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、罗兰贝格及华为联合编撰的《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。
免责声明
本文转载自网络平台，发布此文仅为传递信息，本文观点不代表本站立场，版权归原作者所有；不代表赞同其观点，不对内容真实性负责，仅供用户参考之用，不构成任何投资、使用等行为的建议。请读者使用之前核实真实性，以及可能存在的风险，任何后果均由读者自行承担。
本网站提供的草稿箱预览链接仅用于内容创作者内部测试及协作沟通，不构成正式发布内容。预览链接包含的图文、数据等内容均为未定稿版本，可能存在错误、遗漏或临时性修改，用户不得将其作为决策依据或对外传播。
因预览链接内容不准确、失效或第三方不当使用导致的直接或间接损失（包括但不限于数据错误、商业风险、法律纠纷等），本网站不承担赔偿责任。用户通过预览链接访问第三方资源（如嵌入的图片、外链等），需自行承担相关风险，本网站不对其安全性、合法性负责。
禁止将预览链接用于商业推广、侵权传播或违反公序良俗的行为，违者需自行承担法律责任。如发现预览链接内容涉及侵权或违规，用户应立即停止使用并通过网站指定渠道提交删除请求。
本声明受中华人民共和国法律管辖，争议解决以本网站所在地法院为管辖法院。本网站保留修改免责声明的权利，修改后的声明将同步更新至预览链接页面，用户继续使用即视为接受新条款。
