大语言模型对制造服务任务自动化的影响

这份资料要回答的问题相当具体：在生产机械行业的技术服务环节，哪些原本由人承担的认知性工作可以交给大语言模型完成。背景是制造业对生成式 AI 的期待与实际落地之间存在明显落差——材料引用 McKinsey & Company 的调查指出，自 ChatGPT 发布以来，绝大多数大型企业都动过手，但真正把应用规模化的极少。作者同时指出，已有研究多集中在产品设计、生产计划与执行、生产协助和产品维护，对于「哪些人工活动能被 LLM 完全自动化」，研究仍不充分。正是这个缺口让它值得现在看：它把讨论从「能不能用」推进到「哪几件事能自动做、做到什么程度」，而且是用原型和真实客户数据来回答，不是停留在展望层面。

研究把范围收在技术服务的三类认知任务上：文本纠错、摘要和问答，场景限定在生产机械行业的技术服务提供过程。方法上采用原型开发（prototyping）结合真实客户数据分析，而非问卷、访谈或仿真推演。为了弥补通用模型在领域知识上的不足，研究还引入 Retrieval Augmented Generation（RAG），把 LLM 的输出与领域专有知识结合起来。材料对 RAG 的作用有明确交代：它把模型的内在知识与外部数据库中大量、动态的信息结合，提升准确性和可信度，尤其适合知识密集型任务，并支持持续的知识更新与领域信息接入。

按材料的表述，LLM 在这三类任务上表现可靠：能够纠正错误，能够为复杂的沟通内容生成简洁摘要，能够针对客户咨询给出准确且结合上下文的回答。研究据此认为，LLM 可以提升运营效率与客户支持质量。RAG 的加入进一步提高了输出的精确性与相关性——换句话说，模型不只是「会写」，还能被约束在特定领域的知识范围内作答。这些结论来自原型与真实客户数据的验证，而不是纯理论推演，这是它在方法上的分量所在。

把这三个任务放回制造业的整体图景里，位置会更清楚。材料综述的既有工作包括：Xia 等人把 LLM 与数字孪生、工业自动化系统结合，让 LLM agent 读取数字孪生的描述性数据并通过服务接口执行生产步骤，演示了钢板钻孔的生产规划与柔性生产控制；Fan 等人利用 LLM 的自然语言理解、规划和推理能力支持自主工业机器人，以涂层、堆叠立方体等多步制造流程做验证；Wang 等人用领域知识定制 GPT-3.5 做飞机智能维护；Vidyaratne 等人用 LLM 从三份产品手册中抽取故障排除树，取得较高的数据抽取覆盖率和精确度；Freire 等人构建了从大量工厂文档和操作员经验中检索信息的系统，用来回答操作员提问。与这些偏重产线、设备与维护的工作相比，这份资料把注意力放在技术服务中的文本类认知任务上，路径更窄，但也更接近日常运营中大量存在、却很少被单独拿出来衡量的那部分劳动。

行业数据解释了这类研究的现实意义：近 80% 的大型企业已开始试验生成式 AI，但只有 3% 成功把至少一个应用规模化到运营中，约 24% 启动了试点项目，63% 仍处于早期试验阶段或尚未开始。这意味着多数企业的困难不在「有没有工具」，而在如何把工具嵌进既有流程。研究的判断是，LLM 带来的效率提升是显著的，但知识幻觉（knowledge hallucination）以及与人类工作流的集成仍是阻碍大规模采用的障碍。换句话说，技术可行性已经被原型验证到一定程度，剩下的问题更偏组织与流程设计——哪些环节交给人、哪些交给模型、模型输出如何被校验、异常如何回流。

对做制造业数字化、技术服务运营或客户支持系统设计的人来说，这份资料的价值在于它给出了一个可对照的任务清单和一套验证方式：三个任务、原型加真实客户数据、RAG 作为领域知识接入手段，这些都能直接映射到自己的场景里去评估。读完能拿走的不是一个通用方案，而是一个判断框架——先分清哪些认知任务属于边界清晰的文本纠错、摘要和问答，再考虑用 RAG 补领域知识，最后把幻觉校验与人工流程接口算进成本。边界也需要说清楚：场景限定在生产机械行业的技术服务，验证依托作者接触到的客户数据，材料没有给出效率提升的量化幅度，「显著」目前仍是定性表述；同时材料的摘录并未覆盖全文，后续章节的具体展开不在其列。

Please cite as: Wulf, J. & Meierhofer, J. (2025). The Impact of Large Language Models on Ta sk Automation in Manu facturing Services. Procedia CIRP – Proceedings of the 58 th Conference on Manufacturing Systems – CMS 2025, University of Twente, The Netherlands. The Impact of Large Language Models on Task Automation in Manufacturing Services Jochen Wulfa*, Jürg Meierhofera aZurich University of Applied Sciences (ZHAW), Technikumstrasse 81, CH-8401 Winterthur * Corresponding author. Tel.: +41 58 934 62 27. E-mail address: [email protected] Abstract This paper explores the potential of large language models (LLMs) for task automation in the provision of technical services in the production machinery sector. By focusing on text correction, summarization, and question answering, the study demonstrates h ow LLMs can enhance operational efficiency and customer support quality.