当前，生成式AI的涟漪正随着OpenAI Sora等技术的突破，加速渗透到各个行业。联想宋涛指出，国内大模型的需求主要集中在互联网领域，但制造业，特别是在汽车自动驾驶方面，展现了巨大的潜力，已成为新的增长点。然而，制造业如何真正将大模型转化为实实在在的生产力，依然是行业内广泛讨论和探索的焦点。

汽车行业：大模型驱动下的“微笑曲线”升级

 汽车行业正处于前所未有的“内卷”状态，企业将大量资源投入到研发端和营销服务端，以寻求技术突破和市场领先。在过去半年，制造业环节的典型应用场景尚未显现，但大模型在智能驾驶、营销服务和智能座舱的应用已成为焦点。

• 智能驾驶的“数据赋能”： 在智能驾驶领域，大模型在数据合成和数据标注方面发挥着关键作用。通过AI技术，可以生成海量、多样化的训练数据，加速自动驾驶模型的迭代升级。

• 售后服务的“智能助手”： 面对复杂且罕见的汽车故障，具备强大知识推理能力的大模型，能够快速匹配描述，为售后服务人员提供高效的问题诊断和排查建议。这种智能化的支持，不仅提升了服务效率，也极大地优化了车主的维修体验，获得了较高的用户认可度。

• 智能座舱的“场景挖掘”： 2024年，智能座舱已成为车企竞争的焦点。预计上半年，多家车企将陆续宣布集成大模型。尽管目前尚未出现“爆炸式”的应用场景，但挖掘新的智能化交互与服务模式，将是今年车企的重要任务。

 值得注意的是，2024年车企在大模型上的预算普遍显著提升，普遍达到千万级以上，这体现了行业对大模型赋能自动驾驶、智能座舱以及私有云部署等方面的强烈投入意愿。

制造业的“大模型探索”：从研发到交付的全面渗透

除了汽车行业，其他智能制造业也在积极探索大模型的应用。

• 研发创新：“工程师助手”与“智能教练”

 浪潮信息在“源”大模型基础上，正针对性地训练面向工程师的AI助手，类似“贾维斯”的研发助手，以及“科大讯飞学习机”式的智能教练系统，旨在赋能工程师的学习和实操训练。此外，大模型还将用于软件设计，通过代码的自动生成，实现伺服器等软硬结合环节的智能化。这些方向已进入内部测试和持续优化阶段。

• 生产制造的“效率提速”

 腾讯云专家邴金友分享了一个令人印象深刻的案例：一家代工企业通过大模型技术，实现了客户产品图纸的快速结构化，并直接输入SMT产线，驱动贴片机生产。这一应用显著降低了生产成本，提升了效率。

• 服务支持的“智能化升级”

 在智能客服领域，大模型已能有效分担人工工作。联想通过AI智能Q&A系统，能够实时侦测服务人员的关键词，提供专业技术指导，极大地提升了电话呼叫中心的响应速度和专业性。

• 营销与运营的“智慧赋能”

对于营销端，已有高端装备企业尝试将AI与市场活动结合，撰写策划文案。美的集团也将AI融入日常文稿处理等工作，提供辅助测试。在定价与运维方面，大模型助力制造业企业进行更科学的定价策略制定，并基于海量数据，实现机器的预测性维护，提升工厂运营效率。

• 产品创新的“AI内核”

 最直接的应用落地体现在产品本身，如AI PC、AI手机等，它们集成了大模型技术，带来全新的用户体验。

面向高压与快速变化：制造业对大模型的接受度

 邴金友观察到，在光伏、新能源以及新型高端装备制造等领域，由于市场竞争激烈、变化迅速，企业对大模型技术的创新应用持更开放的态度。一些制造企业旗下的服务公司或科技公司，也表现出较高的接受度。

 目前，大模型在制造业的应用尚处于“点状落地”阶段，按照Gartner的技术曲线，正处于“上升期”。

制造业迎接大模型：从“焦虑”到“行动”的转型之路

 面对每周更新的“爆炸性”AI新闻，许多企业感到焦虑，不知如何着手。阿里巴巴副总裁、瓴羊CEO朋新宇指出，企业应对大模型挑战，需要关注三个关键要素：

1. 算力： 除了少数头部企业，大多数企业在算力起跑线上基本一致。

2. 数据： 企业最有价值的资产是其自有数据。提升自有数据的质量，使其成为能与大模型结合的优质资产，是企业切实可行的投入方向。

3. 人才： 并非需要顶尖的AI算法专家，而是需要理解大模型应用、能将其能力转化为企业生产力的人才，他们能将大模型的能力与企业工作流程相结合。

 汪齐齐强调了“行业专家”的重要性。正如直播带货的成功依赖于对特定行业的深刻理解，AI技术的落地同样需要精通行业知识的专家，他们能将技术能力与实际业务场景精准对接。

朋新宇总结道：“大模型是必然会来的。”企业需要做好准备。

 联想宋涛将人工智能在智能制造中的实现目标定义为“第5级”，并建议企业从打好数字化地基开始，包括梳理业务流程、优化软件应用、打通平台，并辅以云计算、混合云、数据安全等基础架构的支持。

 他进一步阐述了AI落地的四大要素：算力、数据、算法和场景。其中，“场景”是驱动AI应用的引擎，是寻找降本提效机会的关键。“算力”是底层基石，“数据”是孕育AI的养分，而“算法”则将这些要素转化为实际价值。

 宋涛建议，企业落地AI应优先规划算力建设、构建可靠的数据存储，并进行精细的数据治理和价值挖掘。通过高质量数据训练出的算法，才能切实为业务创造价值。同时，AI人才的培养和引进，以及分步、分期的技术实现，也是必不可少的环节。

 朋新宇提及政府工作报告中的“发展新质生产力”，并认为大模型赋能智能制造是“众望所归”。他表示，OpenAI等企业的探索，打开了人类、经济以及企业发展的新空间。尽管颠覆性的改变尚未完全显现，但身处企业现场、更贴近实际情况的专业人士，应肩负起挖掘和实现这些改变的责任。