华为的AI+制造答卷：打破烟囱，让工厂化身“数智生命体”

过去两年，“AI+行业”几乎成了所有科技峰会上的关键词。

2025年以前，大多数企业对AI的态度还停留在概念验证、单点试水和局部提效，一套智能客服系统已经算是阶段性成果。

到了2026年，情况正在快速发生变化，渐渐褪去了初期的狂热与浮躁，AI开始在多个行业实现规模化落地和价值可量化。

最直接的代表，就是制造业。

5月15日的“AI+制造行业峰会2026”上，华为中国政企业务副总裁郭振兴在主题演讲和媒体采访中表示：2026年企业数智化投资的营收占比，将提升到3%—3.5%；千行百业在数智化基础设施的投入规模将超过7000亿元；AI行业解决方案的价值将从“单点创新”跃升到“系统解决业务问题”。

当“AI+制造”进入到深水区，越来越多问题浮出了水面：在热闹的技术叙事外，制造业怎么才能吃到新一轮红利？

01 Agent觉醒，算力与生态的“双向奔赴”

如果说2025年是大模型“狂飙”的一年，2026年无疑是Agent集中爆发的元年。

以OpenClaw为代表的开源项目火爆全球，掀起了一场持续四个多月的“养虾热”，真正把AI从“动嘴”推向了“动手”：不再只是停留在对话框里的“外脑”，开始进入到真实世界里的复杂业务流程。

这种进化，对制造业尤为关键。

因为制造业从来不是靠“灵感输出”解决问题的行业，面对的是订单、排产、设备、工艺、质检、供应链、库存、交付等流程，每一个环节都高度耦合，任何一个变量，都可能牵动整条生产链的效率与成本。

过去，企业想让AI接入ERP、MES、PLM、OA、供应链等系统，往往需要大量定制开发，成本高、周期长、系统割裂严重。有了Agent的能力，可以通过MCP、Skills等标准化协议，低门槛接入企业现有的系统和工具，实现自主读取数据、分析问题、调用能力并执行操作。

不夸张的说，Agent打开了“AI+制造”的新阶段，同时也对底层的基础设施带来了前所未有的压力。

比如Token消耗的指数级爆发。

Agent不是一次问答，而是连续任务，需要读取文档、调用工具、分析数据、生成计划、执行动作、校验结果，背后是海量长上下文推理和多轮交互，对算力中心的并发处理和长序列推理能力提出了极高要求。

再比如传统集群范式的失效。

过去企业做IT建设，习惯于性能不够就堆硬件。到了大模型和Agent时代，单纯堆服务器的做法不再奏效，长序列推理、MoE模型通信、KV Cache、并发调度、推理时延等挑战，正在无限放大传统集群的瓶颈。

乐观的是，算力与生态正在“双向奔赴”。

以DeepSeek V4为例，昇腾超节点天然亲和MoE架构，不仅做到了Day0适配，还在算子层面进行了深度适配。其中DeepSeek V4 的AutoFuse算子可在昇腾上实现加速，KV Cache可压缩至2%-10%，长序列TTFT降低40%。

由于“AI+行业”不是一家模型厂商、一家硬件厂商、一家软件公司能独立完成的，华为在计算生态上采取了开源开放的策略，目前已有800多家ISV伙伴基于昇腾开发行业应用，初步形成了行业标杆案例可快速复制的生态。

也就是说，制造业作为最适合Agent落地的场景之一，无须担心AI基础设施“跟不上”，无需为Token焦虑，需要思考的是怎么把模型能力转化为可执行的业务动作、怎么把分散系统串联成连续流程、怎么让智能化转型从“点状创新”走向“全链路重构”……

02 消除“烟囱”，让工厂化身“数智生命体”

毕竟AI+制造的“质变”，前提是让AI能力落到一条条产线、一座座工厂里。

制造业数智化过程中最大的症结，在于多系统并立的烟囱式架构：ERP管资源、MES管生产、PLM管研发、WMS管仓储、SCADA管设备、QMS管质量，结果是信息孤岛林立、重复建设严重、数据共享困难、系统联动受阻。

如果把AI比作大脑，产线就是躯体，没有神经贯通、动作敏捷的躯体，再聪明的大脑也无法转化成生产力。

华为中国政企业务副总裁郭振兴给出的解法是——以统一标准、统一架构、统一数据格式、分层解耦、持续迭代为原则，构建由智能感知、智能联接、智能底座、智能平台、制造行业大模型以及百花齐放的AI场景应用组成的制造行业智能化架构，重新定义了工厂的“神经系统”。

2023年初破土动工，2025年5月量产交付的“尊界超级工厂”，用实践诠释了以架构为蓝图、以AI为核心的价值。

首先是AI CV大模型质检。

在尊界S800的总装车间，部署了超过1600项视觉质量检测点。项目组曾在8个月时间里开发了150多个模型逐一适配。由于小模式的泛化能力弱，即使是一个细小的调整，都需要重新训练模型，很难支撑快速变化的系统。

