AIGC即AI Generated Content，是指利用人工智能技术来生成内容。自从以深度学习为代表的AI技术突破以来，学术界和产业界不断尝试使用AI算法产生高质量的内容，但是一直到2021年，AI算法产生的内容仍显稚嫩，常有违背常识、逻辑混乱现象出现。直到Stable Diffusion 和 ChatGPT被开发出来，AIGC在图像领域和自然语言领域产生的内容质量之高给全世界带来了巨大的震撼。

AIGC可以大幅降低“高质量内容”生产的成本，不仅在C端产品快速发展，涌现了写作助手、AI绘画、对话机器人等爆款级产品，在B端行业应用方面，也在快速扩张，例如AIGC可以快速生成高质量生产数据，推动AI技术在行业中落地。Gartner预计，到2025年，生成式AI将占所有生成数据的10%，还有分析预计AIGC有潜力产生数万亿美元的经济价值。AIGC时代的大幕已经拉开，AIGC正推动人工智能迎来下一个时代。

创新奇智作为一家AI技术公司，在AIGC方向上一直有相当的研发投入，依托于MMOC人工智能技术平台，初步形成了满足自己需求的AIGC能力，显著增强了面向制造业的产品和解决方案的技术竞争力，助力制造业企业数字化、智能化升级。

创新奇智在预训练模型、数据生成等AIGC领域持续投入研发，依托于自研MMOC（ManuVision机器视觉智能平台、MatrixVision边缘视频智能平台、Orion分布式机器学习平台和Cloud云平台）人工智能技术平台，在AIGC算法模型上有很多积累。

1、创新奇智研发出面向制造业的工业大模型。工业大模型可以大幅度降低工业视觉、边缘视觉模型生产成本，为工业制造领域的产品和解决方案提供关键AI能力。工业大模型实现了AI样本数据生产的功能，仅需要少量场景数据辅助描述，便可以生成大量该场景样本用于模型训练，大大降低了工业领域AI模型的生产应用门槛。同时，工业大模型内核应用了创新奇智小样本学习技术，小样本学习技术结合AI数据生成，大幅度提升了样本信息不足情况下模型的精度。

第二阶段，融合模型使用第一步产生的的缺陷图像作为引导信息，在无缺陷样本图像的指定mask区域生成对应的缺陷。两阶段缺陷样本生成模型逐步进行局部缺陷样例生成和全局图像融合，分别聚焦工业视觉领域缺陷样本生成的物理真实和视觉真实的要求，可以有效地用于工业质检深度学习模型的训练。随着AIGC技术的不断发展，合成数据的比重逐步增加，进一步推动了Orion训练平台的发展，平台自学习能力有了稳步提升。

创新奇智依托于自研MMOC人工智能技术平台，结合在AIGC算法模型上的积累，尤其是面向制造业的工业大模型和双阶段引导的扩散模型，研发出面向制造领域的AIGC产品：AInnoGC。AInnoGC使用模块化设计，可实现制造领域的多场景降本增效。

能源电力

创新奇智通过AInnoGC自动生成大量风电设备磨损、倾斜等图像，基于Orion分布式机器学习平台训练出更高精度的检测模型，成功实现基于状态运维的风电机组大部件智能预警和精确诊断，可提前识别潜在早期安全隐患，精准洞察机组性能异常原因，合理安排运检资源。

半导体

硅片的生产过程中，研磨、抛光设备研磨时硅片不能有崩边、缺角、裂纹和明显的线痕，若存在以上缺陷，研磨过程中可能产生硅片碎片残渣损伤DSP设备PAD和Carrier等部件。所以厂家需要在研磨、抛光前用人工对硅片缺陷进行检测，筛选出崩边、缺角、裂纹、明显线痕等缺陷。但是这个传统的检测方式存在缺陷样本难存留、难追溯的弊端，而以往基于“对抗生成网络GAN”生成的图像是对现有作品的模仿，创新性不足，导致基于GAN生成图片训练出的检测模型往往在一条产线效果达标后，在其他产线又需要重新训练。因此，创新奇智运用AInnoGC模拟不同产线的工艺差异，生成大量高质量样本，可以更精准、更低成本、更高效地对不同产线硅片缺陷进行检测。

创新奇智CTO张发恩表示：“创新奇智以「人工智能赋能商业价值」为使命，是中国最大的「AI+制造」解决方案供应商。我们认为AIGC时代的大幕已经拉开，AIGC正推动人工智能迎来下一个时代。创新奇智作为一家AI技术公司，在AIGC方向上一直有相当的研发投入，依托于MMOC人工智能技术平台，初步形成了满足自己需求的AIGC能力，显著增强了面向制造业的产品和解决方案的技术竞争力，助力制造业企业数字化、智能化升级。”