过去几年，大模型很火。但到了制造业，一个现实问题始终绕不开：会聊天的AI，真的能开机器、查故障、调参数、排产线吗？
答案是，单靠一个大模型很难。
工业现场和普通的聊天场景完全不同。一条生产线可能涉及设备说明书、工艺文件、传感器数据、机器视觉图像，以及MES、WMS、SCADA、PLC等各种系统。大模型不仅要“听得懂”，还要懂具体行业的专业知识，更重要的是，它最终得把判断变成实际动作。
因此，工业大模型并不是“一个模型打天下”，而更像一个分工明确的三层体系：
- 基础模型层：解决“懂不懂”，让AI拥有工业领域的基本认知；
- 行业适配层：解决“专不专”，让AI真正成为某个行业的“行家”；
- 场景执行层：解决“能不能干”，让AI能够调用系统、执行任务并形成闭环。
简单来说，就是把“通用能力”一步步变成“专业能力”，最后再变成“执行能力”。
这种架构正在成为制造业应用AI的重要路径。据CIDC发布的《AI智能体赋能行业决策：趋势与实践白皮书（2026）》数据，已应用大模型及智能体的工业企业比例从2024年的9.6%增长至2025年的47.5%，预计2026年领先工业AI渗透率将达到60%。
政策层面也在加速推动。工信部等八部门发布的《“人工智能+制造”专项行动实施意见》提出，到2027年推动3至5个通用大模型在制造业深度应用，并推出1000个高水平工业智能体。
那么问题来了：大模型究竟要经过哪些步骤，才能真正进入工厂车间？
一、基础模型层：先给工业AI装上一个“通用大脑”
可以把基础模型层理解为工业AI的“地基”，或者说一个拥有基本工业认知能力的“大脑”。
这一层通常以Transformer等模型架构为基础，通过大量工业数据进行训练。数据不只有我们熟悉的文字，还包括设备振动、温度、电流等时序数据，以及产品照片、检测图像等视觉数据。
为什么要同时学习这么多东西？
因为真实工厂里的问题往往不是以一句完整的问题出现的。
例如，一台设备突然发生异常。维修工程师可能需要同时查看报警记录、设备说明书、过去几小时的温度变化、振动曲线以及现场图片，然后才能判断出了什么问题。
工业大模型同样如此。
因此，基础模型首先需要掌握三类能力：一是读懂工艺规程、设备日志等工业语言；二是从温度、电流、振动等连续数据中发现异常规律；三是能够把文字、图片、设备状态和工艺参数联系起来。
这也是为什么工业AI越来越强调“多模态”。
过去，一个模型可能只分析文本，另一个模型负责图片，还有一个算法专门分析传感器数据。现在的趋势是让模型能够综合理解这些不同类型的信息。有研究测试显示，在设备故障定位任务中，多模态模型相比单一模态模型，效率可提升40%。
与此同时，工业模型也不一定是越大越好。
在互联网环境中，千亿级参数模型并不罕见，但工厂更加看重成本、速度、稳定性和本地部署能力。因此，工业模型也在从单纯追求参数规模，转向百亿级甚至更轻量化的路线。
所以，基础模型层做的事情可以概括为一句话：让AI先拥有一个“懂工业”的通用大脑。
但“懂”并不等于“会干”。
一个模型可能知道什么叫风力发电机，也理解齿轮箱故障，却不一定知道某个品牌、某个型号的风机具体应该如何判断故障。这就需要进入第二层。
二、行业适配层：把“通才”培养成“行业专家”
基础大模型有点像一个知识面很广的毕业生，知道很多东西，但如果让它直接去负责风电运维、汽车冲压或者精密制造，专业程度往往还不够。
行业适配层的任务，就是对它进行“专业培训”。
这里主要有三种方法。
- 第一种是微调
简单理解，就是拿企业或者行业自己的专业数据继续“教”模型。
现在常用LoRA等参数高效微调技术，并不需要把整个大模型重新训练一遍，只调整其中很少一部分参数，就能够增强模型在特定任务上的能力。例如，某能源企业向模型加入200万条风电设备故障案例后，将故障诊断准确率提升至98.7%。
- 第二种方法是建设行业知识图谱。
工业知识之间往往存在大量复杂关系。例如某种故障可能由某个零部件引起，某个零部件异常又会导致温度升高，温度超过某个阈值后需要采取相应措施。
知识图谱的作用，就是把这些零散知识组织起来，让AI不仅知道一个个知识点，还能够理解知识点之间的关系。
- 第三种方法是现在很常见的RAG，也就是“检索增强生成”。
这个名字听起来复杂，实际原理并不难：大模型回答专业问题之前，先去企业自己的知识库里“查资料”，找到相关的操作手册、工艺标准和历史案例，再结合这些资料给出答案。
它有点像允许员工“开卷考试”，而不是要求员工把企业几十年的资料全部背下来。
例如，某汽车厂商把30年的工艺文档接入知识库之后，让模型辅助推荐冲压工艺参数，将原本72小时的参数优化周期压缩到了8小时。
到了这一层，大模型就开始从“懂工业”进一步走向“懂这个行业、这家企业和这条生产线”。
不过，还差最后一步。
因为工厂真正需要的，并不是一个能够告诉你“应该把参数调到多少”的AI，而是一个能够在授权和安全约束下完成后续操作的AI。
三、场景执行层：从“给建议”变成“把事情做完”
这就是工业大模型落地最关键的“最后一公里”。
场景执行层解决的是“能不能干”的问题，而智能体（Agent）正逐渐成为这一层的重要载体。
传统AI更像“顾问”：你问它一个问题，它给你一个答案。
工业智能体则更像“执行者”：接到任务以后，它能够获取数据、分析问题、制定方案、调用工具，并根据执行结果决定下一步做什么。
