科技日报记者 崔爽
在安徽合肥肥西县的新港新能源汽车产业园，一座占地1500亩的超级工厂正在高负荷运转。冲压、焊装、涂装、总装等车间在不同厂房之间有序排布，自动化产线持续运转，物流调度与设备数据在系统中实时流动。
这座被称为尊界超级工厂的制造系统，正在成为AI深入制造业核心生产环节的一个缩影。
过去，质检是最依赖人工经验的环节。在尊界超级工厂，江汽集团曾经需要150多个分散的小模型来完成不同工位的检测任务。一条新车型产线的适配，往往意味着数月甚至更长时间的模型重新训练与反复调试。
“那时候基本是一个场景一个模型，一个问题一个团队去盯。”一位参与项目的工程师回忆。
而现在，这种碎片化的模式已经成为历史，质检模型“整装上阵”。
在引入华为盘古CV大模型之后，江汽集团把原本碎片化的视觉能力整合为统一的大模型体系。在新车型快速迭代的生产节奏下，单工位只需要50到100张样本图片，就可以完成模型微调训练，缺陷拦截率提升到99.99%。目前，这一能力已经覆盖1500多个检测场景，实现“一模型多场景通用”，支撑起全平台化智能质检。
“过去人工目检，工人盯着零部件看，眼睛疲劳、精力有限，漏检率降不下来。现在用AI视觉替代人工复检，检出率和一致性大幅提升，而且不会受疲劳或情绪波动影响。”近日举行的AI+制造行业峰会2026上，安徽江汽集团数字化管理中心副总经理丁志海说起。
更深刻的变化发生在系统层。
“江汽集团并没有把AI当成一个个‘点状工具’，而是用‘小切口、大纵深’的方式往里推进。”丁志海介绍，“先从质检这样最具确定性的场景切入，再逐步向研发和管理体系延伸。”
比如在研发端，过去需要工程师反复整理与分析的失效模式，如今通过让AI学习5000多条历史设计规范与数据，DFMEA（设计失效模式及影响分析）智能分析智能体可以在数小时内完成分析与生成，效率大幅提升。
“AI时代，数字化进入一个新阶段，我们解决的是‘决策’问题。”丁志海说，“过去是被动记录发生了什么，现在要主动预测接下来会发生什么；过去是人在系统里找数据，现在是数据主动推送到需要它的人面前。”
在他看来，这是从“流程在线”到“智能驱动”的彻底转身。
对于产品迭代越来越快、质量要求越来越高的汽车行业而言，这种转变尤为迫切。传统数字化方式已经难以支撑复杂生产体系，必须让AI真正介入生产与管理决策。
对于知识密度高、经验依赖程度高的制造业，关键知识常分散在工程师、技术人员和一线员工过去沉淀的工作经验中，难以被复用。在知识层面，江汽还搭建起“三统一”的知识问答体系，把分散在工程师、维修人员和一线员工中的经验重新结构化。一个维修工程师原本需要2个小时才能定位的问题，现在系统可以在20分钟内给出答案。
当老师傅的经验与手感被转化为结构化的数据和模型，AI落地也不再停留在工具层面的替代，而是逐步渗入制造业价值场景的肌理，不断走深向实。
如华为监事会副主席陶景文所言，制造业推进AI转型和发展的关键，在于价值场景的选择。一是关注切口小、深度大的高价值场景，二是单一功能的闭环要大于多功能的简单堆砌，三是要围绕核心价值流，找到那些可以动态持续演进和反馈的场景。
“制造业的AI升级从每一次工业革命来看都不是简单的技术问题，必须把技术进步和行业流程、组织知识做深度结合，才是发展的必由之路。”陶景文说。
网友评论
