综述：利用大型模型赋能智能质量控制：方法、挑战与展望的全面调查

《Frontiers of Engineering Management》：Empowering intelligent quality control with large models: A comprehensive survey of methods, challenges, and perspectives

质量控制在现代制造中至关重要，但传统方法在应对大规模、多样化工业数据时存在局限。大型语言模型（LMs）通过知识整合、语境理解和自适应推理能力，在输入对齐、多任务适应和增强智能三个维度提升QC效率。当前挑战集中于数据质量、模型优化和评估体系，未来需聚焦安全数据协作、系统级整合与动态持续学习。

　　

摘要

质量控制（QC）是现代制造业的基石，对生产效率、产品可靠性和客户满意度具有决定性影响。然而，传统的QC系统主要依赖于基于规则的框架和定义狭窄的统计方法，在处理当代工业数据的规模、多样性和复杂性方面面临日益严重的限制。这一限制为探索大型模型（LMs）在推进QC方面的潜力提供了强有力的动力。大型模型以其强大的知识整合能力、情境理解和自适应推理能力而著称，为现代化QC带来了变革性机遇。本文首先分析了大型模型为何特别适合提升QC性能，重点关注三个关键维度：输入对齐性（使异构数据源能够无缝集成）；任务适应性（支持跨多个QC任务的关联学习并促进知识转移）；以及增强智能（协助人类专家进行复杂决策）。文章总结了在工业应用中的最新进展，特别关注方法创新、部署实践以及与制造工作流程的整合路径。为了系统地梳理当前的发展状况，将主要挑战归纳为三个相互关联的维度：数据、模型和评估，这些维度分别对应模型训练、实际应用以及在实际场景中的可持续适应性的核心要求。在此基础上，本文进一步概述了未来的研究方向，强调安全的数据协作、系统级集成以及在动态环境下的持续学习作为下一阶段发展的关键优先事项。总体而言，这些见解凸显了大型模型在将QC重塑为一个智能化、具有韧性和面向未来的范式方面的巨大潜力。