这些大模型工业应用场景，企业都探过路了

数据不够、精度要求高、工厂又想要模型灵活可扩展——生成式AI落地工业，确实没那么简单。这些现实问题叠加在一起，成了阻碍技术渗透到一线场景最直接的障碍。

为了真正拆解这些难题，虎嗅智库组织了一场深度研讨会，邀请了来自中国信通院、TCL中环、国轩高科、美的、隆基绿能、施耐德、百度智能云等多家头部企业的AI决策者。他们围绕AI在智能制造中的趋势、质检与能源管理等具体场景的落地案例，以及企业如何甄别大模型的有效应用场景，作了相当扎实的分享。

以下是这场大会部分嘉宾的观点摘录，希望能给未能到场的朋友提供一些启发。

---

新质生产力至少有三个“新”：新型劳动者——数字员工，新生产要素——数据要素，和新生产工具——智能工具。而大模型在其中扮演了关键角色。它推动新型智能体逐步替代重复性、程序性的体力和脑力劳动，成为新劳动者；同时，技术的广泛应用也为释放数据要素价值提供了支撑。更重要的是，在大模型驱动下，机器正从自动化走向智能化，具备感知和认知能力，构成了新型生产工具的核心。

---

中国光伏产业各环节产量近年来增长显著，已经迈入“T瓦时代”。市场竞争愈发激烈，如何提升核心竞争力，成了每个企业绕不开的命题。渠本强的判断是：关键在于推动IT、OT、IE的融合，并与AI深度结合，加速数字化转型，才能灵活应对市场变化。

但推进这种融合不是拍脑袋就能做的事，它必须从战略规划、技术实施、人才培养和组织变革等多个维度协同推进。战略层面，企业需要明确融合目标——比如提高效率、降低成本、提升质量，并界定AI、IT、OT和IE各自的角色。技术层面，则需要搭建一个数据驱动的决策体系，通过IT和IE能力收集并分析数据，为AI提供高质量的数据基础，再通过数据分析识别生产瓶颈，利用IE和AI共同优化。而在人才和组织上，组建跨学科团队、培养既懂AI又懂IEOT的复合型人才，是决定成败的关键一步。

---

工业AI的应用路径大体可分为三个阶段：技术主导的点状赋能、需求主导的复杂多场景赋能，以及多模态场景的通用赋能。随着阶段递进，AI的应用价值也在不断放大。

目前，AI在工业领域仍处于早期阶段。刘圣祥强调，这个阶段的结合是场景驱动的，企业应该从小场景中去找解决问题的机会。比如汽车制造中的AI质检、智能分析和能源管理。拿质检来说，过去人员作业的一致性差、标准不统一、成本效率低，AI视觉正好能解决这些痛点；智能分析方面，AI可以帮助应对复杂多因子的生产瓶颈和预测性分析；能源管理上，AI则能做到全局优化，减少浪费。

---

美的在会上分享了多个基于传感技术的AI落地案例，覆盖了产品质量检测、员工标准作业改善、动作浪费分析、异音检测、设备预测性维护等多个环节。

通过多维度摄像头进行图像采集和视觉分析，实现多产品快速检测，不仅提高了效率，检测结果也更有保障。

为了解决大规模定制带来的频繁转产换型和复杂工艺操作，美的用AI摄像头实时捕捉指尖级和毫秒级的动作，结合产线实时数据进行分析，再通过AIGC识别问题并提供作业改善建议。这个方案有效降低了操作错误率和作业质量不良，提升了线平衡率。

基于AI视觉检测和3D数字孪生技术，实时动态分析产线节拍和线平衡问题，持续优化。

利用AI进行电机噪音检测，通过自研检测设备和算法，提升了产品检测的标准性和一致性。

采用家电行业通用的硬软件一体化运维方案，实时感知设备状态和关键工艺参数，实现故障预警、根因推理和预测性维护。

---

在人工智能时代，企业要特别关注四大技术的演进：

（视觉、信号处理、NLP、语音识别）、（因果分析、关联分析、聚类、预测）、（决策树、贝叶斯网络、遗传算法、模糊逻辑等）、（AGI、LLM、Gen AI等）。这些技术组合起来，可以覆盖工艺、品质、设备和研发等业务场景，推动企业智能化转型。

---

企业在探索大模型应用时，必须清楚各种模型的能力边界——大语言模型、CV大模型、多模态大模型、科学计算大模型，各有各的用武之地。只有匹配正确的场景，才能解决实际问题。

百度现场分享了几个案例：利用大模型构建企业知识库，降低了员工学习标准和知识的成本；通过大模型连接数据库做经营数据的“即问即答”，快速分析生产情况；用CV大模型实现动火作业的安全管控；以及通过自然语言对话，融合小模型与系统API，实现设备运维的端到端闭环。

---

在圆桌讨论中，虎嗅智库与施耐德、隆基绿能、百度等嘉宾一起，探讨了大模型在工业领域的落地成效，以及大模型与小模型未来的发展走向。

指出，大模型落地工业面临两难困境：一方面，制造企业的生产数据、知识和经验是核心竞争力，企业不愿分享，导致数据流动差，垂直行业大模型难以普惠；另一方面，单个企业自己做私有化微调大模型，又面临训练成本高、维护难度大的问题，投资回报难以合理化。

则认为，目前大模型探索还处于初期，但有三条路值得最先尝试，而且能够看到效果：一是知识问答场景，二是“问数”——打通经营数据，做到即问即答，快速分析生产情况；三是任务调度——把信息化系统的API开放出来，让大模型判断如何调度。

至于大模型和小模型未来的应用趋势，与会嘉宾达成共识：模型选择要结合具体场景需求。

说得直接——企业落地AI时，不用刻意追求“用大模型解决问题”。而且，除了ROI，信息安全问题也是考量的核心因素。这一点，值得每一位正在规划AI落地的制造企业管理者牢记。