数字化转型网人工智能专题
与全球关注人工智能的顶尖精英一起学习！数字化转型网建立了一个专门讨论人工智能技术、产业、学术的研究学习社区，与各位研习社同学一起成长！欢迎扫码加入！
导读：
生成式AI的创造性，除了用来秀才艺，还能帮忙出主意。比如生成新的优化解法，来帮宝马汽车产线提升产量和效率。 数字化转型网www.szhzxw.cn
提到生成式AI，人们首先想到的是文科生的才艺：答题、写诗、画画、编视频。
其实，理工男的解题，包括分析、求解、设计，生成式AI也不差。
比如，《物流AI：人工智商+人肉情商》中提到的，物流行业用生成式AI给出新的配送路线。
在制造业，也可以用到生成式AI的解题能力，给出奇葩而好用的排产计划。
波士顿一家人工智能咨询公司 Zapata 用生成式AI来增强排产优化算法，帮助宝马解决六车间排产问题，号称“生成器增强优化“（GEO，Generator Enhanced Optimization）。Zapata 和宝马同属于麻省理工学院（MIT）的量子工程中心的会员，这个 GEO 用到了“量子启发优化”方法。
与传统优化求解器相比，生成式AI能够做到“不按常理出牌”，在传统求解器的解集之外，给出惊喜，进一步避免陷入局部最优而迷失全局最优。
一、宝马的六车间排产问题
作为研究案例的是宝马一处整车厂。 数字化转型网www.szhzxw.cn
整车厂包括车身、涂装、总装三大工艺，每个工艺两个车间。
在车身和涂装之间，有一个可以容纳500辆白车身的缓存区。
在涂装和总装之间，有一个可以容纳700辆已涂装车身的缓冲区。
外行以为，整车厂如果按一分钟节拍年产30万设计，就一直按这个稳定节拍生产。如果需求跟不上就停产等订单。
真实的排产比这个复杂得多。
排产者需要保证整个工厂满足变化的订单需求，同时尽量减少因停工待料或库存积压所造成的产线停顿。这就需要每个车间都能灵活地实现不同的班制（比如两班倒或三班倒）和不同的节拍（比如60秒或75秒）。 数字化转型网www.szhzxw.cn
这样一来，排产问题就变成了一个非常烧脑（人脑和电脑）的大规模整数组合优化问题。
比如宝马这家工厂，每个车间可以有15种不同的班制，每种班制有5种生产节拍可以选择。即使只考虑这75种组合中的25种，6个车间的排列组合方案也高达2.44亿种。
二、大规模整数组合优化的难点
这种大规模整数组合优化问题有两大难点。
一个是解空间辽阔而复杂，如果优化起点（“种子”）选择不当，算法容易卡在一个局部最优点上自鸣得意，而找不到全局最优点。 数字化转型网www.szhzxw.cn
另一个问题是离散性。由于可行解是一系列离散方案的组合，那些依赖“珠圆玉润“的空间连续性、光滑性来处理相关性和梯度的高效优化算法，在离散问题面前显得力不从心。
为解决这两个难点，近年来出现了传统优化算法和人工智能机器学习相结合的方法。
三、张量网络生成式增强优化（TN-GEO）
宝马排产问题的解题逻辑如上图所示：
优化算法分析实际产量和产线闲置数据，根据满足需求产量和压缩闲置时长的优化目标，来选择班制和节拍。 数字化转型网www.szhzxw.cn
新增的生成式AI，就是加在优化算法中，与传统解法一起参与评选。
Zapata 的生成器采用了张量网络（Tensor Network）。
张量网络是一种数学结构，由互相连接的张量组成。张量是向量和矩阵的推广，用来描述高维空间中的关系。张量网络通过将复杂数据分解为较小的部分，并以特定的模式连接这些部分，有效表示和处理大量信息。这种方法可以简化大规模计算问题，在量子物理、机器学习和量子计算中被广泛应用，特别适合处理复杂系统的优化问题。
张量网络是“量子启发式优化方法”中的一种。
量子启发优化（Quantum-inspired Optimization）是指受到量子计算原理启发的优化算法，但这些算法在经典（非量子）计算机上运行。这些算法借鉴了量子力学中的一些概念，例如叠加、纠缠或量子隧穿效应，以有效解决复杂的优化问题，利用量子力学的优势，而不需要实际的量子计算机。
除了“量子启发张量网络”，常用的量子启发优化方法还包括“量子启发退火”和“量子启发进化”。
就像 chatGPT 用“生成式预训练模型”创造文字，Midjourney 用大语言模型和扩散模型来文生图，TN-GEO 就是用“量子启发张量网络”（TN）生成新的优化解，来增强传统优化算法（GEO）。
四、研究成果和讨论
研究者选取了五种不同的传统优化算法，分别测试在9种情况下的优化结果，用一个成本函数来比较“产量与需求的偏差”和“待机的时长”。 数字化转型网www.szhzxw.cn
这45个“成本函数”就是比分，越低越好。
算完以后，研究者用TN-GEO这个增强器加到优化算法中，把这45个比分再算一次，结果发现其中的31个比分等于或低于没有增强器的版本。
由此，他们得出结论：“量子启发的生成式增强优化”（TN-GEO）相对于传统优化算法有优势。
这篇论文无疑用“量子”、“AI”、“生成式”这些热搜词给宝马、咨询公司和MIT都带了流量。实际效果如何还是值得推敲的： 数字化转型网www.szhzxw.cn
首先，目前的评估是仿真结果，并没有在产线上实测。生成式AI的优势还是要在实践中检验。
其次，生成式AI的增强效果受到问题建模的复杂性的影响：建模过于简单优势不明显，过于复杂容易夸大特例。论文并没有评估问题模型是否真实且适度。
同时，生成式AI的“通过学习适应变化的条件”的优势和“不受拘束地想入非非”的劣势没有得到清晰的分析和比较。 数字化转型网www.szhzxw.cn
五、总结
制造业中的排产问题，属于大规模整数组合优化问题。这类问题如果用传统的优化方法来求解，需要把问题简化到“既保持真实性”同时“算法又能应对”的程度。当真实问题的复杂性使得简化建模太过粗糙，传统优化算法难以应对的时候，需要生成一些新的靠谱可行解，参与到与传统算法结果的竞赛中。这时候，可以选择生成式AI，来补充和增强传统优化算法。
所以，当我们卡在传统优化“建模”和“算法”的局限所导致的条条框框中的时候，我们需要生成式AI来给一些惊喜。 数字化转型网www.szhzxw.cn
这个生成式AI的原理不限，可以是经典的，也可以利用量子科学的灵感，比如张量网络。
当然，与用 chatGPT 写文章和用 Midjourney 画画一样，在制造业使用生成式AI，也要有较强的人工监管和验证，防止生成器“一本正经地胡说八道”。
数字化转型网人工智能专题
与全球关注人工智能的顶尖精英一起学习！数字化转型网建立了一个专门讨论人工智能技术、产业、学术的研究学习社区，与各位研习社同学一起成长！欢迎扫码加入！ 数字化转型网www.szhzxw.cn
本文由数字化转型网（www.szhzxw.cn）转载而成，来源于数据冰山；编辑/翻译：数字化转型网宁檬树。
