清华学者: 大语言模型可能不适合工业,中国 AI 要走另一条路
在很多人默认“通用大语言模型是AI唯一主线”的时候,清华计算机系副教授崔鹏在香港国际计算机会议上抛出一个极具争议的判断:主打文字生成、token预测的通用大语言模型,或许并不适配真正的工业场景;中国AI不必沿着硅谷的路线持续内卷通用大模型,应当走出一条面向实体产业、面向物理世界的差异化道路。这个观点不是否定大模型,而是撕开了当下AI行业一个长久被热度掩盖的巨大鸿沟——符号世界的智能,和物理车间的智能,根本不是一回事。
硅谷这一轮AI浪潮,根基建立在互联网文本、图片这类数字信息之上。大语言模型的本质,是学习海量人类文字,预测下一个字符,擅长对话、写文案、梳理资料、生成代码,它处理的是“比特”,是信息。它的优势是开放对话、泛化理解,可它天生带着几个硬伤,刚好撞上工业场景的红线:幻觉、不可解释、容错率极低、实时性差、成本高昂。
工业生产,尤其是流程制造、冶金、能源、精密装备控制,完全是另一套逻辑。生产线不允许“差不多”,不接受模型脑补出来的答案。设备报警、工艺参数调整、故障诊断、质量把控,任何一个判断出错,都可能造成停机、报废、安全事故,甚至人员风险。大语言模型会一本正经编造不存在的工艺参数、错误的故障原因,这种幻觉,在聊天软件里只是一个笑话,在车间里就是重大隐患。
除此之外,还有几个落地很难绕开的现实卡点。
第一,工业数据和互联网文本完全不一样。互联网数据是海量、公开、标准化的文字;工业数据多是传感器时序信号、振动图谱、热力曲线、设备日志,碎片化、长尾分布、大量涉密,很难直接拿来喂给通用LLM。通用大模型学的是人类语言,不是机床、锅炉、流水线的物理规律。
第二,通用大模型推理延迟高、算力开销大。工厂里很多控制环节需要毫秒级响应,云端大模型来回调用,延迟根本不满足闭环控制要求。如果每家工厂都部署一个满血大模型,算力成本会高到企业根本承担不起。
第三,黑箱问题。工业领域需要明确的责任溯源,工程师要知道AI得出这个结论的依据是什么。而大模型是统计拟合,决策链条不可解释,一旦出事,很难排查原因,监管和安全审核很难通过。
当然,这里要做一个重要区分:不是说大语言模型在工业里完全没用。在文档检索、工艺知识库问答、编写运维工单、辅助工程师做方案研讨这类非闭环、低风险的辅助场景,LLM依然价值很高。它可以做工业的“助理”,但不能直接去做产线的“决策者”和“控制器”。很多人把“工业大模型”和通用LLM混为一谈,实际上成熟的工业智能,大多是小模型、机理模型、数字孪生、控制算法、多模态感知的组合,语言只是其中很小的配套模块。
顺着这个判断,崔鹏提出的另一条路线,核心就是物理AI,也就是面向原子世界的智能。
中国拥有全球最完整的工业体系,41个工业大类、数百个细分行业,制造业增加值占到全球三成,这是我们独有的禀赋,也是我们不必硬抄硅谷路线的底气。硅谷的优势是互联网、软件、通用内容生成;而我们最大的优势,是海量工厂、产线、装备、能源基地、港口物流这些实体场景。物理AI,目标不是和人聊天、写文章,而是读懂物理规则、材料特性、设备动力学,去控制实体流程,优化能量、物料的转化效率。
这条路线,不是抛弃大模型,而是重新摆正大模型的位置:它是组件,不是全部。一套成熟的工业智能体系,往往是机理模型打底,行业小模型负责感知、预测、控制,大语言模型做上层自然语言交互、知识检索、人机协同。模型不求大,求精准、稳定、可验证、低延迟、低成本。
放到产业竞争的层面来看,持续all in通用大模型,是一条资本密集、算力内卷的赛道,我们要持续和海外比拼算力、数据、芯片,竞争压力极大。而物理AI、工业专用智能赛道,场景、数据、行业know-how都牢牢掌握在国内制造业手里,国外很难直接复制。这是一条依托我们本土产业优势建立护城河的路线。
但这条差异化路线,同样有自己的难关。
最大的难点,是跨学科人才缺口。做工业AI,只懂算法远远不够,必须懂工艺、懂设备、懂冶金、懂化工、懂机械。算法专家和一线工程师之间的语言壁垒,至今很难打通。其次,工业数据的治理成本极高,很多老产线传感器老旧、数据标准不统一,数字化底座还没建好,AI就无从谈起。还有行业定制化难题,化工、汽车、光伏、钢铁的逻辑完全不同,很难做出一套一劳永逸、通用的工业智能方案,大多需要一厂一策,规模化复制很难。
也有不少学者提出折中思路,比如“学件”框架、模型联邦、轻量化行业专用模型,不追求一个超大模型通吃所有场景,而是让多个专用模型协同,按需调用,兼顾可靠性和灵活性。这也是国内很多工业AI团队正在探索的方向。
我们同样不能走向另一个极端,否定通用大模型的价值。通用大模型是很好的基础设施,在科研辅助、知识萃取、人机交互上价值巨大。它是工具箱里的一把扳手,但不是所有工程问题都只能用扳手解决。
一个健康的AI产业生态,应该是双线并行:一方面持续夯实通用基础模型,守住前沿;另一方面,把更多资源、人才、资金投向工业、能源、具身智能、材料研发这些实体场景,走场景驱动的路线。
说到底,AI的终极目标,不是造出一个最会聊天的模型,而是用智能解决真实世界的难题。硅谷选择从比特出发,而我们有机会依托全世界最庞大的制造业底盘,从原子出发,走出属于我们自己的AI范式。
你觉得国内AI,是继续卷通用大模型更划算,还是集中资源攻坚工业物理AI机会更大?欢迎评论区聊聊。
免责声明:本文基于崔鹏副教授公开会议观点整理,不同学者、企业对AI技术路线存在不同判断;大模型、工业智能的技术落地,以产业实际验证和官方科技规划为准。