物理世界的工業人工智慧：西門子的 Peter Koerte

在這一集的 我、我自己和人工智慧 在播客節目中，主持人 Sam Ransbotham 與西門子董事會成員兼首席策略和技術長 Peter Koerte 進行了對話，討論工業人工智慧如何悄悄改變為日常生活提供動力的基礎設施。在消費者人工智慧佔據頭條新聞的同時，彼得解釋了人工智慧如何在幕後改善工廠、交通系統、能源網路和建築。這次對話探討了工業人工智慧的不同之處——從對近乎完美的準確性的需求到使用專有的、特定領域的數據的挑戰。

Peter 分享了一些例子，例如提前幾天預測火車門故障、優化建築能源使用以及加速複雜的工程模擬。 Peter 和 Sam 也討論了領域專業知識的重要性、公司之間資料共享合作夥伴關係的價值，以及為什麼轉型不僅與技術有關，還與人員和工作流程有關。

訂閱 我、我自己和人工智慧 在 蘋果播客 或 Spotify.

成績單

艾莉森賴德： 消費者人工智慧每天都會成為頭條新聞，但工業人工智慧越來越增強並支持我們所做的幾乎所有事情。在今天的節目中了解跨國公司如何大規模進行資料管理和部署。

彼得‧科爾特： 我是來自西門子的 Peter Koerte，你們正在聽的是 我、我自己和人工智慧.

薩姆·蘭斯博瑟姆： 歡迎來到 我、我自己和人工智慧，來自的播客 麻省理工學院斯隆管理評論 探索人工智慧的未來。我是 Sam Ransbotham，波士頓學院分析學教授。我一直在研究數據、分析和人工智慧 MIT SMR 自 2014 年以來，包括研究文章、年度產業報告、案例研究，以及現在的 13 季播客節目。在每一集中，企業領導人、前沿研究人員和人工智慧政策制定者都會與我們一起剖析人工智慧炒作與人工智慧成功之間的差異。

今天我們採訪了西門子首席技術長 Peter Koerte。西門子是一家德國跨國科技公司，專注於工業自動化、智慧基礎設施和行動系統，這些都是日益重要的主題。我們將討論工業人工智慧，它對勞動力意味著什麼，以及對跨產業數據共享的影響。彼得，歡迎。

彼得‧科爾特： 謝謝你，山姆，謝謝你邀請我。

薩姆·蘭斯博瑟姆： 讓我們從高層次開始。我們的一些聽眾可能不熟悉西門子。能給我們簡單介紹一下嗎？

彼得‧科爾特： 當然。西門子已經存在了近 180 年。我們所說的是，「我們改變每個人的每一天。」這意味著，如果你想想你現在坐的椅子、你穿的衣服、你喝的水、你使用的電力、你每天使用的火車等交通系統，所有這些都是由西門子實現的。歸根結底，我們設計這些東西的方式、我們生產它們的方式、我們如何真正確保電力的安全和分配、運輸如何平穩、安全地運行，所有這些都透過西門子實現。

作為消費者，通常您看不到我們，但在工業界，西門子是一個非常非常大的品牌，我們因高品質而廣受認可，而且還因為我們為客戶帶來的出色解決方案和簡單性而聞名。

薩姆·蘭斯博瑟姆： 我認為這是一個很好的例子。因為我們所依賴的世界有太多，我們只是沒有關注。我們不會注意到它，除非它由於某種原因不起作用。您談到了工業人工智慧。大多數人都熟悉的工業人工智慧和消費人工智慧到底有什麼差別？

彼得‧科爾特： 當然，最大的區別是，今天消費者人工智慧正在成為頭條新聞，而我們認為工業人工智慧正在悄悄但深刻地改變物理基礎設施，也就是我們所知的物理世界。

例如，考慮一下您現在所在的建築物。當然，那棟大樓有一些氣候控制裝置。我們今天使用的所有電力中大約有 30% 到 40% 用於建築物。我們想說的是，「如果我們實際上可以利用這些建築物中擁有的所有感測器，然後開發一種人工智慧，每分鐘（或在這種情況下為 15 分鐘）自動學習，然後自動調整所有溫度設定、所有照明設置以及一切，以降低成本和能源？」這正是我們正在做的事情。

