超越炒作 ： gen AI 在能源和材料领域的新机遇

全球能源与材料实践 超越炒作：genAI在能源和材料领域的新机遇 生成型人工智能可以从其他形式的人工智能和分析中创造额外的价值-能源和材料部门处于独特的位置，可以从这些进步中受益。 本文是Filipe Barbosa，Soenke Lehmitz，Jukka Maksimainen，Lapo Mori，Bryan Richardson，Erik Roth，Humayun Tai，Sapna Thakker，Ian Wells和Rodney Zemmel的共同努力，代表了麦肯锡全球能源与材料实践的观点。 在农业，化学，能源和材料领域，许多公司现在正在超越简单的用例，并采取越来越创新的方法采用Gene AI，据估计，在未来几年可以创造额外的3900亿至5500亿美元的价值。 这几乎是不可能的滚动浏览每日头条，而不会遇到关于人工智能最新前沿的生成AI（gen AI）的评论。似乎每个硅谷人物，风险资本家或休闲技术专家都在谈论ChatGPT或Bard， 在几十个其他系统中，这些工具必须释放远远超出想象的可能性。 利用genAI的力量 领导者应该如何密切关注炒作？这不是技术专家第一次在最新的最好的事情后面排队。应该将Gen AI视为一种时尚，还是领导者应该加倍使用最新的工具作为解决技术问题的灵丹妙药？ Gen AI在加速增长和降低成本方面的潜力不容忽视(展示)。对于能源和材料领域尤其如此，能源和材料领域在很大程度上依赖于数据和分析来进行创新，并且包括建立在越来越细微和复杂的流程上的部门。简而言之，创人工智能为任何数据增加了智能，然后可以用来为决策提供信息-可能将漫长的流程简化为一个问题-它使工人能够获得以前未知的 答案可能都不是。我们的研究表明，依赖创新、数据分析和流程自动化的组织将受益最大 生成AI可以创造额外的价值潜力，而不是其他AI和分析可以解锁的价值潜力。 AI对全球经济的潜在影响，$万亿美元 麦肯锡公司 了解gen AI带来的风险，以及如何以确保组织受到保护的方式管理这些风险。 knowledge or capabilities. With this in mind, the growing listof exciting and nontrial potential use cases in mining, oil andgas, chemicals, agriculture, power, and materials is supplyreason for leaders 尽早建立这些功能并确保现在在General AI中站稳脚跟，可以使公司具有在未来迅速采用更先进的模型的有利能力；大型语言模型（LLM）的规模和功能预计将在未来两到三年内呈指数级增长。实际上，尖端模型已经显示出 认真考虑gen AI (参见侧栏，“什么是生成式AI，为什么所有的兴奋？”)。 但是，只有在对如何利用General AI的力量有清晰的愿景的情况下，才能实现这一承诺-并且了解如何消除噪音可能很困难。行业参与者将需要 与2023年前几个月的车型相比，大幅改善，扩大了范围技术上可行的用例。与传统的分析和数字技术一样，组织可能会选择将Gen AI视为目的地，而不是将其视为强大的新工具，以充分发挥组织的潜力。1 认真研究Gene AI如何适应其当前的数字战略。这包括组织是否具有启用这些技术的数字能力，是否在可用时推出商品化解决方案，或者是否设计出全新且雄心勃勃的东西。领导者还需要 能源和材料部门在利用Gen AI方面处于独特的地位 什么是生成AI，为什么所有的兴奋？ 复杂的重工业已经开始依靠数据和分析来推动效率的下一个前沿。石油和天然气，农业，电力，化工以及材料和采矿业具有独特的优势，可以利用genen AI的力量来改变业务的各个部分，包括其后台办公室和跨职能案例以及其核心业务和运营。 像许多人一样一夜之间的成功，generative AI（generative AI）实际上已经存在了多年。尽管OpenAI的ChatGPT， Google的Bard和其他基于大型语言模型（LLM）的工具在2022年末和2023年初突然出现，它们都有深度学习进步的共同起源，在过去的几年中，研究科学家已经熟悉了这些进步。 这种对分析的依赖伴随着大量的数据。事实上，几乎每个现代工厂、矿山或农场都有传感器历史学家多年的数据，以及用于故障模式和影响分析的数据库、工程报告、工作订单和详细说明日常操作的维护日志。资源勘探和提取伴随着TB的电磁和地震测量。OEM手册和故障排除指南填补了储藏室里尘土飞扬的货架。 在过度简化的风险下，gen AI是指可用于从大量音频、代码、图像、文本或数据序列中创建新内容或合成现有内容的算法。1LLM，例如用于为ChatGPT提供动力的LLM，可以学习和重现比以前最先进的模型更复杂的数据中的关系模式，展示生成的能力引人注目的内容似乎来自整块布。 这种结构化和非结构化数据的优势已经成熟，可以通过发电进行探索和分析 人工智能是专有的，足以为那些利用它的公司提供特定的优势。 1有关gener AI以及机器学习与AI之间的差异的更多信息，请参阅我们之前的解释，“什么是生成AI？”，麦肯锡，2023年1月19日。 在许多这些行业中，资产密集度很重要，以及优化资产利用率（假设数据可用），压缩流程和预测随时间变化的结果的用例。考虑到这一点，有两类用例可能适用于行业内的大多数子行业：更直接的用例和被认为是“moonshots ”的用例。 新一代人工智能驱动的计算机视觉可以大幅改善图像。 —石油和天然气公司。从图像处理应用扩展而来的专业模型可以处理，插值和解释昂贵的地震数据，以识别关键属性（例如层位跟踪，断层定位或直接碳氢化合物分类）。因此，可以减少高分辨率勘探所需的数据量，同时可以提高结果的质量。 简单的用例通常不需要大量的技术专长或专业化来部署，并且可能会迅速商品化。