工业制造领域一般被视为有较高的护城河，前沿的互联网技术想要走进这个领域，并不容易。细数历来IT服务商对制造业的投入，前提条件之一是，必须要将方案优化到比较成熟的阶段，才有可能用到客户场景。

钛媒体曾走访国内某能源行业企业的大模型应用案例时，看到的真实情况是：在实际落地中，是需要跟一线业务人员征求现场高价值的场景，根据投入产品比进行优先级的判定。其次，由于现场生产设备很多是暂时不具备海量数据收集的条件，还需要进行进一步投入升级，比如传感器部署、性能指标的提升等等。另外，大模型应用现在并不简单，相比起通常意义上的小模型，大模型看起来成本高、部署重，且对业务的产出价值也并不明确。

施耐德电气全球供应链中国数字化转型总监冒飞飞的观点是：“大模型不会吞并小模型，而是相辅相成的概念，短期内，小模型会随着大模型推陈出新，并长期存在。因为，工业领域多碎片化场景以及有非常深的行业碎片化知识，面对这些行业壁垒很高的应用场景，小模型的存在有其必要性。另一方面，大模型可以对小模型的训练与精度有辅助性的提升。比如说在工业质量检测场景中，大模型可以通过图生图，快速帮忙生成大量负样本，增强模型训练中的图片验证过程。”

所谓二八定律，即20%的标准场景实现一次建模多次复用，“开箱即用”或少量再训练微调的方式；而80%的长尾场景，则需要实现全流程从0到1的定制化场景搭建。这是施耐德电气的应用经验。

施耐德电气与亚马逊云科技合作，在用上数据库、容器计算等服务的同时，也在借助Amazon SageMaker构建机器学习平台，从而从存储和标注到模型训练、推理、部署、监控、迭代、下发至边缘端等全流程构建机器学习模型，模型管理训练的复杂度大大降低。

首先在武汉工厂，施耐德电气落地了AI质检项目。数据显示，通过引入工业视觉质量检测解决方案，该工厂生产线的的检测效率显著提高，将误检率降低0.5%以内，实现零漏检率。这是过去小模型的应用经验。

而施耐德电气也在积极探索在工业能源降碳、财务、人力资源、维修等场景，持续沉淀语料与经验，希望在未来优先从如企业内部知识管理、智能知识问答等场景切入，将大模型方案落地。

恩智浦从2017年在尝试云上EDA（电子设计自动化）设计，借助高弹性算力，恩智浦获得了按需同时推进多个项目的规模算力和敏捷性，且能并发运行数十个性能模拟，缩短获得结果的时间。2021年，恩智浦开始逐步将所有本地EDA设计迁移上云。

西门子成都工厂构建了一套云端训练本地推理的工业废料分拣系统，使得废料分类的准确率>95%，危险废料达到了100%。

英威达希望从BI转向AI来转变其运营方式。系统实施后英威达将600台本地服务器迁移到云上，其中包括多个制造应用程序和全球INVISTA SAP足迹，每年节省了超过200万美元的成本，从全公司数据中创造3亿美元的价值。

某高科技电子客户，上线供应链可视追踪（控制塔）解决方案之后，库存周转率大大提升，物料运输成本得以降低，意外紧急叫料发运单数减少了20%。

对于制造设备OEM企业而言，如何创造新的收入模型，以满足更广泛的客户诉求？英格索兰是一家压缩空气产品和解决方案提供商。在使用Amazon IoT核心服务搭建了Helix™智联云产品后，将2000+台机器实现连接用于集中监控和报警，而采集的数据也用于分析和洞察为用户提供增值服务。

制造企业出海过程中，如何实现全球化+本土化的运营？洛阳钼业选择全球化云基础设施服务，在新加坡和宁夏区域建立DR灾备，可用性和业务所在国家的数据安全和隐私要求得以满足。而美的全球智能客服中心项目在全球20多个国家采用Amazon Connect部署，实现了美的客户联络中心代际升级，客服体验和分公司成本得以大大优化。

