小模型 vs大模型:制造业AI落地,到底该把宝押在哪一边?

8月12日，证券时报一篇《小模型+智能体跑出大效益》在业内刷屏。文章里有一组数字，值得每个打算上AI的工厂停下来算一算账。

TCL华星在产线上部署了约2万个图像识别小模型、1万多个智能体；美的荆州工厂用"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%。

可在这些亮眼案例背后，藏着一个被很多人忽略的事实：工厂里真正跑出回报的，往往不是那个"最大"的模型。

大多数人以为上AI就是买更大的模型。但工业现场的逻辑恰恰相反——越小、越专、越懂工艺的模型，反而先赚到了钱。

一个反直觉的事实：小模型才是工厂的"现金牛"

IDC的统计数据很说明问题：目前工业AI里，小模型的应用占比高达70%。

为什么？因为工业场景里最赚钱的几件事——视觉质检、异常预警、设备预测性维护——都有一个共同特点：边界清晰、历史数据足、价值反馈快。

TCL华星某工厂过去一年小异常事件有400多起，靠人工班次检查，往往要七八个小时才发现，等暴露时已是批量异常。上AI实时监控后，小异常降到几十起，减少接近一个数量级；LCD良率部分突破98%（行业平均95%—96%），正冲刺99%。

国星光电用AI模型做产品分档和异常预警，光电参数一致性提升10%以上，异常响应时间缩短约98%。

这些场景不需要模型"懂天下事"，只需要它在自己的那一亩三分地里足够可靠。

大模型为什么在工厂"水土不服"

这不是说大模型没用，而是它的短板在工厂会被放大。

中国信通院、清华大学人工智能研究院、罗兰贝格与华为联合编撰的《工业与AI融合应用指南》点得很直白：大模型虽然参数庞大、在自然语言理解上表现优异，但其"幻觉"风险、可解释性不足、算力成本高，在面对"失之毫厘谬以千里"的生产制造场景时，常常力不从心。

举两个例子就懂了：工艺参数要毫秒级优化，容不得大模型"想一下"；设备异常预测一旦出错，可能直接引发产线停机。工业领域容错率接近于零。

特定场景下，AI不是越聪明越好，而是要足够可靠。大模型适合当"参谋"，不适合直接"动手"。

三层分工：小模型干现场，大模型做参谋，智能体当传令官

业内已经跑出一套被广泛看好的分层架构。天使投资人、AI专家郭涛把它概括成一句话："小模型干现场、大模型做参谋、智能体当传令官。"

把三层摆在一起看，各自的职责和边界就清楚了：

美的荆州工厂就是这套架构的样板：大模型负责理解订单与全局知识，"工厂大脑"做决策，14个智能体分别落地到备料、产线、质检等环节，形成"感知—推理—执行"闭环。泰国空调工厂因此交付前置时间缩短43%，客户投诉率下降32%。

企业怎么选？一张决策表算清这笔账

落到具体选型，不用追风口，按下面这张表对号入座即可：

● 任务边界清晰、数据充足、反馈快（如质检、异常预警）→ 优先上小模型，投入小、回报快、风险可控。

● 要跨系统推理、处理复杂语义（如工艺知识问答、方案参谋）→ 用大模型做"参谋"，不直接操控设备。

● 要打通多环节、自动执行闭环（如排产、补货、协同）→ 上智能体当"传令官"。

● 任何高风险决策环节 → 必须保留"人在回路"，AI只建议不执行。

TCL科技高级副总裁、华星CEO赵军给出的防护底线很实在："模型建议、人工确认、系统执行"的三段式，坚持人在回路，AI输出只能作参考。

工业AI的成色，真正值得跟踪的是良率、能耗、周转三项硬指标，以及数据治理的成熟度——不是模型参数有多大。

政策风口：工业智能体站上C位

风向也在变。8月12日，上海通信管理局印发《加速赋能工业智能体建设 助力新型工业化的指导意见》，提出到"十五五"末基本建成以工业智能体为核心引擎的体系，并明确研发设计、生产制造、经营管理、客户服务、产业协同五大落地环节。

往前看，今年1月工信部等八部门印发的《"人工智能制造"专项行动实施意见》已定下目标：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。

但业内也有清醒判断：绝大多数企业还处在"量变"阶段——智能体数量很多，却还没引发"质变"。华为云与滴普8月12日联合发布的数据方案也提到，企业约80%的精力耗在数据准备上，数据质量直接决定模型上限。

回到开头那组数字。TCL华星2万个小模型、美的14个智能体，它们的共同点不是"模型够大"，而是先盘清了哪些活边界清晰、数据现成、能立刻闭环。

大多数人以为上AI要先追大模型参数，其实工厂最该先做的，是给自己的业务画一张"边界清晰清单"——哪些环节已经具备上小模型的条件。

你的工厂里，哪些工序是边界清晰、数据现成、反馈快的？评论区聊聊，下一篇我们接着算"数据飞轮"这笔更隐形的账。