面对数据匮乏、精度门槛高企以及企业对模型灵活扩展性的迫切需求，生成式AI在工业领域的落地确实挑战重重。这些现实难题相互叠加，成为制约技术向一线生产场景渗透最直接的阻碍。
为了真正剖析这些困境，虎嗅智库组织了一场高规格深度研讨会，特邀中国信通院、TCL中环、国轩高科、美的、隆基绿能、施耐德、百度智能云等多家头部企业的AI决策者。与会嘉宾围绕AI在智能制造领域的发展趋势，质检、能源管理等具体场景的落地实践，以及企业如何精准识别大模型的有效应用场景，分享了极具价值的真知灼见。
以下为本场大会部分嘉宾的核心观点摘录，希望能为未能到场的读者提供一些启发与参考。
中国信通院人工智能所平台与工程化部副主任 董晓飞
以大模型为代表的新一代人工智能，正成为驱动新质生产力发展的关键引擎
新质生产力至少体现为三个“新”：新型劳动者——数字员工，新生产要素——数据要素，以及新生产工具——智能工具。大模型在其中发挥着核心纽带作用。它推动新型智能体逐步替代重复性、程序性的体力与脑力劳动，成为新型劳动者的重要组成；同时，技术的广泛渗透也为释放数据要素价值提供了坚实基础。更关键的是，在大模型的驱动下，机器正从自动化走向智能化，具备了感知与认知能力，构成了新型生产工具的核心要素。
TCL中环CIO 渠本强
AI+IT+OT+IE深度协同，是光伏制造提升竞争力的必由之路
中国光伏产业各环节产量近年来增长迅猛，已迈入“T瓦时代”。市场竞争日趋白热化，如何锻造核心竞争力成为每个企业必须直面的课题。渠本强判断：关键在于推动IT、OT、IE的深度融合，并与AI紧密协同，加速数字化转型，从而灵活应对市场波动与需求变化。
然而，推进这一融合绝非轻而易举，必须从战略规划、技术实施、人才培养和组织变革等多个维度协同发力。战略层面，企业需明确融合方向——例如提高效率、降低成本、提升品质，并清晰界定AI、IT、OT和IE各自的角色定位。技术层面，则需构建数据驱动的决策体系，通过IT和IE能力采集并分析数据，为AI提供高质量的数据基础，再通过数据分析识别生产瓶颈，利用IE与AI共同优化。而在人才与组织上，组建跨学科团队、培养兼具AI与IEOT知识的复合型人才，是决定成败的关键一步。
蔚来汽车前瞻制造技术高级专家 刘圣祥
从制造业务痛点为起点，实现80%业务AI赋能
工业AI的应用路径大致可分为三个阶段：技术主导的点状赋能、需求主导的复杂多场景赋能，以及多模态场景的通用赋能。随着阶段进阶，AI的应用价值也在持续放大。
当前，AI在工业领域仍处于早期探索阶段。刘圣祥强调，这一阶段的结合是场景驱动的，企业应从具体小场景中寻找解决问题的突破口。例如汽车制造中的AI质检、智能分析和能源管理。以质检为例，过去人员作业一致性差、标准不统一、成本高且效率低，AI视觉恰好能有效解决这些痛点；智能分析方面，AI可助力应对复杂多因子的生产瓶颈和预测性分析；能源管理上，AI则能够实现全局优化，减少不必要的浪费。
美的集团智能制造研究院院长 付旭
深耕传感技术与自动化整体方案，加速AI算法在制造领域的落地应用
美的在会上分享了多个基于传感技术的AI落地案例，覆盖产品质量检测、员工标准作业改善、动作浪费分析、异音检测、设备预测性维护等多个环节。
例如空调面板外观缺陷检测：通过多维度摄像头进行图像采集与视觉分析，实现多产品快速检测，不仅提升了检测效率，检测结果的可靠性也得到了显著增强。
员工标准作业改善：针对大规模定制带来的频繁转产换型与复杂工艺操作，美的采用AI摄像头实时捕捉指尖级和毫秒级的动作细节，结合产线实时数据进行分析，再通过AIGC识别问题并生成作业改善建议。该方案有效降低了操作错误率和作业质量不良问题，提升了产线平衡率。
动作浪费与线平衡智能实时分析：基于AI视觉检测与3D数字孪生技术，实时动态分析产线节拍和线平衡问题，实现持续优化。
产品异音检测：利用AI进行电机噪音检测，通过自研检测设备与算法，提升了产品检测的标准性和一致性。
生产设备预测性维护：采用家电行业通用的软硬件一体化运维方案，实时感知设备状态与关键工艺参数，实现故障预警、根因推理与预测性维护。
国轩高科工程研究总院AI算法系统研发部负责人 张宏钰
制造智能化转型，企业需重点关注四大核心技术方向
在人工智能时代，企业应特别关注四大技术的演进路径：感知技术（视觉、信号处理、NLP、语音识别）、推理技术（因果分析、关联分析、聚类、预测）、决策技术（决策树、贝叶斯网络、遗传算法、模糊逻辑等）、交互技术（AGI、LLM、Gen AI等）。这些技术组合应用，能够覆盖工艺、品质、设备和研发等业务场景，有力推动企业智能化转型。
百度智能云新制造行业解决方案总监 张宁宁
大模型能力在各类场景的探索已逐步走向成熟
企业在探索大模型应用时，必须清晰认知各类模型的能力边界——大语言模型、CV大模型、多模态大模型、科学计算大模型各有所长。只有匹配正确的应用场景，才能真正解决实际业务问题。
百度现场分享了多个典型案例：利用大模型构建企业知识库，显著降低员工学习标准与知识的成本；通过大模型连接数据库实现经营数据的“即问即答”，快速洞察生产状况；运用CV大模型实现动火作业的安全管控；以及通过自然语言对话方式，融合小模型与系统API，完成设备运维的端到端闭环。
圆桌环节：大模型落地工业，两难抉择与前进方向
在圆桌讨论中，虎嗅智库与施耐德、隆基绿能、百度等企业嘉宾一道，深入探讨了大模型在工业领域的落地成效，以及大模型与小模型未来的发展走向。
施耐德电气数字化总设计师 毛春景指出，大模型落地工业面临两难困境：一方面，制造企业的生产数据、知识和经验属于核心竞争力，企业不愿轻易分享，导致数据流动性差，垂直行业大模型难以实现普惠；另一方面，单个企业自行开展私有化微调，又面临训练成本高昂、维护难度大等挑战，投资回报难以合理化。
百度智能云张宁宁则认为，目前大模型探索仍处于初期，但有三条路径最值得优先尝试，且已看到实际成效：一是知识问答场景，二是“问数”——打通经营数据实现即问即答，快速分析生产情况；三是任务调度——将信息化系统的API开放出来，由大模型判断如何调度执行。
关于大模型和小模型未来的应用趋势，与会嘉宾达成共识：模型选择必须结合具体场景需求。隆基绿能大数据AI负责人 李元博直言——企业落地AI时，不必刻意追求“用大模型解决问题”。除了ROI，信息安全问题同样是核心考量因素。这一点，值得每一位正在规划AI落地的制造企业管理者深思。