时间来到2026年中，回望过去两年，中国制造业的智能化浪潮可谓波澜壮阔。一个显著的变化是，关于人工智能应用的讨论，已从“是否需要”的犹豫，转向了“如何更优部署”的深思。特别是对于AI模型，业界已经走出了“越大越好”的单一崇拜，开始认识到，真正的智慧并非源于单一的庞然大物，而是来自一个高效、协同、分布式的智能体系。
这一转变的背后，是国家战略层面的清晰指引。自2025年8月国务院发布《关于深入实施“人工智能+”行动的意见》以来，AI赋能新型工业化已成为顶层设计的核心。紧接着，工业和信息化部等八部门在今年初联合印发的《“人工智能+制造”专项行动实施意见》更是为制造业的AI应用画出了明确的路线图。该意见雄心勃勃地提出，到2027年要实现3-5个通用大模型在制造业的深度应用，培育超过1000个工业智能体，并构建百个高质量的工业数据集 。
在这一宏大政策框架下，单纯押注于大模型或小模型都无法全面承接时代赋予的重任。因此，一种将大模型的全局智慧与小模型的场景专注力相结合的“组合拳”策略，正成为行业共识，其重要性不亚于上一次工业革命中的电力系统。
一、为何是“组合拳”？单一模型的内在局限与协同的必然性要理解“组合拳”的必要性，我们必须首先清醒地认识到大、小模型各自的优势与短板。
大模型，作为“智慧大脑”，拥有强大的通用知识、复杂的逻辑推理和跨领域任务规划能力。在制造业中，它擅长处理全局性、战略性的复杂问题，例如，进行前瞻性的市场需求预测、优化横跨多个工厂的供应链网络、辅助研发人员进行新材料的探索与仿真设计 。然而，它的“大”也带来了高昂的计算成本、较长的响应延迟，并且在处理企业高度敏感的私有数据时，公有云部署模式引发的数据安全顾虑始终存在。对于生产车间内那些要求毫秒级响应的实时控制任务，大模型往往显得“鞭长莫及”。
小模型，则像是分布在产线各处的“神经末梢”和“敏捷触手”，它们轻量、高效、专注。通过在特定场景（如工业视觉质检、设备振动信号分析以进行预测性维护、生产工艺参数的精细调优等）进行深度训练，小模型能够以极低的延迟和成本，实现极高的执行精度 。但其局限也同样明显：知识面窄，“知其然不知其所以然”，无法处理超出其训练范围的异常情况，更不具备全局优化的视野 。
显而易见，二者形成了完美的能力互补 。制造业的智能化需求是多层次、多维度的，既需要“大脑”的运筹帷幄，也需要“末梢”的快速反应。调研数据也印证了这一点，高达92%的工业企业在实践中更倾向于采用大小模型协同配合的策略 。这种协同，并非简单的模型叠加，而是一种深度融合、有机联动的全新范式。
二、协同之道：云、边、端一体化的分布式智能架构
大模型与小模型的协同，依赖于一个设计精良的技术架构，目前业界普遍采用的是“云-边-端”分级部署模式 。这个架构如同一个完整的人体智能系统：
云端（Cloud）：部署“智慧大脑”——行业大模型。云计算平台凭借其强大的算力资源，成为训练和运行通用大模型及行业大模型的理想场所。在这里，大模型整合来自企业全价值链的海量数据——从研发、生产到销售、服务——进行深度分析与学习，形成全局最优的决策策略，并承担着对边缘端小模型进行迭代、优化的核心任务 。
边缘端（Edge）：部署“反射弧”——场景小模型。在靠近数据源的工厂车间、生产线旁，边缘计算节点部署着各类轻量化、专业化的小模型。它们负责处理实时的、高频的本地任务，如设备状态监测、产品缺陷识别等，无需将海量原始数据上传云端，从而极大降低了网络延迟和带宽成本，确保了生产控制的实时性与数据安全 。
终端（End）：嵌入“微智能”——微型模型。在更末梢的智能传感器、工业机器人等终端设备上，甚至可以嵌入微模型，执行最基础的离线决策和数据采集任务 。
在这个架构下，协同工作流清晰而高效：
一个复杂的生产指令下达后，云端的大模型首先会像一位总指挥，将其分解为一系列具体的执行步骤 。例如，它可能会分析订单需求和当前产能，生成一个最优的生产排程计划，然后通过“知识蒸馏”等技术，将与特定工序相关的优化参数或识别标准“教会”边缘端的小模型。边缘端的小模型接收指令后，立刻在产线上执行，比如调整一台注塑机的工艺参数，或者让视觉检测系统识别特定批次产品的瑕疵 。小模型在执行过程中收集的数据和遇到的异常，会经过初步处理后反馈给云端大模型，大模型再根据这些新信息进行学习和调整，形成一个持续优化、不断进化的闭环智能系统。
三、“组合拳”的威力：深度重塑制造业价值链当这套“组合拳”打出，其威力将渗透到制造业的每一个毛孔，从根本上重塑企业的核心竞争力。
在研发设计环节：大模型可以作为“超级研究员”，通过理解海量文献和专利，为新产品开发提供创新思路；小模型则可以作为“精算师”，对设计方案中的具体组件进行快速的性能仿真和参数寻优。二者结合，将极大缩短研发周期，激发创新活力。
在生产制造环节：这是“组合拳”威力最显著的领域。云端大模型基于全局数据进行能耗优化、产能调度和故障预测，制定宏观策略。产线上的小模型则成为不知疲倦的“金牌工人”和“质检专家”，实时监控设备健康度、精准识别微小缺陷、动态调整工艺参数，将生产效率、良品率和设备综合效率（OEE）提升至新的高度 。在一些石化等行业的复杂设备检修场景中，小模型可以处理常规的语音指令和故障排查，遇到棘手问题时再将信息上传，由大模型进行深度诊断，实现了专家资源的有效放大 。
在经营管理与供应链环节：大模型能够分析复杂的市场动态和供应链风险，提供精准的销售预测和库存策略 。小模型则可以在物流仓储的终端设备上，执行高效的路径规划和货物分拣。这种协同确保了企业对市场变化的敏捷响应能力。
在知识管理与人才赋能方面：基于大模型的企业知识库，能让任何一名工程师随时“请教”积累了数十年经验的虚拟专家。而内嵌于AR眼镜等设备的小模型，则可以在现场为一线工人提供实时的操作指导，极大地降低了培训成本和操作失误率。
结语我们正站在一个由政策驱动、技术革新的历史交汇点。2026年的中国制造业，智能化转型已经不是一道选择题，而是一场关乎生存与发展的必修课。从《“人工智能+”行动》的宏观指引，到《“人工智能+制造”专项行动》的具体部署 国家已经为我们铺设了通往智能制造强国的康庄大道。
在这条道路上，大模型与小模型的协同策略，无疑是最具威力和前景的“组合拳”。它克服了单一技术路径的局限 通过构建云、边、端一体化的分布式智能体系，实现了全局智慧与局部效率的完美统一。尽管在具体场景的适配和深度落地方面仍面临挑战 但这正是行业需要持续攻克的下一个阵地。