通常情况下，绿色制造会从两方面入手：一是工业设备的能耗管理和节能优化，二是更准确地进行碳排放的计量，实现碳足迹。某医疗科技企业将节能方案应用于中央空调设备，系统上线后，经过测算，空调系统节能降耗19%，年节省电⼒110万度/年，节省电费100万元/年。某汽车供应商基于碳数据湖，收集企业的能耗数据，以更好地管理碳排放。

这些形形色色的制造业需求，覆盖了工程与设计、智能制造、供应链管理、智能设备与服务、全球化运营、双碳绿色等关键领域，也不乏数字化赋能的最佳实践。

从亚马逊云科技对制造业的观察，企业现实挑战主要存在以下四个方面：

一是传统制造的转型深化。过去简单的信息化如上一套ERP、MES软件远远不够，企业希望用上数据分析和AI去提升企业运营。

二是生成式AI对制造业的重塑，包括制造业在内的各行业企业也在密切关注生成式AI。IDC调研显示，未来18个月内生成式AI可产生最大影响的前三大领域分别是制造（生产）、产品开发与设计、销售和供应链。

三是出海趋势下，制造业需要拥有全球化的视野和本地化运营的能力，方能在安全合规的要求下高效配置资源，为当地客户的需求创新产品、服务，以及体验。这个过程汇总，数字技术发挥重要赋能价值。

四是实现“双碳”目标的大背景下，推进工业的高质量发展，实现企业的可持续发展，离不开绿色制造的落地推动。

亚马逊云科技大中华区战略业务发展部总经理顾凡说：“亚马逊公司及亚马逊云科技也是制造‘大家’，从智能硬件产品如Kindle、Echo，仓储物流实体，到自研ARM架构的AI芯片从研发到流片，我们自身在制造业有多年的经验。同时，我们也在针对中国制造行业的很多场景与行业特定知识，与合作伙伴一起开发解决方案。”

这也是亚马逊云科技的机会。

钛媒体注意到，亚马逊云科技在沟通会上还展示了一份相对丰富的制造业解决方案地图，包括从供应链管理、智能产品和服务、智能制造、工业数据湖、工程和设计、可持续、生成式AI等多个方面。这些解决方案既来自于过去多年数字化赋能客户的经验，也来自与合作伙伴在出海、跨境支持中的紧密合作。

这里有必要重点提及生成式AI。

Gartner《2022年人工智能技术成熟度曲线》报告显示，到2027年，30%的制造商将使用生成式AI提高产品研发的效率。作为全球制造大国，生成式AI技术的出现也在不断得到中国企业客户的关注。

目前来看，在产品研发阶段，生成式AI可用于设计训练模型，在产线上，类似于具身机器人，从机械臂到设备和产线，是可以通过生成式AI生成的结果指令进行操控。

图片来源@亚马逊云科技，钛媒体拍摄

这在亚马逊云科技客户的当前实践中也有所体现。例如，海尔创新设计中心与计算美学Nolibox合作，通过云服务调度实现AIGC工业设计解决方案，降低概念设计成本。

值得一提的是，在企业知识库领域，也不乏生成式AI的适用场景。目前西门子中国已上线基于自有模型的智能知识库暨智能会话机器人“小禹”。

不过，钛媒体注意到，除了在研发或营销环节生产设计，企业知识库之外，生成式AI在当前制造业的其他链条仍没有明显突出的适用性。这一方面还跟制造业安全生产不能停的特点有关，换言之，只要存在1%的误差，都会为企业埋下危险的种子。

顾凡与钛媒体等交流中指出，“制造业领域场景确实高度碎片化，但是这个并不是行业还未重复利用大模型的真正的原因。根本的原因是，相对于医疗和教育来说，制造业核心工艺公开数据相对较少，所以很难预训练大模型。”

在他看来，To B制造业的大模型，最重要是找准核心业务应用场景。“大模型本身其实只是一个工具，把不同工具应用到最合适的场景里进行组合，找到最优解才是最佳的解决方案。”

正如开头施耐德电气的实践，顾凡也表示赞同：“在一段时间内大模型、小模型一定会共存。如果推理成本控制不了，只是一味追求模型越大越好，企业也很难负担得起。对于制造业客户，大模型应用核心是需要找到模型准确度和推理成本之间的平衡点。”

（本文首发钛媒体APP，作者 | 杨丽）