我們剛剛推出了一款應用程序，只需這樣做即可節省 30% 的能源費用，從而減少 30% 的溫室氣體排放。它在後台自主運作。這就是我們為網格所做的事情。我們為工廠這樣做。我們為機器這樣做。當然，我們對建築物和火車都這樣做。因此，我們正在提高現實世界中的一切效率，正如我們所說：「連接現實世界和數位世界。」我們嘗試優化並使事情變得更好。

薩姆·蘭斯博瑟姆： 這很有意義。我的意思是，我正坐在大學校園裡。現在是春假。我想我們給這個地方供暖的程度可能和這裡擠滿了人時的供暖程度差不多。我什至不想問。我不想知道。

彼得‧科爾特： 就是這樣。

薩姆·蘭斯博瑟姆： 嗯，我認為我們都熟悉消費者應用程序，而且我認為人工智慧在消費者應用程式中的失敗引起了很多關注，你知道，幻覺和諸如此類的事情。不知何故，如果你將其與物理世界聯繫起來，這似乎非常不同。當人工智慧搞砸時，這不僅僅是網路上流傳的有趣軼事。當你建立這種連結時，它可能會產生一些現實世界的後果。西門子對此有何看法？

彼得‧科爾特： 你說得完全正確。山姆，謝謝你這麼說。當我們將消費者人工智慧與工業人工智慧進行比較時，至少有三件事是截然不同的，你已經提到的第一個是這些模型的精度和準確度。显然，当您向工程师提出为您的智能手机设计下一个部件的建议时，您不需要任何幻觉。或者，当您考虑如何优化电网时，您当然不需要人工智能错误，因为这是关键的基础设施。

因此，我們需要確保這些模型的最高品質水平，正如您可以想像的那樣，這就是我們獲得 99、99.9 等模型準確率百分比的地方。為了確保這些是可靠、安全和值得信賴的，我們做了很多工作。這是第一部分。

第二部分其實是如何訓練這些模型？因為我們所有人都非常熟悉所謂的大型語言模式。現在在工業界，我們不一定談論大型語言模型。當涉及溫度設定時，我們通常會談論具體的數據——回到建築物的例子。所以我們有很多時間序列資料。我們有施工數據。我們有工程數據。我們有模擬數據。這是非常不同的。這些是幾何圖形、圖片、向量，等等。我們必須以非常非常不同的方式提供這些模型。

第三個差異是我們如何取得這些數據？因為當我們為物理世界建立這些模型時，我們無法上網並從感測器下載大量建築物資料或 CAD 資料或其他資料。這通常甚至是非常專有的數據。只有當我們能夠在客戶使用我們的模型時獲得增量收益時，客戶才願意分享這些數據，然後他們也會與我們分享數據。因此，當然，就您的情況而言，建築物[將會]更好地節省能源，但對於設計師來說，[他們將體驗到]更快的上市時間，因為我們可以更快地設計它們等等。實際獲取數據的方式是非常不同的。所以你所說的語言，我們需要的準確性，我們如何獲得數據，這在工業世界中與我們每天在消費者人工智慧中使用的東西有很大不同。

薩姆·蘭斯博瑟姆： 這非常令人著迷。當你第一次開始說話時，我的天真的反應是，“哦，你所描述的是更加結構化的數據”，所以當你[說]很多這些數據是溫度數據或結構化數據時，我非常興奮，但其特殊性質，以及它如何僅適用於您的建築物或僅適用於您的機器和僅適用於您的設置，似乎非常困難。告訴我們一些關於如何讓人們將這些資料提供給訓練機器以及組織之間的傳輸如何進行的資訊。

彼得‧科爾特： 這是一個非常好的問題。你是完全正確的。因為如果你想一想，如果我說“這是美好的一天”或“這一天很棒”，法學碩士確實理解這實際上是美好的一天的含義。從工程角度來說，這是非常不同的，因此，我們需要調整並適應這一點。當然，它在工業環境中的工作方式是，你在工業之後一步步說：「好吧，其中的語義是什麼？」我提到了建築物，建築物中有一定的標準，有一定的數據格式和我們所說的本體論。這是語義。

