2025年春节前夕，DeepSeek-R1正式发布，凭借媲美OpenAI o1模型的卓越推理能力、极致工程优化带来的极低成本、以及开源商业模式，引发了全球科技界和产业界巨大轰动，成功树立了国人在AI领域的技术信心，并点燃了各界的应用热情。自此，AI像被按下快进键，几乎以“周”为单位刷新想象，也宣告了AI普惠应用时代的到来。

我们看见一系列AI底层大模型与各类AI应用工具唯恐落后半步，密集推陈出新；也看见智能体从学术研究与前沿探索的神坛走下，轻松搅动手机流量入口的一池春水，又俯身躬耕于设备、产线、工厂与各个场站之间，润物无声。

它们让人惊喜，也令人慌张。人们享受着AI带来的效率与便利，质疑着AI带来的幻觉与偏差，担心着可能被AI侵占的职能空间，也尝试着在技术飞跃的背后，去维系人性与生计的微妙平衡。

置身AI的喧嚣中，我们不停叩问AI还能为工业现场带来什么，同时始终清醒地相信，Al越来越强大，不是为了让人类变得可有可无，而是为了让我们有更多的时间和空间，去好奇、去发问、去想象、去定义，去做那些只有人类才能做的事情。

让大模型去寻找茫茫数据与文献中的草蛇灰线

在少波今年服务的某能源大模型项目中，客户在计划引入大模型技术时，已形成了清晰的业务逻辑与技术认知——要让大模型做以前想做，但是人力不可及的事情。

工业现场累积了海量的知识和数据，想要总结、沉淀、复用，谈何容易。该企业管辖50余台发电机组，日均工单几千条，十余年累计超千万条。也曾想过对这些工单进行故障原因与维修方案的结构化标注，以便挖掘工单数据价值，却因工作量浩瀚而搁浅。

“对运维工程师而言，是无法逾越的大山；但对大模型来说，这是足以让TA从入门到精通的精神食粮。”通过大模型，该项目正快速实现存量工单的自动化标注，为后续的知识检索与辅助决策奠定基础。

在另一个设备诊断场景中，专家往往需要根据故障树等逻辑图和经验排查异常原因。“但由于发电系统及其蕴含的故障机理极其复杂，一棵信号故障树深度达几十层，可视化为文档后可能长达100多页。人为构建故障树是巨大的挑战，更难言用故障树去做诊断。”大模型能够辅助从海量文献中抽取设备参数之间的隐藏逻辑关系，完成70%-80%的故障树构建工作，并与实时数据联动校验。

诸如此类需要从茫茫数据和知识文献中寻找那条草蛇灰线的任务，正是大模型替代重复性脑力劳动的典型场景。“能从这些繁琐且重复性高的脑力工作中解脱出来，项目中客户工程师对大模型的接受度和配合度非常高。”而被大模型替换下来的工程师，可能会面临角色和技能的迁移，从“执行者”到“监督者”，转向负责模型的训练与审核。

当然，在实际落地中，技术的复杂度远超客户最初以为的“一句提示词（Prompt）”。业务需求的梳理、专家经验的映射、散碎数据的治理、思维模式的确立、工具链的开发、新旧系统的集成等，都需要被提前考虑，以尽量避免大模型“幻觉”。尤其在高安全要求场景下，“人在回路”仍是保障可靠性的铁律。目前项目虽未结案，进展效果已超出预期，少波谈笑中那份越来越有盼头的神采也盖过了这一年奔波的疲惫。

谈及项目经验，少波特别补充道：“大模型上线运行后可能存在的算力瓶颈，也需要在立项前充分预估。”总之，大模型的真正力量在于它接管了原本属于“人的逻辑”范畴的繁杂工作。而清晰界定其能力边界，拆解关键业务流程，是项目成功的前提。

让大模型解决复杂生产现场的瓶颈问题

在高端重工业的复杂生产现场，一线管理人员面临的是另一种分身乏术的困境。以电解铝为例，电解过程涉及电化学、热化学、冶金物理化学、流体力学等复杂机理。主管电解铝车间生产的工区长每人每天要监控数十台电解槽，反复过目确认的参数达数百项，并需要凭经验去判断是否调整、如何调整。常常忙得脚不沾地，还难保没有疏漏或延迟。

