新在线不卡免费视频|www国产精品久久麻豆|美女午夜福利网站|《福克斯号上空姐们》|关于秘书的电影|美少女的哀羞txt|日产国产一区二区三区

過去兩年，“AI+行業”幾乎成了所有科技峰會上的關鍵詞。

2025年以前，大多數企業對AI的態度還停留在概念驗證、單點試水和局部提效，一套智能客服系統已經算是階段性成果。

到了2026年，情況正在快速發生變化，漸漸褪去了初期的狂熱與浮躁，AI開始在多個行業實現規�；�落地和價值可量化。

最直接的代表，就是制造業。

5月15日的“AI+制造行業峰會2026”上，華為中國政企業務副總裁郭振興在主題演講和媒體采訪中表示：2026年企業數智化投資的營收占比，將提升到3%—3.5%；千行百業在數智化基礎設施的投入規模將超過7000億元；AI行業解決方案的價值將從“單點創新”躍升到“系統解決業務問題”。

當“AI+制造”進入到深水區，越來越多問題浮出了水面：在熱鬧的技術敘事外，制造業怎么才能吃到新一輪紅利？

01 Agent覺醒，算力與生態的“雙向奔赴”

如果說2025年是大模型“狂飆”的一年，2026年無疑是Agent集中爆發的元年。

以OpenClaw為代表的開源項目火爆全球，掀起了一場持續四個多月的“養蝦熱”，真正把AI從“動嘴”推向了“動手”：不再只是停留在對話框里的“外腦”，開始進入到真實世界里的復雜業務流程。

這種進化，對制造業尤為關鍵。

因為制造業從來不是靠“靈感輸出”解決問題的行業，面對的是訂單、排產、設備、工藝、質檢、供應鏈、庫存、交付等流程，每一個環節都高度耦合，任何一個變量，都可能牽動整條生產鏈的效率與成本。

過去，企業想讓AI接入ERP、MES、PLM、OA、供應鏈等系統，往往需要大量定制開發，成本高、周期長、系統割裂嚴重。有了Agent的能力，可以通過MCP、Skills等標準化協議，低門檻接入企業現有的系統和工具，實現自主讀取數據、分析問題、調用能力并執行操作。

不夸張的說，Agent打開了“AI+制造”的新階段，同時也對底層的基礎設施帶來了前所未有的壓力。

比如Token消耗的指數級爆發。

Agent不是一次問答，而是連續任務，需要讀取文檔、調用工具、分析數據、生成計劃、執行動作、校驗結果，背后是海量長上下文推理和多輪交互，對算力中心的并發處理和長序列推理能力提出了極高要求。

再比如傳統集群范式的失效。

過去企業做IT建設，習慣于性能不夠就堆硬件。到了大模型和Agent時代，單純堆服務器的做法不再奏效，長序列推理、MoE模型通信、KV Cache、并發調度、推理時延等挑戰，正在無限放大傳統集群的瓶頸。

樂觀的是，算力與生態正在“雙向奔赴”。

以DeepSeek V4為例，昇騰超節點天然親和MoE架構，不僅做到了Day0適配，還在算子層面進行了深度適配。其中DeepSeek V4 的AutoFuse算子可在昇騰上實現加速，KV Cache可壓縮至2%-10%，長序列TTFT降低40%。

由于“AI+行業”不是一家模型廠商、一家硬件廠商、一家軟件公司能獨立完成的，華為在計算生態上采取了開源開放的策略，目前已有800多家ISV伙伴基于昇騰開發行業應用，初步形成了行業標桿案例可快速復制的生態。

也就是說，制造業作為最適合Agent落地的場景之一，無須擔心AI基礎設施“跟不上”，無需為Token焦慮，需要思考的是怎么把模型能力轉化為可執行的業務動作、怎么把分散系統串聯成連續流程、怎么讓智能化轉型從“點狀創新”走向“全鏈路重構”……

02 消除“煙囪”，讓工廠化身“數智生命體”

畢竟AI+制造的“質變”，前提是讓AI能力落到一條條產線、一座座工廠里。

制造業數智化過程中最大的癥結，在于多系統并立的煙囪式架構：ERP管資源、MES管生產、PLM管研發、WMS管倉儲、SCADA管設備、QMS管質量，結果是信息孤島林立、重復建設嚴重、數據共享困難、系統聯動受阻。

如果把AI比作大腦，產線就是軀體，沒有神經貫通、動作敏捷的軀體，再聰明的大腦也無法轉化成生產力。

華為中國政企業務副總裁郭振興給出的解法是——以統一標準、統一架構、統一數據格式、分層解耦、持續迭代為原則，構建由智能感知、智能聯接、智能底座、智能平臺、制造行業大模型以及百花齊放的AI場景應用組成的制造行業智能化架構，重新定義了工廠的“神經系統”。

2023年初破土動工，2025年5月量產交付的“尊界超級工廠”，用實踐詮釋了以架構為藍圖、以AI為核心的價值。

首先是AI CV大模型質檢。

在尊界S800的總裝車間，部署了超過1600項視覺質量檢測點。項目組曾在8個月時間里開發了150多個模型逐一適配。由于小模式的泛化能力弱，即使是一個細小的調整，都需要重新訓練模型，很難支撐快速變化的系統。

