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”。

华为中国政企业务副总裁 郭振兴

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。