例如，当生产线上某台设备温度异常时，一个设备运维智能体可以自动读取传感器数据，查询历史故障记录，分析可能原因，结合维修手册给出方案，再按照企业设定的权限触发工单。
于是AI形成了一条“感知—识别—决策—执行”的链路。
不同岗位还可以拥有不同的智能体。比如负责数据展示的图表智能体、负责设备监测的感知智能体、寻找原因的诊断智能体，以及负责排产和参数优化的决策智能体等。
但智能体要真正“干活”，还需要能够连接工厂现有的软件和设备。
这就是API等系统接口的作用。
现实中的工厂通常已经运行着MES生产执行系统、WMS仓储管理系统、SCADA监控系统以及PLC控制系统。工业智能体不可能绕开它们重新建立一套工厂，而是要通过接口和这些系统连接。
这样一来，“请重新安排今天下午的生产任务”才可能从一句自然语言，逐渐转换为系统能够执行的排产指令。
这也意味着，大模型的应用范围可以从原材料采购一直延伸到生产、质检、设备维护、安全环保、仓储物流和销售，最终覆盖工厂经营生产的完整链条。
四、三层如何配合？从IMR-LLM看工业AI怎样“指挥机器人”
把三个层次单独讲清楚并不难，真正重要的是它们如何协同工作。
中国科学院工业人工智能研究所提出的IMR-LLM框架，就是一个很有代表性的案例。该框架获得ICRA 2026最佳论文奖（自动化方向），研究的是一个很实际的问题：如何让大模型帮助工业产线上的多台机器人进行任务规划，并生成能够执行的程序。
它背后的思路非常值得关注：大模型负责“听懂人话”，专业工具负责“确保事情做得对”。
比如，人告诉系统：“让几台机器人配合完成这个制造任务。”
大模型首先把自然语言任务拆解成一道道具体工序，然后判断哪台机器人负责什么、按照什么顺序执行。
到这里，AI解决的是“理解任务”。
接下来，系统会把这些自然语言要求转化成机器能够处理的结构化任务。例如，工序A必须在工序B之前完成，机器人1执行某项工作时机器人2是否可以同时工作，以及不同设备之间是否存在资源冲突。
这就相当于把一句“人话”，翻译成一张严谨的生产任务图。
第二步才是真正生成程序。
系统会从已有的机器人程序中总结常见动作和程序结构，再根据当前设备和具体工序组合出合适的执行路径。
这种办法的巧妙之处在于，它没有要求大模型凭空写出一大段复杂的工业控制代码，而是让大模型与传统优化算法、程序结构和工业规则分工合作。
研究团队面向船舶制造等重型装备领域构建了包含23个真实工业场景、50个制造任务的数据集，单个任务最多包含24道工序。实验显示，该方法在相关指标上优于对比方法，而且任务越复杂，优势越明显。在真实产线部署中，部分任务的人工操作时间从数小时缩短到数分钟。
研究团队还在进一步引入执行反馈机制。
这一步非常重要。因为真实工厂不是一个完全按照计划运行的实验室：机器人可能出现位置偏差，物料可能没有及时到位，设备状态也可能突然变化。
未来更理想的工业智能体，需要形成“感知—推理—执行—纠错”的实时循环：不仅能做，还能根据现场变化重新判断和调整。
从这个案例也可以更直观地理解三层架构：
基础模型提供“大脑”，负责理解；行业适配提供“专业知识和规则”，负责把理解变得可靠；场景执行提供“手脚和工具”，负责把决策真正变成动作。
五、企业落地大模型，不一定要从“造大模型”开始
理解三层架构后，一个很容易出现的误区是：企业是不是应该先训练一个自己的工业基础大模型？
实际上，大多数制造企业并不需要从最底层开始全部自建。
三层架构更像盖房子。基础模型提供地基和通用能力，行业适配完成专业化装修，场景执行则让房子真正能够使用。对于企业而言，最重要的不是“三层全部自己造”，而是找到自身最值得投入的位置。
一个比较现实的路径，是先寻找一两个价值明确、数据基础较好、风险可控的场景。例如设备故障诊断、质量检测、工艺知识问答、生产报表分析等，从智能体应用切入，先验证AI到底能够创造多少价值，再逐步建设企业知识库、数据平台和行业适配能力。
与此同时，企业需要格外重视数据。
大模型能否懂一家工厂，很大程度上取决于它能接触到什么样的数据。工艺文档是否完整？故障记录是否规范？设备数据能否打通？几十年的工程师经验有没有沉淀下来？
这些看似“不那么AI”的基础工作，往往直接决定了工业大模型最后好不好用。
结语：工业大模型的终点不是“更会聊天”，而是“更会干活”
从基础模型层，到行业适配层，再到场景执行层，本质上是一条非常清晰的能力升级路线：
“听得懂”→“真正懂行”→“能够执行”。
这也是工业大模型和普通消费级AI最大的区别之一。
在消费者眼中，模型生成一段不错的答案，任务可能就已经结束了。但在工厂里，“发现设备可能存在故障”只是开始，后面还有故障确认、维修决策、工单创建、备件调度、设备处理和结果反馈。
因此，真正有价值的工业AI，不应该停留在一个聊天框里。
随着制造业AI从单点辅助工具进一步走向智能体和业务流程，基础模型提供认知能力，行业适配提供专业能力，场景执行提供行动能力，三者共同构成从数据、知识到决策、执行的完整链条。
未来衡量一个工业大模型的关键，也许不再只是“模型有多大、参数有多少”，而是一个更加朴素的问题： 它到底能不能在真实的工厂里，把事情做好。
《从“听得懂”到“干得了”：工业大模型落地工厂的三层进化路线》 是转载文章，点击查看原文。