作者 | 曾響鈴

文 | 響鈴說

當一輛車可以擁有配置，大到動力總成，小到縫線顏色，產(chǎn)線上幾乎沒有兩輛車完全一樣。

傳統(tǒng)的流水線，還能撐得住嗎？

這是尊界超級工廠每天面對的現(xiàn)實。

怎么解決的？響鈴在前不久在合肥舉辦的“躍升行業(yè)智能化·AI+制造行業(yè)峰會2026”上看到了一個不一般的故事。

尊界S800總裝車間，全車有超過1600項視覺質量檢測點。哪怕已經(jīng)明確了要引入AI算法，但過去還是需要6名工程師花9個月時間反復調試150多個小模型，完全跟不上車型快速換代的生產(chǎn)節(jié)奏。

后來江汽集團換了個思路，依托華為盤古CV基礎大模型和昇騰算力底座，江汽集團通過自身130萬張高質量圖片數(shù)據(jù)增訓，成功訓練出了汽車行業(yè)首個CV質檢大模型——邁思特，把AI質檢方案實現(xiàn)了規(guī)模化落地。新車型來了？單工位給50到100張照片，模型自己就能學會，整車缺陷攔截率可以達到99.99%。

這個故事里發(fā)生的，正是制造業(yè)數(shù)智化轉型走向深層質變的縮影。去年，華為在智能制造領域發(fā)布了7大場景、20個解決方案，已經(jīng)在上百家企業(yè)落地了。

到了2026年，變化更明顯了。工信部的數(shù)據(jù)顯示，規(guī)上制造企業(yè)AI普及率已經(jīng)超過30%。2027年計劃超過70%。

大家都在轉。

但問題來了——尊界超級工廠的成績確實亮眼，但這只是頭部玩家的故事。往下看，大多數(shù)制造業(yè)企業(yè)卻是另一番景象。

為什么大多數(shù)制造企業(yè)“轉不動”？

當然，大多數(shù)企業(yè)不是不想轉，是真轉不動，他們背后的三重困境，每一重都是實打實的墻。

第一重墻：數(shù)據(jù)出不來。

傳統(tǒng)工廠里，設備協(xié)議五花八門，數(shù)張網(wǎng)絡各自為政。生產(chǎn)、質量、供應鏈、設備管理各玩各的，數(shù)據(jù)格式根本不統(tǒng)一。一臺AGV斷網(wǎng)丟包率超過5%，產(chǎn)線就得停擺。

這就是制造業(yè)的“七國八制”困境，也就是我們常說的數(shù)據(jù)孤島難題。

在這樣的底子上，AI連產(chǎn)線發(fā)生了什么都搞不清楚，談“智能”就是空的。

尊界超級工廠怎么做的？一張IT/OT融合生產(chǎn)網(wǎng)替代原來的數(shù)張網(wǎng)絡，每秒采集30萬條生產(chǎn)數(shù)據(jù)，百毫秒內同步給數(shù)字孿生系統(tǒng)。

在這里，江汽集團數(shù)字化管理中心副總經(jīng)理丁志海在峰會上直接點明了成功的關鍵：“通過華為的IIoT及數(shù)據(jù)平臺，將全場5000多臺各類設備的生產(chǎn)過程數(shù)據(jù)實時采集、統(tǒng)計分析，實現(xiàn)了全息質量追溯、生產(chǎn)計劃智能排程、智能能耗管理。”

差距，就是從數(shù)據(jù)層面開始拉開的。

第二重墻：模型用不好。

事實上，很多企業(yè)走過這條路：針對一個工位訓練一個小模型，結果換了產(chǎn)品型號就廢了。

問題根源不難找，通用大模型不懂工業(yè)Know-how，工業(yè)小模型缺乏泛化能力。缺的是中間那一層——把基礎能力和產(chǎn)線隱性知識嫁接起來的行業(yè)模型。沒有這一層，AI和業(yè)務永遠是兩張皮。

第三重墻：比技術更難突破，是組織問題。

傳統(tǒng)制造企業(yè)里，IT部門管信息系統(tǒng)，OT部門管設備運行，兩套體系長期并行，各說各話。生產(chǎn)部門怕?lián)煛f一AI誤判導致批量質量事故，誰來拍板？

結果就是大量AI項目被擋在核心產(chǎn)線之外，只能在邊緣場景“打游擊”。組織慣性、責任邊界、人才斷層，三個問題疊在一起，把AI壓在生產(chǎn)系統(tǒng)外圍——技術買回來了，但進不去核心業(yè)務。

