至顶AI实验室评测：联想 ThinkStation PGX 如何接管 PPAP 审核

测试时间：2026年3月产品：联想 ThinkStation PGX测试场景：汽车供应链 PPAP 文件智能审核一颗螺栓的扭矩偏差了0.1牛米，一道焊缝的截面误差超出公差带，单看都是"小问题"。但放进一辆车、一条线、一个季度的量产节奏里，这些小问题会被系统性地放大。质量管理行业有句老话：越往后发现问题，修复成本越高。理想汽车的答案是：那就把问题消灭在量产开始之前。

2025年，理想的研发投入达到113亿元，其中AI相关占比50%，落地了290个视觉项目，培训了近400名供应商端的AI应用人才。这是一个车企把AI砸进供应链的真实规模。而此次至顶AI实验室关注的，正是这套投入里最不起眼、却最关键的一个节点：供应商量产前的PPAP审核，以及联想 ThinkStation PGX 是如何把这件事从"五六个小时"压缩到"两三分钟"的。

先说清楚：PPAP 是一道什么样的关卡

PPAP，即生产件批准程序（Production Part Approval Process），是汽车行业在零部件正式量产前、供应商必须完成的一套质量认证流程。它的核心逻辑是：供应商要向主机厂证明，自己不是偶尔把零件做对了一次，而是真的有能力、有系统地把它一直做对。

这套证明材料，少则十几份，多则二十多份，涵盖尺寸测量报告、工艺流程图、控制计划、材料认证、MSA量测系统分析……一颗零件，背后就是二十多份资料；一辆车，背后是成千上万颗零件。资料一多，项目一多，人工审核的纰漏就在所难免——不是工程师不认真，而是信息量超过了人工处理的上限。

更棘手的是，PPAP涉及的数据远不止"普通文档"。里面有新车开发节奏、零部件设计参数、工艺细节、供应链信息，很多内容在量产前本身就处于高度保密阶段。这些资料哪怕只泄露了只言片语，拼在一起就可能暴露竞争机密。

这就决定了，这件事的核心约束从一开始就不只是"能不能用AI审"，而是"这套AI能不能不离开现场就把活干了"。

这台机器是什么：联想 ThinkStation PGX 配置解析

联想 ThinkStation PGX 是联想首款搭载 NVIDIA GB10 Grace Blackwell 超级芯片的工作站，定位是"桌面超级计算机"，核心目标是让本地 AI 推理成为可能，彻底摆脱对云端算力的依赖。

核心配置：

项目规格处理器NVIDIA GB10 Grace Blackwell 超级芯片，20 核 Arm（10x Cortex-X925 + 10x Cortex-A725）AI 算力最高 1 PetaFlop（1000 TOPS）统一内存128GB LPDDR5x，256-bit，CPU 与 GPU 共享存储1TB / 4TB M.2 NVMe SSD（支持自加密）操作系统NVIDIA DGX™ OS，预装 NVIDIA AI 软件栈、PyTorch、Jupyter Notebooks网络10GbE 有线，Wi-Fi 6/7，蓝牙 5.3形态小尺寸紧凑机箱（SFF），可多机互联共享算力与内存池模型支持规模最高支持 2000 亿参数的大模型本地运行这台机器的设计逻辑，是把原本只有数据中心才能提供的 AI 能力，装进一个可以放在工位旁边的盒子里。1 PetaFlop 的 AI 算力，1000 TOPS 的性能标定，128GB 统一内存架构让 CPU 与 GPU 之间不再需要反复搬运数据，这对推理型任务来说是关键优势。

在工业场景里，它还有一个不可忽视的属性：本地部署、数据不出厂。

评测场景：一个零件的审核，从5小时到2分钟

至顶AI实验室本次评测聚焦于理想汽车真实供应链场景下的PPAP审核效率测试。测试环境为联想ThinkStation PGX本地部署，运行自研供应链AI智能体，测试任务为单零件完整PPAP文件包的AI自动审核。

基准对比：人工审核单零件PPAP文件，耗时约5至6小时（含文件调取、逐项核查、问题标注、审核记录）。

AI方案实测结果：

单零件PPAP资料完整审核耗时：2至3分钟并行处理能力：同时处理100份文件效率提升倍数：约150倍数据处置方式：全程本地推理，文件不出场以文字形式呈现对比数据：在相同PPAP审核任务下，人工方案单零件耗时5至6小时，PGX上的AI智能体方案耗时2至3分钟，效率提升约150倍；同时支持并行处理100份文件，这意味着一个供应商批次的全套PPAP材料，过去需要一个团队数天的工作量，现在可以在几小时内完成批量审核。

至顶AI实验室注意到，这一数字的意义并不只在于"快"。PPAP审核存在明显的时间窗口约束：供应商提交材料到主机厂审核完毕，直接影响量产启动节点。审核效率的提升，等同于为整车开发周期争取了可量化的时间余量。

