互联鱼 2026-11-16 18:21:23
本期看点
就算通用大模型聊天答题样样出彩,放到轰鸣的工厂车间,也未必能干好一线生产的实在活。现在不少人把通用大模型当成AI的终极答案,觉得参数堆得越大,就能搞定所有行业的难题。但有业内学者提出不一样的看法,AI比拼不该只盯着对话能力,真正考验实力的,是能不能扎根复杂的实体工业。
大模型为何难走进真实工厂?
提出这个观点的是清华大学计算机系副教授崔鹏,他长期深耕人工智能与大数据方向,也是因果稳定学习领域的重要研究者,不少研究成果已经落地工业互联网场景。
近日,在香港国际计算机会议的公开分享中,他提醒行业,我们不必一味跟着海外的思路死磕通用大语言模型,工业领域更需要量身打造的专用AI系统。
《新华网》2026年的产业报道提到,国内制造业拥有完整齐全的工业门类,海量真实生产场景,恰恰是发展工业专用AI得天独厚的基础。
为什么会出现大模型在工业场景“水土不服”的情况,底层根源来自数据形态的巨大差异。
消费互联网世界里,大部分信息是文字、图片这类内容,刚好契合大语言模型擅长处理的符号逻辑。
而工厂生产线超过八成的数据,来自各类传感器持续输出的压力、震动、电流数值,是连续变化的物理信号。
强行把这些物理信号转成文本交给大模型处理,会丢失大量关键特征,还会带来数据量的急剧膨胀。
除了数据适配问题,容错标准和反应速度更是一道坎。
因为日常使用时,大模型偶尔出现逻辑偏差,也就是大家常说的幻觉,并不会造成多大损失。
可化工、电力、精密制造这些场景,一丁点判断失误,就可能带来物料报废,甚至触发安全隐患。
工业控制环节还要求毫秒级的快速响应,通用大模型推理耗时很难跟上生产线实时调控的节奏。
这就好比考试拿高分的考生,面对实操动手的工作,会暴露出经验和反应速度上的短板。
也有人会疑惑,既然通用大模型短板这么多,那工厂里真正靠谱的AI又该是什么模样。
它并不追求什么都懂,而是牢牢吃透某一类设备和工艺的物理规律。
比如风力发电机组的故障预警模型,专注捕捉齿轮轴承细微震动变化,提前预判零部件损坏风险。
钢铁高炉内部环境极端恶劣,无法直接布设摄像头,融合物理机理的小型AI模型,就可以依托外部采集的数据推演炉内工况,帮助工厂减少原料消耗。
《科创板日报》的行业调研显示,越来越多制造企业已经开始采用大模型搭配工业小模型的组合模式开展智能化改造。
通用大模型更多承担理解指令、整理文档、查阅工艺资料的辅助角色,不直接接管设备控制。
真正下发到机械设备的,是经过物理规则约束,高可靠的工业专用模型,各司其职配合完成生产任务。
这并不代表通用大模型没有价值,只是要认清它能力的边界,不能把它当成包治百病的万能工具。
AI赛道的竞争,不只有堆参数做聊天机器人这一条道路。
拥抱实体产业,解决车间一线真实的降本、提质、保安全需求,同样是一条宽阔可行的发展路线。
我们坐拥庞大的工业土壤,完全可以走出适配自身产业现状的AI发展路径。
未来AI的较量,不止比谁对话更流畅,更要看谁能够真正走进钢铁机器之间,把数字能力转化成实实在在的产业生产力。
【版权声明】本文内容来源于互联鱼,版权归原作者及原媒体所有。本站仅作信息分享,不构成任何商业用途;如涉版权问题,请联系本站删除。
发布时间:2026-11-16 17:13:49
(第1/1页/共6434字/3阅)