大模型是继深度学习后人工智能（AI）领域的又一重大进展，在算法突破、算力提升及海量数据三方面因素的作用下加速发展起来。回溯至 2017年，Transformer架构引入的自注意力机制从根本上改变了自然语言处理的基础逻辑。放眼全球，以 OpenAI的GPT-4、Google 的 PaLM-2和Meta的 LLaMA系列模型为代表的大模型，都在朝着万亿参数和跨模态的方向演进（如GPT-4V 的图文联合分析、Sora的文本生成视频）；而在国内，“政企协同、应用驱动”的策略让我们的落地成果稳居全球第一梯队，百度文心、华为盘古、腾讯混元等大模型在各个领域已展现出不俗的实力。

此外，值得一提的是在架构层面上 ，国产大模型DeepSeek 的独特优越性：使用稀疏混合专家模型（mixture of experts, MoE）架构、混合注意力机制、动态推理优化等技术来实现高质量低延时输出；拥有超长文本上下文窗口和统一建模多个任务的优势，训练速度更快；推理速度高于同规模的模型，并在性能和成本上均有显著的优势。

当前大模型在消费侧（服务、社交、娱乐等）应用已经较为成熟，在这些场景下往往有大量文本、图片等结构化数据产生，并且用户的需求也比较明确，比如：通过自然语言对话解答用户疑问的 AI 客服，基于用户画像的内容推荐、个性化广告生成等应用。这些应用的方法路径非常清晰，落地推广也非常快。

然而大模型在工业、制造业领域的应用目前还是一个难题。工业场景复杂，数据繁多，既有设备传感器的时间序列数据，也有大量的工艺参数数据，还有大量的非结构化的图纸等；而且因为工业大模型需求细化且具有较强专业性，模型推广不能简单复制消费行业大模型的打法。有关研究人员已对大模型的行业应用进行了探索。京东言犀大模型在语义理解的基础上实现对供应链决策流程优化；思谋科技工业质检大模型在工业视觉检测领域提供高质量检测能力；第四范式先知大模型则聚焦生产流程的智能优化。然而以上工作大多局限于某一环节，缺乏贯通研发—制造—运维各阶段的一体化智能技术方案。工业大模型亟须解决知识嵌入、异构信息处理、系统级协同等关键性科学问题，进而推动由局部智能向全面智能跨越发展。

为此，中国计算机学会青年计算机科技论坛深圳分论坛（CCF YOCSEF 深圳）于 2024、2025 年举办了多场有关工业大模型的论坛。基于论坛观点，本文就大模型技术如何在我国工业领域落地进行了系统梳理并展开论述：首先介绍我国工业领域的作业场景及特点，讨论适合大模型与工业场景的匹配方式；然后提出工业大模型开发及落地的三大基本范式，并给出其利弊得失；最后讨论目前工业大模型落地所面临的困境和发展趋势。

工业领域大模型应用现状与分析

工业应用的第一需求是以尽可能低的成本落地，第二需求是技术足够可信，因此对于大模型的选择应秉持 “够用就好” 的理念。大模型本身具备单个大模型（一模）解决很多问题的特点，但巨大的参数量意味着模型训练难度极大，同时随着模型规模增加，性能提升也会逐渐降低，在实时性和可靠性要求较高的情况下很难大规模部署使用。而百万级到千万级的小模型由于其模型简单，在训练时间、推理时间和计算资源消耗方面均具有较大优势，并能提供更稳定的输出结果，更适合生产环境中的可预测任务执行。

就功能而言，大模型负责全局理解和创新，小模型负责局部推理和决策。前者可以处理跨领域的信息感知、综合分析、规划创新等问题，比如图像+文字模式下的意图理解、工艺流程创新设计等；后者主要针对具体对象进行分类判断和即时决策，比如对工业场景中的产品外观瑕疵点进行精确定位分类，或者对生产运行状态进行预测诊断。大模型辅助复杂决策，小模型负责兜底。

