随着人工智能能力的问世与发展，越来越多的企业开始了解与融入模型能力，希望借助大模型赋能企业的部分场景，本文主要聚焦工业现场，针对生产、运维、设备管理等场景，探究空间智能概念在工业中有哪些作用？人工智能又该如何融进空间智能体系？分享嘉宾｜吴仑 亮风台 高级解决方案总监
内容已做精简，如需获取专家完整版视频实录和课件，请扫码领取。
去年，苹果发布 Vision Pro ，同年 ChatGPT 进入大众视野，这两件事引起了业界的强烈反响。这代表了空间互联网的到来。
互联网发展目前经历了三阶段：PC 互联网、移动互联网、空间互联网。第一阶段以文档数据为主，第二阶段随着视频图像的增多，有了二维数据，第三阶段逐渐变成三维可视化数据，同时会有 AIGC 的数据生成，数据会随着互联网的服务方式的改变不断迭代升级。结合该背景，工业的生产环境也在迎合基础变化，加入物联网、大数据、人工智能一系列技术构建基础底座。现在有了新技术、新方法，能达到更高的层级，整个工业发展往智能化方向做转型。所谓空间智能大概是什么样子？可实现操作人员跟现场进行多种多样的交互，能把很多虚拟化信息直接展现在现场空间。通过佩戴智能可穿戴设备，能看到现场留下的信息，实现所见即所用，直接在前端交互。将数据和知识留在现场是核心概念，在现实物理空间查看知识，不必再去到后端查阅，这是我们所描绘的比较完整的空间智能应用场景。
要构建完整的空间智能场景需要哪些基本能力？空间智能指是三维空间中的感知、理解和交互。如何利用人工智能方法更好地理解三维空间，并且把三维空间中的一些数据上传，同时跟人进行更智能的交互，这是所要解决的问题。包含两大核心能力：AR 空间计算能力与AI 能力。随着大模型技术的兴起，把两部分结合，使之更好地完成所需任务。AR 空间计算，主要解决数据集成、可视化、人机交互、场景感知等核心问题。AI 大模型在系统中主要解决场景理解、智能交互、自主进化、智能决策等基本问题，这是两种能力的基础性区分。
空间智能在过去已经落实到工业的多个应用场景，涵盖了工业生产大部分流程，其中包含客户服务类、运维、技能培训三大类，应用场景非常广泛。空间智能工业应用
从现场服务需求角度出发，共有三部分需求，
获取更全面的数据。包括已有的结构化数据与实时采集到的现实空间数据，有了这部分数据能进行更好的现场工作。
反馈及时。通过各种智能化系统，在数据推送后进行及时反馈，一方面指前端操作人员的反馈，另一方面指后台系统的及时反馈。
决策正确。基于输入的信息，如何快速做决策？AI 与人的作用需要思考，在人工智能大模型阶段，我认为大模型并不能完全替代人，虽然大模型的记忆能力非常强，但推理能力不足以取代人，在现场工作空间中，大模型更多承担辅助角色。
虽然人工智能大模型是热门板块，且大多企业认为该技术能解决很多问题，但实际落地过程当中还是会遇到很多阻碍，凝练出三点：不懂行业，对行业知识、术语的理解并不深入。
对企业整体的流程结构、运营模式不能准确把握。
大模型存在幻觉现象。
以上也是目前人工智能在精确度要求不高、娱乐交互场景用得更多的原因，因为那些场景的容忍度相对较高。基于以上问题，我们有一套解决思路。因为大模型需要迭代并非一蹴而就的，当系统搭建后，需要进行整体优化。所以结合空间智能应用场景，构建“人、数、场”闭环，可以形成正向数据飞轮。
第一部分是数据生成，数据生成需要高质量工业数据，实际上很多结构化数据存在几点问题。第一，数据多集中在文字文本形式。第二，在一些工厂中，大家并没有对结构化数据做很好的整理，这也是制约大模型应用的重要原因。第三，在现场工业环境中，不只依赖单一维度的数据，对于文字、文本、图像、视频、三维模型术语，都具有依赖性。在数据生成方面，需要提升数据的质量与来源。第二部分是模型迭代，现在工业的部分应用场景还是小模型发挥作用，小模型的数据质量更高，一旦利用大模型，会因为数据不达标，导致大模型在初期难以使用。所以小模型+大模型结合是较实际的路径，同时要加强数据生成的优化。第三部分是空间智能交互，空间智能交互是交互必不可少，完全靠系统自身迭代、反馈，会存在一定偏差。所以在真正构建场景应用的过程中，我们会融入人的交互反馈过程，有利于整个数据的迭代、模型优化，这是整体思路。在数据生成方面：总体目标是要形生成高质的工业语料库，传统数据已经在进行结构化。在空间智能生产环境当中，还会有新型的数据出现。其中空间三维数据、位置数据、操作人员现场的交互性数据，这类数据是以前数据库中缺失的部分，通过系统的构建，把数据加入到原有数据库中，能丰富数据库的构成，同时同步人的反馈信息，促进数据质量的提高。
