對“立國之本”中國制造業來說，AI一直是行業的熱門話題。
早在大模型的概念出現前，不少制造企業就開始用算法進行數據收集和分析，用計算機視覺技術試水智能質檢。盡管應用的場景比較局限，范圍以試點為主，卻也讓外界看到了制造業對AI的開放和包容。
華為中國政企業務副總裁 郭振興
2024年底召開的全國工業和信息化工作會議，明確提出要實施“人工智能+制造”行動，并將加強通用大模型、行業大模型研發布局和重點場景應用列為2025年重點任務。接下來幾個月里，廣東、江蘇、湖南、浙江等多個省市陸續給出了“AI+制造”行動方案，首要目標正是挖掘一批典型應用場景。
經歷了長時間的摸索后，2025年將是“AI+制造”的破局時刻：設計、生產、管理、倉儲、質檢、銷售、服務等全流程都將被智能化改造。既是制造業加速轉型的機會，也存在數據、算力、人才等挑戰。
4月28日在廣州舉辦的華為AI+制造行業峰會2025上，來自汽車、醫藥、半導體等制造行業的數百家企業，圍繞制造業和AI的深度融合、降本增效、提質升級等課題進行了激烈討論，給出了經過驗證的答案。
01 AI+制造的全流程，華為先跑了一遍
早在2021年的時候，德勤就曾在《制造業+人工智能創新應用發展報告》中預測了AI在中國制造業的市場前景：預計未來五年將保持年均40%以上的增長率，有望在2025年超過140億元人民幣。
回頭來看，德勤似乎低估了“AI+制造”的增長勢頭，畢竟大模型在2021年還是一個小眾名詞，更多的是對制造產業特征的謹慎判斷：AI+制造的融合是一項系統工程，不僅要解決底層的技術問題，還要破除在實際生產環境中的落地障礙，相對應的就有“概念先行、落地滯后”的現象。
怎么才能讓AI的價值最大化呢？華為的回答是“自己先跑一遍”。
作為一家強研發和生產的制造型企業，華為的業務遍布全球170多個國家和地區，可以說制造業遇到的大多數痛點，華為都曾遇到過。華為的解題思路并不復雜，即不斷引入新技術解決舊問題。
2014年開始數字化轉型，建立了全量全要素的連接和實時反饋系統，在數據治理、數據安全上花了不小的精力；2018年全面智能化，將大模型引入研、產、供、銷、服各個環節，重構作業模式，提升業務效率，同時升級了AI數據治理體系，用高質量的數據安全、高效地支撐模型的訓練與應用。
比如在研發領域，華為構建了“研發+AI+數據”的新模式，將高價值的技術文檔、精選代碼、開源代碼倉等導入研發數據平臺，訓練出了研發大模型和AI開發助手，極大地加速了開發進程，提升了研發效率。
再比如生產領域，將生產環節涉及到的市場數據、研發數據、倉儲物流數據、產線設備數據等等，通過數據平臺進行數據入湖、數據清洗、數據分析，并將分析結果通過生產大模型進行訓練，實現了生產的智能化：在物料準備環節，實現了根據客戶訂單智能排產；在物料準備環節，人工揀選進化為自動發料；在問題診斷環節，做到了現場問題秒級預警、分鐘級響應……
另一個必須要回答的問題是：大多數制造企業沒有華為的研發和創新能力，該怎么解決“AI+制造”過程中遇到的挑戰？
根據Gartner、埃森哲、波士頓咨詢等權威咨詢機構的報告：當前有73%企業的數據利用率小于40%、60%的企業在AI項目中技術與實際場景需求脫節、僅有25%的AI試點項目能夠規?；茝V、60%的中型企業因算力不足或云服務成本過高，無法支撐模型訓練……
這些問題不被解決，“AI+制造”很難星火燎原。
02 跨越數智化鴻溝：和伙伴們一起解難題
面對千行萬業邁入數智世界存在的巨大鴻溝，華為中國政企業務副總裁郭振興在華為AI+制造行業峰會2025及媒體采訪中給出了答案。為了方便大家的理解，我們將郭振興的觀點梳理成了兩個方面。
一是提供“智能聯接、智能存儲、智能算力、智能平臺”端到端的全棧解決方案，幫助企業構筑新型基礎設施。
機械化時代的制造業，效率提升靠裝備性能的提升，周期短見效快；到了智能化時代，數據成為新的生產資料，高質量的數據是大模型訓練的基石，直接影響著AI落地的效果，需要圍繞數據挖掘打通技術流和價值流，新型基礎設施可以說是智能化的先決條件。
為了打通企業部署AI的路徑，華為將重心放在了智能體的四層架構：
