2026-09-22 13:13:59
能源设备是否需要维护保养、下个季度的产品应该定价多少、何时以何种价格采购原材料最优……这一系列决策都涉及公司最底层的生产运转过程。不过，当下大语言模型主要从文本、视频、音频等人类生产出的“二手经验资料”中获取知识，无法理解和处理机器、设备等产生的表格、数据库等结构化数据，更无法从中挖掘出规律和因果联系。日前，清华大学与稳准智能联合发布的LimiX-2将解决这类问题，与大语言模型形成互补，共同提升传统企业在生产决策、办公管理等全过程智能化水平。
在产业应用层面，LimiX的应用能力已经得到验证。一个典型案例来自中国钢研科技集团有限公司。在特种钢研发中，技术人员需要从30个工艺参数中寻找影响材料性能的关键因子。传统试验需要反复调整参数，每调整一次都要重新炼钢。LimiX利用100多个历史样本，从30个参数中锁定5个关键因果性因子，研发成本降低70%以上。后续8位冶金专家参与评测，LimiX选出的参数因果性达到4.2分，传统相关性方法不到2分。
类似的问题也存在于电力、石化、设备运维等行业。企业每天都在产生数据。真正困难的是从大量变量中找到稳定关系，再把预测结果接入生产决策。
稳准智能披露，目前LimiX已经完成800余个结构化数据场景的通用性验证，并在60多个真实场景中完成部署。在电力、钢铁、石化三大行业实测中，七成以上任务表现超过原有专用模型。对模型团队而言，这些场景既是应用，也是新的训练和验证来源。产业问题持续暴露模型短板，模型迭代后再进入更多业务场景，由此形成技术与产业之间的循环。
稳准智能首席科学家崔鹏表示，作为长期深耕结构化数据基础模型LDM（Large Data Model）和因果智能发现的中国团队，特别希望国内外能有越来越多的研发同行、应用企业加入进来。跟大语言模型LLM（Large Language Model）的智能涌现步调相似，LDM也即将迎来GPT3时刻。LimiX-2是团队的一个重要阶段性成果，证明了稳准智能技术路线的方向是正确的。未来，稳准智能将继续推动模型在因果智能方向上的发展，助力人工智能更快速地从预测走向决策。