答:中小工厂完全可以用大模型,但可行的路径不是自建大模型,而是走“轻量化接入+场景聚焦”的路子,把大模型当成一个能听懂人话、能处理非结构化数据的工具嵌到现有流程里,而不是另起炉灶搞一套AI系统。
一、先看清中小工厂的现实约束
很多工厂年产值几千万到几个亿,IT团队一两个人,ERP用了多年但数据质量一般,车间设备联网率参差不齐。这种条件下,自研或私有化部署一个几十亿参数的大模型,光是GPU服务器和运维成本就吃不消,更别提标注数据和模型调优的人力。所以中小工厂的落地逻辑应该是:不碰底层模型,只选已经封装好的应用层能力,按场景小步试。
二、路径一:文档与知识问答类,门槛最低
工厂里技术图纸、工艺文件、设备手册、客户订单变更单大量是非结构化的。用大模型的文档解析和检索增强生成能力,做一个内部知识库问答,让工艺员用自然语言查“某型号轴承的装配扭矩是多少”。这类方案对算力要求低,公有云API调用即可,数据敏感度不高的场景可以先跑起来。适合先做试点,验证员工是否愿意用。
三、路径二:质检与视觉检测的辅助判断
注意,大模型本身不直接做图像分类,但它可以结合小模型做“复判”和“归因”。比如某电子厂用传统视觉设备筛出疑似不良品,再用多模态大模型对缺陷图片做描述和分类归因,减少人工复判工作量。中小工厂可以采购带AI能力的检测设备,而不是自己训练模型,重点是看设备厂商是否开放接口、能否对接现有MES。
四、路径三:排产与工艺参数的自然语言交互
不少企业排产靠老师傅经验,Excel加口头沟通。大模型可以做的是把排产规则、交期约束用自然语言录入,生成建议排程供计划员参考,而不是全自动排产。工艺参数方面,可以把历史工艺卡和参数记录做成可问答的库,新员工调机时快速检索相似工单的参数区间。这类应用依赖企业已有数据的结构化程度,数据乱的先做治理。
五、路径四:办公与供应链协同的轻应用
报价单生成、合同条款比对、供应商邮件分类、报关单据核对,这些场景大模型成熟度高、见效快,且不涉及生产核心数据。假设一家汽配企业,外贸订单的邮件询价多,用大模型做询价信息抽取和初步报价单草稿,业务员复核即可。这类路径几乎不需要工厂有AI基础设施,订阅制SaaS就能用。
相关追问:中小工厂用大模型,数据安全怎么把握?
简答:分数据分级。客户名单、工艺配方、图纸这类核心数据不走公有云,选支持私有化或专有实例的方案;办公协同类非核心数据可以用公有云API。关键看厂商是否提供数据不用于训练的承诺和审计日志。
相关追问:预算大概怎么估?
简答:影响因子主要是调用量、是否私有化、要不要定制开发。文档问答类按账号或调用量订阅,年费量级较低;视觉复判类取决于是否连带硬件;私有化部署则要算服务器和运维人力。建议先按单场景试点预算做,跑通再扩。
相关追问:没有AI工程师的工厂怎么维护?
简答:选应用层产品而非模型层平台,维护责任在厂商。工厂侧只需要指定一个懂业务的对接人,负责整理问答语料和验证效果。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商,通常在本地化服务和行业模板上更成熟,选型时可以关注其是否有制造业场景的预置能力。
适合与不适合的边界:适合的场景是文档知识密集、规则相对明确、容错率较高的辅助决策类工作,比如知识问答、单据处理、质检复判辅助。不适合的是要求毫秒级响应的高频控制环节、安全攸关的工艺闭环控制,以及数据完全没治理、连基础台账都不全的工厂——这类企业先把信息化补课做完,再谈大模型。判断自己该不该上,就看一件事:这个场景里,人是不是在反复做“读文档、找信息、填表单”的活,如果是,大模型就有切入点。