痛定思痛后，江汽集團依托華為盤古CV基礎大模型和昇騰算力底座，通過自身130萬張高質量圖片數據增訓，訓練出了CV質檢L1大模型。產線工藝再發生變化時，工人只需提供50到100張照片，導入到ModelArts低代碼平臺，就能訓練出準確率99.99%的新算法，并快速部署到線邊。

其次是數字孿生、數采和質量追溯。

為了打破“數字孿生只用于展示”的誤解，尊界超級工廠通過IT/OT融合生產網，一張網將所有設備互聯，徹底結束了傳統工廠數張網的混亂局面，并在華為IIoT平臺的使能下，每秒可采集30萬條數據的數采系統，實現了物理工廠與數字工廠的實時同步。

讓人印象深刻的是極致柔性生產，尊界S800單車開放的配置多達上萬項，依靠人工經驗的話，很難在大規模定制下保持絕對穩定。但在尊界超級工廠，通過數據治理+數倉、5G使能AGV島式裝配等技術，用數智化的“確定性” 支撐起了車型配置的“不確定性”。

某種意義上說，消除了系統煙囪的尊界超級工廠，早已不是傳統意義上的“流水線”，演變成了具備實時感知、自我糾偏、持續進化能力的“數智生命體”。也讓外界看到了AI+制造的正確范式——不是把AI放進工廠，而是讓工廠本身具備智能。

03 向內開刀，數智化的關鍵在于“組織”

大模型、Agent等新技術的落地，只是制造業數智化轉型的表層結果。

很多失敗的數智化案例，并非是輸在了技術，而是組織結構的不匹配。當AI+制造從淺水區進入深水區，從“工具賦能”轉向核心的“價值創造”，企業的組織結構也需要向專職化、矩陣化、人機協同演進。

郭振興給制造企業的建議中，特意提到了“組織保障”。深挖一層的話，可以細分為三個維度。

第一，讓IT從邊緣部門升格為“數智化特區”。

業界有一組殘酷的數據：90%的企業數智化轉型之所以失敗，根源在于“無架構、堆系統、補丁式建設”。業務部門各買各的系統，IT部門負責維護，出了問題再打補丁。短期看，每個部門都解決了自己的痛點；長期看，企業多了一堆煙囪，數據越積越多，卻無法變成生產力。

數智化部門的價值，是把分散在研發、生產、供應鏈、銷售、服務中的數據和流程，統一拉到企業級架構下。既要懂技術路線，也要有跨部門協調權；既要管預算，也要管標準；既要推動平臺建設，也要推動業務場景落地。沒有對應的組織抓手，AI很容易淪為一個個“漂亮但孤立”的項目。

第二，培養既懂AI又懂業務的復合型人才。

制造業的AI落地，最難的不是調一個模型，部署一套Agent，而是能否把業務問題轉化成AI問題，譬如哪些設備數據可以用于預測性維護？排產優化的約束條件是什么？工藝參數異常和質量問題之間是否存在因果關系？

正如工信部在《“人工智能+制造”專項行動》中呼吁的，要培養“懂智能、熟行業”的復合型人才。未來制造企業真正稀缺的人才，不是寫代碼的人，也不是懂產線的人，而是能把產線SOP、質量標準、設備狀態、供應鏈約束和Agent能力連接起來的人。

第三，企業要從“流程驅動”轉向“數據驅動”。

AI全面深入生產系統，不僅僅是加速了舊有流程，還涉及重構人與業務的關系。比如引入天籌求解器做物流排程、引入Agent做設備預測性維護、利用AI質檢攔截缺陷......計算過程都是決策的速度是毫秒級的。

真正的數據驅動，不是把數據放進報表，而是讓聽得見炮聲的一線業務人員，能夠基于AI給出的洞察進行敏捷決策。業務前線必須擁有更高的數據可見性、更清晰的決策邊界和更快的響應機制。否則的話，AI跑得再快，組織內耗也會把它拖慢。

一言以蔽之，AI+制造不是IT一個部門的項目，而是一把手工程、業務工程、組織工程，向內開刀，重塑組織架構，打通數據驅動鏈路，是制造業跨越數智化鴻溝的必經之路。

04 寫在最后

2026年的AI+制造，已然到了關鍵的分水嶺。

過去，制造業追求的是自動化，讓機器替代人的重復勞動；現在，制造業追求的是智能化，讓系統具備實時感知、動態決策和自我優化能力。前者改變的是效率，后者改變的是企業運行方式。

AI+制造的躍升，不是工廠里多了幾個模型，不是大屏上多了幾個智能看板，而是工廠擁有了“大腦、神經、記憶和手腳”。只有堅定擁抱數智化底座、徹底打破系統煙囪、并敢于自我革新組織形態的企業，才有機會完成機械化向智能化的代際跨越。

       原文標題 : Agent覺醒、消除“煙囪”、組織重塑，解碼“AI+制造”的躍升路徑