工业垂类大模型解决什么问题
通用大模型读过海量公开文本，但它没见过你的工艺参数、设备曲线、良率记录。工业垂类大模型的价值，就是把行业专有数据喂进去，让模型真正懂一个细分领域的因果关系——比如根据时序数据预判设备故障、优化工艺参数。
宁波已经走到哪一步
- 全国首个石化时序大模型（TPT）已在镇海炼化、万华化学等企业落地迭代。
- 全市入库培育工业垂类大模型 20 个，其中 4 个通过国家备案。
- 依托“科创甬江2035”重点研发计划，聚焦工业垂类大模型、工业软件开展攻关，完成 20 个细分领域技术论证。
- 推行“龙头企业+AI服务商”联合研发验证模式，并推进首批 23 个高质量数据集试点项目。
- 推动企业设立首席数据官、建设可信数据空间，解决“数据能不能用”的前提问题。
为什么这件事难
垂类模型拼的不是算法，是数据、语料、场景、人才四件事。很多企业卡在第一步：数据散在不同系统里，格式不统一、历史数据没沉淀、关键工艺参数甚至没有电子化。模型再好，没有可用的语料也是空转。
中小企业能复制吗
坦率讲：中小企业不适合复制“训一个大模型”这条路，投入大、周期长、还缺数据。真正可复制的是它的方法论——聚焦一个细分环节、把数据整理成可用资产、用最小场景验证价值。
选场景时有个实用标准：这个环节是不是每天都在重复、规则是不是相对明确、做错了代价是不是可控。三条都满足，就值得自动化。按这个标准，内容生产、客服问答、文档整理、线索初筛通常排在前面；工艺优化、排产调度这类核心环节，价值高但门槛也高，适合有数据基础的企业做。
营销与内容侧的机会
政策资源集中在制造端，但中小企业完全可以先从内容、客服、获客这些低门槛场景切入，把 AI 用起来、把数据积累起来，等组织和数据都准备好了，再往核心业务环节走。我们在 企业AI应用 里整理了优先级排序的判断口径；具体投入见 AI内容服务价格方案。