物界前沿从“越大越好”到“够用就行”：AI竞赛的底层逻辑正在改写
去年秋天，我在深圳龙华的一家3C电子代工厂做产线诊断。客户上了一条基于大模型的视觉质检线，标称精度99.7%，结果实际跑了一周，良率不但没提升，反而因为误判导致返工率飙升。问题出在推理延迟——大模型单张图片处理需要1.2秒，而产线节拍要求0.5秒以内。最后我们换成了一个参数量只有1/10的轻量模型，配合边缘端FPGA加速，良率从89%提到了93.5%，单条产线每年节省电费就超过12万。
这个案例并非孤例。CNBC最新报道指出，AI竞赛的风向正在从“更大模型、更高基准”转向“更便宜、更智能的系统”。这背后是AI产业的供给侧逻辑发生根本性变化：当算力成本不再无限下降，当MoE、知识蒸馏等工程手段日趋成熟，当边缘算力成为新瓶颈，堆参数终于碰到了天花板。作为在制造业一线摸爬滚打的人，我想从产业落地的角度，拆解这条分叉路。
两条路线的对比：大模型 vs 小模型
当前AI产业呈现明显的“路线分化”，我用一个对比框架来呈现：
| 维度 | 路线A：大模型至上（OpenAI / Google） | 路线B：务实高效（边缘AI / 行业模型） |
|---|---|---|
| 核心目标 | 逼近通用智能 | 解决具体产线问题 |
| 指标 | 基准测试分数、上下文长度 | 推理速度、良率提升、单位成本产出 |
| 算力策略 | 堆集群、买GPU | 模型压缩、边缘部署、量化 |
| 典型案例 | GPT-5、Gemini 2.0 Pro | 特斯拉Dojo（视觉检测）、西门子Industrial Edge |
| 工业落地痛点 | 延迟高、成本高、数据隐私难 | 泛化能力有限、需要定制化标注 |
对标海外案例：特斯拉的“减法”
特斯拉在2024年将Dojo超算重心从训练大模型转向了推理优化。其Optimus机器人的视觉系统，用的不是GPT-4o，而是一个基于MobileNet的魔改版，参数量仅1.2亿，却能以毫秒级延迟完成产线物料分拣。马斯克在2025年Q1财报电话会上说：“我们不需要会写诗的AI，我们需要一个能识别螺丝刀、耐2000小时震动的模型。” 这恰恰是工业AI的真实需求——可靠性优先于通用性。
反观国内的“大模型下厂”运动
2024-2025年间，不少企业把百亿参数模型直接部署到产线，结果遭遇“水土不服”：推理延迟打乱节拍，因数据漂移导致误判率急剧上升，运维团队需要同时懂模型和机械。比亚迪内部做过统计：在动力电池焊接瑕疵检测场景中，一个7B参数模型比200M参数模型慢7倍，但准确率仅提升不到2个百分点。后来他们果断切回小模型+主动学习策略，用少量人工标注持续迭代，效果反而更好。
波特五力分析：格局正在重塑
用波特五力框架看当前AI产业的竞争态势：
- 供应商议价能力（英伟达）：大模型竞赛推高了H100/B200需求，但小模型路线对算力需求降低，反而削弱了英伟达的议价能力。边缘芯片（如高通、寒武纪、地平线）开始崛起。
- 购买者议价能力（制造业企业）：以前企业只能买大模型API，成本高、数据安全风险大。现在本地小模型方案成熟，工厂可以自己部署，议价能力显著增强。
- 新进入者威胁：小模型降低了技术门槛，许多工业软件公司、自动化厂商（如发那科、海康威视）都能自研质检模型，大模型公司不再是唯一选择。
- 替代品威胁：传统机器视觉（基于规则）在简单场景下依然能打，但小模型可以覆盖更多复杂场景，两者正在融合。
- 现有竞争者强度：大模型公司之间竞争白热化，但工业AI领域尚未出现绝对霸主，机会在于“行业know-how+模型压缩”的交叉点。
行动建议：给制造业数字化转型者的三点提醒
第一，不要被“大模型焦虑”绑架。
如果你的产线问题可以通过一个1B参数模型+50万条标注数据解决，就不要花200万/年买GPT-5的API。先跑通一个闭环，再谈扩展。
第二，对标特斯拉的“边缘优先”策略。
将模型推理部署到产线端，而不是集中到云端。这不仅能降低延迟，还能规避数据出境风险。国内已有企业将YOLOv8轻量化后部署到海康工业相机上，在PCB检测中实现了99.1%的准确率和0.3秒的推理时间。
第三，用“总拥有成本”替代“基准分数”作为选型指标。
计算模型从
原文链接：The AI race is shifting from bigger models to cheaper, smarter systems