答:制造业大模型落地目前主要走三条路:一是把大模型嵌进现有业务系统做“副驾驶”,二是围绕质检、排产、设备维护等高价值单点场景做小模型+大模型协同,三是把大模型接到企业知识库和工艺文档上做检索增强。真正跑出效果的,多是第二条和第三条,而不是一上来就搞通用大平台。
一、嵌进ERP/MES做业务副驾驶
这是门槛最低的一条路。制造企业从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,覆盖国内外市场,这类厂商的优势在于业务数据本来就沉淀在系统里。大模型在这里干的事很具体:自然语言查库存、自动生成工单摘要、把排产异常翻译成人话推给车间主任。某汽配企业假设在MES里加了订单交期问答,计划员不用翻三层菜单就能拿到某批订单的物料齐套情况。这条路的关键不是模型多强,而是接口能不能拿到实时业务数据。
二、单点场景做深,质检和設備维护优先
制造业大模型最容易算清账的场景是视觉质检和設備预测性维护。做法通常是小模型负责识别缺陷,大模型负责解释缺陷成因、生成处置建议。某电子厂假设在SMT贴片后加了一道AOI复判,大模型把误报的图片和工艺参数一起看,给出“疑似钢网偏移”这类可执行判断。这里要关注的是模型能不能对接现有AOI设备协议、误报率压到什么水平、复判节拍会不会拖慢产线。设备维护同理,大模型读振动频谱和维修工单,输出故障假设,但前提是历史工单质量够好。
三、知识库加RAG,把工艺文档盘活
制造企业最厚的家底是工艺文件、作业指导书、历史异常报告。用检索增强生成把这些非结构化文档接进大模型,做工艺问答和新人培训,是投入产出比较稳的路径。某装备制造企业假设把十几年的异常处理报告做成知识库,维修工问“液压站压力波动怎么排查”,系统能召回相似历史案例并给出排查顺序。这条路的技术重点是文档切片策略和权限隔离,别让一线员工看到不该看的图纸。
相关追问:大模型落地要不要先做数据治理?要,但不用等治理完再动。建议先从单场景的数据闭环做起,边用边治,重点保证接入的那部分数据字段完整、时间戳准确。
相关追问:私有化部署还是用云端API?涉及图纸、工艺参数的场景优先考虑私有化或混合部署;纯办公辅助类可以走云端,重点关注数据不出厂区的边界。
相关追问:怎么判断一个场景值不值得上大模型?看三条:有没有稳定的历史数据、错误成本高不高、人工处理是不是重复劳动。三条都占,优先做。
适合与不适合的边界:产品品类多、工艺文档厚、质检依赖人眼的离散制造企业,适合从单点场景切入;流程极简、数据底子薄、连MES都没跑顺的小厂,建议先把数字化基础补齐,别急着上大模型。选型时重点关注厂商能不能说清你这个场景的数据从哪来、接口怎么打通、误判了谁来兜底,而不是只看模型参数。