如果大模型说“可能是蒸汽压力异常”，生产人员接下来一定会问：凭什么？采访中展示的设备诊断案例里，系统会直接读取现场实际数据。每一步查了什么、调用了什么、依据什么排除，都能够回看。这就像老师傅排查故障。

　　确认原因后，系统会给出处置方案，现场人员审核确认后，再创建工单，进入下一步流程。

　　朱冰把工业大模型称作后台的“支柱和灵魂”——呈现在用户面前的，可能是一个智能体、一套软件，甚至一台机器人，但背后真正负责理解问题、调度工具和汇总判断的，仍然是大模型。

　　第三关

　　真正的能力要在生产线上长出来

　　玻纤生产，是奇智孔明进入真实生产流程的一个典型案例。从原料配比到窑炉熔化，再到漏板拉丝，几道工序环环相扣。一次微小波动，都可能造成断丝，进而影响开机率和产量。

　　在这里，奇智孔明并不是一个“模型”包打天下。

　　原料环节，机器学习小模型分析原料检测数据、历史配方和生产结果，预测配方质量；窑炉环节，视觉小模型持续观察中间产品状态，再和实时IoT数据结合；拉丝环节，本体又把产线、通路、拉丝机、漏板、工艺参数和生产事件连接起来。

　　小模型负责感知和计算，大模型负责理解问题、调用工具，再将结果汇总起来。过去分散的一个个算法，变成一套能够协同工作的系统。