相关性胜于规模: 构建能够在现实中生存的 AI

为何更小的、特定任务模型对现场 AI 至关重要

团队现在可以比以往更快地从 AI 提示转向原型。但这些原型在现场服务、制造或设施管理等真实工作流程中常常会出现故障，因为在这些场景中精度、一致性和问责制至关重要。问题在于，虽然 AI 总能给出答案，但你真正需要的是每一次都在正确情境下的正确答案。

这正是大多数大型语言模型（LLM）失去价值的地方。使用 LLM 时，仅仅以不同方式提问同一个问题，就可能得到完全不同的输出。这是因为许多 LLM 更注重广度而非专门的深度。虽然灵活性在创意工作中有帮助，但这种广博的知识对追求精确的人来说可能成为负担。

运营环境要求一致性。资产是已知的，流程有文档记录，安全协议和监管要求规定了可接受的参数。任何基于通用互联网知识的输出变动都可能使问题恶化。例如，在暖通空调维修中，技术人员需要基于特定资产——其维修历史和已知故障模式——的输出。

想象一下技术人员在时间压力下响应设备故障。如果系统根据提问方式产生不一致的答案，或无法将其建议关联到可信数据，你就会面临大问题。响应时间对客户和业务成功都至关重要。

从规模到相关性的转变

现在发生的转变是从通用 AI 向相关 AI 迁移。与其让 AI 做所有事，越来越多的组织将其角色限定在特定、可重复的任务上。体积更小、针对特定任务的模型以及范围明确的 AI 系统正受到青睐，因为它们可以基于实时运营数据、受业务规则约束，并直接嵌入现有工作流。

小模型已被证明在以下方面表现更佳：

• 故障排除: 小模型能够将手册、以往经验和非正式知识共享等高度细微的输入转化为知识蒸馏，让更 junior 的团队成员学习更快、行动更有信心。小型 AI 模型还可以通过整合专门相关的历史工单、维修日志和故障模式，提供可能的后续步骤，从而减少跨系统搜索的时间。
• 工作交接: 不完整或不一致的文档会使班次或团队之间的交接变得危险。但基于服务数据训练的特定任务模型可以总结已完成的工作、已更换的部件以及仍未解决的事项，使下一位技术人员能够在清晰的全局视图下开始工作，而无需自行拼凑信息。
• 合规与安全: 在受监管的环境中，遗漏一步会带来真实风险。特定任务的小型语言模型可以指导标准化检查工作流，确认必需步骤，并实时识别或标记不一致之处。

这些小模型可以围绕已知数据、已批准的工作流和定义的操作进行训练和约束。它们不是作为独立工具存在，而是嵌入现有系统，能够检索实时数据、更新记录并提示后续步骤。

构建运营团队可信赖的 AI

要让 AI 在现场服务和制造环境中取得成功，必须根植于实际工作方式——连接的系统、结构化的运营数据以及团队已经信任的工作流。同时，它必须值得信赖。

信任的基础是始终如一、结构化的数据，这样模型才能每次以相同方式解释资产、工单和指标。输出还需要设定防护栏和治理机制，确保指导始终在已批准的工作流、已验证的数据源范围内，并且不会让工人超出其角色或技能去执行操作。如果某项建议无法追溯到已知数据，AI 就不应提出该建议。

AI 还必须实现深度集成——嵌入团队在做决策时已经使用的系统，否则它将变得无用甚至被忽视。人工监督仍然是必不可少的。目标不是，也永远不应是取代操作员，而是与之并肩工作。这意味着关键操作必须由人来批准、覆盖建议、执行关键动作，并在出现超出预期模式的情况时进行升级。

对 AI 的信任与对任何运营系统的信任方式相同：通过一致的表现并符合实际工作方式来建立。你总能从 AI 获得答案，但真正重要的是获得可靠、正确且一致的答案。AI 能创造最大价值的运营环境恰恰是那些几乎不存在歧义的场景。

适度规模 AI 的效能

还有一个实际优势在于小模型更轻便、更快速、更易管理。它们对计算资源的需求更低，产生的结果延迟更小，并且可以随着流程的变化而更新。

而且可以将两种 AI 方法结合使用。一些公司使用更大、更通用的模型捕获广泛的模式和推理，然后将这些知识蒸馏到针对特定任务调优的小模型中。这使组织能够保留大规模训练的优势，同时交付在现场表现更可靠的系统。

在工单管理或生产监控等高频流程中，这些效率最为显著，因为性能提升可以通过运营指标体现，例如更快的解决时间和更少的停机时间。

重新定义成功

信任是 AI 下一阶段的核心。系统只有在真实世界条件下表现良好，才算成功，而不是看起来多么聪明的原型。AI 在能够实质性提升流程安全性、减少交接或使问责更清晰时才是最佳状态。AI 只有在保持一致性时才可靠。盲目扩大智能规模并不能带来任何运营优势。一个能够在现场按需、按时可靠工作的系统，才是实现真正进步的关键。