全球制造业正在经历一轮深刻的运行逻辑重构。据埃森哲分析,生成式AI的应用重心正从办公辅助与消费端体验,快速转向生产运营与供应链管理。然而,同一批研究也显示,多数制造企业的AI应用仍停留在数据可视化与单点验证阶段,真正进入核心工艺、质量判定和设备运维决策的仍是少数。
换言之,工厂不缺数据,缺的是把数据转化为可靠决策、再把决策快速落到产线的系统性能力。
在这一背景下,华为对制造领域数智化的定位已超越工具层面。从“源于制造、服务制造”的能力积累释放,到“三层五阶八步”的方法论推广实施,华为不做单打独斗的技术供应商,而是选择与深谙制造现场的伙伴同行,
把AI从报表和演示中解放出来,真正嵌入排产、质检、设备管理、安全巡检和经营分析的完整闭环。
达智汇正是这样的“同路人”之一,其拥有两座世界经济论坛灯塔工厂的运营经验,对半导体与电子制造的工艺细节、管理痛点和协同逻辑有长期积累。通过双方的深度合作,
华为提供从算力、存储、网络到软件平台的通用数智基础设施,解决工业数据高速流转、模型训练和边缘推理的底层问题;达智汇则把这些能力封装为可嵌入排产、质检、设备管理、安全巡检和经营分析等日常作业流程的工业应用。
这不是简单的“技术+场景”拼接,而是把数智底座与制造运营经验放在同一张蓝图里设计。目标很明确:
让工厂的管理者、工程师和一线员工,能在正确的时间获得正确的信息,并据此快速行动,最终把工业AI从概念验证推进到可量化、可复制、可持续的现场价值。
图1 华为与达智汇携手筑就制造企业工业AI操作系统
01 从2683路摄像头谈起:安全管理流程被重新设计
理解双方的思路,可以从一座制造工厂的安全管理升级说起。
这座工厂部署了2683路摄像头,覆盖生产区、仓储区和物流通道,用于识别安全风险。传统模式下,安全管理依赖工程师逐屏查看录像,判断是否存在违规操作或隐患。一名工程师即使全天不间断查看,也需要约15天才能轮完所有摄像头;
而在引入达智汇的系统辅助后,完成一轮全量扫描的时间缩短到约15分钟。
这一变化的关键,不在于用AI替人看屏幕,而在于对整个安全管理流程的重新设计。达智汇与客户一起,基于伏羲平台梳理了对象识别、行为分析、烟火检测、设备状态监测、安全着装合规、区域入侵等场景要素,规划并建立了100多个算法模型,把2683路摄像头转化为系统的感知节点。系统发现异常后,不只是弹出告警,还会对隐患位置、类型和风险等级进行梳理,生成风险态势地图,并自动安排下一阶段的巡检任务和工程师工作重点。
更进一步,这套系统还能联动无人机、四足机器人、AGV等物理设备执行巡检、复核和现场处置。安全管理人员的工作内容,从“持续盯屏”转变为“审阅风险、调度资源、确认闭环”。
人的经验没有被取代,而是从重复观察升级为更高价值的判断、监督与组织协同。
这项安全管理升级的真正价值,并不在于某一项算法的精度有多高,而在于整条业务链路被重新打通。
风险从被发现到被处置,中间少了层层等待和人工转手,形成了一套自洽的运转机制。
02 效率之外的深层矛盾:数据越丰富,决策为何越困难?
回过头来看,上述安全管理效率提升的成功案例固然可喜,但背后暴露的系统性矛盾,也同样引人深思。
数智化推进了十余年,很多企业仍困在“有系统、缺协同,有数据、难决策”的旧循环里。
第一,业务复杂性持续攀升。以电子制造为例,工艺步骤的增多与产品迭代的加快对排产、物料、质量和设备协同提出了更高要求。传统良率改善方法已逐渐逼近物理极限,仅靠经验优化和事后纠偏,很难再获得显著收益。同时,供应链波动要求工厂具备更强的敏捷性,能够快速响应订单、物料和产能变化。
第二,数据丰富与决策困难并存。过去十余年,制造企业投入建设ERP、MES、WMS、QMS、PLM等信息系统,解决了流程在线和数据记录的问题。但在实际运行中,大量系统仍停留在“记录发生了什么”的层面,数据越多,整理和分析的工作量越大。如果数据不能转化为决策流和业务价值,工厂就无法真正跨越数字化阶段。
第三,数据质量与知识治理不足。工业现场的数据分散在各个系统中,格式不一、口径不一、完整性不一。同时工业场景的容错率极低,一个错误输入或未经校验的知识进入系统,就可能导致错误决策。因此,工业智能化不能只追求“能回答”,还必须可控、可校验、可追溯。
第四,决策延迟仍然普遍存在。很多生产异常并非无法解决,而是发现得太晚、根因定位太慢、跨部门协同太长。真正影响良率、交付周期和设备可用率的,往往不是异常本身,而是从异常发生到形成有效行动之间的时间差。
第五,人机协同关系尚未被系统重构。如果新技术只是增加一个查询窗口,而没有进入会议、战情中心、现场改善和个体工作站这些场景中,就难以形成全员可用的生产力。制造企业需要的,不只是替代简单劳动的自动化工具,更是能理解业务、与人类协同工作的数字助手。
