华为AI智造新篇：破除孤岛，重塑工厂生命
唯有坚定拥抱数智底座、彻底打通系统壁垒、并勇于革新组织架构的企业，方能实现从机械化到智能化的代际飞跃。
近两年，"AI+行业"几乎成为各类科技峰会的核心话题。
2025年之前，多数企业对AI的探索仍局限于概念验证、单点尝试及局部提效，部署一套智能客服系统便可视作阶段性的成果。
步入2026年，形势正迅速演变，褪去初期的狂热与浮躁，AI正于多行业实现规模化落地，其价值亦可被量化评估。
最显著的典范，莫过于制造业。
在5月15日举办的"AI+制造行业峰会2026"上，华为中国政企业务副总裁郭振兴通过主题演讲及媒体采访指出：2026年企业数智化投资占营收比重将攀升至3%—3.5%；千行百业在数智化基础设施上的投入规模将突破7000亿元；AI行业解决方案的价值将从"单点创新"跃迁至"系统性解决业务难题"。
当"AI+制造"驶入深水区，诸多问题逐渐显现：在喧嚣的技术叙事之外，制造业究竟该如何承接新一轮红利？
若说2025年是大模型"狂飙"之年，2026年则无疑是Agent集中爆发的元年。
以OpenClaw为代表的开源项目风靡全球，引发持续四个多月的"养虾热"，真正推动AI从"动嘴"迈向"动手"：不再仅是对话框内的"外脑"，而是深入真实世界中的复杂业务流程。
这种进化，对制造业而言尤为关键。
毕竟制造业并非依靠"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，每一环节高度耦合，任何变量变动，皆可能牵动整条生产链的效率与成本。
以往，企业欲将AI接入ERP、MES、PLM、OA、供应链等系统，往往需大量定制开发，成本高昂、周期漫长、系统割裂严重。依托Agent能力，借助MCP、Skills等标准化协议，可低门槛接入企业既有系统与工具，实现自主读取数据、分析问题、调用能力并执行操作。
毫不夸张地说，Agent开启了"AI+制造"的新阶段，同时也给底层基础设施带来了前所未有的压力。
例如Token消耗的指数级激增。
Agent并非单次问答，而是连续任务，需读取文档、调用工具、分析数据、生成计划、执行动作、校验结果，背后涉及海量长上下文推理及多轮交互，对算力中心的并发处理能力与长序列推理能力提出了极高要求。
又如传统集群范式的失效。
过去企业建设IT，习惯性能不足便堆叠硬件。进入大模型与Agent时代，单纯堆砌服务器的做法已不再奏效，长序列推理、MoE模型通信、KV Cache、并发调度、推理时延等挑战，正无限放大传统集群的瓶颈。
值得乐观的是，算力与生态正"双向奔赴"。
以DeepSeek V4为例，昇腾超节点天然契合MoE架构，不仅实现了Day0适配，更在算子层面深度优化。其中DeepSeek V4的AutoFuse算子在昇腾上实现加速，KV Cache可压缩至2%-10%，长序列TTFT降低40%。
鉴于"AI+行业"非一家模型厂商、一家硬件厂商或一家软件公司能独立完成，华为在计算生态上采取开源开放策略，目前已有800余家ISV伙伴基于昇腾开发行业应用，初步形成行业标杆案例可快速复制的生态。
换言之，制造业作为最适合Agent落地的场景之一，无需担忧AI基础设施"滞后"，不必为Token焦虑，需思考的是如何将模型能力转化为可执行的业务动作、如何串联分散系统形成连续流程、如何让智能化转型从"点状创新"迈向"全链路重构"……
毕竟AI+制造的"质变"，前提是让AI能力落实到一条条产线、一座座工厂之中。
制造业数智化进程中的最大症结，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，结果导致信息孤岛林立、重复建设严重、数据共享困难、系统联动受阻。
若将AI比作大脑，产线即为躯体，缺乏神经贯通、动作敏捷的躯体，再聪慧的大脑亦无法转化为生产力。
华为中国政企业务副总裁郭振兴提出的解法是——秉持统一标准、统一架构、统一数据格式、分层解耦、持续迭代原则，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"，以实践诠释了以架构为蓝图、以AI为核心的价值。
首推AI CV大模型质检。
