面对这一增长机遇，AI在工业领域的应用形态正处于多元探索阶段。除了英伟达构建的虚拟仿真与数字孪生工厂的独特路径，记者了解到，随着工业企业对AI技术兴趣的日益浓厚，基于小模型和前沿的大模型应用也正加速落地。

小模型的实践与价值：解决具体问题的利器

 格创东智的李楠分享了公司自2018年起在AI领域的实践经验。他们专注于服务半导体及泛半导体行业的客户，在这些企业完成了初步的信息化建设后，迫切需要AI技术来解决生产线与供应链中的实际痛点。格创东智自主研发了包括多因子分析、良率预测、图像识别、设备运行维护等在内的一系列小模型。李楠以半导体行业的缺陷监控为例，介绍了其AI-YMS系统，该系统能够有效预测关键产品规则，从而帮助工厂在良率与缺陷监控方面取得显著成效，大幅减少了人力投入，并每年为相关工厂节省了可观的良率损失。

 李楠还指出，随着以DeepSeek为代表的大模型技术的火热，许多企业更加坚定了自主构建AI应用的决心。制造业客户也开始组建专门的AI团队，探索如智能体（Intelligent Agents）等创新应用。一个明显的趋势是，随着企业数字化建设的深入，传统数字化预算有所收窄，而对AI的新增兴趣促使企业单独列出AI预算，显示出对AI技术的重视程度不断提升。

大模型的崛起与应用：加速部署与未来展望

 在大模型的催化下，一些AI应用正加快部署步伐。报告指出，制造业企业落地最快的AI应用集中在常见场景，例如作为流程助手的应用，能够快速辅助完成PPT、文档、材料的书写。知识库应用也已相当成熟，能够高效处理销售、授权、营销、研发等领域的文档阅读与总结。此外，利用AI进行经营决策类的数据分析也涌现出不少成功案例。

 然而，关于大模型在工业领域的核心应用，业内仍存在一些困惑，即仍在权衡大模型与小模型之间的优势。李楠提到，在一些已有成熟小模型解决方案的场景下，大模型的具体应用价值仍待进一步明确。

小模型的持续生命力：高效、灵活与经济

 一些行业人士坚信，小模型在工业领域的应用模式将得以延续。IDC中国助理研究总监崔凯表示，小模型具备资源需求低、响应速度快、部署灵活且建设成本相对较低等优势，其在3C、装备、汽车等领域的广泛应用已成常态，并正逐步向医药等行业拓展。

 崔凯进一步强调，“大模型并非万能的解决方案。”他保守估计，未来工业AI支出中，小模型的比例仍将占据60%至70%。李楠也补充道，目前在工厂落地应用的AI场景中，约有80%的问题仍然依赖小模型来解决。

小模型在研发环节的突出表现

 在研发环节，小模型的作用尤为显著。一些企业正通过部署参数量相对较小、专注于特定领域的模型，来显著提升研发效率。

 深圳一家合成生物技术公司的高管分享了其利用AI加速研发的经历。公司投入巨资在AI技术上，用于新物质筛选、酶和蛋白筛选以及菌株改造，实现了研发效率的指数级提升。虽然该高管尝试过一些通用型大模型，但发现其在特定领域的数据训练不足，难以解决实际生产问题。因此，公司选择自主研发针对合成生物领域的模型，尽管不是参数量巨大的模型，但其在细分领域的表现远超市面上可见的通用模型。

大模型的新定位：串接应用与跨系统整合

 在小模型之外，业内也在对大模型的潜力进行新的判断。李楠认为，大模型在工业领域最有希望发挥的作用是作为“串联者”，通过智能体来连接不同的应用场景。这意味着，以往需要人工完成的点击、导出数据等繁琐步骤，将可由智能体自主完成。

 崔凯也认同，在研、产、供、销、服等系统相对独立的制造业企业中，智能体在实现跨专业整合方面具有巨大的潜力。他进一步指出，大模型在工业领域实现更大发展，需要结合多模态大模型与大语言模型。此外，对于那些依赖“老师傅”经验但尚未形成完整理论体系的场景，大模型可能比小模型展现出更强的解决能力。