AI“进厂”，先算“实账”

当前，人工智能、数字孪生、具身智能正在深度重塑汽车制造模式。与上一轮“上系统、建平台”不同，这一轮智能化转型更强调在产线现场创造可核算的价值：降能耗、提良率、保交付、减停机。在近期举行的第十二届智能制造与数字化创新论坛暨2026明珞数字制造科技节、广州汽车生产力大会上，来自学术界、整车制造企业以及工业软件、机器人和系统集成领域的专家围绕工业AI落地展开讨论。一个清晰的信号是：拒绝“为AI而AI”，把可核算价值放在首位。

“有时候节约时间不算节约成本。”中国工程院院士、华中科技大学原校长李培根指出，企业布局AI应用，不能只追求表面效率提升，应当优先瞄准准时交付率、产品良率、材料利用率、库存周转等能够直接创造企业收益的业务指标，拒绝“为AI而AI”。

理念要落地，上汽大众汽车有限公司仪征分公司总经理王爵丰给出了可核算的样本。针对油漆车间烘箱升温能耗浪费问题，仪征分公司利用大数据建立升温时间预测模型，系统根据环境温度、烘箱实际温度自动测算加热时长，摒弃过去保守的最长时间预热模式。单次可节约能源费用3764元，按每年开机100次测算，年节约费用37.64万元，减少碳排放280吨。总装车间铭牌视觉识别项目经过多轮迭代优化，识别合格率提升至99.5%，取消人工比对，每年节约铭牌纸张成本4000元，并降低工人视觉疲劳。两个项目均不追求炫酷技术，而是直接指向成本、能耗、质量指标。

不过，要让AI真正进入生产控制，前提是可控可追溯。理想汽车制造工程负责人徐勉认为，工业AI不同于通用大模型。“我们需要的工业AI是白盒可控、可追溯的。”他介绍说，工业场景对结果确定性要求严苛，通用大模型存在“幻觉”问题，不能直接应用于生产控制，需要结合工艺机理、边缘小模型加以约束。

在控制环节之外，数字孪生被普遍视作智能制造的重要底座。北京奔驰生产规划总经理Peter Gierse表示，在其电池产线胶接工位，数字孪生结合AI视觉质量系统，实现毫米级精度监测，完成全流程质量巡检，由过去抽样检测升级为100%全检；依靠虚拟仿真，在不影响现有生产的前提下完成新产线、新车型方案调试。

这一思路在产线改造中进一步延伸。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提出“先验证后落地”的理念，改造方案优先在虚拟环境完成极限测试，再投放到物理产线，降低停机损失。

从虚拟验证回到物理产线，设备端的AI应用同样在算实账。质量预警、设备预测性维护，是当前投入产出效益最为突出的AI应用场景。西门子相关人士分享了焊装焊枪预测性维护案例：通过对上千台焊枪运行数据进行AI分析，提前1周预判焊枪故障，现场实际验证故障如期发生，有效规避产线非计划停机。

针对当下火热的人形机器人，梅卡曼德联合创始人付翱表示：“智能的形态非常关键，而不是机器人的具体形态。”具身智能是一种能力，并非专指人形机器人，传统工业机器人加装智能套件同样可以获得柔性能力。李培根也提醒，即便人形机器人技术成熟，也并非所有工厂都要大规模部署，“能够用简单的方法去解决问题，就不用复杂的”。

虽然底层认知趋同，但车企、软件厂商、机器人企业、系统集成商基于自身业务，思考方向各有不同。

整车企业直面产线现实痛点。徐勉提出，要搭建工厂语义本体层。他说：“不搭建这一层的话，AI很难理解真实的业务，因为任何一个数据在不同的工厂、不同的业务、不同的公司，代表的意义往往是不一样的。”徐勉介绍，理想汽车希望做到仅以一项指标的波动就能串联工艺、产品、销售全链条影响分析。在实践中，理想汽车把CT检测技术放大百倍，替代传统车型导入物理破拆检测，压缩车型验证周期；底盘总装线自动化率从2%提升至36%；同时推动业务人员成为“超级个体”，工艺工程师借助AI插件完成SE同步工程检查，一键输出Excel检查报告，研发人员可自主开展数模检查，减少跨部门沟通成本和对IT团队的依赖。

