近兩年來，從ChatGPT到DeepSeek，以通用大模型為代表的技術百花齊放，帶來AI應用前所未有的繁榮。但大模型并不是萬能的，受限于面向行業縱深的場景理解能力，大模型在垂直領域的真正應用潛力尚未被充分發掘。

中建材信息技術股份有限公司副總經理王喬晨日前談到，“工業場景的AI落地，并不是在追求最先進的算法，而是在尋找最可靠的解決方案?！?br/>

的確，大模型應該成為AI解決方案的組成部分，而非解決方案本身。比如在生產安全這一類專業場景中，以成熟的CV小模型推理實現全天候安全監護，并由大模型推理對檢測結果進行交叉互檢，顯然要比單純的大模型方案，具備更高的準確率，也更具性價比。

AI落地的關鍵 是技術與場景的適配

今年初，DeepSeek橫空出世，迅速引爆了各行各業對AI應用的追逐。

王喬晨指出，“DeepSeek R1的開源，在AI領域掀起了一場深刻變革，它讓大模型從少數企業的高端資源變成了大眾可用的工具。”這種技術平權帶來的最直接影響，就是降低了企業應用AI的門檻，讓過去受限于算力需求和閉源生態的工業場景，可以更便捷地嘗試大模型技術。

實際上，大模型走向行業場景落地，要解決的本質命題，是技術先進性與行業普適性之間存在的“最后一公里”落地，這看似簡單的邏輯，實則隱藏著復雜的行業know-how問題。

比如聚焦到工業場景，特別是生產安全這一關鍵領域，挑戰就隨之而來。工業生產對穩定性和可靠性要求極高，容不得半點差錯。同時，大模型的“幻覺”問題可能導致錯誤決策，嚴重威脅生產安全。此外，工業數據分散且標準不一，如何將這些數據有效整合利用，讓模型更好地理解和處理生產場景中的問題，也是AI在工業場景落地的重要挑戰。

如王喬晨所說：“實驗室里的驚艷表現與工業現場的實際需求之間，還存在巨大鴻溝?！北热纾谒嗌a這樣的工業流程中，一個微小的錯誤可能導致嚴重的安全事故，這就要求AI系統必須達到近乎完美的可靠性?！?9%的準確率遠遠不夠，我們需要的是小數點后多個9的保障?！?/p>

因此，要在工業場景充分發揮大模型的優勢，并不完全是大模型的技術問題，而是模型結合知識、經驗、模型算法和場景理解的綜合問題。面對這一挑戰，中建材信息數智化團隊探索出了一套獨特的解決方案，這就是：系統工程能力。

系統工程能力 構建工業AI落地的核心支撐

錢學森的《系統論》認為：系統是由一些相互關聯、相互作用、相互影響的組織部分構成并具有某些功能的整體。從系統的角度來看，單獨研究任何一個部分，都回答不了系統整體性問題。

這意味著推動AI在工業場景落地的關鍵也不是單一技術的問題，而是涵蓋諸多影響元素的系統性難題，王喬晨提出的“系統工程能力”這一解決之道，聚焦在三個方面：

首先，是知識庫的構建。

大模型在工業場景中有時會出現幻覺現象，而豐富且高質量的行業發展數據能夠有效減少這種問題的發生。通過大量建材行業的機理知識和生產數據，可以為通用大模型提供專業“知識底座”，有效減少幻覺問題。當知識庫足夠豐滿、質量足夠高時，大模型在處理信息時就能更準確、更可靠，從而提升其在生產安全領域的應用效果。

其次，是務實的人機協同模式。

大模型雖有強大能力，但也有其局限性，而人類的經驗和智慧在行業場景尤為重要。通過人機協同，將人類的經驗與判斷與大模型強大的算力相結合：人類可以憑借在生產安全領域的經驗和直覺，為大模型提供補充和引導，而大模型則能快速處理大量數據，為人類決策提供依據。“比如電子圍欄這樣簡單的技術，配合恰當的人機協作模式，往往比復雜算法更實用?！蓖鯁坛空f。

最后，是小步快跑的迭代策略。

在快速變化的市場需求下，及時響應并調整研發路徑是一個關鍵。通過小步快跑，能夠快速驗證產品價值，減少研發成本和風險。王喬晨坦言，“我對團隊的要求是所有研發周期不超過一個月，這樣即使技術更新換代，即使大模型把我們‘碾壓’了，我們投入的價值也已經實現了?！?/p>

正是基于這套系統化工程能力，中建材信息數智化團隊針對生產安全領域提出了“大模型+小模型”的解決方案。在這個體系中，小模型負責高確定性的基礎檢測任務，如安全帽佩戴識別；大模型則處理需要推理能力的復雜情況，如動態環境中的異常判斷。兩者相互配合，共同構建起一個高效、可靠的生產安全AI體系，為生產安全提供有力保障。

大模型+小模型 “務實主義”的創新路徑

事實上，生產安全領域的AI解決方案落地一直充滿挑戰，工業生產對大模型的幻覺容錯率極低，而傳統CV方案中的小模型雖能一定程度上解決問題，但精度和泛化能力有限。

因此，大模型+小模型的方案，不失為一種更為有效的AI落地策略。

王喬晨認為，“有時候，訓練行業大模型未必是最佳選擇，隨著通用大模型能力的提升，專門訓練的行業模型可能很快就會被超越?！币虼酥薪ú男畔⒌牟呗裕窃谕ㄓ媚Ｐ突A上，通過行業知識庫和系統工程化來提升場景適用性。

這種做法的優勢顯而易見：既避免了高昂的訓練成本，又能快速響應技術迭代?！巴ㄓ么竽Ｐ蛶缀趺恐芏荚诟?，我們必須保持靈活性?！蓖鯁坛拷忉屨f。

不難總結，中建材信息在工業領域的成功，很大程度上源于對建材行業的專注深耕，將行業know-how和數據積累打造成護城河。通過長期的行業聚焦，中建材信息積累了豐富的行業數據和專業知識，這些數據和知識成為開發精準AI解決方案的基石。

同時，在服務過程中，中建材信息采用陪伴式服務模式，由行業專家、算法工程師和運維團隊組成的專業小組，全程跟蹤客戶需求，根據實際生產情況每月進行多次模型迭代優化，確保AI系統與生產流程深度融合，為客戶提供持續、高效的服務。

其實，這種服務模式，通過持續發掘客戶的需求，不斷豐富行業知識庫，形成正向循環，模型算法可以不斷優化，系統就會進化得更智能。

總得來講，系統工程能力是AI技術在生產安全等垂直領域落地的核心支撐，“大模型+小模型”的理念，提供了一條工業AI務實的創新路徑。將AI技術與系統工程思維深度融合，這不但是中建材信息獨特的競爭優勢，也為垂直領域的AI落地提供了新的思路。

AI技術的真正價值不在于技術的先進性，而在于能否解決實際問題。中建材信息的實踐表明，通過系統工程能力的構建，結合“大模型+小模型”的融合策略，可以在生產安全等垂直領域實現AI的高效落地。

也預示著，以場景需求為導向、以系統工程為思維驅動的務實主義創新模式，有望成為行業智能化轉型的參考路徑。