在那裡，我們試圖了解它是什麼，那裡的數據是什麼？正如你所說，它更加結構化，但正如你可以想像的那樣，現在你正坐在一個有華氏度的房間裡。我和攝氏坐在一個房間裡。因此，如果你說，“好吧，即使這是一個溫度設定”，實際上它就是這樣，但如果我說的是 20 度，而你說的是 20 度，那就完全不同了，對嗎？對我來說，它很溫暖，但對你來說，它實際上非常冷。這是需要調整的。

因此，這並不是一勞永逸，但逐一產業地了解這些用例確實很關鍵。在建築物中，一切都與能源消耗有關。但正如我在工程領域所說，很多時候都是上市時間。它正在生產中。通常是品質和吞吐量。理解資料和驅動資料的關鍵變數很重要，這讓我們想到了我想提到的一個關鍵字，那就是 領域知識。因為你可以說，「好吧，任何資料科學家都可以做到這一點。」這是真的。但是，您確實需要了解您所操作的領域和關鍵參數。

我只給你一個非常簡單的例子，但我發現它很有趣。我不確定你上次搭火車是什麼時候，但也許下次你搭火車時我會問你：「火車最關鍵的部件是什麼？」也許你會說，「嗯，可能是煞車。」這是真的;這對安全至關重要。但事實證明這是門。

這是為什麼呢？因為如果你想到火車要完成的工作，[它]就是將人們從 A 地運送到 B 地。這意味著它會停下來。它讓人們上下車。你從一個車站到另一個車站。所以一整天，確實，是的，火車的門打開又關閉，因此它們壞了。因此，在操作方面最關鍵的部分是門。這是主要知識；你需要理解那部分。

一旦你理解了這一點，那就很有趣了，因為你可以說，「給我驅動門的馬達的電壓讀數。當然，看看該馬達如何運行的輪廓。」與此同時，今天我們的模型可以在門發生故障前 10 天預測門故障，因此我們可以將其送入維修站，您可以修理它，這意味著更長的正常運行時間、更高的可靠性以及所有這些。因此，在這些例子中，我們必須將領域知識與技術知識（即人工智慧）結合起來，這就是逐一產業創造客戶價值的方式。

薩姆·蘭斯博瑟姆： 我喜歡這個，因為我可以理解這個例子。我讀到的有關西門子的一些內容很難理解，但這很有意義。我認為每個人都有某種應用程序，他們希望在某些東西損壞之前提前知道它會損壞。因為一旦發生，就會一團糟。

不過，西門子不一定擁有火車。那麼，與購買了該列車的客戶相比，您如何將這些電壓的資料輸入到您的系統中呢？他們必須有某種方式來發送資料。他們必須以某種方式與你分享資訊。奇怪的是，他們會從別人的火車數據中受益，因為他們不擁有火車。您如何管理該基礎架構？

彼得‧科爾特： 這是一個很好的問題。這就是為什麼我說這與工業界收集數據的方式非常不同。讓我們繼續看火車的例子。說實話，這些客戶根本不知道。他們說：「給我火車，我就可以了，然後我就可以建立自己的模型。」所以我們有這樣的運營商。然而，通常他們並不是最成功的人。

通常，[確實考慮這一點]如果你看看火車整個生命週期的總擁有成本，比如說 30 年，就資本支出而言，投資約佔 TCO 的 10%，90% 是運營。那麼如果我作為 OEM 去找你們呢？你最了解你的系統。我把數據分享給你，你幫我優化。所以你幫我優化可靠性。這就是門的例子。你幫我提高效率。當然，這實際上取決於您操作火車的方式。

不管你相信與否，我們的人工智慧可以幫助你思考如何加速、減速或中斷火車以節省能源。能源是火車上最大的營運成本之一。這就是我們獲取數據的地方。已連線。當然，所有這些設備都會可靠且加密地連接。然後我們有了數據，然後我們利用這些數據，並在這方面建立我們自己的模型。我們逐一客戶進行處理，而且通常我們確實有資料共享協議，因此我們可以使用該資料。我們不擁有這些數據。這很重要。它仍然是我們客戶的數據，但我們可以使用它並根據他們的目的訓練我們的模型。

