在企业运营中广泛实施AI的过程中，许多企业发现通用模型在处理需要深厚领域知识和顺序推理的专门工业任务时常常力不从心。虽然微调和检索增强生成（RAG）可以提供帮助，但对于像供应链这样的复杂用例来说，这往往是不够的。这正是初创公司Articul8试图解决的问题。Articul8最近推出了一系列针对制造业供应链的特定领域AI模型，名为A8-SupplyChain。这些新模型还配备了Articul8的ModelMesh，这是一个代理式AI驱动的动态编排层，能够实时决定为特定任务使用哪些AI模型。
Articul8的核心信念：特定领域模型的重要性
Articul8的CEO兼创始人Arun Subramaniyan在接受采访时表示，公司建立在一个核心信念之上，即没有任何单一模型能够实现企业目标，真正需要的是模型的组合。“你需要特定领域的模型来应对受监管行业（如航空航天、国防、制造、半导体或供应链）中的复杂用例。”他说。
供应链AI的挑战：序列和上下文决定成败
制造和工业供应链为AI提出了独特的挑战，这些挑战是通用模型难以有效处理的。这些环境涉及复杂的多步骤过程，其中步骤的顺序、分支逻辑和相互依赖关系对于任务的成功至关重要。例如，在组装喷气发动机时，通常会有多本手册，每本手册都包含数百甚至数千个需要按顺序执行的步骤。这些文档不是静态信息，而是代表必须精确遵循的顺序过程的时间序列数据。
ModelMesh：超越传统模型编排框架
Articul8技术的核心是ModelMesh，它超越了典型的模型编排框架，创建了一个公司所描述的“代理的代理”，专门用于工业应用。“ModelMesh实际上是一个智能层，它会连接并持续决定和评估事情的发展，就像一步一步地进行一样，”Subramaniyan解释说，“这是我们必须从头开始构建的东西，因为现有的工具根本无法完成我们需要做的事情，即在运行时做出数百甚至数千个决策。”
与提供预定义工作流程的框架（如LangChain或LlamaIndex）不同，ModelMesh结合了贝叶斯系统与专用语言模型，以动态确定输出是否正确、下一步应采取什么行动以及如何在复杂的工业过程中保持一致性。这种架构使Articul8能够实现所谓的工业级代理AI——不仅能够理解工业过程，还能主动推动这些过程。
超越RAG：构建工业智能的全新方法
虽然许多企业AI实施依赖于RAG将通用模型与企业数据连接起来，但Articul8采取了不同的方法来构建领域专业知识。“我们实际上会将底层数据分解成其构成元素，”Subramaniyan说，“我们将PDF分解成文本、图像和表格。如果是音频或视频，我们会将其分解成其底层构成元素，然后使用不同模型的组合来描述这些元素。”
Articul8以Llama 3.2为基础，主要因为其宽松的许可，但随后通过一个复杂的多阶段过程对其进行改造。这种多层方法使他们的模型能够对工业过程有更深入的理解，而不仅仅是检索相关数据块。
企业对Articul8的应用
尽管这些新模型还处于早期阶段，但Articul8已经拥有了一些客户和合作伙伴，包括iBase-t、Itochu Techno-Solutions Corporation、Accenture和Intel。以Intel为例，该公司最初通过评估通用模型来探索如何支持其设计和制造运营。然而，他们很快发现这些模型在高度专业化的半导体环境中存在局限性。“它们在解释半导体特定术语、理解设备日志的上下文或通过复杂、多变量的停机时间场景进行推理方面存在困难，”Intel网络、边缘和AI集团的企业副总裁兼总经理Srinivas Lingam说。
Intel正在部署Articul8的平台来构建所谓的“制造事件助手”——一个基于自然语言的智能系统，帮助工程师和技术人员诊断和解决Intel工厂中的设备停机事件。该平台和特定领域模型会摄取历史和实时制造数据，包括结构化日志、非结构化维基文章和内部知识库，从而帮助团队进行根本原因分析（RCA），推荐纠正措施，甚至自动化部分工作单的生成。
对企业AI战略的意义
Articul8的方法挑战了通用模型与RAG相结合就足以满足企业实施AI所有用例的假设，特别是在制造和工业环境中。特定模型与通用模型之间的性能差距表明，技术决策者应考虑为关键任务应用采用特定领域的方法，在这些应用中，精度至关重要。随着AI从实验阶段过渡到工业环境中的生产阶段，这种专门化方法可能会为特定高价值用例提供更快的投资回报，而通用模型则继续服务于更广泛、不太专门化的需求。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/qi-ye-gong-ying-lian-xu-yao-te-ding-ling-yu-de-ai-er-fei
