行业大模型喊了很久，真正落地的信号最近才密集出现。DeepSeek 把“干活”搬到了桌面，蚂蚁的能源 Agent 已经在算电费，沈鼓把几十年老师傅经验编码成了可计算的模型。这篇文章不聊参数，只讲三个落地信号，以及中小企业到底能从中抄到什么。
老师傅的经验被写进模型：国产行业大模型落地的三个真信号
DeepSeek 把编码 agent 搬到桌面、蚂蚁能源 Agent 算起电费、沈鼓把老师傅经验写进模型。三个落地信号指向同一件事：行业大模型正从“能说”走向“能干”。中小企业能抄的三件事，都在这篇里。
一、三个信号，指向同一件事
过去一段时间，关于大模型的新闻大多围绕“参数”“跑分”“开源”。但最近一周，三个落地的信号依次出现，它们共同指向一件事：行业大模型正在从“能说”走向“能干”。
第一个信号来自工具侧，DeepSeek 把编码 agent 搬到了桌面；第二个信号来自能源行业，蚂蚁的工业大模型与能源 Agent 同台发布；第三个信号来自制造业，沈鼓把老师傅经验写进了模型。
这三个信号恰好覆盖了“工具、行业、场景”三层，值得企业认真拆解。
二、信号一：DeepSeek 把“干活”搬到了桌面
DeepSeek Harness v0.2 预览发布，新增 macOS 与 Windows 原生桌面应用，还有插件管理器（不用命令行即可装包）、实验性的 creator mode（用对话造插件），以及自动化任务插件（把重复工作定时化）。DeepSeek 称 Harness 是其官方 API 用户中使用最广的编码 agent。
这条信号的要点是“降低门槛”。当 agent 从命令行走到桌面、从配置走向对话，能用它的人就从工程师扩展到了普通从业者。
工具门槛的下降，是行业大模型真正扩散的前提。
三、信号二：蚂蚁的能源 Agent 已经在算电费了
据中国工业报 10 月 9 日报道，在 2026 世界制造业大会上，蚂蚁工业大模型 3.5 与三个能源 Agent（电网协调、电力交易、零碳园区）同台发布，覆盖风、光、水、火、核、储六类核心场景。
试点数据显示，综合电价下降 5%~8%，储能收益提升 20%。这些数字的意义在于：Agent 不再停留在演示，而是开始产生可量化的经营收益。
电力、能源这类规则清晰、数据密集的行业，是行业大模型最容易跑出效果的地方。
四、信号三：沈鼓把老师傅装进了模型
据光明日报 10 月 6 日报道，在 2026 全球工业互联网大会上，沈鼓集团把几十年老师傅经验编码成可计算的数据模型，训练垂直 AI 模型；“沈鼓云”平台提供全行业远程监控与故障诊断。
据报道，其首台套研发周期缩短 30%，2.5 万台以上关键设备在线，600 多家用户接入。
这条信号的核心，是把“师傅退休、经验流失”这件事，变成了可复用的资产。经验一旦被结构化，就不再依赖某个人是否还在岗。
五、为什么“行业知识结构化”比“模型参数”更值钱
很多企业一提到 AI，第一反应是“我们的模型参数够不够大”。但对绝大多数行业玩家来说，模型参数早已不是瓶颈——通用模型的能力正在快速趋同。
真正的差异，在于你有没有把行业知识整理成机器能用的形式。电网的调度规则、设备的故障特征、交易的价格逻辑，这些才是别人抄不走的东西。
沈鼓的例子说明：值钱的不是模型本身，而是被写进模型的那几十年经验。数字化把“经验流失”变成“经验复用”，这才是行业大模型最大的商业价值。
六、中小企业能抄的三件事
第一件，盘点你的隐性知识。老师傅的判断、老销售的话术、老运营的规则，先记录下来——记录是结构化的第一步。
第二件，从单个高频场景切入。不要一上来就做“全公司大模型”，先选一个规则清晰、重复多的场景（比如设备巡检、客服问答、报价审核），把一个小模型跑通。
第三件，建一套可持续的知识沉淀机制。让一线员工把经验顺手记录进系统，而不是等“有空再整理”。沉淀是长期的，越早开始复利越明显。
七、别急着训模型，先做这一件事
对绝大多数中小企业来说，最不该做的事，是一上来就自己“训大模型”。训练成本高、周期长，而且通用模型的进步速度很可能让你刚训好的模型很快过时。
最该做的一件事，是“把垂直知识结构化”。先把散落在老师傅、老员工脑子里的经验，整理成清晰的规则、数据、文档。这件事几乎不依赖模型，却决定了后面所有 AI 应用的天花板。
慧米云在服务企业数字化时的一个体会是：先整理知识，再选工具；先跑通场景，再谈扩展。把行业知识结构化做扎实，比追最新的模型参数更值钱。
行业大模型的落地，从来不是“换个更贵的模型”，而是“把老师傅的经验装进去”。这件事，中小企业现在就可以开始做。
常见问题（FAQ）
Q1：行业大模型是不是只有大企业才用得起？
不是。训练专用大模型确实需要高投入，但绝大多数中小企业的机会在“用”而不在“训”：把垂直知识结构化，再借助现成的模型和工具跑通场景，成本远低于自研。
Q2：我不会训练模型，还能做行业 AI 吗？
能。行业 AI 的瓶颈通常不在训练，而在知识整理。先把老师傅、老员工的经验整理成结构化内容，再选合适工具落地，这条路中小企业完全走得通。
Q3：沈鼓的经验，普通工厂能复制吗？
方法论可以。核心不是照搬沈鼓的模型，而是学它“把几十年经验编码成可计算数据模型”的思路。先记录、再结构化、最后跑场景，普通工厂也能起步。
Q4：从哪个场景切入行业大模型最稳妥？
选规则清晰、重复度高、出错代价可控的场景，比如设备巡检记录、标准客服问答、报价审核。先在一个点上跑出效果，再横向扩展，比铺开做更省力。
Q5：为什么说“知识结构化”比“模型参数”更值钱？
因为通用模型能力正在快速趋同，参数领先难以长期持有；而行业知识是你独有的、别人抄不走的资产。被结构化的经验可以复用、交接、规模化，这才是长期的竞争壁垒。
总结
DeepSeek 把干活搬到桌面、蚂蚁的能源 Agent 算起了电费、沈鼓把老师傅写进模型——三个信号指向同一件事：行业大模型正在从“能说”走向“能干”。
对中小企业而言，最不该做的是一上来就训模型，最该做的是把垂直知识结构化。老师傅的经验一旦变成可复用的资产，行业 AI 的天花板就被打开了。
