一條不迷信模型，強調系統工程的路徑，既“做面包”，更“種糧食”。

　　文|趙艷秋

　　隨著DeepSeek等大模型的普及，“萬眾齊用大模型”的時代驟然降臨，行業落地空前熱鬧。但熱潮之下，也藏著焦慮：每一次技術革命都曾帶來生產力飛躍，而眼下真正能扎實落地、實現效率躍升的案例仍不多。

　　要想實現AI真正落地，有什么更有效的路徑?大模型擅長什么?行業大模型到底該不該訓練?行業知識庫如何構建?數據從哪來、怎么治理?這些問題，在AI真正成為“生產力工具”前，繞不過去。

　　在5月10日由中國企業改革與發展研究會主辦的“央企AI+大模型應用論壇”上，中建材信息副總經理、信云智聯總經理王喬晨展示了“大小模型協同”的安全生產管理實踐。

　　該系統已覆蓋中國建材集團626家制造型企業，接入攝像頭4.6萬臺，運行算法4萬多路，這一落地規模和效果，令業界人士印象深刻。其背后，是一套“不迷信模型”、強調系統工程與長期價值的工業智能化路徑——既“做面包”，更“種糧食”。

　　01

　　大小模型協同

　　人始終要在流程中

　　信云智聯起步于視覺小模型時代。當時，市場上視覺類人工智能企業，大都投入到智慧城市、公安或交通這類大市場上，而信云智聯有著很強的行業背景，它是中國建材集團旗下中建材信息的全資子公司，專注于數字化、智慧化轉型服務。

　　信云智聯很快發現，工業場景中圍繞“人、設備、環境”的需求，與那些大市場有著明顯不同。于是，公司決定組建算法團隊，專注開發契合工業需求的視覺小模型。

　　那時，為了在工業企業中落地視覺模型，一些人工智能企業要求用戶要拿出數萬張圖片來訓練模型。“但這種‘把弓拉滿’的做法，在拉弓過程中就停了，因為用戶已經接受不了了。”王喬晨觀察，因此，他們必須要走另一條路——基于小樣本生成可用模型，并在實際應用中持續迭代。

　　他們的策略是“小步快跑，先做起來”，在技術選擇上也要更務實，不迷信時髦技術，將深度學習、機器學習、模式識別等多種技術并用，根據場景選擇最適合的工具。得益于自主算法團隊，信云智聯在安全生產管理領域，已開發出70多種適配場景的算法。

　　不過，視覺小模型的局限性也很明顯。因為訓練數據不夠多，泛化性較弱，一旦現場環境發生變化，模型可能就無法準確識別。而工業場景的變化極為常見，導致模型需要頻繁調整，后期運維成本居高不下。此外，即使是百萬次、千萬次級別的調用，只出現一兩次誤報，用戶依然難以接受。

　　信云智聯也在尋找突破路徑，直到大模型的到來。“我當時被一個場景‘震’到了。”王喬晨告訴數智前線。在一個水池的安全監控案例中，傳統做法需要根據水位變化，手動調整電子圍欄。而大模型具有通識理解與推理能力，能夠識別水面變化并自動調整邊界。這一能力讓王喬晨意識到，大模型有潛力重構傳統AI應用。

　　不過，并不是所有問題都需要大模型重做。“像水泥產線上皮帶撕裂的檢測，小模型做得已經非常好了。如果大模型再做一次，經濟價值并不高，客戶也不會為此支付更高的算力費用。”信云智聯首席架構師吳振剛說，小模型輕量化、可集成到終端攝像頭中，性價比很高。

　　同時，在推動大模型落地過程中，必須重視數據安全。尤其是在開放問答等場景中，大模型可能存在信息泄露風險，因此，涉及敏感數據或高安全等級的業務場景，并不適合直接使用大模型，而應根據實際情況采取更穩妥的技術。

　　信云智聯提出了“大小模型協同”的策略。目前，大模型主要的突破集中在語言領域，而計算機視覺(CV)和多模態大模型仍處于發展階段。通過大小模型配合，既能發揮小模型高效、低成本的優勢，又能利用大模型的推理與通識能力，可能形成兼顧工程可行性與智能水平的選擇。

　　這一協同模式目前主要聚焦兩大目標：其一是降低誤報率。小模型快速識別出不安全因素后，由大模型進一步校驗。其二是處理復雜行為鏈識別。例如，小模型通過電子圍欄識別到有人進入危險區域后，大模型判斷其是否有攀爬等危險動作，從而完成更深層次的場景理解。

