。 </context> <raw_text>0 感谢收听《我和AI》。我们和您一样相信，关于人工智能实施的讨论不会仅限于本播客。因此，我们在LinkedIn上专门为像您一样的听众创建了一个小组。它被称为“AI for Leaders”。如果您加入我们，您可以与节目创建者和主持人聊天，提出您自己的问题，分享您的见解，并了解更多关于人工智能的信息。

并获得来自麻省理工学院SMR和BCG关于人工智能实施的宝贵资源，您可以访问mitsmr.com/AI for Leaders来访问它。我们将把链接放在节目说明中，我们希望在那里见到您。