在尊界S800的总装车间，部署了超1600项视觉质量检测点。项目组曾在8个月内开发了150多个模型逐一适配。因小模型泛化能力弱，即便细微调整也需重新训练模型，难以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基础大模型及昇腾算力底座，通过自身130万张高质量图片数据增训，训练出CV质检L1大模型。产线工艺再变化时，工人仅需提供50至100张照片，导入ModelArts低代码平台，即可训练出准确率99.99%的新算法，并快速部署至线边。
其次是数字孪生、数据采集和质量追溯。
为打破"数字孪生仅用于展示"的误解，尊界超级工厂通过IT/OT融合生产网，以一张网互联所有设备，彻底终结传统工厂多网并存的混乱局面，并在华为IIoT平台赋能下，实现每秒采集30万条数据的数采系统，达成物理工厂与数字工厂的实时同步。
令人印象深刻的是极致柔性生产，尊界S800单车开放配置多达上万项，若依赖人工经验，难以在大规模定制下保持绝对稳定。但在尊界超级工厂，凭借数据治理+数仓、5G赋能AGV岛式装配等技术，以数智化的"确定性"支撑起车型配置的"不确定性"。
某种意义上，消除了系统烟囱的尊界超级工厂，早已超越传统意义上的"流水线"，演变为具备实时感知、自我纠偏、持续进化能力的"数智生命体"。也让外界见证了AI+制造的正确范式——非将AI植入工厂，而是让工厂本身具备智能。
大模型、Agent等新技术的落地，仅是制造业数智化转型的表层结果。
诸多失败的数智化案例，非败于技术，而是组织结构不匹配。当AI+制造从浅水区进入深水区，从"工具赋能"转向核心"价值创造"，企业组织架构亦需向专职化、矩阵化、人机协同演进。
郭振兴在给予制造企业的建议中，特意强调了"组织保障"。深挖一层，可细分为三个维度。
第一，让IT从边缘部门升格为"数智化特区"。
业界有一组残酷数据：90%的企业数智化转型失败，根源在于"无架构、堆系统、补丁式建设"。业务部门各买各系统，IT部门负责维护，出问题时再打补丁。短期看，各部门解决了自身痛点；长期看，企业多了一堆烟囱，数据越积越多，却无法转化为生产力。
数智化部门的价值，在于将分散于研发、生产、供应链、销售、服务中的数据与流程，统一纳入企业级架构。既需懂技术路线，又需有跨部门协调权；既需管预算，又需管标准；既需推动平台建设，又需推动业务场景落地。若无对应组织抓手，AI极易沦为一个个"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AI落地，最难非调优模型、部署Agent，而是能否将业务问题转化为AI问题，例如哪些设备数据可用于预测性维护？排产优化的约束条件为何？工艺参数异常与质量问题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》中所呼吁，需培养"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，非写代码者，亦非懂产线者，而是能将产线SOP、质量标准、设备状态、供应链约束与Agent能力连接起来的人。
第三，企业需从"流程驱动"转向"数据驱动"。
AI全面深入生产系统，不仅是加速旧有流程，更涉及重构人与业务的关系。例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……计算过程均为决策，速度达毫秒级。
真正的数据驱动，非将数据填入报表，而是让听得见炮声的一线业务人员，能基于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，AI跑得再快，组织内耗亦会将其拖慢。
一言以蔽之，AI+制造非IT一部门的单独项目，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。
2026年的AI+制造，已至关键分水岭。
往昔，制造业追求自动化，让机器替代人的重复劳动；如今，制造业追求智能化，让系统具备实时感知、动态决策和自我优化能力。前者改变效率，后者改变企业运行方式。
AI+制造的跃升，非工厂多几个模型，非大屏多几个智能看板，而是工厂拥有了"大脑、神经、记忆和手脚"。唯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，方能完成机械化向智能化的代际跨越。
《天马如何重新定义一块好屏？》
《数据才是具身智能的“生死线”》
《新华三定义AI基础设施的系统级进化》
《硅谷在“造墙”，中国在“修路”》
点“推荐”，变好看哦。