這三重困境不是孤立的技術問題，而是同一個底層問題的不同側面：制造企業(yè)到底需要什么樣的AI基礎設施？

華為回答了一個制造業(yè)的世紀難題

三重困境指向這個問題，困擾制造行業(yè)多年。華為這次峰會上給出的答案，不是又發(fā)布了什么新產(chǎn)品，而是一套系統(tǒng)性的解法。

先有路，才有車——在轉型過程中，這往往是被忽略的前提問題。

華為中國政企業(yè)務副總裁郭振興說了一句話，挺實在的。他說：“90%的企業(yè)數(shù)字化轉型失敗，都是無架構、堆系統(tǒng)、補丁式建設。”

今天上一個質檢AI，明天上一個排產(chǎn)AI，后天再來一個研發(fā)AI，最后發(fā)現(xiàn)三套系統(tǒng)數(shù)據(jù)不通——這種情況在制造企業(yè)里太普遍了。

他在峰會上還給出了五步建議，算是對“轉型為什么失敗”的逐一拆解。

首先，戰(zhàn)略決心是一把手工程——跨組織、跨業(yè)務，沒有最高層拍板，根本推不動。

其次，架構引領是前提——既然90%失敗都栽在無架構、堆系統(tǒng)，就得先把五層框架規(guī)劃好，后面才不會推倒重來。

然后，價值場景選擇得講方法——用“小切口、大縱深”策略死磕高價值場景，快速建立信心，用深度創(chuàng)造價值。

接著，基礎設施先行是常識——智能化時代的效率提升是系統(tǒng)工程，正所謂工欲善其事必先利其器。

最后，組織保障是落地關鍵——有專班、有跨部門協(xié)同、有獨立預算，AI才能真正進入核心業(yè)務，而不是邊緣打游擊。

這五步，對應的其實都是制造業(yè)轉型里真實踩過的坑。

具體來看，華為基于“三個統(tǒng)一”原則——統(tǒng)一標準、統(tǒng)一架構、統(tǒng)一數(shù)據(jù)格式，給出了五層架構。具體的，智能感知層用OpenHarmony統(tǒng)一設備語言，解決協(xié)議“七國八制”問題。智能聯(lián)接層已部署超1000張生產(chǎn)網(wǎng)。智能底座層提供昇騰算力加AI數(shù)據(jù)平臺。智能平臺層有華為云混合云加Data與AI雙引擎，以及ModelArts一站式AI開發(fā)。AI模型與應用層則是盤古大模型和一系列行業(yè)應用。

關鍵是這套架構不是技術堆疊，而是分層解耦——每一層可以獨立演進、獨立替換，不綁定單一廠商，企業(yè)也不必一次性大拆大建，按自己節(jié)奏分步建設就行。今天投的底座，明天不會被淘汰。

架構搭好之后，算力是第一道關。

生產(chǎn)級AI對算力的要求不是“夠用就行”，而是“確定性強、不掉鏈子”。

舉個例子，智駕研發(fā)場景，一個千億參數(shù)的端到端大模型訓練，如果算力集群每3小時中斷一次、利用率不足40%，研發(fā)節(jié)奏就得反復被打斷。

華為昇騰超節(jié)點路線，本質上是給制造業(yè)提供一個高可靠性的算力基礎設施。該產(chǎn)品在卡規(guī)模、互聯(lián)帶寬、可靠性等關鍵指標上全面領先，自發(fā)布以來累計部署500套，服務50多家客戶。

算力之外，數(shù)據(jù)平臺是一個常被忽視的關鍵底座。

AI的瓶頸不僅在算力，更在數(shù)據(jù)。如果說算力是發(fā)動機，數(shù)據(jù)平臺就是油箱。沒有高質量的“油”，發(fā)動機再強也跑不起來。

很多制造企業(yè)的AI項目失敗，不是模型不行，而是數(shù)據(jù)底座沒打好——數(shù)據(jù)格式不統(tǒng)一、標注質量低、檢索效率差。

在這里，華為AI數(shù)據(jù)平臺提供了至關重要的核心能力：知識庫檢索精度達到95%，遠高于業(yè)界水平，通過KV Cache技術使推理吞吐提升2倍，首Token時延最高降低90%。截至2026年3月，制造客戶在AI場景下部署華為存儲容量已超800PB，覆蓋自動駕駛、AI質檢、邊緣推理等各類場景。