因此，目前我国工业智变更多聚焦在小模型应用上，在视觉检测（如 YOLOv7 的实时定位缺陷点）、预知维修（如 LSTM 振动数据分析） 、供应链排产（如XGBoost 预测销量）等领域已有成熟的实现径，比如某汽车焊装车间用轻量级卷积神经网络（convolutionalneural network, CNN）对车身焊接质量做毫秒级判断。上述案例表明小模型在高频次、确定性的问题上是具备工程落地可能性的；而大模型在工艺改进、知识积累等方面有广阔的应用前景，但在实际工程中还须解决成本、稳定性以及专业知识融入等问题才能真正实现工业化落地。

总体来看，工业场景可分为研发与设计、生产制造、经营管理、设备维护、产品服务五大环节。其业务跨度大、痛点不一，给不同参数规模、不同架构的模型提供不同的切入点和优化空间。

研发与设计 产品的源头是设计，包括复杂的产品设计、制造工艺设计、材料选择及大量仿真的工作。大模型具备的跨模态处理能力和逻辑推理能力可以帮助工程师对计算机辅助设计（computer-aided design,CAD）图纸、实物参数进行综合考量，并辅助工程师在海量参数下找到最优设计方案。

生产制造 制造环节中，工业流程、质量管理以及生产效率都是重要的考量维度，涉及的数据包括生产线实时监控数据、传感器数据、机器人动作数据等。在这种情况下，相比于大模型，小模型能够取得更适配场景的效果。比如，小模型通过分析大量生产数据、设备状况以及历史事件，可以发现潜在线性异常和改进空间，在缺陷检查以及产线自动化中实时发现并反馈。

经营管理 企业的资源配置、生产调度、供应链管理、销售预测等都属于经营管理范畴，在这部分业务中，大模型可以通过对企业海量经营数据开展细粒度分析，帮助企业开展决策、市场需求预测、风险点识别。尤其在供应链管理上，大模型通过对库存、运输、需求预测等多个维度的数据建模，能够提升预测准确性。但经营管控过程往往不需要计算实时性，该场景下可以使用大模型做离线分析及决策，并根据需要随时对模型规模及复杂度进行动态调整。对于小微企业或资源受限的企业，可以利用小模型作为低成本的替代方案，对重要数据进行简易分析。

设备运维 设备运维的目标是保障设备稳定运行并降低停机次数。在这一环节中，预测性运维模型一般须对设备历史信息、传感信号及运行状态等加以利用。在现场条件下，通常会因为资源较为有限，需要在边缘侧实现快速响应。为此，在运维环节中，一般偏向于使用能大幅降低计算量、受硬件制约较小的小模型或者轻量级的大模型。

产品服务 产品服务主要是指对产品的售后服务、技术支持以及产品全生命周期管理。大语言模型通过挖掘用户评价、工单日志记录及设备上报的非结构化数据，对企业大量的用户数据进行分析处理，为企业提供更好的客户服务与支持，预判客户需求，在产品生命周期的不同环节为其提供个性化服务。如今这种基于自然语言处理技术的 AI 客服已广泛应用于各行各业并起到关键性的作用。

工业垂域大模型落地应用范式

工业企业应用大模型主要有自研、外协研发、开源模型微调 3 种方式，在成本、数据壁垒、技术掌控等方面存在较大差异，须根据需求、资源、技术条件等因素综合考虑。

自研大模型 自研大模型可以基于企业的具体需求量身打造，使模型完全适用于具体的业务领域和应用场景。在这一过程中，企业可以对数据进行全生命周期管理，在保护数据隐私安全的前提下避免了数据泄露风险。企业不但拥有模型的自主权，还可以不断迭代升级，减少对第三方服务商的依赖。但这种模式需要大量的人力、财力及物力，在此过程中还需要研发团队、高端计算机硬件及长期的技术培训和支持，同时建模过程耗时较长，容易造成企业在技术迭代和行业竞争上的被动局面。