　　目前，大小模型協同在安全生產領域處于探索和驗證階段。“最終這道防線，還是人。”王喬晨強調。盡管現在安全生產系統中已有“虛擬安全員”，但無法取代人類的核心作用。“安全生產管理是基于責任體系來構建的，AI不能代替人來承擔責任，因此，人必須始終在流程中。”

　　目前，中國建材集團的這套智能安全生產管理系統，每天產生大量行業級安全數據，為系統的持續優化提供堅實基礎。

　　除了安全生產，信云智聯也在設備預測性維護、工藝優化等高價值場景中推動AI落地。以水泥工藝為例，工藝過程極為復雜，涉及大量物理、化學反應。雖然中國建材集團旗下的研究院所在干法水泥工藝機理上有長期積累，但仍不能描述所有變化。信云智聯將AI算法與工藝機理結合，取得了“1+1>2”的效果。

　　“我們有場景，也有工藝機理知識與數據資源。”王喬晨說，“我們就在這些要素之間，起到嫁接的作用。”信云智聯不拘泥于技術潮流，從實際需求出發，推動AI真正服務于工業落地。

　　02

　　系統工程的力量

　　行業大模型該不該訓?

　　實際上，信云智聯的智能安全生產管理系統，集中體現了“系統工程”的價值。這些長期在一線落地的團隊認為，當前階段，最現實、也是最有價值的路徑，不是盲目追求時髦技術，而是通過系統工程能力，將現有技術轉化為實際可控、穩定可用的生產力。

　　這里提到的是“系統工程能力”，而非盲目追逐行業大模型的創新。一些業界人士認為，要解決行業問題，必須訓練行業大模型。“我個人認為，在很多問題上，訓練行業大模型未必是一個最有效的手段。”王喬晨說，“行業大模型的訓練成本很高，但凡要動到模型參數，對算力和數據質量的要求就很高。如果準備不足，反而事倍功半。”

　　“訓不訓練行業大模型的邊界在哪?就像藥物研發，數據由專家標注，通用大模型的能力很難達到。”王喬晨說，“而在工業場景下，如果沒有觸達到工藝機理深度，行業大模型可以先不著急做。”因為現在的通用大模型幾乎每周都有更新，可能你剛訓練出一個行業模型，下一周通用模型新版本的能力就把你碾壓了。

　　“而且，生產數據每天都在變，要把這些數據以訓練方式，更新到大模型中，其實很不劃算。”吳振剛補充道，“行業大模型真正該訓的，反而是本專業的邏輯推理能力，而不是灌輸記憶型數據。”

　　像嚴謹、共識的知識和公理化的數學推理能力，適合內置于大模型，而每家企業的專屬生產經驗，需要動態更新和注重數據安全的信息，反而適合基于向量數據庫，在大模型之外建立知識庫。

　　因此，信云智聯更傾向于通過系統化的工程能力，將通用大模型的價值發揮出來。比如構建高質量的行業知識庫，就是推薦的一種方式。

　　吳振剛介紹，大模型推出后，行業知識庫的構建和使用門檻已大大降低了。傳統的知識圖譜構建方式，抽取效率較低，難以快速適應個性靈活的行業場景需求。

　　現在，通過RAG(檢索增強生成)、大模型邏輯推理、向量數據庫快速檢索的大模型生態技術組合，企業只需對現有文檔進行盤點、分類，即可快速構建初步的知識庫。再通過實際使用中，各種智能體的驗證與反饋，持續完善與修正，從而建立有效的企業級知識工程。

　　系統工程的價值也涉及高質量數據、算法設計、低代碼、人機協同等。信云智聯倡導“小算法大作用”的理念，認為很多實用場景未必只能依賴某個模型，而是通過輕量級的分治策略獲得更高的投入產出比。

　　例如，現在有種傾向是過度追求算法極限，在安全生產中，不僅要識別安全帽佩戴情況，還要識別帽繩的系法這類細節。這些需求對算法挑戰極高，但落地價值往往不能覆蓋成本。而從系統工程思維切入，借助相對簡潔成熟的電子圍欄、定位傳感器、人機協同機制，就能構建起更具性價比的解決方案。

　　這種方法遵循了“20/80法則”：抓住最關鍵的20%，釋放出80%的價值。比如，在高風險區域，可以先用電子圍欄感知是否有人闖入，再通過定位傳感器判斷人員身份，而不必挑戰在戴口罩且光線復雜的環境下仍然精準識別人臉的極限任務。

　　在系統工程的框架下，應用大模型重點是將“原生能力”用好。以安全生產為例，基于大模型的安全知識問答，或是讓管理者通過自然語言與系統交互，無需點擊菜單，系統就可以理解語義執行命令，成為智能化“導航臺”，這正是通用大模型擅長的方向。