架構、算力、數(shù)據(jù)三層底座搭起來之后，還有一層很關鍵——生態(tài)。

現(xiàn)在的華為在制造領域的角色，越來越像一個“平臺型”玩家——提供底層算力、開發(fā)框架和應用使能套件，讓生態(tài)伙伴在上面長出千姿百態(tài)的行業(yè)應用。

昇騰CANN已全量開源，PyTorch、vLLM、SGLang等主流框架全面適配，800多家ISV伙伴基于昇騰開發(fā)行業(yè)應用，超過400款大模型一體機規(guī)模應用，開發(fā)者總數(shù)超過410萬。

這些信息對制造企業(yè)來說，非常關鍵——選擇一個有生態(tài)的底座，往往比選擇技術最強的單點產(chǎn)品更重要。因為最終解決具體產(chǎn)線問題的，不是華為自己，而是那些深耕細分場景的行業(yè)伙伴。生態(tài)的繁榮程度，決定了企業(yè)在這個底座上能走多遠。

AI已經(jīng)創(chuàng)造了真金白銀的價值

底座搭到這一步，最后一個關鍵問題來了——投下去的錢，能拿回來嗎？事實上，從去年開始，AI在制造業(yè)的價值已經(jīng)從“講故事”進入“算賬”階段了。

那么，這次大會上，除了尊界超級工廠這個全棧標桿，還有兩個案例給出了具體答案。

上汽通用五菱與華為合作，打造了全球汽車行業(yè)首個智能島制造體系，用“島式”生產(chǎn)替代了延續(xù)百年的流水線式總裝，證明了AI能改變的不只是效率，而是制造模式本身。

眾所周知，傳統(tǒng)汽車制造延續(xù)了福特100年前發(fā)明的流水線——車在產(chǎn)線上走，經(jīng)過一個個固定工位。上汽通用五菱引入“島式”制造，顛覆了這個邏輯：工位變成一個個“島”，AGV帶著零件找車，不再是車找工位。結果是零錯裝、能耗降低25%、新品研發(fā)上市周期大幅縮短。

當AGV可以自主調度、產(chǎn)線可以實時重組，工廠就從剛性流水線變成了柔性生產(chǎn)網(wǎng)絡。這不是漸進式優(yōu)化，是制造組織邏輯的重構。

柳藥集團則引入了華為天籌求解器，將供應鏈從人工排線變成智能優(yōu)化。傳統(tǒng)醫(yī)藥供應鏈的物流調度靠人腦排程，路徑規(guī)劃耗時長。引入華為天籌求解器后，路徑規(guī)劃時間大幅減少，倉間調撥及物料成本降低約20%，配送與艙內揀選效率提升15%至18%。

很顯然，汽車、醫(yī)藥，兩個行業(yè)痛點不同，但用AI重構核心業(yè)務流程的邏輯是相通的。

除了這些，還有一個趨勢值得關注，那就是數(shù)據(jù)資產(chǎn)化。

這個話題目前討論不多，但可能比降本增效更有長遠價值。短期看，AI的價值是降本、提質、增效。但長期來看，更大的價值在于企業(yè)幾十年積累的工藝經(jīng)驗、生產(chǎn)數(shù)據(jù)，正在變成可以度量、可以復用，甚至可以交易的“數(shù)字資產(chǎn)”。

江汽集團入選安徽省首批高質量數(shù)據(jù)集建設基地，3.3TB質檢數(shù)據(jù)集加500TB安全監(jiān)管數(shù)據(jù)集完成數(shù)據(jù)產(chǎn)權登記。天士力構建“數(shù)智本草”大模型，將4000多萬篇中醫(yī)藥文獻、1000多本古籍轉化為知識圖譜。

這些沉淀下來的數(shù)據(jù)資產(chǎn)，恰恰是同行無法簡單復制的核心競爭力。

制造業(yè)的數(shù)智化轉型已經(jīng)過了“要不要做”的討論期，進入了“怎么做才對”的深水區(qū)。這個判斷正在成為2026年中國制造業(yè)的共識。

窗口已經(jīng)打開，能不能跟上，看的是今天選沒選對底座、找沒找準切口、敢不敢縱深投入。面向未來，華為及合作伙伴選擇了繼續(xù)扎根制造、深耕場景，從感知、聯(lián)接到底座、平臺，從數(shù)據(jù)資產(chǎn)到生態(tài)共建，構建一套經(jīng)得起時間檢驗的制造業(yè)智能化體系。

而這條路，江汽集團、上汽通用五菱、柳藥集團已經(jīng)走在了前面。更多的制造企業(yè)，也正在出發(fā)。

*本文圖片均來源于網(wǎng)絡