然後，正如您所說，我們可以將其與其他數據結合起來，以便每個人在這方面都變得更好。這正是發生的情況，不僅在火車中，而​​且在許多機器中也能看到。但事實證明，這些數據不足以建立自己的模型，因為您需要跨不同設定的更多數據。這就是西門子發揮作用的地方，因為通常我們不製造機器，也不製造所有的火車。通常，我們會建構其中的組件。因此我們與汽車製造商合作。我們與航空航天製造商合作。我們與生命科學公司合作。我們與食品和飲料公司等合作，以幫助他們實現這一目標。因此，他們來到西門子後自然會說：“你知道嗎，你如何幫助我們的特定行業變得更好？”

薩姆·蘭斯博瑟姆： 我並沒有這麼想過，如果一個人沒有足夠的數據來自己訓練模型，而另一個人沒有足夠的數據來訓練模型，但他們一起訓練，那麼將這些人聯繫在一起的想法就會創造出他們都無法創造的價值。我們有 前一集的 Land O'Lakes 嘉賓。他們正在與農民分享資訊。農民建造東西，他們擁有大量有關農作物的數據，但他們如何共享這些數據——我覺得在很多事情上，我們認識到特殊數據與其他數據結合時更有價值。同時，我並不天真。人們不想分享東西。你如何鼓勵人們這樣做？

彼得‧科爾特： 對此有一個簡單的——不是簡單但簡單的——答案，那就是價值。因此，如果我無法翻譯並說：「你知道嗎，與我分享數據，然後你將提高火車停留在那裡的可用性，或者我將提高你的建築的效率，」那麼他們就不會分享數據。就這麼簡單。但如果你這樣做了，那就太好了。然後他們說沒關係。

有時它內建於您的解決方案中。它被写入合同中，他们说：“好吧，我们不在乎。没关系；你可以使用它。”其他人则说，“嘿，我也想获得协商折扣”，这也是可能的。但簡單的答案是，只有當您獲得一些回報時，您才會分享您的數據。這有點像模型。根據產業的不同，我們創造的價值類型略有不同，但仍有一定的回報價值。

薩姆·蘭斯博瑟姆： 您描述的主要是一种合作伙伴关系，但有点是客户之间或与客户之间的合作关系，但您最近也与行业建立了一些联系，例如与 Nvidia 的合作伙伴关系。可以描述一下你的想法嗎？我認為目標是有一個工業作業系統。這是如何運作的？那裡有什麼計劃？有什麼想法？

彼得‧科爾特： 出於多種原因，我們與 Nvidia 有著非常非常密切的關係。當然，其中之一是為了訓練我們的一些模型，您會失去大量 GPU。其次，就我們今天提供的工具而言，西門子是工業軟體領域的領導者。因此，我們的數位銷售額約為 100 億歐元。人們忘記了這一點。我們是世界排名前20的軟體公司之一，所以我們有很多模擬軟體，你可以在數位世界中模擬汽車、火車、火箭。

當然，當你考慮非常複雜的計算流體動力學時，所有這些模擬都需要花費很長的時間。但事实证明你确实可以加速它们。因此，我們與 Nvidia 合作的目的是說：「如果我們可以將時間縮短到幾分鐘，而不是等待八個小時進行複雜的計算流體動力學模擬，比如說汽車上的空氣阻力，會怎麼樣？」這正是我們所關注的。

因此，當涉及到晶片設計時，它正在加速模擬、加速設計，這非常有趣，因為我們已經達到了更低的奈米級（兩奈米及以下），驗證這些晶片設計的複雜性是巨大的。它確實呈指數級增長。因此，您不必讓人類工程師檢查每個電路並對每個閘陣列進行真正的測試，實際上您可以開始讓人工智慧檢查並一遍又一遍地執行此操作。所以晶片設計驗證就是其中之一。

最後，設計轉移到製造是一個關鍵問題，因為這確實阻礙了您以多快的速度生產這些晶片。還是那句話，你是設計師，我們可以讓後台的AI驗證你的設計是否正確，是否可以製造。

這些是我們在今年稍早與 Nvidia 一起在[消費性電子展]上宣布的範例。我們對[他們]感到非常興奮，因為我們認為我們可以進一步 加速 ——這始終是關鍵字：加速設計、加速製造、加速營運。這就是為什麼我們對此如此興奮。

