過去兩年，“AI+ 行業” 幾乎成了所有科技峯會上的關鍵詞。

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模化落地和價值可量化。

最直接的代表，就是製造業。

5 月 15 日的 “AI+ 製造行業峯會 2026” 上，華為中國政企業務副總裁郭振興在主題演講和媒體採訪中表示：2026 年企業數智化投資的營收佔比，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”。

華為中國政企業務副總裁 郭振興

當 “AI+ 製造” 進入到深水區，越來越多問題浮出了水面：在熱鬧的技術敍事外，製造業怎麼才能吃到新一輪紅利？

01 Agent 覺醒，算力與生態的 “雙向奔赴”

如果説 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裏的 “外腦”，開始進入到真實世界裏的複雜業務流程。

這種進化，對製造業尤為關鍵。

因為製造業從來不是靠 “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，往往需要大量定製開發，成本高、週期長、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、調用能力並執行操作。

不誇張的説，Agent 打開了 “AI+ 製造” 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，背後是海量長上下文推理和多輪交互，對算力中心的併發處理和長序列推理能力提出了極高要求。

再比如傳統集羣範式的失效。

過去企業做 IT 建設，習慣於性能不夠就堆硬件。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、併發調度、推理時延等挑戰，正在無限放大傳統集羣的瓶頸。

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%。

由於 “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，華為在計算生態上採取了開源開放的策略，目前已有 800 多家 ISV 夥伴基於昇騰開發行業應用，初步形成了行業標杆案例可快速複製的生態。

也就是説，製造業作為最適合 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，需要思考的是怎麼把模型能力轉化為可執行的業務動作、怎麼把分散系統串聯成連續流程、怎麼讓智能化轉型從 “點狀創新” 走向 “全鏈路重構”……

02 消除 “煙囱”，讓工廠化身 “數智生命體”

畢竟 AI+ 製造的 “質變”，前提是讓 AI 能力落到一條條產線、一座座工廠裏。

製造業數智化過程中最大的癥結，在於多系統並立的煙囱式架構：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、重複建設嚴重、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、智能平台、製造行業大模型以及百花齊放的 AI 場景應用組成的製造行業智能化架構，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 個月時間裏開發了 150 多個模型逐一適配。由於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。

痛定思痛後，江汽集團依託華為盤古 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 低代碼平台，就能訓練出準確率 99.99% 的新算法，並快速部署到線邊。

其次是數字孿生、數採和質量追溯。

為了打破 “數字孿生只用於展示” 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，並在華為 IIoT 平台的使能下，每秒可採集 30 萬條數據的數採系統，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，很難在大規模定製下保持絕對穩定。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”。

某種意義上説，消除了系統煙囱的尊界超級工廠，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+ 製造的正確範式——不是把 AI 放進工廠，而是讓工廠本身具備智能。

03 向內開刀，數智化的關鍵在於 “組織”

大模型、Agent 等新技術的落地，只是製造業數智化轉型的表層結果。

很多失敗的數智化案例，並非是輸在了技術，而是組織結構的不匹配。當 AI+ 製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。

郭振興給製造企業的建議中，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，根源在於 “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，企業多了一堆煙囱，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；既要推動平台建設，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 又懂業務的複合型人才。

製造業的 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於預測性維護？排產優化的約束條件是什麼？工藝參數異常和質量問題之間是否存在因果關係？

正如工信部在《“人工智能 + 製造” 專項行動》中呼籲的，要培養 “懂智能、熟行業” 的複合型人才。未來製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係。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，能夠基於 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+ 製造不是 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，是製造業跨越數智化鴻溝的必經之路。

04 寫在最後

2026 年的 AI+ 製造，已然到了關鍵的分水嶺。

過去，製造業追求的是自動化，讓機器替代人的重複勞動；現在，製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，後者改變的是企業運行方式。

AI+ 製造的躍升，不是工廠裏多了幾個模型，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、徹底打破系統煙囱、並敢於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。