本届NEPCON展会上，你们公司展示了哪些新产品和解决方案？有哪些亮点？

我们带来了刚刚量产上市的PCBA光学检测设备，是一款应用在SMT产线炉前及炉后的AOI设备。这款设备可以说是业内少有的真正将深度学习技术应用在业务流全程的一款产品。设备的软件系统内嵌了40多个我们全自研的AI模型策略，实现了多个颠覆式的性能提升。主要体现在以下两个方面：

一，我们独创的智能决策系统，为此前传统设备繁琐的金板编程工作带来了全新的体验。首先可以实现针对所有元器件的自动框选，无需人工手动调整。其次对所有的文字信息，也能够进行非常准确的智能OCR识别。再有就是针对比较复杂的元器件，例如多引脚的IC件，可以实现精准到单引脚的框选，而且系统会自动完成对各缺陷的编程阈值设定。另外我们对于异形件也具备很好的识别能力，同样能够识别框选并进行细粒度的编程。这样下来，即使是一块比较复杂的电路板，我们的金板编程时间也可以从传统设备的数个小时大幅降低至只需要1分钟即可完成。最重要的是我们上述的全套解决方案是不需要依赖元器件库的，也就是说针对一块全部由全新料号的元器件组成的电路板，我们的算法系统同样可以在1分钟内精准的完成对整版的编程工作。

二，我们在检测阶段也有非常亮眼的性能表现。首先可以保证绝对的0漏报，并且在此前提下，误报率也能够稳定的控制在1%以下。特别是针对此前行业比较痛点的焊锡类缺陷，由于我们引入了通用工业视觉大模型，使得检测模型具备了很强的泛化性，因此对不同元器件的不同区域的不同缺陷类型，均可做到同时高效精准的检出。此外，我们对可信赖AI以及可解释AI技术的使用，使得检测结果具备了可解释性，同时能够通过输出更准确的缺陷判断置信度，也大幅降低了算法的盲目误报。可以说是给行业客户带来了一个全新的生产检测体验。

 “传统制造”正向“智能制造”转型升级，数字化和智能化的技术对企业核心竞争力的塑造或者加强的作用体现在哪些方面？

我认为目前是一个用人工智能技术促进产业变革的时代，主要从以下两个方面助力传统制造业的数智化升级，从而提高制造业的效能。

首先是人机协同方面，这个与我们过去一直在做的生产自动化有本质的差异。自动化所追求的是，机器代替人工进行自动生产的过程，期望达到的效果更多是在强调大规模的机器生产，以期实现一定程度上的生产效率提升。而我们目前所应用智能化的技术是可以实现更大的可能。在生产和管理中，人工智能技术可以与员工协同工作，实现更高效的生产和管理。例如，在生产线上，人工智能技术可以自动化完成一些重复性的工作，减轻员工的工作负担，提高生产效率。同时，人工智能技术还可以通过数据分析和预测，为员工提供更准确的决策支持，帮助员工更好地完成工作。

第二点我认为是对企业柔性制造能力的全方位提升。我们可以看到，现阶段工厂的智能化改造，都是在按照未来工厂能够实现按需生产、实现个性化定制的柔性工厂这一目标来推进。实现的基底是通过数据驱动和智能化的生产过程，实现高度智能化的制造。其中会涉及物联网、大数据分析、人工智能等前沿技术的应用，能够实现生产过程的实时监测、优化和预测，提高生产效率、质量和灵活性。从而全方位的提升工厂柔性生产和定制化的能力。随着市场需求的多样化和个性化的要求，智慧工厂将能够迅速调整生产线和生产计划，以满足客户的个性化需求。通过数字化技术和智能化设备，智慧工厂能够实现灵活的生产过程和快速的产品定制。

行业普遍认为当下制造业的数字化和智能化升级是第四次工业革命，我们也非常珍惜这难得的历史机遇，致力于深度参与到其中，帮助中国的制造业在这一进程中实现领跑并推动整体行业的快速发展。

