多模态大模型的一线产业真账

废标通知贴出来的时候，整个投标室都静了。

中标的那家集成商，标书里把多模态大模型的检测能力吹得天花乱坠，说不用重新打光、不用逐工位标数据，换个车间就能直接用，能把终检环节的人工成本砍70%。结果现场实测72小时，把正常的金属表面细微划痕识别成致命缺陷的比例高达19%，比车间里用了八年的老传统视觉线的误判率还高6个百分点。

招投标桌上的废标真相

算笔账就懂了。那套多模态检测设备单台采购价128万，比同工位的传统工业相机加PLC检测线贵4.7倍，实际跑下来每小时漏检率0.8%，传统线是0.3%。按每颗车规传感器320元的单价算，一个月下来光漏检导致的售后损失，就抵得上半台设备的采购价。更搞笑的是，集成商的技术人员现场调模型的时候，连车间里的工业风扇吹出来的浮尘都识别不了，一到下午浮尘大的时候，误判率直接冲到30%。

没人愿意当冤大头。采购方直接把废标函拍在桌子上，说之前听了三场多模态的发布会，以为捡了便宜，结果算下来不仅设备贵，还要单独养两个会调大模型的工程师，一年光人力成本就要28万，比原来三个检测工人的总工资还高。

产业链上的三方博弈

现在所有人都在吹多模态大模型能打破单场景AI的壁垒，真到产业现场，全是算不清的糊涂账。

深圳一家做工业视觉的本土厂商，去年砸了120万标注费用，攒了12万张工业缺陷图、3万段产线视频，训练出来的跨场景多模态模型，在自己的测试集上泛化率能到92%，结果拉到客户的注塑车间一测，现场泛化率只有62%。为什么？因为客户车间的灯光色温、模具的表面粗糙度、塑料件的反光角度，跟测试集里的样本差了十万八千里。要适配这个场景，还得重新标30%的样本，再花42万。算下来，三年的总拥有成本，比传统单场景机器视觉高18%。

这状态像什么？就像早年南方双季稻区刚引进杂交稻种的时候，宣传说抗倒伏、抗病虫害、亩产涨三成，实际种下去才发现，这稻种对土壤酸碱度、灌溉水的含氧量要求比老品种苛刻三倍，你得额外买调酸剂、铺滴灌管，算下来亩均成本翻了一倍，实际亩产只涨了10%。

某头部家电厂2025年Q4踩过这个坑。当时上了三套多模态系统，想把售后审核的120个人工岗砍到30个，结果跑了三个月，模型识别用户上传的故障照片的准确率只有78%，用户拍的照片角度歪、光线暗、带水印，模型根本认不出来，反而多招了20个做人工复核的岗，压了800万的设备和标注款在账上。说出来都好笑，本来想省人力成本，结果多花了钱还多招了人。最后跟供应商谈成了阶梯付费，识别准确率低于90%的部分一分钱不给，供应商现在账上趴着300多万的应收款，催了两次都没要回来。

招投标的规则也开始变味。今年年初工信部下属的工业互联网标委会出了多模态工业应用的推荐标准，要求跨场景泛化率不低于85%。结果现在投标市场上，90%的标书里写的泛化率，都是在自己实验室的测试集上测的，根本不是客户现场的真实数据。中小集成商更惨，2024年的时候囤了一堆可替代H800的推理芯片，准备做多模态推理盒子，结果现在客户验收过不了，芯片压在仓库里，一个月的资金成本加仓储费就要十几万，不少公司现在开始把芯片拆了当二手显卡卖，收购价比采购价跌了32%。

谁在为技术叙事买单

卷不动了。

苏州那边的工业视觉工程师交流群，今年上半年的招聘数据明明白白：传统机器视觉的岗位需求砍了40%，多模态相关的岗位涨了210%，但是平均薪资只比原来高15%。为什么？因为这些岗位根本不是招过去做算法的，是招过去给大模型做数据清洗、标样本、调提示词的，干的活跟流水线的标注员没区别，只是简历上写了个“多模态工程师”的抬头。

再算笔电费账。现在工业现场跑的多模态推理服务器，单台功耗是1200瓦，比传统的边缘推理盒子高8倍。一个中型零部件工厂，要在三个核心车间跑这套系统，一年下来光电费就要多掏17万——差不多能给两个一线检测员工发一整年的工资。

真金白银掏腰包的，根本不是需要降本的中小工厂。是地方产业园。现在很多地方的智能制造示范项目，硬指标要求必须有不少于两个多模态大模型的应用场景，不然不给百万级的补贴。所以产业园出钱买设备、找集成商做集成，实际工厂根本不用，设备装在展厅的玻璃柜里，每次领导来参观就通个电，平时关着省电费。有个无锡的产业园运维跟我吐槽，那套多模态设备装了半年，通电的时间加起来不到40个小时，大部分时间就是个贵点的玻璃柜摆件。

那些吹了三年“多模态替代人工”的厂商，现在也开始悄悄改标书了。原来写的是“全场景零误检”，现在改成“适配客户指定场景，按实际效果付费”。毕竟谁也不想再经历一次现场实测误判率30%的社死现场。

等所有凑数的示范项目补贴发完，下一个被库存压垮的集成商，会不会就是去年给你做标书时拍胸脯说“多模态零误检”的那家？