大模型+小模型是目前较常用的方式：在实际构建过程中，要加入更高质量的结构化数据作为预训练语料，同时也可以对大模型的生成结果进行二次知识校验，形成正向循环，促进大模型的真正落地应用。
空间的智能交互反馈机制：整套人工智能体系在现场工作环境中是人的助手，并不能替代人。人能给系统给予有效反馈，因为智能可穿戴设备能获取更多的现场工作环境信息，这部分信息分为两类，一类指事先采集信息，例如文本、图片、视频。另一类指人的实时反馈信息，像手势、语音等都可以通过智能设备采集。在完整的工作流程中，会有各种各样的突发情况，针对于这部分情况加上人的真实反馈机制，对整套系统的运行提供有效的迭代机制，通过以上两种方式，可以实现整套系统的正常循环。空间智能落地方案与案例
从整体方案架构上看，我们是围绕空间计算与 AI 大模型能力为基础，以“设备”为中心，构建空间 AI 计算平台。
从数据角度出发，分为两大块，一块指原有的工业数据生产要素，如现有的结构化数据。另一块指工业现场数据，包括实时获取数据。通过这套平台的构建，应用于制造、供应链、培训设备的巡检点、运维等场景中。
上图是现场超级助手的整体框架，包含基础的一些能力，其中空间计算部分提供环境的理解、跟踪、识别的基础能力，大模型相对偏后端，提供数据分析、智能决策方面能力。应用端结合后端的核心能力生成各种应用，例如巡检、运维、售后都会有专门的入口，结合场景实际特点构建应用。
上图介绍了空间智能的典型应用场景，其中设计和原型制作是目前大模型在工业应用中，探讨热度较高的方向。从执行的角度，对于装配维修、设备运维场景的探索较多，这部分距离生产很近，也是工厂较关注的方向，但难度较大。
在该场景前端应用部分，主要是标准作业的流程指导方面的任务，这些任务多依赖于知识库的，在前端会使用智能可穿戴设备，可穿戴设备相当于人的助手，可以在工作过程中实时帮助人进行各种设备的检修。数据库在执行案例中，多把知识图谱结合 AI 的智能问答能力共同构建体系。随着大模型技术的演化迭代，同时将大模型能力融入到系统中，推进项目的升级。
该场景以问答为主，问答是文本类的加多模态数据，包括文字、视频、三维模型数据，提前帮助工厂构建数据库。但目前体量较小，由于工厂以前的智能问答都基于原有的数据。另外一部分数据是线上收集的实时数据，数据库在系统集成过程中是不断增长的。利用大模型技术为一线员工进行操作，实现智能问答、关键词设置、AI助手训练等，能够快速为员工提供有效信息，并持续学习与改进。
培训场景相对与生产环境相对友好，会把企业的知识信息输入到系统中，将设备的全部信息包括状态、操作历史等以实景结合的形式进行展示与交互。替代老师傅的传授功能，给部分新员工进行整体培训，相比较传统的培训更加直观、易学、节约时间，提高了新人培训的效率。强化训练效果，结合情况提供合适的情景训练，边学边做，实践结果反馈于训练过程。指导员工的流程性操作，保障安全性与规范性，提升工作质量。并且帮助企业不断沉淀数字化内容，形成自有知识库。以上是工业现场环境中，空间智能应用较为成熟的几个落地场景。但是过程中还有很大的提升空间，人工智能大模型技术的出现，能为我们提供更多的想象力，把整套系统建设得更更完善、更智能。以上就是本次分享，如需获取专家完整版视频实录和课件可扫码领取。
⩓
北京理工大学光学工程专业增强现实方向博士，美国伊利诺伊大学香槟分校电子工程专业访问学者。前汤姆逊北京研究院研究员，百度高级研发工程师，工信部智能制造标准验证项目AR技术负责人，现为亮风台高级解决方案总监。长期从事计算机视觉以及增强现实技术的研发工作，主导了公司内部多个大型应用项目的落地。在AR工业、教育、营销应用方面具备丰富的实战经验。注：点击左下角“阅读原文”，领取专家完整版实录和分享课件。