痛定思痛后，江汽集团依托华为盘古CV基础大模型和昇腾算力底座，通过自身130万张高质量图片数据增训，训练出了CV质检L1大模型。产线工艺再发生变化时，工人只需提供50到100张照片，导入到ModelArts低代码平台，就能训练出准确率99.99%的新算法，并快速部署到线边。

其次是数字孪生、数采和质量追溯。

为了打破“数字孪生只用于展示”的误解，尊界超级工厂通过IT/OT融合生产网，一张网将所有设备互联，彻底结束了传统工厂数张网的混乱局面，并在华为IIoT平台的使能下，每秒可采集30万条数据的数采系统，实现了物理工厂与数字工厂的实时同步。

让人印象深刻的是极致柔性生产，尊界S800单车开放的配置多达上万项，依靠人工经验的话，很难在大规模定制下保持绝对稳定。但在尊界超级工厂，通过数据治理+数仓、5G使能AGV岛式装配等技术，用数智化的“确定性” 支撑起了车型配置的“不确定性”。

某种意义上说，消除了系统烟囱的尊界超级工厂，早已不是传统意义上的“流水线”，演变成了具备实时感知、自我纠偏、持续进化能力的“数智生命体”。也让外界看到了AI+制造的正确范式——不是把AI放进工厂，而是让工厂本身具备智能。

03 向内开刀，数智化的关键在于“组织”

大模型、Agent等新技术的落地，只是制造业数智化转型的表层结果。

很多失败的数智化案例，并非是输在了技术，而是组织结构的不匹配。当AI+制造从浅水区进入深水区，从“工具赋能”转向核心的“价值创造”，企业的组织结构也需要向专职化、矩阵化、人机协同演进。

郭振兴给制造企业的建议中，特意提到了“组织保障”。深挖一层的话，可以细分为三个维度。

第一，让IT从边缘部门升格为“数智化特区”。

业界有一组残酷的数据：90%的企业数智化转型之所以失败，根源在于“无架构、堆系统、补丁式建设”。业务部门各买各的系统，IT部门负责维护，出了问题再打补丁。短期看，每个部门都解决了自己的痛点；长期看，企业多了一堆烟囱，数据越积越多，却无法变成生产力。

数智化部门的价值，是把分散在研发、生产、供应链、销售、服务中的数据和流程，统一拉到企业级架构下。既要懂技术路线，也要有跨部门协调权；既要管预算，也要管标准；既要推动平台建设，也要推动业务场景落地。没有对应的组织抓手，AI很容易沦为一个个“漂亮但孤立”的项目。

第二，培养既懂AI又懂业务的复合型人才。

制造业的AI落地，最难的不是调一个模型，部署一套Agent，而是能否把业务问题转化成AI问题，譬如哪些设备数据可以用于预测性维护？排产优化的约束条件是什么？工艺参数异常和质量问题之间是否存在因果关系？

正如工信部在《“人工智能+制造”专项行动》中呼吁的，要培养“懂智能、熟行业”的复合型人才。未来制造企业真正稀缺的人才，不是写代码的人，也不是懂产线的人，而是能把产线SOP、质量标准、设备状态、供应链约束和Agent能力连接起来的人。

第三，企业要从“流程驱动”转向“数据驱动”。

AI全面深入生产系统，不仅仅是加速了旧有流程，还涉及重构人与业务的关系。比如引入天筹求解器做物流排程、引入Agent做设备预测性维护、利用AI质检拦截缺陷......计算过程都是决策的速度是毫秒级的。

真正的数据驱动，不是把数据放进报表，而是让听得见炮声的一线业务人员，能够基于AI给出的洞察进行敏捷决策。业务前线必须拥有更高的数据可见性、更清晰的决策边界和更快的响应机制。否则的话，AI跑得再快，组织内耗也会把它拖慢。

一言以蔽之，AI+制造不是IT一个部门的项目，而是一把手工程、业务工程、组织工程，向内开刀，重塑组织架构，打通数据驱动链路，是制造业跨越数智化鸿沟的必经之路。

04 写在最后

2026年的AI+制造，已然到了关键的分水岭。

过去，制造业追求的是自动化，让机器替代人的重复劳动；现在，制造业追求的是智能化，让系统具备实时感知、动态决策和自我优化能力。前者改变的是效率，后者改变的是企业运行方式。

AI+制造的跃升，不是工厂里多了几个模型，不是大屏上多了几个智能看板，而是工厂拥有了“大脑、神经、记忆和手脚”。只有坚定拥抱数智化底座、彻底打破系统烟囱、并敢于自我革新组织形态的企业，才有机会完成机械化向智能化的代际跨越。