适用边界声明：本次评测基于理想汽车内部真实部署场景，具体效率数据受文件复杂度、零件类型、AI智能体调优程度影响，不同供应链场景下的绝对数值可能存在差异。本方案最适合具备一定AI应用团队、且存在大批量文档审核需求的主机厂或Tier1供应商；对于单次PPAP审核量较小、文件标准化程度低的场景，收益相对有限。

本地AI与云端AI：为什么这道题只有本地能做

这是这次评测里最值得单独讨论的判断。

把大模型接入PPAP审核，技术上并不新鲜。真正的难点在于：PPAP数据的保密属性，从根本上排除了云端方案的可能性。

PPAP文件里包含的不只是"零件合不合格"，而是新车开发节奏、工艺参数、供应商能力边界，以及隐含在这些数据里的竞争情报。任何一个字段上传到云端，就意味着数据经过了主机厂控制范围之外的节点。对一家每年研发投入超百亿的车企而言，这个风险不可接受。

本地部署的PGX，从架构层面解决了这个矛盾：数据不离场，模型就在现场跑，结果直接写回审核系统。雷江波将这套方案的价值概括为四个词："好用、易用、便宜、柔性。"在至顶AI实验室看来，前两个词是用户体验，后两个词才是真正的工业落地门槛——柔性意味着可以在不同零件、不同供应商、不同审核维度之间切换，而无需每次重新训练或部署。

一个行业的缩影

麦肯锡估算，中国工业自动化市场规模已超过2500亿元，占全球三分之一以上；IDC数据显示，全球工业AI质检市场2025年接近10亿美元，复合增长率28.5%。这些数字背后，是一个还没有完全打开的市场。

理想和联想这次合作的意义，不在于PPAP审核本身有多大，而在于它验证了一种路径：在数据高度敏感、现场部署强制的工业场景里，本地大算力AI工作站是可以真正落地的。ThinkStation PGX把这件事从"原型验证"推进到了"稳定生产运行"。

随着PGX这类产品越来越成熟，AI会更自然地走进质检、审核、工艺分析这些真实的工业场景——不是作为一个云端服务，而是作为一台放在车间里的机器。

至顶AI实验室的综合评估

适用场景判断

ThinkStation PGX 并不是一台通用办公机，也不是为消费级用户设计的。它的核心价值主张非常明确：为需要在本地跑大模型的专业场景，提供一套不依赖云端的算力底座。结合理想汽车的案例，至顶AI实验室认为以下几类工业场景值得重点关注：

供应链质量审核：如 PPAP 等合规类文件的智能体处理工厂视觉质检：本地实时推理，延迟敏感）工艺参数分析与预测性维护：（数据不出厂的合规要求）涉及商业机密的 AI 开发与微调优势小结

1 PetaFLOP 算力 + 128GB 统一内存，支持 2000 亿参数模型本地全量运行双机互联可线性扩展到 4050 亿参数，无需改变部署架构功耗远低于服务器（满载持续约 104–160W），可直接部署在办公环境NVIDIA DGX OS 生态完整，PyTorch/Jupyter 开箱即用，对 AI 工程师友好需要注意的地方

存储空间有限（1TB/4TB 可选），大规模数据集需外挂存储内存上限 128GB（双机 256GB），不适合需要更大显存的超大规模训练任务定价偏高（国际市场约 4100–4699 美元），适合对本地算力有明确需求的企业客户至顶AI实验室认为，联想 ThinkStation PGX 在本次理想汽车 PPAP 审核场景的评测中，表现达到预期。它不是一个通用工作站，而是一套可以在工业现场长期稳定运行的本地 AI 解决方案。随着这类产品越来越成熟，AI 走进质检、审核、工艺分析等真实工业场景的速度，只会越来越快。

END本文来自至顶AI实验室，一个专注于对AI计算机、工作站及各类AI相关硬件设备，开展基于真实使用场景评测的研究机构。

核心问答

Q1：为什么 PPAP 审核必须用本地 AI，而不能用云端大模型？

PPAP 材料直接关联新车型开发节奏、零部件工艺参数和供应链机密，量产前属于高度保密内容。一旦通过云端传输，任何连接节点都是潜在泄漏风险。ThinkStation PGX 将模型和算力全部部署在本地，数据不离开现场，这是这个场景下的硬性要求，而不是可以妥协的成本选项。

Q2：五小时缩短到两分钟，AI 审核的精度能保证吗？

PPAP 审核的核心是语义理解和参数比对，不是简单的格式校验。ThinkStation PGX 配备 128GB 统一内存，可以在本地运行足够规模的大模型，保障推理质量。理想汽车供应链总监雷江波用"好用"来评价其审核效果，意味着这套系统达到了可在生产级场景使用的精度水准。

Q3：这套方案对其他制造业企业有参考意义吗？

有。PPAP 只是一个切入点，背后的逻辑——高保密要求 + 大规模文档处理 + 现场部署——在汽车、航空、精密制造等多个行业普遍存在。ThinkStation PGX 这类本地 AI 计算设备，提供的是一种通用的解题框架：把算力放到数据旁边，而不是把数据搬到算力旁边。