人工智能（AI）已深度渗透进汽车制造的全流程，从工艺设计到生产运营均有其身影。然而在现阶段，AI应用面临着诸多难题，比如模型缺乏“泛化”能力等。

AI主要应用于质量检测、数据收集以及辅助办公等方面。

10月24日，第十一届智能制造与数字化创新论坛在广州举办。会上，多位汽车行业代表展示了AI技术在生产现场的实际应用案例。

当前，AI在汽车制造环节的应用，主要集中于与视觉相关的质量检测、各生产流程的数据收集与分析，以及对办公、物流等部门的支持。

重庆长安汽车副总工程师常永生在分享中提到，其所在企业对AI的应用重点在视觉领域，例如质量检测、精确测量和机器人引导。接下来，企业计划探索将大模型技术应用于工艺设计自动生成、跨域质量问题根源挖掘，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表示，他们从两个维度应用AI。一是信息化数据维度，通过各类系统收集和处理数据；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，构建单专业线条的应用架构，进而形成完整的技术AI应用体系。

小鹏汽车制造工艺规划专家李刚称，团队正聚焦三个方向：一是在工厂内大量部署AI视觉识别与检测系统；二是利用大模型学习企业内部海量技术文档，构建企业知识库，实现AI辅助办公；三是生产协同与物流调度，这是当前优先发展的方向。未来，他们期望推动AI模型的泛化，降低使用门槛，促进不同场景下AI应用的融合与闭环控制。

谈及大模型对产业AI应用的影响，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，助力工人解决故障和处理质量问题。在质检方面，正从“一个场景一个模型”向“万物检测一个大模型”转变，甚至尝试零样本学习，以降低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推动传统制造业升级，但产品生产领域的数据需要企业自行挖掘并训练模型。企业需关注投入产出，寻找真正实用的模型。部分模型理论上在预测故障等方面有一定准确率，但实际操作中可能无法达到。总体而言，目前实际生产中尚未实现AI模型的大规模应用，“还需几年时间”。

汽车生产强化AI应用存在几大瓶颈。

在当今汽车工业实践中，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，通过优化生产逻辑和决策，推动制造业向高效、智能的“新工业”模式发展。但对于以汽车为代表的精密制造业来说，AI应用仍具有较高的复杂性。

这种复杂性体现在行业“高精度、高集成、高标准”的特性上，各生产环节对准确性和安全性要求极高，同时各环节工艺对AI应用的需求差异较大，导致AI应用难以实现泛化和成果复用。随着产品和工艺的调整，产线上AI模型的需求更新会增加对应领域的研发投入。

第一财经记者发现，当前汽车产业生产端的AI应用多为点对点模式，即单个AI工具通常只满足特定环境或特定工艺环节的需求。要使这些点对点的AI工具融合并泛化为适用于多场景多环节的大模型，仍需进一步探索。在此过程中，企业还会面临数据收集不充分、复合型人才短缺、适应AI应用推广的组织分工不明确等挑战。

李刚在分享中指出，汽车产业打通AI“最后一公里”的关键在于模型的“泛化”问题。目前开发的模型针对性过强，换个场景就难以适用。推动模型泛化需要系统级建设，但目前往往由制造企业的一个部门甚至某个组织来推进，难度较大。

卢礼兵也表示，瓶颈在于从技术到应用存在诸多环节，包括商务流程以及不同企业间的场景差异和标准要求，导致成果难以复制。

人才能力和组织分工也是AI推广应用的难点。卢礼兵称，懂算法的IT人才和懂工艺的业务专家之间存在理解障碍。邱真认为，当前很多企业成立了综合性组织，但公司的AI架构演进路径、业务与IT的协作机制等职责定位尚未明确，这是从点到面发展的基础。常永生提出，AI应用需要像汽车工业发展一样经历标准化和分工的过程。行业需要清晰的分工和协同机制，避免企业在个性化方面重复投入，才能实现从点到面的跨越。

对数据进行收集加工并提高数据可信度，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融入AI应用。该领域正不断完善，发展迅速。

制造业企业加大AI研发的驱动力。

在汽车制造领域，AI应用对降本增效的作用已显现。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称，降本增效目前主要集中在制造环节。AI在文字、图像处理方面效果显著，但在工业工艺机理层面的改进，必须回归第一性原理。不能只追求效率提升，还需完善工艺机理，才能真正提高产品质量和长期可靠性。

尽管AI工具常与降本增效相关联，但对于制造业而言，AI助力生产端实现降本增效的前提是企业需在数字化技术和AI模型研发上投入大量资源，甚至对现有生产方式进行改革创新。不同制造业门类对AI的需求程度存在差异。

夏纬告诉第一财经记者，不同行业对AI应用的需求程度不同。例如，汽车制造领域车型更换会影响产线使用，其对AI的需求可能不如钢铁等产线数十年不变的行业大。

关于促使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，主要从三个维度判断：一是对QCD（质量、成本、交付）核心指标的贡献度；二是是否为未来的“门槛技术”，即便当前QCD不高也需布局；三是是否为“首发技术”，若行业已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，打破产业链壁垒，优化资源配置和专业创新，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、环保与价值的跨界提升。

国务院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、运营全环节的应用。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，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和决策执行能力。

目前，多个省份密集发布推动“人工智能+”发展的政策文件，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，制造业大省广东发布了人工智能赋能制造业高质量发展的行动方案。该方案明确，聚焦汽车等优势产业，培育一批具有行业引领作用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的应用与其他产业有显著不同，适配工业化场景的AI模型并非能立即推出，门槛较高，且需要一定门槛才会被采用。大模型与小模型并非替代关系，未来二者将相互融合。部分场景适合大模型处理，部分个别场景则需结合传统方式以实现更好效果。

（文章来源：第一财经）

原标题：“AI+制造业”有何机遇和挑战 汽车产业这么看

郑重声明：信查查发布此内容旨在传播更多信息，与本站立场无关，不构成投资建议。据此操作，风险自担。