　　信云智聯還構建了面向行業的智能體商店和工程平臺。智能體一端連接行業場景，一端調用各類大模型，按需生成智能體，快速落地到具體業務中。這背后并不是“搭積木式”的簡單拼裝，而是需要對場景需求、模型能力、數據治理、行業知識庫、低代碼、集成等多維度進行精細打磨與系統化組合。

　　在當下大模型快速迭代的背景下，信云智聯的策略是“以快打快”，通過小步快跑、快速驗證，及時釋放價值，形成可持續的節奏。哪怕未來模型更新“碾壓”了當前能力，系統已經產生了實際效益。

　　03

　　“做面包”和“種糧食”

　　在眾多服務數字化、智能化轉型的企業中，信云智聯定位在行業市場，扮演“最后一公里”落地的關鍵角色。

　　“最后一公里”，不是去做純定制化的項目公司，因為這類市場空間有限，還容易受到軟件外包服務企業的擠壓;也不是走向通用市場，與大廠正面競爭。

　　信云智聯背后有較深的工業背景，更適合扎根在工業垂直領域，去服務那些數字化空間足夠大、潛力足夠深的行業。比如一些工業行業數字化、智能化空間可以達到千億級別，足夠支撐一家企業的長期發展，也契合信云智聯當下的發展階段。

　　在這樣的定位下，行業Know-How成為核心能力。“行業Know-How結合數字化，是我們的一道門檻。”王喬晨舉例，在做云計算平臺時，我們就在通用PaaS之上，定義了一層行業PaaS，把行業知識體系和軟件平臺融合。

　　“比較幸運的是，行業的數字化、智能化推進過程中，最后一公里落地至關重要，這部分生態空間一定是存在的。”王喬晨說對團隊的要求是：“持續奔跑，永遠領先同行半步。”這“半步”，靠的不只是代碼，而是理解、經驗和體系。

　　以前，代碼被視為像“金子”一樣的核心資產。但現在，大模型的代碼生成能力越來越強，一個系統的復制，可能只需要讓模型“看一眼”。因此，信云智聯在重新思考自己的核心競爭力，不只是“賣工具”，而是深入理解客戶業務，通過服務實現業務價值，成為客戶數字化轉型過程中的技術伙伴。

　　以水泥行業的安全生產管理為例，哪些是不安全因素?攝像頭該如何布置?算法如何訓練和適配——這些是靠對場景的理解、對系統落地細節的把控，以及對高質量數據的積累。“以前我很關注我們數字化能力到底領先別人多少，但現在看，真正的門檻一定是很難的事，比如行業知識庫和高質量數據集，是誰都繞不過去的。”

　　行業數據是一種像金礦一樣稀缺而有價值的資源，可以成為企業與競爭對手之間的重要壁壘。信云智聯能獲取覆蓋全國1/4水泥產能、300多家窯企的實時數據，這些數據數量龐大且具有代表性，然而，要想充分發揮這些數據的價值，還需要進行數據治理。

　　數據治理是一項系統性極強的工程，涉及大量行業標準，而這些標準在很多場景中尚未建立。比如想獲得水泥生產過程中某個工藝段的電耗數據，行業并沒有規定統一的采集點;再如，水泥從石灰石燒制成熟料，產量很難直接測量，作為一個過程變量，需要借助其他參數間接計算得出，然而行業內對此的計算邏輯也缺乏統一標準。

　　吳振剛告訴數智前線，在企業級市場，100%標準化幾乎不可能。實際可行的路徑是將80%的內容標準化，而剩下20%需要“拼縫”，也就是根據客戶化場景進行經濟、靈活的適配。實際上，這也對大模型應用能否真正落地，起到決定性作用。“而已經標準化的內容固化到工具，結合標準的實施方法，就形成了一套可復用、體系化的技術能力。”

　　此外，和大廠強調的通用能力不同，信云智聯在構建數據平臺時，更強調行業場景適配。他們會根據特定場景的要求，把各種SQL腳本、配置參數、邏輯模型文件等，內置到數據平臺的各類場景模板中，幫助客戶避免從零開始重復建設。比如在安環系統中，統一各工廠的數據標準，再基于模板做適配和復用，大幅提升了實施效率和質量。

　　數據治理是個“短板工程”，要求業界將一塊塊短板補上。“大家都愿意做面包，因為面包的增值最大，但沒人愿意種糧食。可沒有糧食，哪來的面包?”王喬晨說，“我們現在就在種糧食。”他們希望通過兩三年的周期，借助新一代信息技術，全面提升“數據糧食”的產能和質量，而那時，信云智聯的行業門檻也就真正立起來了。