外协研发 外协研发可以节约时间成本，并能享受技术公司提供的专业技术支持；外部的服务供应商具有较为丰富的实践经验和专业知识，能够为企业提供较好的模型开发和服务保障工作；快速实现模型的上线运行，提高企业的工作效率。但外协研发存在服务费用高、数据隐私安全隐患等问题，同时因为企业对模型的掌控力较弱，易形成对外部服务商过度依赖的风险。

开源模型微调 使用开源模型也是很多公司正在探索的一种性价比极高的主流方式，采用成熟开放的源码可以减少前期投入，并能得到全世界程序员的开发支持。而且一般开放模式都是公开透明的，可按自己的意愿加以改进。另外开源社区的支持可加快技术迭代优化。但开源软件一般缺乏深度行业经验，企业应用除了要有一定技术力量进行二次开发维护外，还要应对数据隐私安全等问题。

表 1 是 3 种工业大模型开发与应用范式的优劣势汇总

大模型在我国工业场景应用中的难点与痛点

虽然我国大模型技术在工业领域具有广阔应用前景，但仍面临许多挑战及难点。工业场景一些独有的特性制约着大模型技术的应用。

各企业间，特定领域内数据质量的差别 实际工业生产的各类数据大多分布在不同的机器、产线以及监控系统里，数据格式各异，还存在着信息孤岛的情况。更为严重的是，工业数据对时序性及实时性要求极高，数据更新快且质量不一，这对大模型的学习使用提出更高要求。

大模型不够鲁棒和可信 对于工业自动化系统而言，如果其数据处理出错或者控制决策有误，可能会引发生产安全事故、破坏生产设备，导致巨额经济损失。因此，在工业领域通常会使用那些经过多年实践检验并被证明是成熟可靠的较小规模的模型或者传统的控制系统。虽然此类系统的功能比较简单，但对某些特定的任务具有高可靠性，并能快速反应。另外，大模型往往需要强大的计算能力及繁杂的训练过程，较高的部署费用和运营风险使企业对其应用更为慎重。

定制化的场景下，降低成本的要求仍然存在 在工业生产以及设备管理方面，常常会针对某些特定的流程、设备特征以及质量要求实施精细化管理；而通用大模型是通过对海量互联网语料库数据进行训练得到的，所以其生成的内容和策略都是比较通用的，难以适配具有清晰业务规则及工作流程的工业场景。企业使用大模型往往需要进行大量的自有数据采集、模型微调、二次开发，不仅抬高了技术门槛，也增加了投资成本和技术开发时间，大大降低了大模型在工业场景中的可应用性。

中小型企业工业场景缺少应用大模型的能力和技术储备 大模型的应用需要专业的机器学习工程师、数据科学家以及各行业专家组成的大规模技术团队和专业技术人才，而当前这些专业人才还比较稀缺，在技术攻关、模型训练、应用落地等方面面临很多挑战。同时，在实际生产中，对模型的稳定性及可靠性有很高的要求，一旦出错可能会导致生产事故的发生并造成不可估量的经济损失。

由此可见，当前的大模型在复杂推理能力、规划能力、可解释性等方面仍须改进，以符合工业领域的严格标准。

关于如何推动大模型在工业场景中应用的建议

虽然现阶段我国大模型技术在工业领域的应用还非常有限，但是大模型具有强大的泛化能力和推理能力，将在工业智能的升级中发挥重要基础支撑作用。未来，大模型在工业领域的发展主要体现在以下几个方面。建立垂直领域知识库及数据集 由政府牵头建设垂直行业知识库，破解数据孤岛、知识碎片化的难题。

