工业大模型为何冷遇？

自ChatGPT问世以来，业界普遍推崇通用大模型概念，甚至将其视为可全面替代垂直领域专业模型的技术方案，认为其将逐步压缩乃至取代行业大模型的生存空间。然而现实并非如此简单：通用大模型所依赖的训练数据，主要来源于互联网公开文本及大型云服务商所托管的公共数据，若某些行业（如能源、金融、高端制造、医疗等）的核心业务数据因安全、合规或商业保密要求，严格限定在内网环境、不对外发布、不上传公有云，更不允许第三方云厂商调用，则这些高价值、强场景化的专有数据天然无法进入通用模型的训练语料库。与此同时，通用一词本身亦值得推敲——当前主流模型虽标榜通用，实则仍集中于自然语言理解与生成、图像创作等有限模态输出，在工业设计、结构仿真、流体动力学分析、电磁场建模、热传导模拟、地质构造预测、气象数值预报等高度专业化领域，其底层算法、物理约束、工程经验与历史积累的数据体系，远非现有语言模型架构所能承载。真正意义上的通用，应涵盖多学科、多物理场、多尺度的深度建模与推理能力。令人费解的是，当下人工智能资源大量向AIGC尤其是大语言模型倾斜，而对亟需突破的工业级大模型投入明显不足。这背后，既有技术路径惯性使然，也折射出短期商业回报与长期产业价值之间的结构性失衡。