2025年7月12日，CCF YOCSEF 合肥成功举办技术论坛“车间物理定律VS云端数字理想-如何突破大模型赋能智能制造困局”。本次论坛是CCF YOCSEF合肥第十五届学术委员会第一次技术论坛，也是YOCSEF 合肥在“大模型”及“智能制造”方向上的延续，同时还是与YOCSEF 苏州、YOCSEF 深圳联合推出的“YOCSEF 2025 工业智能系列论坛”的第一场，旨在推动大模型在工业智能场景中的实际应用。

近年来，随着智能制造发展迅速，各类人工智能算法和模型已经大幅提高了生产效率和生产质量。同时，制造业中更复杂的场景对人工智能算法和模型发起了更大的挑战。尤其是生产中质量检测和故障预警的场景，大模型的出现为解决这些场景的复杂问题提供了可能性。然而在落地过程中依然面临数据负样本少、多模态多维度、时序要求高等问题。

为此YOCSEF合肥组织本次大模型赋能智能制造技术论坛，探索智能制造复杂场景下，大模型如何解决传统人工智能无法解决的问题。尤其聚焦在大模型在生产环节中质量检测和故障预警场景下，遇到的训练数据缺失、数据维度高、多模态等问题。探讨场景的特点，可能的解决方案和技术路径，以及带来的影响。在本次论坛前，YOCSEF合肥也已经走进相关企业进行场景调研和问题收集，包括长鑫存储、联宝科技、中科类脑、羚羊工业互联网。

本次论坛执行主席为YOCSEF 合肥副主席华米科技周锐和YOCSEF合肥AC合肥工业大学吴乐。本论坛邀请了来自联宝科技、金鹰集团、车企等制造业需求方，中科类脑、亚马逊云科技等解决方案方，科大讯飞、羚羊工业互联网等大模型厂商以及中国科学技术大学、北京科技大学、合肥工业大学等学界的相关专家，一起展开讨论。

论坛由周锐和吴乐共同主持，周锐为大家做了开场，介绍了本次论坛的议题和嘉宾。随后介绍了YOCSEF的文化和宗旨，强调“承担社会责任，提升成员能力”的重要性，详细介绍了论坛形式和价值观。

引导发言报告环节

亚马逊云科技制造业行业顾问邴志强为大家带来了引导报告“大模型赋能制造业的愿景与“四面墙”内的现实落差”。报告的指出：当前大模型在工业场景中面临“五重挑战”，包括数据的独特复杂性带来的适配难题、算力瓶颈、模型可解释性不足、新模型与传统系统的融合困难，以及复合型人才的缺口。他强调从“不确定”走向“确定”的路径中，技术与人才同等关键。

中科类脑研究员贾伟带来报告“AI赋能—专业守护电设备健康”。贾伟以电力配电场景为切入，介绍了AI在电力能源中的应用实践，尤其是在外观缺陷检测等巡检任务中的突破。他提出构建电力视觉大模型、数据闭环机制，并规范数据工程流程。同时，他展望了未来的发展方向，如可解释性增强、空间信息融合以及设备全生命周期管理。

科大讯飞能源巡检行业产品经理胡代带来了“基于CV大模型及智能体技术的新能源巡检解决方案”的报告。胡代分享了在新能源巡检场景中，如何通过计算机视觉大模型和智能体技术提升巡检的智能化水平。他强调通过构建知识库和数据风轮支撑大模型训练，并探索大小模型协同策略解决长尾问题。此外，他介绍了智能体在报警事件分析、工单自动生成及运维流程打通方面的具体应用，指出未来关键是提升模型泛化能力并实现智能体对企业业务的深度融合。

北京科技大学副教授卓君宝的报告题目是“开放环境视觉迁移学习”。卓君宝则从研究角度出发，聚焦开放环境下的视觉迁移学习问题，探讨如何应对数据分布变化导致的泛化能力下降。他系统介绍了无监督领域适配方法（如特征对齐、域对抗等），以及小样本学习、零样本学习技术的研究进展，并展示了团队在基于结构先验与跨域特征建模方面的创新实践。

