众力资讯网

清华学者反直觉: 大语言模型也许不适合工业, 中国 AI 要走另一条路!

清华学者反直觉:大语言模型可能不适合工业,中国AI要走另一条路!先想一个场景。

一座化工厂里有台反应釜,温度读数每秒跳一次,压力曲线也跟着来回抖。你把这些数字交给一个会写诗、会写代码的聊天大模型,让它判断下一分钟会不会超压,结果会怎样?

清华有学者给出的答案挺扎心:它多半做不好。大语言模型可能根本不适合工业的核心环节,中国AI得换一条路走。

先说这个声音是从哪来的。

清华软件学院龙明盛教授的团队,是国际上最早做时序大模型的一批人。他们注意到,行业起步时普遍直接照搬语言模型的架构,可这样做解决不了时序数据分析里那些根本性的难题。

龙明盛特别强调,时序数据和自然语言本质上不同,在大模型里窗口和Token该怎么定义,到现在都没彻底解决。

这事儿没那么简单,光一句"不服"是顶不回去的。

语言是一个个离散的符号,一个字就是一个字;工厂数据却是连续的物理量,温度、流量、压力之间互相牵扯。业内有个很形象的例子:大语言模型能把"什么是PID控制"讲得明明白白,但PID回路里几个变量怎么动态耦合,它很难精确建模。

会讲道理和会干活,中间隔着一条沟。

那清华团队是怎么做的?他们没有去改聊天模型,而是另起炉灶。

他们推出了一个专门面向时间序列的大模型,叫Timer,先按可预测性、平稳性等指标层层筛选,搭出一个包含10亿个数据点的统一时序数据集。到了Timer 3.0,训练数据已经到了万亿级。

思路很清楚:想让模型懂机器,就从头拿机器的数据来喂它。

问题来了,工业为什么对"差不多就行"一点都不能容忍?

聊天时说错一句,删掉重问就行;产线上一个参数给错,可能一炉钢就废了,一条管线就漏了。企业的感受更直接,"AI幻觉"的风险控制不住,这一条就让企业不敢用。

安全主管在单子上签字的时候,谁也不愿意把宝押在"大概率正确"上。再看清华系对大方向的判断。

张亚勤年初谈到DeepSeek时说过,中国正在转向更轻的模型、更聪明的架构、更高的效率和更低的价格。面壁智能和清华团队还提出了"密度法则",意思是用更少的算力和数据换来更多的智能。

换句话说,比的不是谁的模型更大,而是谁的模型更精、更省、更贴合场景。

这条思路和政策是对得上的。

今年1月7日,工信部等八部门公布了《"人工智能+制造"专项行动实施意见》,里面有一条很少有人注意:鼓励企业定期给工业大模型做幻觉、准确性、鲁棒性方面的安全测试评估。

部委文件里写进了"幻觉"两个字,等于官方也认了:通用大模型进厂之前,得先过安检。

同一份文件还定了量化指标,要推动3到5个通用大模型在制造业深度应用,形成覆盖各行业的行业大模型,推出1000个工业智能体,打造100个工业领域高质量数据集。

注意这个配比:通用模型只要几个,智能体和数据集却是成百上千地要。政策本身的设计就是"通用模型打底、专用模型干活"。

再往后看时间线。

10月15日,工信部正式发布"人工智能赋能新型工业化高价值场景",覆盖石化、钢铁、汽车、消费电子等20个细分领域,共1000多个场景。

另外,"模数共振"行动要求各地在11月30日前报送总结,然后由工信部和国家数据局评估,并梳理行业模型、专用智能体、高质量数据集等成果。也就是说,这个月底就要交作业了。

