对“立国之本”中国制造业来说，AI一直是行业的热门话题。

早在大模型的概念出现前，不少制造企业就开始用算法进行数据收集和分析，用计算机视觉技术试水智能质检。尽管应用的场景比较局限，范围以试点为主，却也让外界看到了制造业对AI的开放和包容。

华为中国政企业务副总裁 郭振兴

2024年底召开的全国工业和信息化工作会议，明确提出要实施“人工智能+制造”行动，并将加强通用大模型、行业大模型研发布局和重点场景应用列为2025年重点任务。接下来几个月里，广东、江苏、湖南、浙江等多个省市陆续给出了“AI+制造”行动方案，首要目标正是挖掘一批典型应用场景。

经历了长时间的摸索后，2025年将是“AI+制造”的破局时刻：设计、生产、管理、仓储、质检、销售、服务等全流程都将被智能化改造。既是制造业加速转型的机会，也存在数据、算力、人才等挑战。

4月28日在广州举办的华为AI+制造行业峰会2025上，来自汽车、医药、半导体等制造行业的数百家企业，围绕制造业和AI的深度融合、降本增效、提质升级等课题进行了激烈讨论，给出了经过验证的答案。

01 AI+制造的全流程，华为先跑了一遍

早在2021年的时候，德勤就曾在《制造业+人工智能创新应用发展报告》中预测了AI在中国制造业的市场前景：预计未来五年将保持年均40%以上的增长率，有望在2025年超过140亿元人民币。

回头来看，德勤似乎低估了“AI+制造”的增长势头，毕竟大模型在2021年还是一个小众名词，更多的是对制造产业特征的谨慎判断：AI+制造的融合是一项系统工程，不仅要解决底层的技术问题，还要破除在实际生产环境中的落地障碍，相对应的就有“概念先行、落地滞后”的现象。

怎么才能让AI的价值最大化呢？华为的回答是“自己先跑一遍”。

作为一家强研发和生产的制造型企业，华为的业务遍布全球170多个国家和地区，可以说制造业遇到的大多数痛点，华为都曾遇到过。华为的解题思路并不复杂，即不断引入新技术解决旧问题。

2014年开始数字化转型，建立了全量全要素的连接和实时反馈系统，在数据治理、数据安全上花了不小的精力；2018年全面智能化，将大模型引入研、产、供、销、服各个环节，重构作业模式，提升业务效率，同时升级了AI数据治理体系，用高质量的数据安全、高效地支撑模型的训练与应用。

比如在研发领域，华为构建了“研发+AI+数据”的新模式，将高价值的技术文档、精选代码、开源代码仓等导入研发数据平台，训练出了研发大模型和AI开发助手，极大地加速了开发进程，提升了研发效率。

再比如生产领域，将生产环节涉及到的市场数据、研发数据、仓储物流数据、产线设备数据等等，通过数据平台进行数据入湖、数据清洗、数据分析，并将分析结果通过生产大模型进行训练，实现了生产的智能化：在物料准备环节，实现了根据客户订单智能排产；在物料准备环节，人工拣选进化为自动发料；在问题诊断环节，做到了现场问题秒级预警、分钟级响应……

另一个必须要回答的问题是：大多数制造企业没有华为的研发和创新能力，该怎么解决“AI+制造”过程中遇到的挑战？

根据Gartner、埃森哲、波士顿咨询等权威咨询机构的报告：当前有73%企业的数据利用率小于40%、60%的企业在AI项目中技术与实际场景需求脱节、仅有25%的AI试点项目能够规模化推广、60%的中型企业因算力不足或云服务成本过高，无法支撑模型训练……

这些问题不被解决，“AI+制造”很难星火燎原。

02 跨越数智化鸿沟：和伙伴们一起解难题

面对千行万业迈入数智世界存在的巨大鸿沟，华为中国政企业务副总裁郭振兴在华为AI+制造行业峰会2025及媒体采访中给出了答案。为了方便大家的理解，我们将郭振兴的观点梳理成了两个方面。

一是提供“智能联接、智能存储、智能算力、智能平台”端到端的全栈解决方案，帮助企业构筑新型基础设施。

机械化时代的制造业，效率提升靠装备性能的提升，周期短见效快；到了智能化时代，数据成为新的生产资料，高质量的数据是大模型训练的基石，直接影响着AI落地的效果，需要围绕数据挖掘打通技术流和价值流，新型基础设施可以说是智能化的先决条件。

