在人工智能（AI）领域，一种观念持续存在：更大的模型自动意味着更好的结果。“大语言模型”（LLM）这一术语本身就强化了这种想法，暗示着以数十亿参数衡量的规模是终极优势。
虽然拥有数千亿参数的前沿 AI 模型无疑功能强大，但这种假设并不总是成立——特别是在制造环境中，在这里，延迟、可靠性、成本、数据主权和系统集成与原始智能同等重要。
随着制造商拥抱工业 4.0、智能工厂和互联互通的运营，一种不同的现实正在显现：更小、更高效的 AI 模型往往是更适合这项工作的工具。这些模型不仅在能力上正在追赶，而且在许多工业应用场景中正变得具有战略优势。
让我们探讨一下大模型与小模型之间不断演变的平衡关系，以及为什么效率、专业化和可部署性正在重新定义现代制造业中的 AI 价值。
1. 小型模型愈发智能——这改变了工业AI的经济性
当前AI领域最显著的趋势之一，是通用智能正被快速压缩进更小体量的模型中，且性能表现依然出色。行业内常用大规模多任务语言理解测试（MMLU） 作为衡量 AI 通用能力的基准，该测试包含 15000 余道选择题，覆盖数学、历史、法律、医学等多个学科，要求模型兼具事实记忆与问题解决能力。
以下测试分数可直观呈现模型能力水平：
●随机猜测正确率：25%
●普通人类正确率：约 35%
●人类领域专家正确率：约 90%
●当下前沿 AI 模型正确率：80% 以上
这一基准测试清晰展现了AI的创新速度。2020 年，拥有 1750 亿参数的超大模型 GPT-3 在该测试中仅取得 44% 的正确率，成绩尚可但远未达到精通水平。我们以 60% 的正确率作为 “合格通用型模型” 的门槛，会发现模型效率的提升令人震惊 —— 达到这一标准所需的模型体量正快速缩减：
●2023年2月：Llama 1 – 650亿参数
●2023年7月：Llama 2 – 340亿参数
●2023年9月：Mistral – 70亿参数
●2024年3月：Qwen 1.5 MoE – 激活参数低于30亿
对于制造企业而言，这一趋势直接决定了AI的部署场景与落地方式：
●AI模型如今可部署在更靠近生产线的位置，而非仅局限于中心化云端；
●更小的模型使得在工厂车间的硬件上进行边缘推理成为可能；
●成本大幅降低，让AI得以在工厂、设备、生产流程中规模化应用。
这是智能互联制造的核心基础 ——AI必须在工业控制技术（OT）的约束下稳定运行，而非仅适配信息技术（IT）环境。
2.低成本高价值，完美适配智能工厂需求
在现实世界的业务任务中，较小的模型通常能提供与大型模型在统计上无显著差异的结果，同时成本和速度优势巨大。
相关研究数据显示：Mistral 70 亿参数模型在新闻摘要任务中，性能与 GPT-3.5 Turbo 持平，成本与延迟优化幅度可达 30 倍以上；IBM Granite 130 亿参数模型在企业问答任务中，与规模是其五倍的模型表现相当甚至更优。
这种效率优势与工业 4.0 的优先事项完美契合，包括：
●生产报告和交接班摘要
●维护日志分析
●质量检查文档
●标准作业程序（SOP）指导
●供应商和物料分类
在这些场景中，制造商不需要跨越整个互联网的开放式推理。他们需要的是快速、准确、特定领域的智能——并且要可靠、经济地交付。
3. 工业场景中，大型模型仍有不可替代的价值
尽管小型模型发展势头迅猛，但在部分高复杂度的制造任务中，模型体量依然是关键因素。
大型模型在以下场景中仍具备显著优势：
●跨领域工程推理（如在产品全生命周期中，实现机械、电气、软件系统的联动分析）
●大文档量合规性分析（如 ISO 标准、安全法规、数百页的技术规范文件解读）
●全球运营与多语言协调（捕捉不同地区和供应商之间的细微语言差异）
在实际应用中，多数制造企业会采用混合AI架构—— 在企业中心端部署大型模型，在现场端落地小型模型。
4. 在工业 4.0 和边缘环境中，小模型更具适用性
在一些制造业场景中，小型模型并非仅仅是 “够用”，更是很多情况下唯一具备实操性的选择。小型模型能够更好地实现以下功能：
●机器上的实时异常检测
●低延迟的操作员辅助
●在物理隔离或安全关键环境中的离线操作
●专有生产数据的数据隐私
这对预测性维护、计算机视觉辅助检查以及面向车间技术员的AI助手等方面至关重要。
一个经过微调的70亿至130亿参数模型，如果训练数据包含维护手册，故障模式历史数据，传感器元数据以及工厂特定的标准操作规程，其表现可能优于通用的尖端模型——因为它更了解你的工厂，而不是互联网。这与工业4.0中嵌入运营的“情境感知智能”原则相契合。
图：智能制造的混合 AI 架构。
制造业需要适配场景的AI工具
关于人工智能模型体量的争论，并非一场非此即彼的零和博弈，核心在于是否适配应用场景。大型模型擅长广泛的探索性推理任务；小型模型在成本、速度、可部署性与工业场景可靠性上占据绝对优势。
对于追求智能工厂、互联资产与高韧性生产的制造企业而言，AI的未来并非依赖单一的超大模型，而是打造一套体量适配的AI生态系统—— 从云端到边缘端，从企业整体规划到设备级实时执行，各环节均有匹配的模型。
随着AI模型不断轻量化、能力持续提升，一个核心问题摆在制造业管理者面前：在工业 4.0 的下一发展阶段，当超高效率、特定领域的AI深度融入生产系统后，将如何重新定义制造业的生产效率、产品质量与运营智能水平？
*注：本文作者Nikhil Makhija 是Fujifilm Dimatix 公司的高级制造系统分析师。