交作业的人已经上路了。

11月5日,2026数据要素赋能新型工业化大赛全国总决赛落幕,中之杰科技的飞符离散工业大模型和德沃克X-Agent拿了全国一等奖。

11月7日,拓斯达发布了工业双足人形机器人Star,主要用在工厂物料搬运、分拣和产线作业上。这些成果有个明显的共同点:都是奔着车间去的。

你猜怎么着,大洋彼岸也送来一个注脚。11月3日,OpenAI披露Astra一周就设计出了一款硬件设备,但要准备量产,还得经过多轮人工评审。

美国最强的模型之一,出设计图很快,到了量产这一关,照样要工程师一轮一轮地把关。从"能设计出来"到"能造出来",这段路语言模型现在还走不完。

还有一条消息容易被读反。

11月4日,DeepSeek完成新一轮约1000亿元的融资,主要投资方是宁德时代和腾讯。

有人拿这个说大语言模型照样能进工业。我的看法正好相反:一家电池制造巨头砸下重金,更可能是想要一个强大的"认知大脑",去配合产线上的专用系统,而不是让聊天模型直接去管电芯生产。

这才是"另一条路"真实的样子:不是把大语言模型扔掉,而是让它们分工。市场上已经有企业这么做了,它的流程工业时序模型TPT完全基于工业时序数据从零预训练,再和DeepSeek组成双引擎,前者处理物理量数据,后者整合非结构化的知识。

负责"说"的和负责"做"的分开,各管一摊。

钱的流向也说明了问题。

据测算,2026年中国工业大模型市场规模预计达197.2亿元,同比增长73.5%。亿欧智库的报告预计到2030年渗透率达到50%,市场规模突破420亿元,并建议走"数据+机理"双驱动的路线,把责任边界和人工干预规则定清楚。

"机理"这两个字很关键,物理规律是不能靠猜的。

忍不住拿武器系统打个比方。

一套防空体系里,情报汇总、态势研判可以交给擅长理解和归纳的系统;但到了制导解算那一步,必须用确定、可验证、能复现的算法。没有哪个指挥员敢让一个偶尔"编故事"的模型去算拦截弹道。

工厂的核心控制环节,也是同一个道理。

国防工业对这一点只会更敏感。

航空发动机叶片的热处理、精密零件的加工公差、复合材料的固化曲线,本质上都是时序物理量。这些环节要过严格的质量体系认证,"黑箱"模型很难拿到通行证。

所以时序模型、机理模型这条路,对军工制造来说不是可选项,而是刚需。外部环境也在逼着我们这么走。

据报道,科技媒体The Information在11月11日援引知情人士说,美国准备把马来西亚、新加坡、泰国等东南亚国家纳入更严的监管范围,拟禁止中国企业通过海外数据中心远程使用先进AI芯片,相关规定最快本月公布。

靠堆算力的那条路,对手正在一段一段地堵死。

被堵就一定是坏事吗?不见得。

工业时序模型普遍比通用大语言模型轻得多,很多能部署在厂区的边缘服务器上,用不着万卡集群。拼参数规模我们吃亏,但拼场景、拼数据、拼工程落地,中国手里的牌并不少。

门类最齐全的工业体系,本身就是最大的训练场。

当然,这条路上坑也不少。

先说数据,工厂数据分散在不同系统里,格式五花八门,业内总结的难点就包括数据质量参差不齐,又牵涉工艺保密,很难大规模共享。再说碎片化,场景切得太细,就容易一家一套、互不兼容,最后做成一堆"烟囱"。

还有人才问题。既懂反应釜又懂Transformer的人少得可怜,能在车间调参数、回到机房又能改模型的工程师就更少了。

我的判断是,未来两三年工业AI的胜负手不在算法论文上,而在谁能批量培养出一批"懂工艺的算法工程师"。回到开头那个反直觉的说法。

清华学者说大语言模型可能不适合工业,不是唱衰AI,而是把话讲清楚:会说话的AI和会干活的AI,根本是两种东西。

中国AI走另一条路,也不是退而求其次。

等11月30日"模数共振"交卷之后,看看各地报上来的专用模型有多少真正跑进了产线,答案就揭晓一半了。