考虑到目前工业数据分布在设备商、工业企业等各类主体手中，建议统一数据标准、搭建多企业间共享平台并辅之相应的激励措施（对提供数据的企业减税降费），强制汇聚脱敏生产工艺参数及装备运行日志等关键数据，构建全产业链的行业数据库，实现大模型对产业机理的深度认知，支撑大模型在工艺优化、故障诊断等方面的大规模落地使用。结合国家工业互联网安全体系保障数据权属和流转安全，从根本上提高供应链协同效率。

工业级的大模型会逐渐走向平台化及生态化模式在国内云计算、物联网、5G 技术日渐成熟的背景下，以工业大模型为核心进行智能制造的相关平台构建工作已逐步展开；基于不同环节产生的海量数据，如研发设计、生产制造、设备运维、经营管理等，打通企业内部各个部门之间的壁垒，甚至打破企业间的信息孤岛，为整个产业链提供决策分析和智能优化服务。未来工业大模型还将借助国家政策和企业的数字化升级诉求，构建开放化、协同化、高效化的工业智能生态系统，加快实现传统制造行业的智能化改造。

由通用化向轻量化的模型设计方向发展 在工业场景中，为了满足成本低、响应快以及可靠性高等要求，亟须推动大模型由通用化向轻量化转变。虽然千亿级别的通用大模型具有通用性强的优势，但是由于在模型的训练和推理阶段耗用的计算资源较高，在将大模型实际应用到工业场景时会受到设备性能约束，而且无法满足特定领域的精确度要求。因此应设计一种 “云−边缘” 联合的小型化的解决方案：在云端进行通用领域的大模型计算与学习，总结一般性的信息形成一个小型的子模型，从而有效减少模型尺寸及学习成本；在边缘端采用可扩展的推理机制，依据实际的应用需求灵活选取有效的子模型，降低本地算力需求及运维成本。此外，配合增量学习技术，采用局部参数更新而不是全部重训的方式，能极大降低模型迭代成本，使工业客户在成本可承受的情况下对大模型进行不断迭代以适应自身应用场景。

大模型+小模型，相得益彰 未来的工业大模型和工业小模型会以知识迁移、数据增益、联合调用的方式进行共生发展，大模型产生的大量数据及知识成为小模型的数据来源；小模型在局部场景下聚焦敏捷落地以及可靠运行，二者协同提高系统整体智能性和效率性。

工业大模型在工业场景的规模化应用倒逼标准与法律体系的加速完善 规模化应用必将呼唤“标准先行、法律兜底”。未来，针对数据所有权、算法透明度及生产责任界定，国家与行业层面将加速出台工业数据分级分类标准与 AI 可信评估指南，在激发技术创新的同时，筑牢工业安全的底线。

结束语

大模型的出现标志着 AI 正从专用智能走向通用智能，在工业场景中，大模型以其强大的多模态感知以及推理能力正在成为工业领域迈向智能时代的重要基础设施之一。现阶段，我国大模型在工业中的落地由小范围的单点突破逐步转向整体性重构。基于对工业机制模型和各个行业数据的高度融合，大模型可以在研发设计、生产优化、设备运维等整个生命周期发挥作用。

但是想要真正将大模型应用到工业现场，我们还需要走很长的一段路。工业生产高度重视因果律和可靠性，而以概率论为基础的大模型输出方式与上述要求天然存在矛盾；另外，工业知识的专业性和场景分散度较高，很难简单地套用通识模型；同时，现已投入使用的大模型存在一味求大，忽视技术和业务匹配的问题，可能会造成不必要的资源投入。

展望未来，工业大模型发展的方向有以下五点：一是建设行业级垂直知识图谱和数据底座，消除企业数据壁垒；二是实现模型平台生态化，从端到端完成最优决策；三是普及“云上预训练+边侧按需服务”的微小化落地场景，满足工业一线实时性及可靠性需求；四是推进“巨模−微模”协作进化，巨模做判断，微模做动作；五是加快建立规范指引体系。

上述发展将全面带动工业生产体系发展，进而推动工业制造由经验型向知识型根本转变。