AI（人工智能）深度融入从工艺设计到生产运营的汽车制造全链条，但现阶段亦存在模型不够“泛化”等诸多瓶颈。
AI主要应用在质量检测、数据收集和辅助办公
10月24日，第十一届智能制造与数字化创新论坛在广州举行。会上，多位汽车产业代表展示了AI技术在生产现场的落地实践。
目前，AI在汽车制造端的应用，主要在视觉相关的质量检测，各生产环节的数据收集和分析以及对办公、物流等部门的协助上。
重庆长安汽车副总工程师常永生在分享中提到，他所在企业对AI的应用，重点是视觉相关，比如质量检测、精准测量和机器人引导。下一步将探索把大模型技术用于工艺设计自动生成、跨域质量问题的根因挖掘，以及基于历史记录和设备技术文档的故障智能诊断。
比亚迪股份有限公司工艺总监卢礼兵分享称，他们正从两个维度应用AI。一是信息化数据维度，通过各类系统收集处理数据；二是技术感知维度，借助视觉、力感知、噪音分析等手段，结合AI工具，形成单专业线条的应用架构，再组合成完整的技术AI应用体系。
小鹏汽车制造工艺规划专家李刚表示团队正聚焦三个方向：一是AI视觉识别与检测，工厂内大量部署；二是AI辅助办公，利用大模型学习企业内部海量技术文档，构建企业知识库；三是生产协同与物流调度，这是当前优先建设的方向。未来，他们希望推动AI模型泛化进程，降低使用门槛，并推动不同场景AI应用的融合与闭环控制。
当谈到大模型对产业AI应用的影响时，华为制造与大企业军团车辆装备解决方案总监邱真认为，最大的变化是AI的“普惠化”。他们为一线产线工人提供了“问道”助手，日活超3000人，帮助他们解决故障和处理质量问题。在质检方面，他们正从“一个场景一个模型”向“万物检测一个大模型”演进，甚至尝试零样本学习，来降低AI应用门槛。
西门子（中国）有限公司副总裁夏纬在接受第一财经记者采访时表示，AI推动传统制造的升级，主要是产品生产领域的数据需要企业自己挖掘，然后训练模型。企业需要关注投入产出，找到真正实用的模型。有些模型理论上在预测故障等领域可以达到一定的百分比，但实际操作过程中可能达不到。整体来说，如今的实际生产尚未实现AI模型的大规模应用，“还需要几年时间”。
汽车生产强化AI应用尚存几大瓶颈
在如今的汽车工业实践中，AI已超越概念阶段，深度融入从工艺设计到生产运营的全链条，通过优化生产逻辑与决策，驱动制造业向高效、智慧的“新工业”范式演进。但就以汽车为代表的精密制造业而言，AI应用仍然具有较高的复杂性。
复杂性既体现在“高精度、高集成、高标准”的行业特性，在各生产环节对准确度和安全性的要求更高，但同时各环节的工艺对AI应用的需求又存在很大差异，AI应用难以实现泛化和成果复用。伴随着产品与工艺的调整，对应产线上AI模型所产生的需求更新，也将新增对应领域的研发投入。
第一财经记者观察发现，当前汽车产业在生产端的AI应用多是点对点的应用，即单个AI工具一般专注于满足特定环境或特定工艺环节的需求。想让点对点的AI工具融合打通，甚至是泛化为适用多场景多环节的大模型，还有待探索。在这一过程中，企业还会遇到数据收集不到位、复合型人才缺乏、适应AI应用推广的组织分工尚未理顺等挑战。
李刚在分享中提出，汽车产业打通AI“最后一公里”的卡点，是模型的“泛化”问题。目前开发的模型针对性太强，换个场景就难以适用。推动模型泛化需要系统级建设，但现在往往是制造企业的一个部门，甚至下面的某一个组织去推进，难度很大。
卢礼兵也表示，瓶颈体现在从技术到应用隔了很多环节，正规股票配资包括商务流程，以及不同企业间的场景差异化和标准要求，这让成果很难复制。
