今天小編分享的互聯網經驗：從一家企業到整個行業，華為轉動了AI+制造的“飛輪”，歡迎閱讀。
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，範圍以試點為主，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，明确提出要實施 " 人工智能 + 制造 " 行動，并将加強通用大模型、行業大模型研發布局和重點場景應用列為 2025 年重點任務。接下來幾個月裡，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，首要目标正是挖掘一批典型應用場景。
經歷了長時間的摸索後，2025 年将是 "AI+ 制造 " 的破局時刻：設計、生產、管理、倉儲、質檢、銷售、服務等全流程都将被智能化改造。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、提質更新等課題進行了激烈讨論，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：預計未來五年将保持年均 40% 以上的增長率，有望在 2025 年超過 140 億元人民币。
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、落地滞後 " 的現象。
怎麼才能讓 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，将大模型引入研、產、供、銷、服各個環節，重構作業模式，提升業務效率，同時更新了 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。
比如在研發領網域，華為構建了 " 研發 +AI+ 數據 " 的新模式，将高價值的技術文檔、精選代碼、開源代碼倉等導入研發數據平台，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。
再比如生產領網域，将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，通過數據平台進行數據入湖、數據清洗、數據分析，并将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、分鍾級響應……
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，該怎麼解決 "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 試點項目能夠規模化推廣、60% 的中型企業因算力不足或雲服務成本過高，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：和夥伴們一起解難題
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，我們将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、智能平台 " 端到端的全棧解決方案，幫助企業構築新型基礎設施。
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，直接影響着 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，華為将重心放在了智能體的四層架構：
智能聯接，确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；智能平台，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。
二是和夥伴一起探索行業場景，整合各方資源打造能夠快速復制的标杆案例，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确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模範點，做深做透聚焦的價值場景，沉澱出行業解決方案，再将行業解決方案标準化和模塊化，可以說是從 1 到 N 的不二法門。
智能化不是孤軍奮戰，而是基于确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，選擇将場景創新交給在細分行業裡有深厚積累的 " 聯盟級夥伴 "，發揮夥伴的能力優勢，" 用一厘米的切口，挖出一公裡的價值 "。
可以找到一組數據是：2024 年華為和夥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、智能駕駛開發平台、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 年華為将在更多行業發展聯盟級夥伴，通過開放資源、開放機會、聯合夥伴、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，但達到某一臨界點後，飛輪的重力和衝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，創新的飛輪将越轉越快。
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互動、自動駕駛等技術上，還涉及研發、生產、供應、銷售、服務在内的各個環節，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。在華為和夥伴的幫助下，廣汽研究院建立起了涵蓋研發業務的雲化基礎設施、研發數據管理、研發作業工具、AI 智能化全網域的智能化平台，将整車研發周期從 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，将無法滿足萬級無塵要求，造成車間潔淨度達标時間延長，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 平台，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後，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夥伴、高校、協會組織、開發者等深耕生态，将案例經驗進一步轉化成标準和通用能力。
就像 " 飛輪效應 " 所示範的，有了越來越多落地場景、越來越多的細分解決方案，"AI+ 制造 " 将是一件水到渠成的事。
04.
寫在最後
"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，正在攜手產學研夥伴深入合作，讓 AI 的力量滲透進制造的每一寸肌理，奔着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。
主理人 | 張賀飛（Alter）
前媒體人、公關，現專職科技自媒體
钛媒體、36kr、創業邦、福布斯中國等專欄作者
轉載、商務、開白以及讀者交流，請聯系個人微信「imhefei」
