当前，工业领域的智能化转型正迎来一个新的关键阶段。尽管人工智能（AI）在工业领域的渗透率尚处于早期，预计到2028年将从目前的7%增长至25%，但对于AI的应用形式，业内正以前所未有的热情进行深度探索。在英伟达的仿真和数字孪生工厂路径之外，一股由大模型和小模型共同驱动的AI应用浪潮正在加速席卷而来。

 对于制造业企业而言，AI不再是遥远的概念，而是解决实际生产和供应链痛点的利器。以半导体和泛半导体行业为例，早在2018年，一些企业就开始积极布局AI。这些企业已度过最初的信息化建设阶段，迫切希望通过AI技术优化产线效率和供应链稳定性。为此，专门为制造业工厂提供AI转型的解决方案应运而生，重点聚焦在多因子分析、良率预测、图像识别以及设备运行维护等领域。

 这些“小模型”在特定工业场景下展现出惊人的实用性。例如，针对半导体行业的良率和缺陷监控，AI-YMS系统能够基于AI模型和规则模型进行前置预测，有效识别关键产品规则，从而显著减少工厂在相关分析上的人力投入，保守估计每年可为相关工厂节约80万元的良率损失。

 得益于如DeepSeek等大模型的出现，越来越多的制造企业坚定了自主建设AI应用的决心。企业内部开始组建专门的AI团队，着力开发智能体等更具前瞻性的应用。一个显著的趋势是，随着企业数字化建设的深入，传统数字化项目预算有所收缩，而AI预算则开始独立且显著增加，充分体现了企业对AI技术前景的看好。

 在大模型的催化下，一些AI应用正以前所未有的速度落地。在制造业领域，最先实现规模化部署的往往是一些通用的场景。流程助手便是其中之一，能够极大地提升企业在撰写PPT、文档和各类材料时的效率。知识库应用也已相当成熟，能够有效地对销售、授权、营销、研发等海量知识进行文档阅读和归纳总结，为企业决策提供有力支持。此外，利用AI进行经营决策类数据分析的案例也日益增多。

 然而，关于大模型在工业领域的具体应用方式，业内仍存在一些困惑，尤其是在大模型与传统小模型之间如何取舍的问题。对于那些小模型已经能够完美解决的场景，大模型将如何发挥独特价值，企业仍在积极探索。

 不少行业专家认为，在工业AI领域，“小模型”的价值将持续得到肯定。IDC中国助理研究总监崔凯指出，小模型的优势在于资源需求较低、响应速度快、部署灵活且建设成本相对较低。它们在3C、装备、汽车等领域已有广泛应用，并且正向医药等行业拓展。崔凯预测，未来在工业AI支出中，小模型仍将占据70%甚至保守估计60%的比例，因为在工厂现场实际问题的解决中，80%的情况依然依赖于小模型。

 即使在研发环节，小模型的作用依然不可小觑。许多企业正利用参数量相对较小、专注于特定领域的小模型来提升研发效率，而非动辄需要海量参数的大模型。例如，一家合成生物技术公司便通过AI技术加速新物质筛选、酶与蛋白选择以及菌株改造，将研发周期和成本指数级降低。该公司的研发投入中，有10%~20%用于AI技术，并组建了多个团队专门研究AI在细分领域的应用。尽管该领域的专家尝试过市面上的一些外部大模型，但发现它们由于缺乏特定领域数据训练，难以解决生产中的具体问题，反而自主研发的细分模型表现更为突出。

 与此同时，业界也在积极探索大模型在工业领域的潜在价值。李楠认为，大模型有望在“串联”小模型方面发挥重要作用，例如通过智能体实现对多个小模型的调用和集成，自动化执行以往需要人工完成的点击、数据导出等操作。崔凯也认同，在研发、生产、供应、销售、服务等系统相对独立的制造业企业中，智能体将在跨专业整合方面拥有巨大潜力。他进一步提出，大模型要在工业领域取得更大发展，应将多模态大模型与大语言模型相结合。此外，对于那些依赖“老师傅”经验但尚未形成完整方法论的场景，大模型或许能比小模型展现出更优越的解决方案。

 总而言之，工业AI的应用正进入一个百花齐放的时代。大模型和小模型并非相互替代，而是互为补充，共同推动着工业领域效率的提升和智能化的深入发展，为制造业的未来开辟更广阔的道路。