薩姆·蘭斯博瑟姆： 我覺得把八個月改成八分鐘很有吸引力。不需要太多的量化；我們可以用華氏或攝氏來表示，無論哪種方式都有效。但它讓我想到的另一件事是，你可能有很多流程是圍繞著需要八個月才能完成的想法而設計的。當需要八分鐘時，感覺就像，當然，它壓縮了它，但它也可能改變你所做的事情的類型，你做這些事情的順序。看起來它可能會產生這種劇變的漣漪。你是如何做到這一點的？或者也許我推斷太多了？感覺可能會很混亂。

彼得‧科爾特： 這是非常正確的。這就是為什麼我總是傾向於說，AI 大約 20% 是技術，80% 實際上是轉型。這意味著，我們談論了很多關於數據的內容，這是一回事，但它確實正在改變你做事的流程。通常，人工智慧現在正在做的是它真正改變了工作流程。因此，與其按順序思考，我做一項任務，不如說我做設計。接下來就是進行驗證了。然後下一個就是我如何設計來轉移，並將其轉移到製造。這是非常連續的。

現在，如果您可以一步完成這一切，因為人工智慧正在做這件事，會怎麼樣？顯然，您正在破壞一個非常完善的工作流程。出現的第一個問題是，誰在做這件事？這是從最後[還是]從一開始的設計師？完全是另外一個人嗎？您實際上正在與誰交談？一些非常有趣的問題。

其次，這個過程將如何進行？誰來驗證人工智慧所做的一切是否真的正確？那麼第三個問題是，我要去哪裡做這個？ AI坐在哪裡？這是一個新的應用程式嗎？是否嵌入到現有應用程式中？它與所有應用程式通訊嗎？所有這些有趣的問題都會出現，而且它們通常並不都是技術性的。很多時候，我們發現這很大程度上與那些每天使用它並讓他們參與其中的人有關，然後開始思考——重新思考——以前不可能發生的事情，從而解決一些焦慮，因為許多人會爭辯說，「人工智慧將奪走我的工作。」那麼你就會有很大的阻力。然後突然之間，技術對話變成了文化變革對話。我們一次又一次地發現這一點。

薩姆·蘭斯博瑟姆： 現在，我可以免費詢問工作流程和此類問題。它們都很重要，我不想忽視這些或其他什麼，但你對智慧眼鏡和戴智慧眼鏡的工人非常興奮。他們的下一步是什麼？您如何看待工業界的他們？

彼得‧科爾特： 我對智慧眼鏡感到非常興奮。如果你特別考慮美國製造業：我剛與一家大型新型電動車製造商交談，他們告訴我在他們的製造業中，他們的流失率（即藍領工人的流失率）為 35%。這意味著您必須不斷地對員工進行再培訓。這不僅僅是對他們進行再培訓，另一個問題是「你如何獲得這些知識？」如果您可以戴上眼鏡，有相機，並且，比方說，您是操作專家，並且是特定機器的維護工程師，該怎麼辦？

從字面上看，那個相機和那個人工智慧正在[看著]你的肩膀，並真正檢查你正在做的事情。也許你甚至在敘述它。你把這個記錄下來。你一遍又一遍地這樣做，因此，你實際上正在使這些知識民主化。你可以為未來進來的人捕捉到這一點。但比新工人更好，上夜班，凌晨 2 點，一台機器壞了，通常人們只是在不知道的情況下擺弄。但是，如果您現在戴上這些眼鏡，並且這些眼鏡會說：「這是一台 CNC 機床。通常 E345 的故障代碼意味著它實際上是 Jam 2。檢查蓋子並打開這個一、二、三、四、五，」然後您就可以了。那有多神奇？

我真的認為就關鍵字而言 增強。因此，我們需要增加工人、藍領工人以及車間的白領工人，當然，還要在他們離開時獲得這些知識。這不是很神奇嗎？我認為這將使我們所有人更有效率、更愉快，因為你可以更快地獲得結果，從而使工廠運作起來，等等。而且你會減少很多焦慮和恐懼，因為人們常常不知道該怎麼做。現在他們突然有了一個同伴。他們有一個副駕駛、同事，無論你想怎麼稱呼它，都能幫助他們，而且他們每週 7 天、每天 24 小時，而不是打電話給可能在家裡某處睡覺的人。

