“大模型+小模型”，中建材信息的“务实主义”创新路径

推荐语

中建材信息如何结合大模型和小模型，实现工业AI落地的创新实践。

核心内容：
1. 大模型在垂直领域应用的局限性和解决方案
2. 系统工程能力在构建工业AI落地中的核心作用
3. 知识库构建、数据整合和跨模型互检在提高AI可靠性中的关键角色

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

近两年来，从ChatGPT到DeepSeek，以通用大模型为代表的技术百花齐放，带来AI应用前所未有的繁荣。但大模型并不是万能的，受限于面向行业纵深的场景理解能力，大模型在垂直领域的真正应用潜力尚未被充分发掘。

中建材信息技术股份有限公司副总经理王乔晨日前谈到，“工业场景的AI落地，并不是在追求最先进的算法，而是在寻找最可靠的解决方案。”

的确，大模型应该成为AI解决方案的组成部分，而非解决方案本身。比如在生产安全这一类专业场景中，以成熟的CV小模型推理实现全天候安全监护，并由大模型推理对检测结果进行交叉互检，显然要比单纯的大模型方案，具备更高的准确率，也更具性价比。

今年初，DeepSeek横空出世，迅速引爆了各行各业对AI应用的追逐。

王乔晨指出，“DeepSeek R1的开源，在AI领域掀起了一场深刻变革，它让大模型从少数企业的高端资源变成了大众可用的工具。”这种技术平权带来的最直接影响，就是降低了企业应用AI的门槛，让过去受限于算力需求和闭源生态的工业场景，可以更便捷地尝试大模型技术。

实际上，大模型走向行业场景落地，要解决的本质命题，是技术先进性与行业普适性之间存在的“最后一公里”落地，这看似简单的逻辑，实则隐藏着复杂的行业know-how问题。

比如聚焦到工业场景，特别是生产安全这一关键领域，挑战就随之而来。工业生产对稳定性和可靠性要求极高，容不得半点差错。同时，大模型的“幻觉”问题可能导致错误决策，严重威胁生产安全。此外，工业数据分散且标准不一，如何将这些数据有效整合利用，让模型更好地理解和处理生产场景中的问题，也是AI在工业场景落地的重要挑战。

如王乔晨所说：“实验室里的惊艳表现与工业现场的实际需求之间，还存在巨大鸿沟。”比如，在水泥生产这样的工业流程中，一个微小的错误可能导致严重的安全事故，这就要求AI系统必须达到近乎完美的可靠性。“99%的准确率远远不够，我们需要的是小数点后多个9的保障。”

因此，要在工业场景充分发挥大模型的优势，并不完全是大模型的技术问题，而是模型结合知识、经验、模型算法和场景理解的综合问题。面对这一挑战，中建材信息数智化团队探索出了一套独特的解决方案，这就是：系统工程能力。

钱学森的《系统论》认为：系统是由一些相互关联、相互作用、相互影响的组织部分构成并具有某些功能的整体。从系统的角度来看，单独研究任何一个部分，都回答不了系统整体性问题。

这意味着推动AI在工业场景落地的关键也不是单一技术的问题，而是涵盖诸多影响元素的系统性难题，王乔晨提出的“系统工程能力”这一解决之道，聚焦在三个方面：

首先，是知识库的构建。

大模型在工业场景中有时会出现幻觉现象，而丰富且高质量的行业发展数据能够有效减少这种问题的发生。通过大量建材行业的机理知识和生产数据，可以为通用大模型提供专业“知识底座”，有效减少幻觉问题。当知识库足够丰满、质量足够高时，大模型在处理信息时就能更准确、更可靠，从而提升其在生产安全领域的应用效果。

其次，是务实的人机协同模式。

大模型虽有强大能力，但也有其局限性，而人类的经验和智慧在行业场景尤为重要。通过人机协同，将人类的经验与判断与大模型强大的算力相结合：人类可以凭借在生产安全领域的经验和直觉，为大模型提供补充和引导，而大模型则能快速处理大量数据，为人类决策提供依据。“比如电子围栏这样简单的技术，配合恰当的人机协作模式，往往比复杂算法更实用。”王乔晨说。

最后，是小步快跑的迭代策略。

在快速变化的市场需求下，及时响应并调整研发路径是一个关键。通过小步快跑，能够快速验证产品价值，减少研发成本和风险。王乔晨坦言，“我对团队的要求是所有研发周期不超过一个月，这样即使技术更新换代，即使大模型把我们‘碾压’了，我们投入的价值也已经实现了。”

正是基于这套系统化工程能力，中建材信息数智化团队针对生产安全领域提出了“大模型+小模型”的解决方案。在这个体系中，小模型负责高确定性的基础检测任务，如安全帽佩戴识别；大模型则处理需要推理能力的复杂情况，如动态环境中的异常判断。两者相互配合，共同构建起一个高效、可靠的生产安全AI体系，为生产安全提供有力保障。

事实上，生产安全领域的AI解决方案落地一直充满挑战，工业生产对大模型的幻觉容错率极低，而传统CV方案中的小模型虽能一定程度上解决问题，但精度和泛化能力有限。

因此，大模型+小模型的方案，不失为一种更为有效的AI落地策略。

王乔晨认为，“有时候，训练行业大模型未必是最佳选择，随着通用大模型能力的提升，专门训练的行业模型可能很快就会被超越。”因此中建材信息的策略，是在通用模型基础上，通过行业知识库和系统工程化来提升场景适用性。

这种做法的优势显而易见：既避免了高昂的训练成本，又能快速响应技术迭代。“通用大模型几乎每周都在更新，我们必须保持灵活性。”王乔晨解释说。

不难总结，中建材信息在工业领域的成功，很大程度上源于对建材行业的专注深耕，将行业know-how和数据积累打造成护城河。通过长期的行业聚焦，中建材信息积累了丰富的行业数据和专业知识，这些数据和知识成为开发精准AI解决方案的基石。

同时，在服务过程中，中建材信息采用陪伴式服务模式，由行业专家、算法工程师和运维团队组成的专业小组，全程跟踪客户需求，根据实际生产情况每月进行多次模型迭代优化，确保AI系统与生产流程深度融合，为客户提供持续、高效的服务。

其实，这种服务模式，通过持续发掘客户的需求，不断丰富行业知识库，形成正向循环，模型算法可以不断优化，系统就会进化得更智能。

总得来讲，系统工程能力是AI技术在生产安全等垂直领域落地的核心支撑，“大模型+小模型”的理念，提供了一条工业AI务实的创新路径。将AI技术与系统工程思维深度融合，这不但是中建材信息独特的竞争优势，也为垂直领域的AI落地提供了新的思路。

AI技术的真正价值不在于技术的先进性，而在于能否解决实际问题。中建材信息的实践表明，通过系统工程能力的构建，结合“大模型+小模型”的融合策略，可以在生产安全等垂直领域实现AI的高效落地。

也预示着，以场景需求为导向、以系统工程为思维驱动的务实主义创新模式，有望成为行业智能化转型的参考路径。