示例包括标准的后台功能，例如自动执行管理功能的虚拟助手或面向客户的聊天机器人，甚至是软件开发人员和数据科学家的“副驾驶”，这些功能可以大大提高生产力，但最近才推出。 —矿业公司。在现场拥有复杂且分布广泛的机器的矿山可以通过维护手册库，历史工作订单，程序，工具清单和零件数据库为模型提供动力。 这样做可以为维护技术人员提供强大的AI助手，帮助简化工作并提高可靠性。尽管这似乎是现成模型的简单应用，但必须特别注意确保所提供的建议正确且对熟练的技术人员有用，并且必须与现有系统集成才能实现全部价值。 By contrast, the moonshot use cases are more innovative andconsequently require more customization — sometimes evena trained - from - scratch LLM. And although moonshot usecases have the potential to deliver significally more value,they, th 因此，Gen AI在这些用例中的应用可能会根据每个子行业以及价值链的每个部分的特定细微差别而有所不同。 —化工企业。可以利用庞大的化学数据库来创建可以预测新化学品的性质，大大减少物理实验室的搜索空间，加快分子发现的步伐。同样，新合成路径可以数字化原型，帮助解决低成本、低能耗或低碳排放问题。 行业中的moonshot用例示例包括： —公用事业。拥有数千英里输电线路、管道和其他远程有时无法接入的基础设施的组织通常在资产完整性方面花费数百万美元。腐蚀和预测维护模型可以用以前不可用的、非结构化的检查记录来重新训练,从而提高性能。这包括整合许多数据源，包括传统记录，例如过去的损坏，视觉检查以及来自资产本身的传感器的数据。在这里，根AI可以。 —农业公司。通过挖掘有关天气，土壤条件，虫害压力等的数据，农学公司可以构建由GeneralAI提供支持的虚拟顾问。这些顾问可以为种植者，农场管理者和农场经营者识别个性化的风险和机会，他们可以以低成本全天候访问这些风险和机会。GenAI还可以合成各种数据点，以生成用于分析的测试场景程序，它可以允许农学公司模拟不同的事件并给出更准确的输出。 significantly improve the effectiveness of a core businessfunction necessary for both continuation of operationsand public safety. Other sources of data, such as drone,aeral, and satellite - based 将需要额外的深入的操作和垂直工业知识，以达到足够准确的目的，以及关键最终用户的参与，以确保用例能够解决现有流程中的真正痛点。 These moonshot applications are designed to beaspirational. However, forward - thinking players havealready began developing some of these use cases, amongother examples, recognized the substantial potential forvalue in their core business activities. 也就是说，考虑优先考虑和实施Gene AI的行业领导者可以定义使数字战略成功的核心要素，并了解潜在风险。 行业领导者应该如何考虑优先考虑和实施GeneAI 使数字化战略成功的核心要素 未来几年的挑战将是实施为组织带来有意义价值的用例。在这一点上，从事新技术的公司的一个常见陷阱是在没有首先设计全面的数字战略的情况下在组织的多个领域启动多个试点。相反，领导者应该专注于花费必要的时间和资源 Gen AI只是组织更广泛的数字战略的一个方面，就像LLM只是公司可以用来寻求新机会的许多模型之一一样。为了充分提取Gen AI对组织的潜在价值，领导者可以考虑以下几点： 在高影响和可行的用例上。这些赌注更有可能产生真正的结果，提供高采用率和增加利益相关者的支持。 —企业主导的战略路线图。组织可以通过了解价值在哪里，什么是战略路线图 可实现的，以及可以在逻辑上排序以快速和增量地实现真正的价值。高级团队应该保持一致，以确保路线图和资源匹配愿望。创造切实的竞争优势的路径应该是明确的。 公司应该注意考虑gen AI是否是帮助解决给定问题的正确选择。尽管gen AI提供的模型在许多功能上都提供了新颖的好处，并提供了明确的推动力 与其他人的现状相比，它可以帮助解决的问题并不总是难以解决的，而“传统的AI ”解决方案（例如更简单的预测，系统建模或优化应用程序） —天赋。内部技能和能力的路线图需要与战略路线图同步。Ge AI是传统分析的扩展，现有人才可以转移或提高技能以实现许多用例。也就是说，特别复杂或复杂的应用程序，例如需要定制LLM的应用程序，可能需要招聘特定的新技能。数据科学家、机器学习工程师和云架构师。随着新专业的出现，将继续受到高需求。 were often more than suitable — and may even be moreappropriate going forward. There is still impact on thetable for many industrials that can例如，在Gen AI是合适的选择之前，在常见的流程优化用例中更简单地捕获。 尽管现成的模型易于开发和部署，但它们可能会限制组织在市场中脱颖而出的能力。一般来说，核心运营用例可能需要在工业部门进行重大定制。这部分是由于工业过程的高度复杂性和技术性。例如，识别和开发化学式需