AI在制造环节落地难在哪？通威、卡奥斯与宝马的实践揭示真实瓶颈

当AI系统在产线上完成一次缺陷识别，工程师仍需手动确认结果；当一条智能产线成功运行，迁移到另一工厂却要重新采集数据、调试设备、训练模型——这类“局部提效但全局未变”的困境，正成为制造业AI落地的普遍现实。

近期，由智库主办的「502线上同行」闭门研讨聚焦这一核心矛盾：AI进入研发、制造与维保环节后，究竟改变了什么？参与讨论的企业包括通威股份、卡奥斯、万和新电气、东芝电梯、思谋科技及航天云网，覆盖新能源、家电、装备、工业平台与高可靠制造等多个领域。与此同时，宝马集团大中华区总裁兼首席执行官柯睿辰在2026世界智能网联汽车大会上也明确指出，AI正在重塑汽车全价值链，但创新绝不能以牺牲质量与安全为代价。

研发端：AI辅助而非替代，工程师仍是责任主体

在高可靠制造领域，如空天防务装备，多品种、变批量、定制化生产对质量与可靠性容错率极低。航天云网首席科学家邢镔指出，工业互联网与AI需深度嵌入“设计—制造—服务”全流程，其中基于模型的系统工程（MBSE）成为关键支撑技术。AI并非独立模块，而是与系统建模、仿真验证协同工作，确保从概念设计到实物交付的一致性。

宝马的实践印证了这一点。其研发环节已部署AI智能体，用于整合分散的工程数据、辅助方案比选与参数优化，但工程师始终掌握决策主导权并承担最终责任。柯睿辰强调：“AI是工具，不是责任人。”这种人机协同模式既提升效率，又守住质量底线。

制造端：单点突破易，规模复制难

卡奥斯副总经理兼CTO冯兴智指出，工业AI不缺试点案例，稀缺的是低成本、可持续的规模化路径。问题集中在三方面：一是工艺机理与行业知识难以沉淀为可复用模型；二是跨工厂复制时，数据格式、设备接口、精度要求与合规标准形成多重卡点；三是平台化虽降低开发成本，却增加了组织治理复杂度。

例如，某家电企业上线AI视觉质检系统后，漏检率下降15%，但因未同步调整质量责任机制，一线员工仍习惯性依赖人工复检，导致整体流程未缩短。通威股份AI技术创新负责人宁必果进一步指出，大型制造企业的AI落地常“先办公室、后车间”——办公场景如会议纪要生成、合同审查、差旅报销等更易标准化，且ROI可见更快；而产线AI涉及设备改造、人员培训与流程重构，投入周期长、风险高。

值得注意的是，通威将办公AI节省的工时转化为具体业务指标：项目审批周期压缩30%、跨部门协作响应时间减少40%，并建立“工时节约-流程优化-经营指标改善”的验证链条，避免陷入“为AI而AI”的陷阱。

维保端：预测性维护不止于故障预警

东芝电梯IT负责人朱惠中分享了电梯物联网与AI预测性维保的实际进展。系统可提前7–14天预测关键部件失效概率，但真正改变的是服务运营逻辑：派工策略从“报修响应”转向“预防调度”，备件库存依据预测结果动态配置，维修人员技能结构也从“故障修复型”转向“状态管理型”。

万和新电气CIO田群佟补充道，在家电后市场，AI维保的价值不仅体现在降低故障率，更在于延长产品生命周期、提升用户满意度与品牌复购率。但前提是维保数据闭环：从出厂、使用、维修到回收的数据必须贯通，否则模型缺乏持续反馈。

思谋科技AI产品总监刘凯则指出，当前工业视觉质检的主要瓶颈已非算法精度——主流模型在标准样本下准确率超98%——而是现场样本多样性不足、标注质量不稳定，以及质量责任归属模糊。当AI判定某批次产品“合格”，后续若出现客诉，责任由谁承担？这一问题尚未形成行业共识。

预算投向：补基础还是直接上AI？

圆桌讨论中，嘉宾一致认为：企业不应孤立评估AI项目，而应将其置于数字化成熟度框架下判断优先级。若PLM、MES、设备IoT等基础系统尚未打通，直接部署AI模型往往事倍功半。

卡奥斯提出“三层投入模型”：第一层是数据治理与系统集成（占预算40%），第二层是机理模型与智能体开发（35%），第三层才是应用部署与人员赋能（25%）。通威则采用“双轨推进”：办公AI快速见效以建立信心，产线AI同步夯实数据底座，待条件成熟再集中攻坚。

宝马的路径更具全局性：将AI纳入IFACTORY生产体系核心，与数字孪生、柔性产线、绿色能源协同建设。其新世代车型研发中，AI不仅用于仿真优化，还驱动供应链协同——例如通过需求预测动态调整电池原材料采购节奏，降低库存周转天数。

真正的衡量标准：业务指标而非技术指标

多位嘉宾反复强调：判断AI项目成败，不能只看模型准确率、调用次数或用户数量，而应追踪五类经营指标：

良率提升幅度（如通威光伏组件隐裂检出率提高22%）
交期缩短比例（卡奥斯客户订单交付周期平均减少18%）
换产时间压缩（万和新电气某产线换型从4小时降至1.5小时）
单位能耗下降（宝马莱比锡工厂AI优化烘烤工艺后降耗7.3%）
维保响应时效与成本（东芝电梯预测性维保使平均到场时间缩短至2.1小时，单次服务成本下降12%）

这些数据背后，是企业从“技术驱动”向“价值驱动”转型的关键跃迁。正如邢镔所言：“AI不是让机器更聪明，而是让人更聚焦于创造价值的部分。”

当前制造业AI仍处于“从能用到好用”的爬坡阶段。能否跨越单点复制、责任界定与系统集成三大鸿沟，将决定AI是成为新一轮效率革命的引擎，还是又一轮昂贵的技术试验。