工业企业搞大模型的几个常见误区

如今，很多大型集团不去搞个工业大模型都不好意思跟别人打招呼。但具体怎么搞、搞成什么样，很多人心里恐怕也没底。结合目前市场上供应商和工业企业的探索情况，这里列举几个常见误区及其解释，供大家参考。如有理解不当，也欢迎指正。

大语言模型确实是大模型家族的一员，但绝不是全部。除此之外，还有大视觉模型、多模态模型、控制模型等等。这些专业模型在某些场景下，价值可能比语言模型更大。

新的技术刚出来时，人们总是容易走极端：要么捧上天，要么踩到底。大模型也不例外。一开始期望很高，测试一段时间后发现效果不如预期，就又觉得这玩意儿纯属炒作。但事实上，技术的成熟需要时间。大模型对工业的价值，大概率会在过高预期和过低预期之间找到一个平衡点——它会有用，但没那么通用；长期来看，有些场景确实能带来价值，但短期内高价值的应用场景并不多。这一点，需要大家调整好心态。

在搜索、知识管理、安监视觉检测这三个方向，大模型本身就是一次技术路线的升级。这些场景在企业内部原本就有应用，未来逐步过渡到大模型路线，是水到渠成的事情。至于其他方向，比如知识问答、内容生产、数据分析等，价值释放恐怕还需要更长的时间。

另外，大模型能不能用好，和企业自身的数据基础关系很大。如果数据基础薄弱，或者企业信息化还在初级阶段，可能确实很难从大模型上得到太多回报。这类企业的当务之急，恐怕还是做好系统建设、数据治理和打通。

这确实是很多人的期待，但也是难度最大的部分。更务实的做法，不妨先从经营管理层面入手，比如人力、数据分析、财务、办公、文档管理等。先让各个业务线的人熟悉大模型，他们才有可能提出更有价值的应用场景。

哪怕是一个学习能力很强的大学生，一上来面对工业领域的各种实际知识，也得懵半天，更别提推理能力本就有限的大模型了。目前大模型的主要用法，还是把企业已有的知识用起来，或者作为降低重复劳动的工具。至于真正理解行业知识、实现智能化，短期内还是不要抱太高期待。

当前大模型的主流应用模式是RAG（检索增强生成），模型的工作方式是从配置好的知识库里找答案，然后回答问题。这个过程主要依赖的是模型的语言理解和总结能力，并不需要模型本身掌握行业知识。把全量企业数据拿出来做预训练，再在此基础上做微调、开发应用——这条路投入大、难度高、产出低。企业需要海量算力和时间，还要克服跨组织数据收集的困难，而训练出来的模型未必能给业务人员带来直接帮助，输出的结果也可能不准确。

当然，各行业确实有不少专有名词，让模型正确理解包含这些名词的问题是有必要的。这部分可以通过一些指令微调来实现。如果条件允许做了数据预训练，效果当然更好。

从产业层面来看，更合理的路径是：让行业专业供应商基于行业数据做预训练和微调，形成具备一定行业知识的大模型，然后部署到企业内部，结合企业自身的知识库来支撑各种应用。这样，投入较高的数据预训练工作由供应商完成，成本分摊到多个企业，大大降低了企业应用大模型的门槛。

另外，大模型领域还有一个正在发展的核心技术路径——Agent（智能体）。简单来说，Agent能像人一样，把一个复杂问题拆解成一步步，每一步去查询数据或调用业务系统的API，自动执行整个流程并给出结果。在这个过程中，最关键的是积累数据：每次Agent执行任务时，人是如何操作的，结果怎样——这些数据都被记录下来，成为后续模型迭代的养料。只有积累了足够多这样的数据，才能训练出具备较强自动处理能力的大模型。

如上文所说，对算力要求最高的预训练过程，很多企业并不需要亲自做。企业只需要一个能运行预训练好的推理模型的低算力设备，就能用上大模型应用。当然，如果企业基础好、业务场景多、数据量大，确实需要做模型微调，那一定的算力建设还是少不了的。

即便市场上很多供应商和工业企业都在讲“我们建了一个行业大模型”，实际上他们也都是从一两个具体场景切入的。行业大模型不是一开始就能构建出来的。从细分场景起步，逐步向更多场景和行业内拓展，最终才有可能成为真正的行业大模型。

由于大模型并未真正理解行业知识，所以在寻找未知规律、做数据价值挖掘和预测方面，很多时候确实还得依赖传统的小模型和机理模型。需要时，再由大模型来调用它们。在边缘AI场景中，由于需要近实时计算且算力有限，目前主流仍然是使用小模型，大模型在边侧的部署还在探索中。

不过，一些需要沉淀人类经验的工作，倒是可以通过大模型来实现。比如设备故障分析：工厂里有些老专家可能并不完全懂原理，但凭经验就能给出故障原因。如果把每次故障的背景数据和分析原因做成问答对，用来训练模型，那么当类似故障再次出现时，模型也能模拟老专家的思路，给出相对靠谱的原因分析。这条路绕开了复杂的原理分析和建模，虽然模型不可解释，但在多数情况下是可用的。

说能挣钱没错，但要说挣大钱，恐怕不容易。大模型在短期内，注定是头部企业的主场。这些企业让旗下的数科公司去搞，中小企业用不起也不会买，同行之间更不可能互相买账。更关键的是，工业AI的应用场景极其碎片化，模型沉淀的核心经验很难迁移到其他企业直接复用。工业AI确实有明确的商用市场，但看看目前专门做工业AI的服务商，很多都做得不大，甚至不赚钱——这条路有多难走，心里多少还是要有数的。