03 AIOS:工厂运营逻辑的三重跃迁
面对这些矛盾,达智汇提出了一套基于制造实践的系统化方案,
其核心是AIOS——面向工厂运营的智能操作系统。
这一系统并不是取代ERP、MES等既有信息系统,而是在既有系统之上增加感知、分析、决策、执行和治理层,把“数据流”转化为“决策流”,让系统从“人找信息”转向“主动发现问题、主动适配任务、主动向人汇报”。
在工程实现上,达智汇采用
“数字世界达尔、物理世界魔方”的协同架构。达尔负责把工业知识转化为可执行的数字流程;魔方负责把数字决策落实到物理世界。
大小模型与多类智能体协同,兼顾智能、实时与安全。
图2 AIOS在数字世界与物理世界之间搭建起控制桥梁,构建大小协同超级智能体架构
这一整套架构的落地形态,被达智汇凝练为“洛神”——面向工厂运营的AIOS中央调度管理平台。在达智汇看来,AI重构流程之后,应当像水一样渗透到每个业务环节,赋予传统流程新的生命力,这也是“洛神”命名的由来。洛神向下连接无人机、摄像头、机械臂等物理设备,向上贯通ERP、MES等业务系统,在数字世界与物理世界之间搭建起统一的调度中枢,实现从“人找信息”到“系统主动适配”的交互变革。
图3 达智汇洛神中央调度管理平台
达智汇特别强调闭环与可治理性。系统不是简单的问答工具,而是强调感知、决策、执行、反馈、校验、修正的完整闭环。小模型预测、大模型决策、规则系统校验;系统运行偏离预期时可以被及时发现,关键执行环节可以被有效控制。对于容错率极低的工业场景而言,这种可治理性比单点智能更为重要。
这些方法并非实验室构想,而是来自达智汇长期的制造实践。其母体友达拥有两座世界经济论坛灯塔工厂,其中友达台中厂于2021年便获评全球灯塔工厂,友达苏州厂于2026年获评全球人才灯塔工厂。达智汇将相关经验沉淀为AI产品和FDE跨界服务团队,累计服务超过1200家制造企业,并把“教会用户创造自己的AI应用”作为重要交付目标。
这意味着,达智汇提供的不是一次性工具,而是一套帮助企业形成自主智能化能力、持续改善流程的合作模式。
04 协同落地:让工业AI嵌入制造闭环
达智汇的工业应用要真正走进工厂,离不开稳定、高效、可扩展的数智化基础设施,这正是华为与达智汇合作的核心空间。
在这一协同体系中,华为提供从算力、存储、网络到软件平台的基础设施能力,支撑工业数据的高速流转、模型训练和边缘推理;达智汇则聚焦工业应用层,以伏羲平台、洛神AIOS为核心,把AI能力封装为设备运维、质量检测、安全管理、会议协同、战情中心和车间改善等场景应用。
二者结合,形成“平台底座+行业Know-how+场景应用”的完整链路。
图4 达智汇与华为联手打造企业竞争力的组合拳
达智汇的伏羲平台与华为的算力基础设施形成技术栈融合,支撑电子行业工业AI的设备运行检测、安全检测、质量检测等场景,并可按边缘、企业、集团多层部署。
达智汇以“一套工具平台+一组数字教练”帮助客户建立AI人才梯队,华为则提供从数据、计算、存储到网络的平台支撑,使AI应用能够在不同规模、不同层级的工厂中稳定运行。
面向后续规模化落地,双方合作可以形成四步闭环:
第一步,围绕高价值场景联合诊断,优先选择停机损失大、质量风险高、数据基础较好的设备、质量和安全场景;
第二步,联合完成数据治理、知识库建设和业务流程梳理,确保系统建立在可靠数据与明确规则之上;
第三步,依托昇腾算力、企业平台和边缘节点,将模型与智能体部署到产线、车间和集团各层级;
第四步,通过数字教练和FDE团队持续培训客户员工,把使用效果反馈给模型与流程,形成“业务价值验证—能力内化—复制推广”的闭环。
双方协同的关键,不是把通用模型简单搬进车间,而是把算力、数据、模型、工作流和组织放在同一张蓝图中设计。
结语
从2683路摄像头下的安全管理,到覆盖设备、质量、会议、战情中心和车间现场的AIOS,达智汇展示了工业智能化落地的一条现实路径:
以制造痛点为起点,以数据和知识为基础,以闭环系统为手段,以人机协同为目标。
这条路同样离不开华为的伙伴生态。依托华为在算力、数据、存储、网络和软件平台上的能力,达智汇的工业经验得以从单点案例走向可复制、可治理、可持续演进的行业方案。
双方共同推进的,不只是若干技术应用,而是制造企业决策方式、业务流程和组织能力的系统升级。
未来,当每一座工厂都能把数据转化为决策、把决策转化为行动、把行动转化为持续改进,
“人找信息”的低效模式将真正过去,一个以人为中心、由系统协同的智能制造新阶段也将加速到来。