思辨环节

在引导报告后，论坛进入到了思辨环节。在思辨环节，参会者围绕三个话题展开了深入讨论。首先，从智能制造面临的问题与大模型的关系分类入手，哪些是不需要大模型解决的？哪些是大模型不擅长的？哪些是大模型已经很好的解决的？还有哪些大模型潜在能解决但是依然有一些困难的？并且在最后一个分类里面寻找一些共性问题；接着，针对上述共性的质量检测及缺陷预警等场景，提炼科学问题，探讨解决方案和技术路径；最后，针对上述技术路径进行发散，探讨其技术目标和政策推动。思辨特邀嘉宾是联宝科技数字化产品经理徐久存、合肥工业大学副教授张琨、中国科学技术大学副研究员张凯、安徽大学教授赵姝。

话题一：大模型在智能制造中有哪些应用场景？落地过程存在什么共性问题？

来自产业界的多位嘉宾积极发言。大模型在智能制造中的应用场景主要集中在非实时、知识密集型领域，如质量检测（如视觉检测处理缺陷）、辅助决策以及柔性制造的规划和优化任务；然而，落地过程普遍存在共性问题，包括数据安全隐忧与垂域知识封闭导致的训练困难、实时性限制（如不适合高响应场景或紧急控制）、大模型可靠性不足和人类不可替代性（需人机协同）、传统行业保守态度（担忧成熟流程被打破）以及技术与场景错位，常需通过“大模型+小模型协同”的多模型策略和领导层支持（“一把手工程”）来缓解风险，但整体仍面临数据分散、多语种识别隐患等落地障碍。

话题二：在质量检测和故障预警等重要工业场景，存在哪些技术挑战?潜在技术路径是什么？

这个话题主要是各位大模型厂商、学界和解决方案方在进行探讨。在工业质量检测和故障预警领域，技术挑战集中体现在数据与模型层面：一方面，异常样本（负样本）极度稀缺制约着模型的泛化和识别能力，同时多模态数据（传感器、图像、文本等）的有效对齐与融合存在显著困难；另一方面，大型模型的高推理延迟难以满足实时场景部署需求。此外，通过仿真补充"长尾场景"数据面临现实偏差问题，而模型可解释性与责任归属也是工业应用的关键痛点。

潜在技术路径聚焦于：利用预训练模型（如CLIP）迁移知识或建模正样本分布来缓解负样本不足；通过知识蒸馏、模型量化等手段实现模型小型化，降低延迟以适应边缘部署；开发更精细的多模态对齐与联合建模技术；借助动态模型构建增强仿真数据并采用预训练+微调缩小仿真与现实差距；同时融合传统统计方法或可解释AI技术提升模型透明度与可追溯性。具体方案需结合场景需求，审慎评估大模型的适用性。

话题三：上述技术路径是否可以扩展到更多场景？技术目标是什么？政策上如何推动？

经过讨论，总结出技术路径的扩展性与技术目标呈现多面性，当前针对负样本处理、多模态融合及模型轻量化的技术方案（如预训练迁移、知识蒸馏等）虽具备跨场景潜力，但需紧密结合行业特性，如冶金等复杂流程更依赖政策与领导力推动，封闭工业场景的落地难度更高。技术目标已从基础能力建设转向系统性价值创造，既包含设备预警、工艺优化等核心生产环节，也延伸至供应链管理、跨环节协同等高动态场景，同时提升办公效率（如自然语言交互数据库）。政策推动的关键在于分层施策，一方面通过示范案例与供应商收益分享机制降低企业试错成本；另一方面需决策层主导制度变革，将AI落地列为战略级工程，配套资源倾斜与跨部门协作机制，方能突破技术迁移与系统整合的壁垒。

思辨环节结束后，本次论坛的执行主席为思辨嘉宾颁发感谢证书并合影留念。

此次论坛通过专家报告和思辨讨论，进行了一次从智能制造工业企业到大模型技术企业和高校的碰撞。与会嘉宾畅所欲言，从明确问题到解决方案，从技术推动到政策指引，从学术成果到现实落地，均收集了来着各界的声音。

CCF YOCSEF合肥成立于2011年，是中国计算机学会青年计算机科技论坛在全国的28个分论坛之一。CCF YOCSEF合肥将肩负引领学术前沿探索的重任，针对计算机学术、产业和技术进行研讨思辨，思其本质、辨其真伪。CCF YOCSEF合肥成员主要来自合肥高校和计算机信息类企业中的专家教授与负责人。欢迎各界学术和产业精英加入YOCSEF合肥。