“选中工区长这个场景是和客户团队来回推敲得出的结果，我们都希望AI解决的是生产现场的瓶颈问题。”采用大模型、专用知识库和专用分析模型融合的架构，直面大模型推荐结果的准确性和可解释性，“AI工区长”历时一年后上线，最终实现了对日常参数的实时监测与精准反馈。

工区长们终于从繁重的日常实时监控中解脱出来，在AI助理的及时提醒下，专注异常处理，并借助AI趋势分析，获得科学调参建议。系统上线试运行一段时间后，部分常规指令已可由AI自动下发至控制系统；涉及安全的关键参数（如电压设定），仍保留人工审核，严守“人在回路”的原则。

槽控策略的系列优化，已经证实可以提升整体生产的稳定性和一致性，并进一步提升电解槽的运行性能与寿命。谈及许多民营企业都比较在意的中短期ROI，世峰很敬佩客户高层的定力：“与短期可量化的ROI相比，客户更看重智能化技术提升系统长期稳定性所带来的产品品质、生产效率、设备寿命、能耗物耗等方面的巨大收益。”

从一开始的谨慎甚至防备，到如今欣然接受，工区长在从容不迫的工作节奏中，有了更多思考，也对AI技术提出了更多的诉求。“2026年，我们正在帮助客户实现更多业务线和更多元化的AI赋能，以及既有案例的横向推广。”

让大模型去提升核心岗位的工作幸福感

在泛半导体制造行业，发哥用十几年摸爬滚打的经验，梳理出两类适合大模型大展拳脚的场景。

一类是泛半导体制造行业的生命线——良率。因为“产能短期快速扩张”与“高阶人才培养周期长”的错配，高水平的良率工程师供不应求。往往既要应对设备、材料、工艺、环境等多重变量，又要在产线不停机的压力下快速定位根因，常如“大海捞针”。加班成常态，身心俱疲。“连偶尔应邀跟老朋友叙个旧，都只能在不太忙的时候约个晚上十点以后的时间。”发哥感慨道。

“如果AI能将大部分问题的根因溯源的周期从‘小时级’缩短至‘分钟级’，还能保障准确率，为什么不呢？”事实上，这群高端人才对AI助手普遍持开放态度——他们渴望从高压中解放，而非担忧价值被取代。

另一类场景，则是围绕运营工程师——行业里非常有价值且需求广泛的一类人才。在发哥看来，不论是半导体、面板、光伏或是新材料，一个具备“工业体感”的运营工程师具有跨行业流通性。

运营工程师的日常工作长期陷于“两头难”：既是现场“救火员”，又是流程“规划者”。刚想梳理指标体系，规划点中长期改善行动，就被异常报警、

跨部门协调、临时报表需求等紧急任务打断，每天在重复性任务上疲于奔命。同时，系统割裂、数据零散，溯源效率低下，进一步降低成就感。而这恰是大模型的强项——整合多源数据，调用智能工具，持续进化推理能力。

目前，有的泛半导体制造企业已经开始谨慎试水，但更多仍在保守观望。发哥强调：大模型不是一锤子买卖的工具或解决方案，而是一个需持续培养的“硅基员工”。这种打破传统采购模式的创新，离不开“一把手”的支持。“企业不妨放下对短期ROI的执念，转而衡量AI承担了多少工作负荷，是否提升了中层管理者的‘工作幸福感’与决策效率，是否已成为不可或缺的新质生产力。”

一个微小的参数漂移，可能扰动整条产线；反之，一次不显眼的智能干预，亦可引发蝴蝶效应，带来AI在企业的全面蔓延。

写在最后

技术的潮水，终究是挡不住的。

在陆薇博士看来，从整个工业行业来看，AI已跨越规模化采纳的“鸿沟”，进入“早期主流市场”阶段。细分行业步调不一，但方向一致，工业AI已经成为不可逆转的趋势。不论选择先从哪里入手，都没有绝对的对错，只是取决于企业的预算与可行性判断。重要的是：先上车，一旦启程，途中所有问题都能解决。正如黄仁勋所说，AI技术进步是渐进的，所有参与者将共同进化，而真正的竞争力在于持续迭代能力。

种一棵大树，最好的时间是十年前，其次是现在。

（End）