过去一年，生成式AI与大模型技术以磅礴之势席卷全球，从大模型对话到代码生成Agent，AI仿佛一夜之间变得无所不能。然而，工业场景的复杂性、多样性以及对稳定性、可靠性的严苛要求，使得工业AI落地并非一蹴而就的简单叠加，而是一场涉及技术适配、模式创新、生态构建的系统性变革。
近期，由中国信通院、清华大学人工智能研究院、罗兰贝格联合编撰的《工业与 AI 融合应用指南》引发了行业热议。指南中提到的工业AI应用“双曲线”特征，精准地描绘了当前制造业智能化转型的复杂图景，即通用大模型在研发和营销服务端率先快速渗透，而工业小模型则在生产制造端率先深耕。这种看似分化的融合路径，指向了一个核心命题：在工业领域，AI的竞争不是简单地把大模型搬进工厂，而在于能否构建真正理解工业场景的模型体系。
来源：工业与AI融合应用指南作为TCL战略孵化的工业AI领域的领军企业，格创东智对这一命题有着深刻的体感，并早已在实践中探索出一条“大小模型协同”的工业AI落地路径。
结合实践来看，工业制造是一个高度专业化、强机理驱动的领域。生产设备数十年的运行逻辑、工艺流程中复杂的物理化学反应、质量控制中千丝万缕的因果关联，这些构成了所谓的工业Know-How。这些知识高度结构化、隐性化，且充满了因果逻辑，很难通过训练基于互联网公开数据的通用大模型来获得。
《工业与 AI 融合应用指南》也指出，大模型虽然凭借庞大的参数体系在自然语言理解、内容生成上表现优异，但其“幻觉”风险、可解释性不足以及高昂的算力成本，使其在面对设备异常预测、工艺参数毫秒级优化这类“失之毫厘谬以千里”的生产制造场景时，显得力不从心 。反观工业小模型，它们多为感知类、判别式模型，专注于特定场景，经过长期输入与输出关系的打磨，专业度更高。IDC的统计数据也印证了这一点：目前工业AI小模型的应用占比高达70% 。
基于多年智能制造和工业AI落地实践，格创东智深谙“大小模型协同”路径的分工与协同之道。在这一体系中，大模型承担企业级认知与决策能力，通过理解企业知识体系、业务流程以及多源数据，大模型能够完成复杂语义理解、跨系统知识推理以及智能决策生成。而小模型则深度嵌入具体工业场景，通过工业机理与生产数据训练，形成针对特定业务环节的专业模型，例如设备预测维护模型、质量缺陷识别模型、工艺优化模型以及能耗分析模型等。
来源：工业与AI融合应用指南通过这种协同模式，大模型负责 “理解与决策”，小模型负责“感知与执行”，从而形成从数据洞察到智能决策的完整闭环。
同时，在格创东智的实践中，工业AI要真正发挥价值不能脱离工业软件这个“容器”，这些系统沉淀着核心的业务数据与生产逻辑。制造业企业长期依托MES、FDC、QMS等工业软件系统，积累了大量与生产运行高度相关的数据与业务模型。这些数据不仅是AI训练的重要基础，也是理解工业场景的关键。格创东智的路径，是将AI能力与工业软件、智能装备深度融合，让AI能够持续学习生产过程中的真实数据，不断优化模型能力，从而形成可持续进化的真正理解工业场景的“大小模型”体系。这种模式也让AI不再只是数据分析工具，而是能够真正参与企业生产与运营决策。
值得关注的是，这套路径的价值，已经在多个高标准的制造场景中得到验证。在TCL华星的“智能设备运检助手”项目中，通过大模型构建设备故障处理助手，辅助工程师快速查询知识、定位故障，并结合小模型进行实时监测与预警。项目上线后，预计每月可减少故障时长241.4小时，年化效益高达3000万元。在质量管理领域，一线质量工程师的“良率分析Agent”能够自主识别生产异常，结合历史质量数据与工艺知识进行综合推理，在几分钟内即可生成完整的分析报告，将工程师从繁琐的数据处理中解放出来，专注于根因分析与改善决策。这些案例清晰地表明，工业AI的价值在于通过大小模型的协同，将一线的数据洞察转化为实际的经营决策。
随着生成式AI与智能制造的不断融合，制造业正迎来新一轮智能化升级。《工业与 AI 融合应用指南》为行业描绘了宏观趋势，而像格创东智这样身处一线的企业，则在用工厂赋能书写微观实践，并给出洞见：未来工业AI的核心竞争力，不只是模型能力，而是对工业场景的理解能力、工业机理的沉淀能力，以及将AI与系统化工程结合的落地能力。
决定工业智能高度的，是谁能提供更懂工厂的AI体系。在这场从“数据洞察”迈向“智能决策”的征途中，只有扎根车间、理解流程、协同大小模型的体系，才能让AI真正变成工厂里稳定运行的新质生产力。
翻译
搜索
复制
申请创业报道，分享创业好点子。点击此处，共同探讨创业新机遇！
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
