生成式人工智慧(GAI)應用於工業技術發展概論

前言

生成式人工智慧，即Generative artificial intelligence (GAI)，可謂是當前世代走在潮流尖端的人工智慧(Artificial intelligence, AI)技術，繼機器學習(Machine learning)、深度學習(Deep learning)的研究發展，GAI的生成能力令此研究領域更向前一大步，也改變大眾的生活與工作型態。
與GAI相比，較早以前的AI模型大多圍繞在分類能力，而後藉由卷積神經網路(Convolutional Neural Network, CNN)技術的發展，逐步擴展至影像辨識領域，例如LeNet[1]的手寫數字辨識，可謂是此領域的先驅；而AlexNet [2]、VGGNet [3]等經典CNN模型，讓AI研究進入到圖像辨識的範疇，自此之後技術發展蓬勃，例如YOLO [4]可偵測多物件，U-Net [5]適合應用於醫學影像分割，而Mask R-CNN [6]模型則可框選並標記物件輪廓，如圖1所示。
除了視覺之外，另一個重要的感官資訊則為“聽覺”，在聲音訊號處理中，語音辨識(Speech recognition)對人類來說極為重要，亦屬於自然語言處理(Natural language processing, NLP)的研究範疇。由1950年代貝爾實驗室開發的Audrey系統作為先鋒，而後於1970年代的隱藏式馬可夫模型(Hidden Markov model, HMM) [7, 8]奠定了此領域的基礎，直到深度學習崛起後，遞迴式神經網路(Recurrent neural network, RNN) [9]、長短期記憶網路(Long Short-Term Memory, LSTM) [10]等亦用於語音處理上，提升機器的語音轉換文字(Speech-to-Text, STT)能力，現今則進展至Transformer模型在語音處理上的應用[11]，所有的研究成果構築出自動語音識別(Automatic speech recognition)的前端技術，例如Whisper [12, 13]、Google Assistant [14]、Apple Siri [15]等皆具此類技術。此外，NLP中的自然語言理解(Natural language understanding, NLU)亦與前述之技術同等重要，主要用以令機器理解並解釋人類語言，此領域長久以來都極具挑戰性，原因在於人類語言具備多樣性、歧義性及上下文關聯性，導致同一種意思有多樣的表達方式，而同一種表達則又可以解讀成多種含義；在深度學習時代，RNN、LSTM等技術亦應用於此領域，而後基於Transformer架構的深度學習模型，如Devlin等人[16]發表的BERT、OpenAI的ChatGPT [17, 18]模型，在此領域產生革命性影響。
隨著各個大型企業、學術界以及民間的AI研發與使用熱潮，造就當前的GAI新時代，多種模型已具備回應人類需求進而創造的能力，大型語言模型(Large language model, LLM)如OpenAI ChatGPT、Meta Llama [19]以及Google Gemini [20]等，都具備以自然語言形式與使用者互動的能力，且用途廣泛。而在影像方面，則進展至圖像生成的模型架構，如前所述，圖像相關的發展由分類逐步發展至辨識及標記功能，此外亦朝向影像填補(Inpainting) [21]、風格轉換[22]等與生成概念接近的應用發展，而隨著生成式對抗網路(Generative adversarial networks, GANs) [23]的發表，乃至於Stable diffusion模型[24]的問世，圖像生成無疑地進入全新時代，使用者可透過文字描述，令機器產生完整的圖片。截至目前為止，這些高性能的模型亦能互相串聯，或是藉由技術上的結合，達到多模態(Multimodal) AI模型應用，例如支援輸入圖片轉換成文字描述，機器與使用者之間使用語音對話等功能，令GAI的用途更加廣泛、更具彈性。
目前GAI技術應用在工業領域的可能性亦逐漸增加，當前較具應用性的方面大致分成幾個層面：智慧製造(Smart Manufacturing)、品質檢測、預測性維護、參數設計與優化等，智慧製造著重於提升產線和機械設備的智慧化，令整體的操作和調整可以更快速、精確，以應對變化更快速的生產週期；品質檢測則是運用AI的識別和判斷功能，用以線上檢測產品品質，且可透過GAI之生成能力強化AI模型的判斷性能；預測性維護的應用是透過歷史資料的蒐集，讓模型推測潛在故障或問題，進而提早維護，減低生產中斷之風險；最後，參數設計與優化為透過GAI模仿與生成，協助設計者在專業領域的參數調整或建模設計，或是提供新方案，以提升開發或測試的效率。本文將介紹當前GAI的發展、關聯技術以及在工業上的應用潛力，並於文末總結。