凡达恩FDE


通用大模型能写诗、能画图、能聊天,但把它推进工厂产线,它连一颗螺丝拧没拧紧都判断不了。

最近在数字经济大会上,光合智能创始人付强抛出一句很硬的话:"工业世界经不起 AI 幻觉。" 几乎是同时,卡奥斯那边也放出过类似的判断——"没有工业母语的 AI 进了工厂也是门外汉。" 两句话从两个不同方向戳到同一根刺:通用大模型和工业 AI,根本不是一回事。

这不是哪个厂商在 diss 同行,是制造业 AI 落地最硬的一条红线,被两个头部玩家先后按到了桌面上。

工业 AI 和通用 AI 之间的差距,不是参数量的差距,是语料类型的差距。 一个吃的是互联网文本,一个吃的是工艺机理。

凡达恩注:这篇文章里我尽量克制不引用没听过的小厂案例,但 12% → 0.8% 这组数据来自光合智能团队的对外披露,可信度比较高;如果你厂里的真实数据比这更夸张或更保守,欢迎评论区拍砖。

核心矛盾:通用大模型的语言语料 vs 工业世界的物理机理

先说一个反常识的判断:大模型"越像人",在工厂里越危险。

通用大模型的核心能力是"在大量文本里挑出最像人话的那一句"。它的语料来自互联网、来自书籍、来自对话——全是语言层的。进了工厂之后,它面对的是完全另一套东西:温度曲线、压力波动、振动频谱、焊缝熔深、刀具磨损量。

这两套体系,底层逻辑就不一样。

语言层大模型答错一道题,最多让人笑一下;工业层大模型答错一道题,可能让一整条产线停摆。 这就是付强说的"工业世界经不起 AI 幻觉"——不是技术名词,是一种真实的工程后果。

某汽车零部件厂去年上过一个"工业版 ChatGPT"——拿来给工人查工艺参数。三个月后下线了。原因不是它回答得不够流利,恰恰相反,它回答得太流利了。工人问"这个温度下材料会不会变形",它给了一段非常顺、非常自信、完全错误的解释。没人敢再用了。

✅ 划重点

**核心洞察**:工业场景的容错率是 0.1% 级别,通用模型的容错率是 5% 级别——这两个数字之间差着一条产线。

所以别再问"你这个模型多少参数"了。问"你吃的是什么语料"。

真实案例:通用模型质检误判率 12%,工业垂类模型降到 0.8%

光合智能公开过一组对比数据,我看完之后一直没忘:

  • 同一条冲压件产线,通用视觉大模型的质检误判率:12%
  • 换成针对该产线训练的工业垂类模型后,误判率:0.8%

15 倍的差距。

注意,这还不是模型"能力"的差距——两个模型在论文指标上都很漂亮。是数据基础的差距。通用模型见过的螺栓孔可能几百万个,但这条产线上这个模具的螺栓孔,它一个都没见过。

12% 不是模型笨,是它根本没见过这个"题目"。0.8% 也不是模型聪明,是它只为这道题而生。

类似的案例我们自己做驻场时也碰到过。某家电厂想做钣金缺陷检测,第一版上了个开源的通用检测模型,准确率死活上不去。驻场工程师蹲了两周,把产线上的缺陷类型重新分了 9 类、采集了 6 万张带标定的样本,重新训——同样的模型架构,准确率从 71% 提到 96%。

变的是模型吗?不是。变的是语料。

工业 AI 需要的三个底层能力:数据采集清洗、工艺知识库、边缘端推理

很多老板觉得"我们厂数据很多,上 AI 应该有戏"——这话对一半。数据多不等于数据能用。工业 AI 真正需要的底层能力,三个:

第一个:数据采集与清洗。工厂里有大量数据是"假数据"——传感器漂移、人工录入错位、设备断电空缺、上错工装的工件混在良品里。这些不洗,喂给模型就是喂毒。能上 AI 的工厂,先把数据治理当基建做。

第二个:工艺知识库。老师傅脑子里的"这个温度下要降速 5%",不在任何数据库里。工业 AI 必须把这些隐性的工艺经验显性化、结构化、可调用化。这是通用大模型完全没有的能力——它不跟老师傅聊。

第三个:边缘端推理。工厂里很多场景不允许把数据传到云端再传回来——延迟、带宽、合规都卡着。工业 AI 必须在车间本地完成推理,毫秒级响应。 这是为什么很多"云上大模型"在工业场景根本用不起来。

三个能力缺一个,工业 AI 这条路就走不通。

FDE 的做法:驻场落地 = 先建工厂知识库,再谈大模型部署

凡达恩做工业 AI 落地的顺序,和很多公司是反的。

很多 AI 公司一上来先讲"我们这个模型多牛",然后看客户有什么数据能喂。我们反过来:先驻场 2-4 周,把工厂的工艺知识库建起来,再决定上不上模型、上哪个模型。

这个顺序看起来慢,实际上是最快的。原因很简单:没有工艺知识库,模型就是空中楼阁;建好工艺知识库,模型选型反而是最简单的一步。

具体怎么做?三步:

  • 第一周
    :跟产线工人、班组长、工艺工程师一起把"这门工艺到底在控什么"写清楚——不是写在 PPT 里,是写在结构化文档里,每条规则都能被检索。
  • 第二三周
    :把老师傅脑子里的"经验值"挖出来。比如"夏天湿度大的时候,焊接参数要往上调 3%""这种钢材冲压前回火温度要 +5℃"——这些不在任何手册里,全在人脑里。
  • 第四周
    :知识库成型,模型选型、训练、部署变成顺水推舟。

很多 AI 厂商不愿意做这一步——驻场慢、不性感、利润率低。但不做这一步,后面的模型就是"无源之水"。

给工厂老板的一句话建议:别被"通用模型万能论"忽悠

如果你是工厂老板,这篇文章看到这里,一句话记住就够了:

别问"你们模型多少参数",问"你们怎么把老师傅脑子里的经验挖出来"。

前者是营销话术,后者是工程问题。

国内大模型这两年突飞猛进,但工业 AI 这件事,从来不是"模型大就是好"。通用大模型在工厂里的真实角色,更像是个辅助工具——查文档、写报告、生成汇报 PPT。真正决定产线良率和效率的,是那个只为你这条产线训练、只懂你这条产线工艺的工业垂类模型。

付强说"工业世界经不起 AI 幻觉",这句话翻译成大白话就是:工厂不是 chatbox,错一次就是停产。

凡达恩注:如果你厂里正在评估 AI 项目,最简单的判断标准就一个——对方愿不愿意派工程师驻场 2 周以上。愿意的,是真做工业 AI 的;只想远程对接、拿 API 就交付的,建议慎重。

工业 AI 这条路,慢一点没关系,走错一步的代价,谁都承担不起。


💬 互动提问

你厂里最怕"AI 答错"的那道题是什么?评论区聊聊,我看看哪些是共性问题。


E N D