“小模型+智能体”跑出大效益 制造业AI探路最后一公里

证券时报记者 康殷

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12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。目前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择的结果。资深企业管理专家、高级咨询师董鹏分析，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，目前主要还是小模型，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，目前工业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，企业应选择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输出只能作为参考，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。