AI技术将进一步渗透进制造业的生产和管理中，你觉得未来如何利用AI技术来帮助企业响应市场需求、提高生产效率和降低成本。

AI技术已经应用到了制造业的各个环节，在产品设计、生产、销售、售后等过程均有渗透且成熟度不断提升。首先在产品设计方面，可以通过AIGC来完成工程设计中重复的低层次任务，另外也可以生成一部分的衍生设计，为工程师提供灵感。其次在计划生产阶段同样可利用AI技术来帮助企业进行需求预测和智能排产的工作。通过AI技术来分析不同的数据，包括历史的销售数据、供应链以及产品价格相关的数据等，做出更加准确的需求预测，从而使企业更好地安排生产计划，降低库存水平，降低运输、仓储、供应链管理成本。另外，在工期、产能、可用资源等约束条件和公司生产目标的多重条件下，通过AI算法模型可以生成最佳的生产计划。来到生产过程阶段，AI技术同样可以应用到，例如通过对设备进行多模态动态感知来进行预测性维护、利用工业知识图谱技术对生产工艺进行优化，当然也包括智能化的产品检测，以及机械臂或机器人的自动化路径引导等方面。最后在销售和售后环节，也能够利用AI技术实现精准营销、快速响应的售后服务等。

具体的应用领域来看，首先就是我们公司在做的工业机器视觉，实现了用机器取代人工进行产品的缺陷检测，检测速度和精度均能够实现大幅提升，为构建更高效的智能产线提供了强力支撑，对工业生产的智能化起到了推动性作用；再有就是针对工业生产中处于核心环节的数控系统，AI技术助力实现了更精确、更及时、更稳定的运转。因为数控系统的底层即为软件算法，在应用层的数据交换、数据库搭建、实时监控等均可借助决策式AI来实现。此外，AI具备类神经网络，可对硬件运行状态实时跟踪并反馈，从而对错误运行及时纠偏，保障系统稳定运行。另外在核心工控部件方面，AI技术可以实现更好的智能化控制，使工控设备更加智能地完成任务，同时更为自然地实现人机交互；工业软件研发设计中，解决了以往简单的拓扑优化需要进行多次仿真迭代的弊端，实现了更高效、快捷设计方案，提升了仿真效率及精度。

我们可以看到，AI技术在制造业中的产品形态和应用边界在不断的拓宽，我们也将持续研发，不断推出创新性的技术、平台和应用产品，为制造业带来更多可能。

今年以来，ChatGPT火爆出圈，你认为以ChatGPT为代表的大模型技术在工业领域的应用有哪些局限性，你们公司在这方面有在进行什么探索吗？

当前工业视觉大模型存在以下问题和挑战，首先就是现有大模型的效果对prompt问题描述十分敏感，而工业任务相关的高质量prompt 又比较少，如果客户对如何提供合适的prompt 描述不是十分清晰的话，就无法得到想要的答案。其次是现有多模态大模型以文本和图的输入为主，无法满足工业场景所需的其他输入类型（如参数表，表格、规格书等）。并且，大模型的多数训练数据比较缺乏基本事实，较依赖标注者的主观判断。标注者偏好的不同，以及对模型输出的反馈的排名不同，都会影响大模型算法的效果。

另外就是大模型的训练成本方面。我们知道ChatGPT的初始投入成本就达到了8亿美元，每日训练所消耗的电费都有5万美元之多，大模型的单次训练成本更是最高能达到千万美元。最重要的是对大模型的单次训练难以应用至多任务环境的工业场景，会导致定制化的训练成本更加高昂。最后就是数据量的问题，由于工业任务零散，各自的数据量都十分不足，无法用现有方式来训练大模型。因此现有的大模型的态势以及训练推理模式并不是十分适合于依赖先验知识的工业领域。

为了解决上述局限性，针对工业任务底层需求及任务流重复度较高这一特点，我们提出了利用算法去帮助客户自动寻找相似任务，并进行融合、混搭去适配用户相关需求方面的探索。我们依托自身的大模型分布式训练经验，结合Population-Based Training (PBT)和贝叶斯优化技术，开展了可实现高效、快速且低资源消耗的大模型调优方案。并结合贝叶斯优化和Parameter-Efficient Fine Tuning 等核心技术，做到了只需要调试训练1%的语言大模型参数，就可达到满足性能要求的模型，实现了对大模型的低成本训练。

基于上面的这些探索，我们自主研发了一款具有颠覆性的交互式无代码平台。这是针对行业中应用最为广泛的低代码平台软件的一个推陈出新，颠覆了行业使用习惯，特别是针对那些难以适用碎片化任务以及难以清晰描述项目需求的工业场景。客户仅需文字描述任务需求，并上传被测物图像，同时根据系统反馈进行问答回复，无需算子先验知识及解决方案开发经验即可快速生成准确的工作检测流程以及操作UI界面。为碎片化的工业生产检测场景带来了颠覆性的交互体验。