人才能力和组织分工也成为AI推广应用的难点所在。卢礼兵说，懂算法的IT人才和懂工艺的业务专家之间存在理解鸿沟。邱真认为，当前很多企业成立了拉通性的组织，但公司的AI架构演进路径、业务与IT的配合机制等职责定位尚未完全理顺，这是从点到面的基础。常永生提出，对AI的应用需要像汽车工业发展一样经历一个标准化和分工的过程。行业需要清晰的分工和协同机制，避免各家在个性化点上重复投入，才能实现从点到面的跃迁。
对数据收集加工并增强数据可信，也是推进汽车生产AI应用的重要任务。邱真在接受第一财经采访时表示，数据准备和治理等要素需要参与到AI的应用。这一领域处于日臻完善的过程中，发展速度很快。
制造业企业加码AI研发的驱动力
就汽车制造而言，AI应用对降本增效的帮助已被看见。论坛期间，达索系统大中华区工业装备行业高级总监司现锋分享到，降本增效目前主要集中在制造端。AI在文字、图像处理上效果显著，但在工业工艺机理层面的改善，必须回归第一性原理。不能只图效率的提升，而要将工艺机理做到位，这样才能真正提升产品质量和长周期可靠性。
尽管AI工具常与降本增效等词关联在一起，但就制造业而言，AI助力生产端实现降本增效的前提，是企业需要在数字化技术和AI模型研发上倾注大量资源，甚至对既有生产方式进行改革创新。制造业的不同门类对AI的需求程度，也是存在差异的。
夏纬告诉第一财经记者，不同行业对AI应用的需求程度存在差别。例如汽车制造领域的车型更换会影响产线的使用，它对AI的需求或许就没有钢铁等产线可能数十年不变的行业大。
关于让企业主动投入数字化和智能化的软性指标，理想汽车制造工程集成管理总监刘青磊认为，他们主要从三个维度判断：第一是对QCD（质量、成本、交付）核心指标的贡献度。其次，是否是未来的“门槛技术”，即使当前QCD不高也必须布局。第三是否是“首发技术”，如果行业里已经有成熟的数字化技术，也会关注能否通过生态合作直接应用。
罗克韦尔自动化（中国）有限公司智能制造创新研究院院长李栋分享称，绿色数智化是制造业跨界升维的核心动力。融合绿色技术与数字智能，打通产业链壁垒，优化资源配置与卓业创新，助力企业突破传统生产边界，拓展智能制造、跨界协同等新场景，实现效率、环保与价值的跨界升维。
国务院于8月发布的关于深入实施“人工智能+”行动的意见提出，要推动工业全要素智能联动，加快人工智能在设计、中试、生产、服务、运营全环节落地应用。并推进工业供应链智能协同，加强自适应供需匹配；推广人工智能驱动的生产工艺优化方法，并深化人工智能与工业互联网融合应用，增强工业系统的智能感知与决策执行能力。
目前，已有多个省份密集发布了推动“人工智能+”发展的政策文件，而以汽车产业为代表的制造业，成为AI赋能新型工业化的重要切入点。10月下旬，制造业大省广东就发布了人工智能赋能制造业高质量发展的行动方案。该行动方案明确，聚焦汽车等优势产业，培育一批具有行业引领效应的垂直领域大模型和场景专用小模型。同时依托核心软件攻关、先进装备攻关、工业互联网赋能等专项，培育融合人工智能的工业软件和智能装备。
邱真告诉第一财经记者，制造业对AI的应用，相比其他产业有个显著的不同点，即适配工业化场景的AI模型并非马上就能推出的，其门槛很高，也需要有一定的门槛大家才敢用。大模型与小模型之间并非替代关系，就未来来看，二者是融合的关系。有些场景适合大模型去做，有些个别场景则需要用原来传统的方式去做融合来实现更好的效果。
文章为作者独立观点，不代表隆盛策略观点
