赛迪前瞻2026年第19期（总947期）_破解工业领域多模型协同瓶颈_加速_人工智能+制造_规模化推广-水印版_10页_2mb

报告摘要

本文由赛迪智库发布，探讨了当前工业领域中多模型协同应用的发展现状、面临的挑战及未来对策建议。文章指出，随着技术的不断成熟，多模型协同已逐步成为“人工智能+制造”规模化应用的重要推动力，但其在实际落地过程中仍存在诸多瓶颈，亟需从标准、技术、生态等多方面进行突破。

技术成熟
多模型协同技术正加速成熟，形成了三种主要协同模式：
- 串联协同模式：将前序模型输出作为后续模型输入，形成任务处理链。适用于流程清晰的场景，如质量检测与安全监控。
- 路由协同模式：由大模型作为中枢，调度多个专业模型并行协作。适用于复杂任务，如能源优化与柔性生产。
- 边云协同模式：边缘端小模型负责实时响应，云端大模型负责复杂分析。适用于涉及隐私数据的场景，如设备维护与生产监控。
解决方案快速发展
多模型协同解决方案从单场景赋能向多产线优化、全系统决策演进，涵盖多个行业。例如：
- 宁德时代通过边缘与云端协同实现电池检测零漏检。
- 河钢基于工业互联网平台实现炼铁、炼钢等环节的用能优化。
- 海尔的卡奥斯平台集成3900多个机理模型，支撑全流程优化。
商业模式初显雏形
多模型协同服务从一次性收费转向持续性服务，形成价值共创、风险共担机制：
- 提供“开箱即用”产品或SaaS服务，如华为与朗坤的工业大模型一体机。
- 提供项目制服务，如浪潮云洲与广州博依特。
- 通过工业互联网平台实现按运营效果分成，如广域铭岛Geega平台。

沟通交流不畅
工业系统数据格式、通信协议、系统接口差异大，导致多模型协同困难。例如，仅6%的企业对其AI数据集成架构满意，71%的AI团队花费大量时间处理数据问题。
集体智能不充分
多模型协同尚未实现“1+1>2”的效果，主要受限于模型异构、决策黑箱与高成本部署。测试显示，当前多智能体系统的任务正确率范围为13.3%至85%。
成本优化不到位
构建与维护多模型协同系统成本高昂，主要包括：
- 开发成本高：需掌握多种算法与框架，跨生态集成需转换接口。
- 用户转换成本高：依赖云厂商或头部AI公司提供的“保姆式”服务，面临生态迁移难题。

完善标准与协议体系
- 推动构建工业模型领域开放标准体系。
- 攻关协议兼容与转换技术，支持中间件产品开发。
优化协同机制
- 探索模型协同机制，如任务分配与协同决策优化。
- 构建全链条安全保障与检测体系，提升系统可靠性。
- 开展高价值场景试点示范，培育可复制、可推广的解决方案。
构建开放协同生态
- 支持开源生态建设，鼓励企业与科研机构贡献资源。
- 开放协同创新工具，如零代码、低代码开发平台。
- 组织论坛、模型大赛等活动，促进产业创新与成果转化。