福建莆田的制鞋车间里，机械臂顺着鞋底曲面游走，胶水不偏不倚，复杂曲面喷胶准确率超过99%；远方的水库大坝上，台风来临之前，防洪会商时间缩短30%，台风防御预见期延长超30%；山东的石化厂区里，蒸馏塔压力一个微小波动，几秒钟内便被“逮”个正着……这些会“干活”的人工智能，是从哪里来的？

它们来自济南，一座专门生产大模型和智能体的工厂。这是国内首个面向场景和应用的实体化人工智能工厂，如今有了一个新的名字：浪潮海若词元工厂。

为啥要建一家工厂专门“造模型”？

为什么要建一家工厂专门“造模型”？通用大模型不能直接搬进工厂吗？

“因为每家工厂都有自己的‘语言’。”浪潮集团总工程师、浪潮云董事长肖雪说，一台设备和另一台设备是什么关系，一道工序的变化会向哪里传导，老师傅凭什么判断一个异常……这些企业内部的知识，互联网语料里没有，通用模型学不到。

通用模型“听不懂”工厂的话，那就沉到行业里，为一个个工厂重新“教”出懂行的模型。可千行百业各有各的“方言”，如果每个模型都靠工程师从零做起、手工定制，千千万万家企业，造得过来吗？

在肖雪看来，开发行业大模型仅靠工程师团队定制开发，人才、算力、算法、数据处处是瓶颈。“过去做模型，是开发人员手工调优、手工开发，像手工作坊；而行业落地又是分散的、小型的、定制化的，一把钥匙开不了所有的锁。”他给出的破题办法，是用模型制造模型，让手工作坊升级为流水线。

2025年1月，浪潮海若词元工厂的前身在济南建成：75道标准工序、180套工具，把数据、算力、算法拧成一条产线；1400余家生态伙伴的能力被嵌入各道工序，覆盖20多个行业。

“炼”成一个行业模型，需要几道工序？

工厂里，一个行业大模型究竟是怎样“炼”成的？记者跟着一张订单，走完了整条产线。

订单来自石化链主企业，目标是做一个管道设备防腐蚀模型。企业交给工厂的，是5万多条数据。

原始数据首先来到数据车间。经过安全审查将身份证号码等个人信息脱敏，再作特征分析。这个过程中，技术人员发现数据里设备类信息占了大头，分布严重不均。“就像人上学，一旦偏科，训练出来的模型也只会答一类题。”现场技术人员说。

这就需要工厂为数据“增广”：配齐10万条行业数据，再让模型自己生成40多万条，重点补齐短板，最终凑成58万条分布均衡的“教材”。

最见功夫的是标注，也就是一条条告诉模型什么是对、什么是错。人工先精标6000条“样板题”，再让三五个不同的模型分头标注剩下的50多万条，结果一致才算通过，出现分歧就交给人工裁决。11道工序、60套工具跑下来，数据准备被压缩到两周以内。

随后就是模型车间的工作。行业模型很少从零练起，更多是站在通用模型的肩膀上“再训练”：通用模型读完了“公共课”内容，工厂再喂它行业“专业课”知识，这样训练出来的模型就是能懂行业术语、工艺流程、设备状态等专业知识的“助手”。

行业模型训练出来之后，能不能用、能否满足客户需求，还需要经过评测中心和集成车间的检测。

在评测中心里，“考试模型”自动出题，生成的模型答题之后没有失误才能进入下一环节，若是出现失误则不准出厂。

最后，还要在集成车间搭出一套与客户现场一模一样的环境，把模型放进去反复跑，确保在厂里练出的本事到了车间不走样。

大模型的“工位”在不断延伸

模型走出工厂，才算真正“上岗”。

在海若具身智能综合训练场，一台机器狗为学会现场巡检的最佳路径，每天在数字孪生场景里反复走上一万遍；在应急处突场景中，机器狗能先行抵近侦察、隔离风险，把人从最危险的位置换下来。

汛期，水库调度中心的大屏上，“藏”着一座与现实一模一样的水库：大坝、溢洪道、山梁、支流等被1：1复刻；降雨汇流、洪水演进、应急转移在虚拟流域里实时推演，防洪预报、预警、预演、预案有了数字沙盘。

模型的“工位”还在不断延伸。在黑龙江“龙政智数”平台上，60个智能体分守9大模块，办事材料在部门间秒级核验、风险自动预警，曾经让人跑断腿的“证明”，如今在后台一键流转。在青岛的精神卫生中心，一份涉及数项指标的病历内涵质控，大模型6秒钟就能审完，把医生从案头的烦琐里解放出来。在山东的田间地头，搭载海若农业大模型的云上快检装备，现场就能给瓜果蔬菜开出“体检报告”。