薩姆·蘭斯博瑟姆： 這很有意義。不過我想畫一點對比。早些時候我們討論了數據，您討論了對深厚專業知識和深厚領域知識的需求。但聽起來這可能是一種反對，或者你不需要知道 E345 錯誤代碼意味著這個、那個或另一個。更深嗎？是不是比較專業？在我看來，這些在某些方面似乎是衝突的。

彼得‧科爾特： 顯然，我們兩者都需要。但實際上，如果你仔細想想，這個例子是相當可比較的。所以是的，我可以告訴你門會壞，現在這是預防性維護。另一個案例更多的是一種反應。但在這兩種情況下都是維護。因此，預防性維護意味著仍然需要工人去那裡更換馬達。另一方面，在我們這裡的例子中，情況是一樣的。它只是讓您知道該做什麼。而操作本身仍然必須由操作機器的人來完成。所以我覺得還蠻有可比性的。

有趣的是，因為它仍然需要人類，我們是否可以在某個時候透過有關機器人和類人機器人以及一切的整個對話來自動化？這無疑也是我們現在在市場上看到的一個巨大動力。我們不知道這是否會很快發生，但可以肯定的是，今天美國的勞動力中至少有 200 萬人……在車間裡。因此，保持生產力的唯一方法是自動化。這就是西門子幫助許多公司實現工廠流程自動化的地方。

薩姆·蘭斯博瑟姆： 也許我讀得太多了，但我讀了一些你寫的關於人形機器人的文章，以及對實際人形機器人形狀的一些懷疑，你就在那裡暗示了這一點。其一，我完全支持你。人體形狀並不神奇，尤其是工業機械有許多更好的形狀。事物會看起來像人類，還是會像機器，或是有所不同？

彼得‧科爾特： 嗯，這是一個大爭論。老實說，現在下結論還太早。我都看過。事實上，今天我只進行了兩次這樣的對話。其中一個人朝著我們需要人形機器人的方向發展，另一個人則說「不，不，不」。我認為最終取決於我們正在創造的投資報酬率和價值。

讓我們舉一個非常簡單的例子。假設物料搬運是工廠中的重要工作。您必須始終確保有充足的材料供應。比如說，如果你在沖壓工廠，它是金屬板，所以很重。儘管有用例，但採用人形機器人可能不是一個好主意；我見過他們。原因有很多。第一，有效載荷非常非常非常有限。第二，類人生物的速度非常慢，至少在今天是這樣。問題是，你能加速它們嗎？但今天他們進展緩慢。最後，類人生物消耗的能量高達 30% 只是為了確保你能直立。如果您實際上有不同的外形尺寸，可以為您提供更高的有效負載、更快的速度、更少的能源消耗，然後它變成了投資回報率對話，該怎麼辦？這取決於。很難一概而論。

不過，在這種情況下，我幾乎可以打賭，與人形機器人不同的外形尺寸可能會更好。但在其他方面，你可能會認為類人機器人可以做得更好，例如，將線束夾在一起，你需要學習靈活性和多功能性等等。也許吧，但這正是它成為一個令人著迷的領域的原因。我認為任何聲稱了解這一點的人都還為時過早，但這是一個令人著迷的領域。

薩姆·蘭斯博瑟姆： 事實上，我喜歡這一點，因為我認為很多事情越來越“視情況而定”，因為我們沒有這些行之有效的一刀切的模型。你知道，這削弱了我們在這裡做出某種預測的能力。

感謝您花時間與我們交談並分享您對工業人工智慧的見解，這對某些人來說可能是不同的想法，以及未來工作中的資料共享。聽眾們，感謝您加入我們 我、我自己和人工智慧.

彼得‧科爾特： 謝謝你，山姆。太棒了。

薩姆·蘭斯博瑟姆： 再次感謝您今天的收聽。下次，Vineet Khosla，首席技術官 華盛頓郵報 與我們一起討論出版領域的人工智慧創新。那就請加入我們吧。

艾莉森賴德： 感謝您的聆聽 我、我自己和人工智慧。我們的節目能夠繼續進行，很大程度上歸功於聽眾的支持。您的串流媒體和下載量會產生很大的影響。如果您有時間，請考慮給我們留下 Apple 播客評論或 Spotify 評級。並與您認為可能會覺得有趣且有幫助的其他人分享我們的節目。

我、我自己和人工智慧^® 是麻省理工學院的聯邦註冊商標。版權所有。