21世纪经济报道记者孙燕 胡凯文（视频）上海报道

以大语言模型为代表的通用人工智能，正逐步渗透并变革各行各业，推动行业从数字化走向智能化。

在工业领域，当前已积累了大量的数据、基础能力和场景需求，为工业场景与人工智能技术的融合提供了基础条件。与此同时，人工智能逐渐展现出类似人的理解和分析能力，这些能力能够将智能化带入到工业生产、运营、管理等领域，有望推动工业走向“自适应、自决策、自执行”的智能化阶段。

尽管人工智能在智能制造、工业4.0、工业互联网等方面有所应用，但过去主要聚焦于质量检测、预测性维护等单一功能，形成了人工智能应用上“一场景一训练一模型”的局限，尚未形成大规模的应用。

2024年上海世界移动通信大会（MWC上海）期间，毕马威中国企业数字化战略咨询主管合伙人李良接受了21世纪经济报道记者的专访。他表示，工业大模型凭借跨场景的融合创新能力，在广泛的工业场景中发挥着不可或缺的作用。工业大模型并非要取代工业软件和工业互联网，而是作为一个强大的整合者，将它们以及其他技术元素融合起来，共同构建更为全面、高效的工业解决方案。

工业大模型侧重于场景

《21世纪》：大模型正加速进入千行百业。在您看来，大模型在工业的应用有哪些特殊之处？

李良：大模型在工业应用中的特殊之处主要体现在强大的通用性和复用性上。一方面，大模型通过海量数据和计算资源的支持，具备了处理复杂任务的能力，能够跨越传统AI的局限，提供更为精准的解决方案。

另一方面，大模型能够处理多模态数据，实现跨领域的知识融合与创新，从而在工业设计、生产优化、预测性维护等多个环节中发挥关键作用。此外，大模型的泛化能力使其能够在广泛的工业场景中进行迁移学习，快速适应并解决特定问题。 

《21世纪》：在制造领域转型的过程中，先后涌现出工业大模型、工业软件、工业互联网等技术。相较工业软件、工业互联网，工业大模型有哪些不同的特征和应用领域？

李良：工业智能化的发展涵盖了多个阶段，工业软件、工业互联网和工业大模型都是关键的推动力。

工业软件侧重于企业内部流程的数字化管理，工业互联网则关注设备和流程的实时监控与智能化控制。而工业大模型凭借跨场景的融合创新能力，在广泛的工业场景中发挥着不可或缺的作用。比如，在研发设计领域，工业大模型通过深度挖掘和分析海量数据，为产品设计提供精准、创新的思路；在经营管理领域，它能实时监控生产流程、供应链管理等各个环节，并通过智能优化手段提升企业的运营效率。

但工业大模型并非要取代工业软件和工业互联网，而是作为一个强大的整合者，将它们以及其他技术元素融合起来，共同构建更为全面、高效的工业解决方案。这种整合推动了工业智能化的进一步发展，为企业带来了更大的竞争优势。 

大模型与小模型融合

《21世纪》：通用大模型可以在上百个工业场景中解决70%—80%的问题，但不能够完全满足某个具体场景的需求。工业大模型如何深入具体业务场景？ 

李良：大模型具备强大的泛化能力，当进一步深入到工业细分的业务场景中，大模型也具备相应的技术能力。

目前，行业内普遍采用的策略有两种：一是在基础大模型之上，利用工业领域的特定数据进行微调，这样能够更好地理解和适应特定场景的知识和需求；二是在不改变模型参数的前提下，通过检索增强生成（RAG）技术，工业大模型能够结合私有知识库，提供更加精准和专业的问答与内容生成服务，从而更好地服务于具体的业务场景。

这两种策略往往相辅相成，共同推动大模型学习并掌握工业细分领域的专业知识、语言模式等关键要素，从而在工业特定任务上实现更为卓越的性能和效果。随着大模型的持续演进，在特定场景的“下沉”学习是工业大模型厂商的必由之路。

《21世纪》：生产制造过程对准确性有极高的要求，目前主要是小模型在发挥作用。您如何看待工业领域大模型和小模型的关系？

李良：从长期来看，大模型和小模型在工业领域将呈现长期共存并相互融合的局面。

首先，利用大模型的多模态处理能力，结合视觉、声音等数据，可以提高生产过程中的监控和控制精度。其次，大模型可以通过生成多样化数据辅助小模型训练，特别是在产品缺陷检测等场景中提升识别准确度。另外，大模型可以通过Agent调用的方式和小模型协同工作，进一步优化了全局调度以及执行的效率和响应速度。 

综合来看，大模型与小模型的融合不仅推动了工业智能化的发展，也为制造过程带来了更高效、灵活的解决方案。

《21世纪》：目前，大模型的商业化路径主要有两条：一是云端大模型应用程序编辑接口（API），二是“软硬件结合”的大模型训推一体机。您如何看待这两条路径？

李良：云端API和训推一体机各有优势：云端API具备灵活性和可扩展性，允许企业根据自己的需求快速部署和定制AI服务，适合需要频繁更新和迭代的应用场景。而“软硬件结合”的训推一体机则提供了更高的性能和更低的延迟，适合对实时性要求极高的工业应用，并且有助于保护企业的数据安全和隐私。

企业可以根据自身的业务需求、成本预算和技术能力，选择最合适的商业化路径。随着技术的进步和成本的降低，我们预期这两条路径都将在未来获得更广泛的应用和发展。