证券时报记者从业内了解到 ，“人工智能+制造 ”正成为相关上市公司提质增效的新抓手。人工智能（AI）视觉质检 、设备预测性维护等单点应用为企业带来降本收益
，AI仿真
、数字孪生和智能体开始进入研发设计、柔性生产 、供应链协同等更深环节 。TCL华星
、美的集团、国星光电等企业的经验显示，工业AI的核心不在于模型“更大
” ，而在于其是否理解工艺 、嵌入现场并形成可复制的组织能力
。

　　小模型跑出高回报

　　在TCL华星的产线上
，面板工艺波动以微米计，一两微米的偏差就可能影响产品表现。过去某些异常靠人工班次检查 ，一个班1两小时 
，可能七八个小时后才被发现，等暴露时已形成批量异常货 。AI实时监控后 ，异常能更快锁定，小问题在扩大前就被拦截
。

　　TCL华星AI巡检项目的推动人
、数字化转型中心中心长佘必海给了一组对比：过去华星某工厂一年小异常事件有400多起
，现在只有几十起，减少接近一个数量级。近来 LCD良率部分突破98% ，行业平均水平是95%—96%；实行AI巡检后
，华星正冲刺99%的良率目标 。

　　在面板生产现场，过去人工判片、检查 、修补等工作 ，如今靠图像识别小模型和现场智能体
，一个班只需少数人维护AI模型
。

　　上述只是TCL华星的AI应用案例。据了解，TCL华星在制造领域已开发图像识别等小模型约两万个、智能体一万多个 。制造环节的人效
、良率、产能 、异常事件等指标 ，因AI应用出现显著改善。

　　这类小模型能跑出回报
，是技术特性与工业场景双向选取 的结果
。资深企业管理专家
、高级询问 师董鹏分析，视觉质检、异常预警属于边界清晰的问题 ，定义明确
，历史数据充足，价值反馈也极快 ，企业算得清投入产出比。事实上，这些场景无需颠覆性改造
，训练周期短 、部署成本可控，企业不需要承担太大的试错风险 。

　　大小模型协同工作

　　制造领域真正创造大价值的 ，近来 主要还是小模型
，而不是大模型
。小模型在确定性较强的场景中表现稳定；大模型泛化性虽强，但存在“幻觉 ” ，不宜用于高风险环节。换言之
，特定场景下AI不是越聪明越好，而是要足够可靠 。

　　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》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
，近来 工业AI小模型的应用占比高达70%  。

　　天使投资人
、资深人工智能专家郭涛认为，“小模型干现场、大模型做参谋 、智能体当传令官 ”的分层架构匹配工业制造的严苛约束 ，将成为长期主流路线
。

　　作为TCL战略孵化的工业AI企业
，格创东智提出“大小模型协同
”体系，其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 。

　　工业AI小模型单点应用效果被验证后，越来越多制造企业把AI推向研发设计
、柔性排产和能耗管理等更深环节
。

　　国星光电依托针对LED集中度稳定性训练的AI模型 ，对产品进行智能化分档和测试异常及时预警
，实现试点产品光电参数一致性（集中度水平）提升10%以上，异常响应时间缩短约98% ，提升产品良率，降低制造成本。

　　美的集团在制造工厂部署AI智能体
，其中荆州工厂由“工厂大脑”统一调度，14个智能体覆盖38个核心生产场景 ，排产响应速度提升约90%
，多场景平均提效超80%；泰国空调工厂交付前置时间缩短43%，客户投诉率下降32% 。

　　TCL科技高级副总裁、TCL华星首席执行官赵军透露 ，自研的星智大模型已深度融入研发 、制造
、运营全流程
，制造环节的ADC自动缺陷分类和ADR自动缺陷修补技术实现“检测—判定—修复 ”闭环，缺陷判断准确率提升至95%；研发领域助力问题解析与材料研发效率提升20%—30%。

　　董鹏认为 ，未来一到两年
，研发仿真、工艺参数优化和智能排产最有望规模化破局，企业应选取 工艺成熟的主力产线作为“磨刀石” ，先跑通一条线再横向复制
，避免一开始就铺向全厂
。

　　数据质量和可靠性决定胜负

　　与此同时，工业AI从单点应用走向全链渗透 ，还存在堵点卡点。

　　赵军将AI落地卡点归纳为四方面：模型可靠性 、工业数据飞轮建设
、智能体工程能力、领域专家协同机制 。“工业领域容错率非常低，一次偏差就可能引发产线停机
，模型必须具备确定性输出 、可量化置信度
、可追溯推理链路以及完善的兜底机制
。
”他表示，半导体显示领域高价值数据稀缺 ，必须建立采集、清洗 、标注、训练
、验证的完整闭环
，才能驱动大模型从“辅助工具”向“自主智能体 ”升级，这更需要领域专家持续参与问题定义与结果校验。

　　郭涛建议 ，工业现场容错率接近于零
，必须建立“模型建议、人工确认 、系统执行
”的三段式防护体系，坚持“人在回路”原则 ，AI输出只能作为借鉴 
，不能直接操控设备 。他认为评估工业AI成色，真正值得跟踪的是良率
、能耗和周转三项硬指标 ，以及数据治理成熟度
。

　　值得注意的是
，今年1月工业和信息化部等八部门印发《“人工智能+制造 ”专项行动实施意见》，提出到2027年推动3—5个通用大模型在制造业深度应用 ，推出1000个高水平工业智能体，打造100个工业领域高质量数据集
，推广500个典型应用场景。

　　行业整体仍处早期，绝大多数企业还处于“量变
”阶段 ，智能体数量很多
，但还没有真正引发质变 。业内共识是，小模型已产生显著的降本价值 ，而从AI工具走向“AI原生工厂”不会一蹴而就
，设备、材料 、工艺
、产线固有的物理极限都制约着改造速度
。

　　随着“人工智能+制造 ”专项行动向纵深推进，能否率先打通数据治理、系统对接与组织协同 ，将决定谁能率先跑出工业AI的第二增长曲线。

（文章来源：证券时报）