大模型的热度从办公室烧到了车间，但工厂里的落地项目远没有 PPT 里多。不是因为工厂保守，而是工业场景有几个硬约束，绕不过去。看清障碍在哪，路线自然就清楚了。
一、障碍一：数据不在模型够得着的地方
大模型很聪明，但它不知道你厂里 3 号注塑机昨晚停了几次。设备数据在 PLC 里，工单在 MES 里，物料在 WMS 里，维修经验在老师傅脑子里。**模型能力再强，接不到数据就是空谈。**所以工业大模型项目的第一步永远不是选模型，而是建数据底座：用工业数据网关把设备数据采上来，把各业务系统的数据打通。
二、障碍二：通用模型不懂你厂的"方言"
同一个故障，A 厂叫"飞边"，B 厂叫"披锋"；同一台设备，工艺参数的正常范围因厂而异。通用大模型不懂这些，直接问答会闹笑话。解决办法是知识库注入：把本厂的设备手册、历史故障案例、维修经验、工艺文件喂给模型，让它说"你厂的话"。这也是为什么我们强调知识库必须可由现场人员自主维护——没有人能替工厂写这些知识。
三、障碍三：数据安全与成本
生产数据不能出厂区，这是多数工厂的底线，云端大模型 API 直接出局。本地部署是必选项，好消息是这两年开源模型的能力已经足够支撑查询、推理、知识问答这类场景，一台带显卡的工作站就能跑。成本从"按 token 付费的持续出血"变成"一次部署的固定资产"。
四、务实路线：小切口、深集成
不要追求"一个大模型管全厂"。挑一个高频、高价值的切口——设备运维就是最典型的一个：故障推理有知识库支撑，自然语言查询有数据底座支撑，效果三个月就能验证。跑通一个场景，再横向扩展到工艺、质量、排产。
乾力智能的 AI 设备运维智能体就是这个路线的实践：本地部署大模型 + 工业数据网关 + 可自主维护的知识库，并且可以与 MES、WMS 数据打通，为工业大模型落地提供可复制的实践样本。欢迎联系我们交流落地方案。