为了打通企业部署AI的路径，华为将重心放在了智能体的四层架构：

智能联接，确保数据可以被高效采集和利用；智能存储，帮助企业打破数据孤岛、优化数据供给；智能平台，提高算力线性度，同时为数据的采集、清洗和流通提供全面的安全防护；智能算力，覆盖了大模型训练到推理场景的全流程解决方案。

二是和伙伴一起探索行业场景，整合各方资源打造能够快速复制的标杆案例，加速客户数智化转型的进程。

就像每次产业革命初期所呈现出来的，创新的扩散始于“早期采用者”，往往是创新意识比较明确且有能力进行转型的大中型企业。

“AI+制造”也是如此，先从0到1打造出行业解决方案样板点，做深做透聚焦的价值场景，沉淀出行业解决方案，再将行业解决方案标准化和模块化，可以说是从1到N的不二法门。

智能化不是孤军奋战，而是基于确定性架构的行业共振。由于不同行业对AI的需求各异，一家企业无法覆盖所有的细分行业，华为擅长的是基础设施，选择将场景创新交给在细分行业里有深厚积累的“联盟级伙伴”，发挥伙伴的能力优势，“用一厘米的切口，挖出一公里的价值”。

可以找到一组数据是：2024年华为和伙伴合作推动了央企重工、车辆装备、半导体电子、新能源、烟酒制药、轻工业等近10个制造细分行业的数智化转型；与60多家NA客户联合创新，打造出了研发工具链、智能驾驶开发平台、工程设计仿真、智慧工厂等行业解决方案。

按照郭振兴的说法，2025年华为将在更多行业发展联盟级伙伴，通过开放资源、开放机会、联合伙伴、深耕行业的方式，应对复杂场景需求、满足细分行业的多样化需求，帮助千行万业跨越数智化鸿沟。

03 加速行业智能化，让创新的飞轮转起来

著名管理学家吉姆·柯林斯在《从优秀到卓越》中提出了“飞轮效应”理论：

为了使静止的飞轮转动起来，一开始必须使很大的力气，每转一圈都很费力，但达到某一临界点后，飞轮的重力和冲力就会成为推动力的一部分，这时无须再费更大的力气，飞轮依旧会快速转动，而且不停地转动。

“AI+制造”的进程，可以看作是“飞轮效应”在制造业的写照，早期打磨解决方案时，可能会踩无数的坑，而当越来越多的行业经验被固化到产品和解决方案中，创新的飞轮将越转越快。

直接的例子就是广汽集团。

汽车革命的上半场是新能源，下半场是智能化。“智能化”的体现不只是在用户交互、自动驾驶等技术上，还涉及研发、生产、供应、销售、服务在内的各个环节，而研发恰恰是智能化转型的起点。

华为在研发环节的数智化实践，进入到了广汽研究院的视野。在华为和伙伴的帮助下，广汽研究院建立起了涵盖研发业务的云化基础设施、研发数据管理、研发作业工具、AI智能化全域的智能化平台，将整车研发周期从36个月降至18个月。

在电子行业，立景创新也遇到了挑战。

16万平方米无尘车间的网络改造，一度让立景创新伤透脑筋。一旦在改造过程中引入了灰尘，将无法满足万级无尘要求，造成车间洁净度达标时间延长，可能会耽误订单的交付时间，乃至影响产品品质。

最终消除烦恼的，是立景创新与华为联合打造的“剪辫子”方案，通过4000个CPE“剪辫子”，减少了1万多个有线信息点位，达到了变产线、不变网络的效果，而且网络变更的工作时长只用了0.5天，从人、事、物、网全息感知网络质量的智能运维NCE平台，极大缩短了网络故障定位时间。

深入了解电子行业的网络需求后，华为不断在产品和方案上创新，陆续帮助讯强电子、邦普循环、融捷能源、美的集团等提供强有力的网络支撑。

相关的落地案例还有很多。

除了深入一家家企业和工厂，解决AI+制造遇到的一个个问题，华为正在联合不同行业的伙伴、高校、协会组织、开发者等深耕生态，将案例经验进一步转化成标准和通用能力。

就像“飞轮效应”所示范的，有了越来越多落地场景、越来越多的细分解决方案，“AI+制造”将是一件水到渠成的事。

04 写在最后

“AI+制造”像是一场比拼耐力与智慧的马拉松。

需要仰望星空，用创新解决行业遇到的种种难题；也需要脚踏实地，在落地过程中挖掘出AI的价值。

“源于制造，更懂制造，服务制造”的华为，正在携手产学研伙伴深入合作，让AI的力量渗透进制造的每一寸肌理，奔着企业的难点持续转动“飞轮”，一同谱写中国制造高质量发展的新篇章。