广汽埃安推行“人人做AI”，鼓励一线工程师开发AI小应用。例如焊枪可达性分析，过去该工作需要外包，单个车型外包成本超百万元，现在工程师通过软件插件自主完成分析，大幅削减外包开支。行业实践也提示，AI智能体替代传统邮件、Excel流转模式后，原有业务流程必须同步重构，需要配套软件仓库平台承接新的工作模式。

工业软件厂商更加看重底层平台与工业机理。达索系统大中华区工业装备行业总监司现锋谈到，大语言模型擅长文字、图片解析，面对整车三维数模却力有不逮。他说：“大语言模型显然不具备对某一个行业工业机理的认识。”达索的思路是区分大语言模型与工业物理模型，依托3D体验平台，打造面向业务、工程、科学3大方向的工业智能体。此外，罗克韦尔聚焦多品种混流生产，重点研究岛式柔性生产“魔幻岛”模式，盘活老旧产线，实现快速换型改造。西门子深耕设备端，落地视觉检测、动作识别、焊枪预测性维护等边缘侧小模型应用。

在机器人硬件方面，企业关注感知与执行环节。梅卡曼德坚持“一脑多行”技术路线，同一套智能大脑适配多种机器人硬件。付翱强调，工业场景数据逻辑和互联网完全不同。他表示：“工业场景对数据精度、准确性要求高，且排斥模糊语义，应采用工业原生方式采集3D视觉、姿态数据训练模型。”梅卡曼德已将3D视觉技术应用于小鹏人形机器人产线，应对曲面多、装配精度高的生产需求；同时，在海外整车工厂实现一体式压铸工件无序上料。

阿特拉斯·科普柯集团打造8000系列通用控制平台，实现涂胶、铆接、密封等工艺硬件标准化，为智能体提供标准化硬件接口；其高频点胶系统每秒数百次开关枪，可实现车身复杂位置密封胶精准涂布。

系统集成商提出另一种思路：工业AI并非只有依赖海量大数据一条路。明珞白车身事业部总经理姚震宇分享案例，把资深设备首席工程师几十年设备运维经验沉淀为轻量化桌面助手，联动设备报警数据，辅助现场巡检排障。软件体量仅数百兆，不需要巨大算力，工程师可参考AI给出的设备健康度，制定每日巡检计划，同样可以创造实实在在的价值。

从行业演进方向看，汽车制造智能化的未来图景逐渐清晰。

其一，工厂语义本体、工业世界模型将成为新一代智能制造的底层基建。应用端的共识是打破数据孤岛，打通研发、工艺、制造、质量、供应链，让AI真正读懂工厂业务逻辑。

其二，软件定义工厂成为新范式，坚持先虚拟仿真、再物理建设。司现锋预判：“未来工厂可以被软件系统定义。软件系统不断优化、改造，即软件定义工厂。”具体来说，新建工厂先在虚拟世界完成全部建模、仿真验证，再落地实体厂房；存量产线改造依靠数字孪生压缩调试、停机时间，向着“周末即可完成改造”的目标迈进。

其三，具身智能能力普惠，理性看待人形机器人定位。具身智能更多赋能现有工业装备，人形机器人优先应用于高危、高柔性特殊工位，不会大规模替代成熟自动化产线。正如Peter Gierse所言，未来工厂“不是简单拥有更多机器人，而是能够思考的工厂，可以感知的机器，可以决策的系统，可以自我优化的流程”，向着持续学习迭代的智能生命系统演进。

其四，工程开发模式革新，AI智能体深度参与工艺开发。AI智能体将辅助完成工艺文件、电气图纸、PLC程序生成，依托虚拟环境完成仿真校验，工程师借此从重复性劳动中解放，转变为业务规则制定者、AI结果纠偏专家。同时，普通业务人员将更多直接搭建轻量化AI应用。

其五，大小模型协同，产业链生态协同走向深入。上层依靠大模型完成信息简报、文档处理；产线设备侧依靠工业小模型保障生产确定性。高铁车轮制造案例颇具代表性：行业利用小模型对上万个钢坯配方参数开展分析，结合冶炼锻造30余项现场工艺参数在线调参，助力实现高铁车轮零缺陷生产。行业倡导链主企业、软件商、集成商联合攻关共性课题，沉淀行业规范标准；大企业可适度自研，中小企业优先选用成熟标准化产品，避免重复“造轮子”。