智能聯接，確保數據可以被高效采集和利用；智能存儲，幫助企業打破數據孤島、優化數據供給；智能平臺，提高算力線性度，同時為數據的采集、清洗和流通提供全面的安全防護；智能算力，覆蓋了大模型訓練到推理場景的全流程解決方案。
二是和伙伴一起探索行業場景，整合各方資源打造能夠快速復制的標桿案例，加速客戶數智化轉型的進程。
就像每次產業革命初期所呈現出來的，創新的擴散始于“早期采用者”，往往是創新意識比較明確且有能力進行轉型的大中型企業。
“AI+制造”也是如此，先從0到1打造出行業解決方案樣板點，做深做透聚焦的價值場景，沉淀出行業解決方案，再將行業解決方案標準化和模塊化，可以說是從1到N的不二法門。
智能化不是孤軍奮戰，而是基于確定性架構的行業共振。由于不同行業對AI的需求各異，一家企業無法覆蓋所有的細分行業，華為擅長的是基礎設施，選擇將場景創新交給在細分行業里有深厚積累的“聯盟級伙伴”，發揮伙伴的能力優勢，“用一厘米的切口，挖出一公里的價值”。
可以找到一組數據是：2024年華為和伙伴合作推動了央企重工、車輛裝備、半導體電子、新能源、煙酒制藥、輕工業等近10個制造細分行業的數智化轉型；與60多家NA客戶聯合創新，打造出了研發工具鏈、智能駕駛開發平臺、工程設計仿真、智慧工廠等行業解決方案。
按照郭振興的說法，2025年華為將在更多行業發展聯盟級伙伴，通過開放資源、開放機會、聯合伙伴、深耕行業的方式，應對復雜場景需求、滿足細分行業的多樣化需求，幫助千行萬業跨越數智化鴻溝。
03 加速行業智能化，讓創新的飛輪轉起來
著名管理學家吉姆·柯林斯在《從優秀到卓越》中提出了“飛輪效應”理論：
為了使靜止的飛輪轉動起來，一開始必須使很大的力氣，每轉一圈都很費力，但達到某一臨界點后，飛輪的重力和沖力就會成為推動力的一部分，這時無須再費更大的力氣，飛輪依舊會快速轉動，而且不停地轉動。
“AI+制造”的進程，可以看作是“飛輪效應”在制造業的寫照，早期打磨解決方案時，可能會踩無數的坑，而當越來越多的行業經驗被固化到產品和解決方案中，創新的飛輪將越轉越快。
直接的例子就是廣汽集團。
汽車革命的上半場是新能源，下半場是智能化。“智能化”的體現不只是在用戶交互、自動駕駛等技術上，還涉及研發、生產、供應、銷售、服務在內的各個環節，而研發恰恰是智能化轉型的起點。
華為在研發環節的數智化實踐，進入到了廣汽研究院的視野。在華為和伙伴的幫助下，廣汽研究院建立起了涵蓋研發業務的云化基礎設施、研發數據管理、研發作業工具、AI智能化全域的智能化平臺，將整車研發周期從36個月降至18個月。
在電子行業，立景創新也遇到了挑戰。
16萬平方米無塵車間的網絡改造，一度讓立景創新傷透腦筋。一旦在改造過程中引入了灰塵，將無法滿足萬級無塵要求，造成車間潔凈度達標時間延長，可能會耽誤訂單的交付時間，乃至影響產品品質。
最終消除煩惱的，是立景創新與華為聯合打造的“剪辮子”方案，通過4000個CPE“剪辮子”，減少了1萬多個有線信息點位，達到了變產線、不變網絡的效果，而且網絡變更的工作時長只用了0.5天，從人、事、物、網全息感知網絡質量的智能運維NCE平臺，極大縮短了網絡故障定位時間。
深入了解電子行業的網絡需求后，華為不斷在產品和方案上創新，陸續幫助訊強電子、邦普循環、融捷能源、美的集團等提供強有力的網絡支撐。
相關的落地案例還有很多。
除了深入一家家企業和工廠，解決AI+制造遇到的一個個問題，華為正在聯合不同行業的伙伴、高校、協會組織、開發者等深耕生態，將案例經驗進一步轉化成標準和通用能力。
就像“飛輪效應”所示范的，有了越來越多落地場景、越來越多的細分解決方案，“AI+制造”將是一件水到渠成的事。
04 寫在最后
“AI+制造”像是一場比拼耐力與智慧的馬拉松。
需要仰望星空，用創新解決行業遇到的種種難題；也需要腳踏實地，在落地過程中挖掘出AI的價值。
“源于制造，更懂制造，服務制造”的華為，正在攜手產學研伙伴深入合作，讓AI的力量滲透進制造的每一寸肌理，奔著企業的難點持續轉動“飛輪”，一同譜寫中國制造高質量發展的新篇章。
