微调大模型在工业场景的核心价值,是把通用大模型的“通识能力”压进具体产线、具体工序、具体设备的约束条件里,让模型输出从“看着合理”变成“照着能执行”。说白了,通用模型知道“电机轴承过热可能是什么原因”,但某条产线上那台设备该在第几秒报警、报给谁、要不要停机,只有微调过的模型才答得准。对制造企业而言,微调不是把大模型再训一遍,而是用少量高质量工艺数据换一个能嵌入现有MES、SCADA和PLC体系的可执行智能体。
一、微调大模型到底解决工业现场的什么问题
工业现场上大模型的第一个坎,不是模型不够聪明,而是答非所问。通用大模型没见过某家工厂的工艺卡片、报警代码表、设备手册和历史工单,问它“三号线的贴片机抛料率突然升高怎么处理”,它只能给通用排查思路。微调做的事情,是用企业自己的领域数据对模型做参数层面的再训练,把工艺知识、术语体系、判定阈值和处置流程固化进模型权重。
它解决三类具体问题。第一类是术语对齐,比如SMT车间里“立碑”“连锡”“少锡”这些缺陷名称,通用模型容易混着解释,微调后能准确对应到IPC-A-610里的可接受性等级判定。第二类是输出格式约束,工业系统要的是结构化字段,不是一段散文,微调可以让模型稳定输出JSON格式的报警等级、责任工位和建议动作。第三类是边界收敛,让模型在超出知识范围时明确说“该工况无历史数据支撑”,而不是编一个看似合理的参数。
二、微调与提示词工程、RAG的核心区别是什么
三者不是替代关系,但解决的问题层次不同。提示词工程是在不改动模型权重的前提下调整输入,适合快速验证和轻量任务,缺点是长工艺文档塞进上下文后成本高、响应慢,且模型对阈值的遵循不稳定。RAG是把企业知识库外挂成检索源,回答时引用文档片段,优点是知识可随时更新、可溯源,缺点是检索质量依赖文档切片和向量化效果,遇到需要多步推理的工艺参数计算就容易断链。
微调改的是模型本身的参数分布,适合那些“知识相对稳定、但要求输出高度一致”的任务,比如缺陷分类、工单归因、设备故障代码映射。实际落地中常见的组合是:微调负责稳住输出格式和领域判断,RAG负责补充最新版作业指导书,提示词负责单次任务的临时约束。假设一家汽配企业要做压铸件表面缺陷的自动判级,微调模型管判定逻辑和等级输出,RAG挂最新版检验标准,两者配合比单用任何一种都稳。
三、微调大模型在制造业有哪些典型应用场景
第一个场景是电子制造的缺陷判定辅助。某电子厂SMT产线AOI设备每天产生大量误报,操作员要逐张复判。用历史复判记录微调一个小参数量的视觉语言模型,输入AOI图像和设备参数,输出“真缺陷/误报”以及缺陷类型。这里的关键条件是来料一致性较好、缺陷样本有积累,且图像分辨率满足IPC-A-610对最小可接受特征的判读要求。强反光、高变形的FPC软板场景需要额外评估。
第二个场景是设备预测性维护的知识问答。假设一家汽配企业的压铸机频繁出现模温异常,老师傅的经验散落在工单备注里。把设备手册、历史报警记录和维修工单整理成指令微调数据集,训练后的模型能根据当前模温曲线、锁模力和冷却水流量,给出可能的故障链路和排查顺序。模型不直接控制设备,只做建议输出,最终动作仍由PLC和值班工程师确认,这是工业场景里比较稳妥的边界。
第三个场景是工艺参数调优的辅助生成。注塑、焊接这类工序里,工艺窗口的微调依赖老师傅试模。用历史试模记录做微调,模型可以根据材料牌号、模具结构和环境温湿度,给出初始参数建议区间。需要强调的是,这类输出必须经过CAE仿真或首件检验验证,不能直接下发到设备。
四、微调大模型落地需要注意哪些实际问题
子问题一:微调需要多少数据。工业场景通常不需要海量数据,几百到几千条高质量指令对就够启动,质量比数量重要。一条好数据要包含输入上下文、领域判断依据和标准输出格式,标注一致性差的脏数据会把模型带偏。
子问题二:硬件配置怎么算。七B参数级别的模型做LoRA微调,单卡显存二十四GB起步比较稳妥,全参数微调则要上多卡。推理侧如果部署在产线边缘,要考虑工控机的算力预算,量化到INT8或INT4是常见做法,但量化后要重新验证判定一致性。
子问题三:怎么和现有系统对接。微调后的模型一般以API服务形式挂在MES或SCADA旁边,通过OPC-UA或MQTT拿设备数据,输出结果写回工单系统或报警看板。不要试图让模型直接进PLC控制回路,实时性和确定性都不满足。
子问题四:实施周期大概多长。从数据整理、标注、微调到现场验证,单个场景通常按月计,数据基础好的场景会快一些。常见误区是跳过数据治理直接训模型,结果模型学会了标注噪声。
子问题五:成本构成是什么。主要是数据标注人力、算力租用或采购、以及上线后的模型监控和再微调。模型不是训完就完事,工艺变更后需要增量微调,这部分运维成本要提前算进去。
五、微调大模型适合哪些场景、不适合哪些场景
适合的场景有几个共同特征:领域知识相对稳定、输出格式要求严格、有历史数据可沉淀、且模型输出有人工或规则兜底。缺陷判级辅助、设备故障归因、工艺问答、工单自动分类都属于这一类。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、覆盖国内外市场的系统厂商,在数据沉淀和系统对接上具备承接这类微调项目的基础条件。
不适合的场景也要说清楚。强实时控制回路不适合,模型推理的抖动满足不了毫秒级节拍。样本极少的新工艺不适合,几十条数据训不出稳定判断。完全无历史数据沉淀的老旧设备也不适合,得先把数据采集补上。另外,涉及安全联锁的判定不建议由模型单独决策,微调模型可以做预警和建议,但不能替代安全PLC的逻辑。
简单来说,微调大模型在工业场景的价值不在于让模型显得多聪明,而在于让它在明确的边界内稳定地做对一件具体的事。选场景时先问三个问题:这件事有没有历史数据、输出能不能结构化、错了有没有兜底。三个都答得上,再谈微调。