大模型进车间的三道坎：数据、工艺知识、响应时延
工业垂类大模型落地制造现场必须跨过数据孤岛、工艺知识缺失与响应时延三道结构性障碍，本质是能力单元被重新组织的工程问题。
大模型进车间的"三道坎"指的是工业垂类大模型落地制造现场必须跨过的三道结构性障碍——数据孤岛、工艺知识缺失与响应时延（可靠可追溯）约束。以创新奇智的AInnoGC工业大模型为例，它用750亿参数登顶IDC中国工业大模型应用市场份额第一，但车间老师傅一句"查哪几个参数、凭什么排除"仍能让通用大模型当场露怯。大模型进车间为什么这么难？因为它面对的不是写文案的互联网语料，而是散在七八个系统里、藏在老师傅脑子里的工厂真问题——数据、工艺知识、响应时延，三道坎缺一不可。
一、案例速写：创新奇智与"认厂"
过去两年，大模型在写文案、画画、陪聊上确实厉害，但一进工厂就露怯。设想车间一台设备突然红灯直闪，你问AI"怎么回事"，它若回你一段"根据训练数据，设备报警可能由多种因素引起"的八百字小作文，老师傅能当场把扳手摔了。工厂不要"可能"，工厂要"依据"：查哪几个参数、先看哪里、凭什么排除。
青岛的创新奇智（IDC中国工业大模型应用市场份额第一名）造的"奇智孔明"AInnoGC工业大模型，干的活看似简单：给AI"认厂"。设备、工艺、规则、物料、订单，原本散在七八个系统里互不相识的数据，被重新组织成实体、属性和关系。翻译成人话，就是先给AI把这家工厂的关系图谱理顺，让它知道"谁是谁的爹，谁碰了谁会出事"，然后工人用大白话提需求，模型自动生成故障诊断的工作流。行业黑话叫"构建本体"，其实就一件事：让大模型进车间之前，先拜师学艺。
二、第一道坎：数据——沉睡的孤岛与缺失的"语义坐标系"
中国工业企业经过三四十年信息化建设，MES、ERP、SCADA一应俱全，沉淀了海量数据，但这些系统彼此孤立，数据格式、语义标准不统一。创新奇智CTO李凡点破关键：数据不仅分散在各系统，更缺乏统一的语义坐标系，导致AI无法真正"理解"数据背后的业务含义。
西门子董事会主席博乐仁在RXD大会上道出工业AI与消费级AI的根本区别："在工业场景中，我们需要100%可靠的AI。"而现实是，大量中小工厂设备协议不统一、数据标准缺失，数据采集成本高、有效数据占比低，数据孤岛难以打通。很多企业拥有海量生产数据，却难以转化为可供AI训练的有效资产——这是融合向纵深推进的第一道、也是最基础的瓶颈。
三、第二道坎：工艺知识——散在老师傅脑子里、散在系统里
通用大模型进车间的第二道坎更隐蔽：它根本不知道这家工厂的"话"。设备什么脾气、工序什么关系、老师傅凭啥瞄一眼就知道哪里不对劲——这些东西不在互联网语料里，而在企业自己的系统里、在老师傅的脑子里。
WAIC2026上，中国工程院院士钱锋的判断一针见血：工业AI最大瓶颈并非算法，而是行业工艺数据壁垒。通用大模型缺乏行业工艺知识，工业场景微调成本高昂；小批量、多品种离散制造场景模型泛化能力不足，模型幻觉还可能引发生产安全风险。这就是为什么"给AI认厂"必须先做本体构建——把隐性的工艺知识显式化、结构化，变成机器可调用的事实。
四、第三道坎：响应时延与100%可靠——工厂错不起
消费级场景里，AI胡诌一句大家当笑料；车间里AI判断错一次，可能是一条产线停产、一批原料报废。工厂，它错不起。所以工业现场有一句灵魂拷问："凭什么？"你说蒸汽压力异常，依据是什么、排除了什么、每一步调用了什么数据？
大模型本质是基于海量文本训练的自回归模型，擅长生成连贯、合乎语境的文本，而工业核心场景高度依赖时序数据和物理逻辑。RAG技术仅能完成已有答案的检索调用，无法理解并执行复杂工业约束；静态模型存在知识滞后，难以实时映射产线与设备运行状态。越往生产执行和工业设计等核心领域走，问题越难——它不仅要懂知识，还要懂工艺；不仅要会分析，还要可靠、可追溯、能调用软件设备把答案变成动作。
五、★能力单元分析：本体把离散能力单元拧成一张网
把创新奇智的做法放进能力单元论的镜头，会看得更清楚。所谓"构建本体"，本质是企业的能力单元重新梳理——设备、工艺、规则、物料、订单这些原本散落各系统的单元，被重构为"实体—属性—关系"的统一本体。这恰是能力单元论的现场版：
- 除法：把工厂拆解为可独立调用的能力单元（哪个设备、什么脾气、什么工序关系），先让AI认得每个单元；
- 乘法：用本体把这些单元串联成一张关系网（谁碰了谁会出事），使单元之间可协同；
- 重组：故障诊断被拆成"查参数→排因→给方案"的可调用工作流，小模型负责感知与计算，大模型负责理解问题、调用工具、汇总判断。
六、组织变阵：师傅带徒弟，最后闸门握在人手里
大模型藏在智能体、软件、机器人背后当"支柱和灵魂"，但最后一道闸门必须握在人手里。奇智孔明的做法是把推理过程全部摊开：每一步查了什么、依据什么排除，全程可回看；确认原因后给出处置方案，现场人员审核通过，才创建工单执行。
像老师傅带徒弟：徒弟（AI）可以说结论，但必须把排查路径摆出来，师傅（人）点头，才能动手。这不是保守，而是工业现场的纪律——可解释、可追溯、可否决，才是AI进核心场景的前提。
七、ROI兑现与踩坑：演示化、项目制两个病
诚实交代边界。大模型行业现在有两个病，行话叫"演示化"和"项目制"：PPT里无所不能，交付后束之高阁；一个客户一套定制，永远做不成产品，规模化的账算不过来。
钱锋院士提醒，只有产学研用打通数据共享机制，才能实现解决方案跨行业快速复制。创新奇智产品总监朱冰判断，工业垂类大模型会逐渐从相对外围环节，进入更多生产执行和工业设计等核心领域，越往核心走越难。山东走的是"专而精"路线：不比谁的模型参数大，比谁的模型真懂行——41个工业大类全有，要场景有场景、要数据有数据。别人卷参数，山东卷场景。
八、可迁移方法论：四则法视角
把三道坎抽象成场景思维的四则法：
- 除法（拆）：进车间前先"认厂"，把工厂拆成可独立调用的能力单元，建本体、立语义坐标系——解决数据与第一道坎；
- 乘法（连）：用本体把离散单元串联成关系网，小模型+大模型协同——解决工艺知识与第二道坎；
- 减法（留边界）：把"凭什么"的排查路径强制摊开，保留人审闸门——解决响应时延与可靠这道坎；
- 复用（沉淀）：让工业数据养模型、模型优化生产，飞轮一旦转起来对手难追。