對很多今天的制造企業(yè)來說，“算力焦慮”是再熟悉不過的詞。芯片受制于人、供應(yīng)鏈價格飆升、核心能力無法完全掌握，這種被“卡脖子”的不安，正隨著AI競爭升溫不斷加深。

可對于汽車制造產(chǎn)業(yè)，這種滋味并不新鮮。早在幾十年前，我國車企就已經(jīng)為“核心技術(shù)”傾注過全力。也正因如此，當(dāng)產(chǎn)業(yè)競爭進入智能網(wǎng)聯(lián)和自動駕駛時代，面對數(shù)據(jù)、算法和算力這些新的關(guān)鍵資源，中國車企對“本地化、自主創(chuàng)新”的理解，遠比外界想象得更深。

最近，在聯(lián)想“領(lǐng)跑100走進中國一汽”的智算生態(tài)之旅中，恰好把這條線索完整呈現(xiàn)了出來。

01 一汽的“往事”和今天的選擇

中國一汽企業(yè)生態(tài)戰(zhàn)略營銷部企業(yè)板塊負責(zé)人李春喜談起了一段一汽集團的發(fā)展往事。

中國一汽企業(yè)生態(tài)戰(zhàn)略營銷部企業(yè)板塊負責(zé)人李春喜

在1953年，一汽建廠，成為新中國汽車工業(yè)的起點。很長一段時間里，中國汽車產(chǎn)業(yè)都在摸索中前行。為了盡快融入全球工業(yè)體系，也為了換來生存空間，合資一度成為不少企業(yè)的共同路徑。那時很多人相信，只要讓出市場，就有機會換來技術(shù)，進而帶動整個產(chǎn)業(yè)升級。

然而，現(xiàn)實并沒有按照這個邏輯展開。

提起發(fā)展過程中的往事，李春喜談到，在過去相當(dāng)長一段時間里，無論是核心技術(shù)還是高端合作，對外依賴之下推進都異常艱難。

這些經(jīng)歷留給一汽深刻的警示：市場可以讓，訂單可以給，利潤也可以分，可真正決定產(chǎn)業(yè)命運的核心技術(shù)，絕對不會輕易轉(zhuǎn)手。

一汽后來的路，也因此走得格外篤定。既然拿不到，那就自己做。

紅旗和解放這些年在混動、純電、高階智能駕駛等領(lǐng)域持續(xù)推進，背后依靠的正是長期積累下來的自主研發(fā)體系。無論是突破多項紀錄的混動技術(shù)，還是“天空”系列在智能駕駛上的布局，再到承擔(dān)重大國事活動的“金葵花”系列，一汽如今展現(xiàn)出的底氣都是靠一次次硬碰硬磨出來的。

從這段歷史上看，對如今的現(xiàn)狀依然有解釋力。因為產(chǎn)業(yè)競爭的核心雖然變了，但邏輯并沒有變。

當(dāng)汽車進入智能化時代，新的“核心技術(shù)”變成了算力。

過去汽車工業(yè)拼機械系統(tǒng)、動力總成和制造工藝，那么進入智能網(wǎng)聯(lián)時代以后，決定競爭高度的關(guān)鍵資源已經(jīng)變成另一套體系——數(shù)據(jù)、算法和算力。

其實，汽車制造原本就是典型的離散制造行業(yè)，環(huán)節(jié)多、鏈條長、協(xié)同復(fù)雜，再疊加智能化之后，從前端研發(fā)設(shè)計中的高精度碰撞仿真，到生產(chǎn)端的柔性制造，再到智能座艙、多模態(tài)交互和自動駕駛模型訓(xùn)練，每一步都建立在龐大的算力底座之上。

問題也隨之而來。

這些數(shù)據(jù)不同于普通的互聯(lián)網(wǎng)業(yè)務(wù)數(shù)據(jù)，牽涉產(chǎn)品研發(fā)、工藝細節(jié)、測試結(jié)果、供應(yīng)鏈協(xié)同，很多都屬于制造企業(yè)最核心的資產(chǎn)。對于車企來說，把這些數(shù)據(jù)全部放到公有云上去跑，并不現(xiàn)實。數(shù)據(jù)安全、合規(guī)要求、實時性需求、長期成本控制都是痛點。

也正因為如此，本地化智算逐漸成為越來越多制造業(yè)龍頭企業(yè)的共同選項。

數(shù)據(jù)安全上，汽車產(chǎn)業(yè)的數(shù)據(jù)往往覆蓋研發(fā)設(shè)計、生產(chǎn)工藝、質(zhì)量追溯和供應(yīng)鏈協(xié)同等關(guān)鍵環(huán)節(jié)，一旦外流，影響的是整條產(chǎn)品線和多年投入形成的技術(shù)成果。把核心數(shù)據(jù)長期留在企業(yè)自身體系內(nèi)，是汽車制造企業(yè)最基本的前提。

合規(guī)要求上，隨著數(shù)據(jù)治理要求不斷提高，越來越多汽車制造企業(yè)都在面對更嚴格的數(shù)據(jù)分類、權(quán)限邊界和流轉(zhuǎn)規(guī)范。尤其在智能駕駛訓(xùn)練、工廠生產(chǎn)數(shù)據(jù)、用戶交互數(shù)據(jù)等場景中，哪些數(shù)據(jù)可以調(diào)用、哪些必須隔離、哪些需要本地存放，本身就不是一道可以簡單外包給外部平臺的選擇題。而本地化部署就能讓企業(yè)把權(quán)限管理、數(shù)據(jù)邊界和安全策略更深地嵌入自己的業(yè)務(wù)體系。

再往下是實時性。制造業(yè)很多場景都是即時性的。產(chǎn)線調(diào)度、質(zhì)量檢測、設(shè)備狀態(tài)識別、仿真迭代和自動駕駛開發(fā)，都要求系統(tǒng)能夠快速響應(yīng)。對于這些環(huán)節(jié)來說，數(shù)據(jù)在本地、算力在本地、調(diào)用鏈路更短，往往意味著更穩(wěn)定的時延表現(xiàn)和更可控的業(yè)務(wù)響應(yīng)。

后面是長期成本。制造企業(yè)對基礎(chǔ)設(shè)施的判斷，通常不是按一兩個季度來算，而是按多年產(chǎn)線投入和系統(tǒng)演進來衡量。如果大量核心業(yè)務(wù)長期建立在高強度外部調(diào)用之上，隨著模型推理、數(shù)據(jù)存儲和系統(tǒng)協(xié)同規(guī)模不斷擴大，長期成本并不一定比本地體系更有優(yōu)勢。對重資產(chǎn)制造業(yè)來說，把關(guān)鍵算力底座沉到本地，反而更容易形成穩(wěn)定、可預(yù)測、可持續(xù)優(yōu)化的成本結(jié)構(gòu)。

今天，這樣的認知正延伸到數(shù)據(jù)、算法和算力構(gòu)成的全新工業(yè)底座。也正是在這樣的背景下，聯(lián)想和一汽集團的攜手，順理成章。

02 向下延伸，AI算力落到本地

聯(lián)想集團東北大區(qū)總經(jīng)理許輝強調(diào)，歷經(jīng)40多年發(fā)展、營收接近5000億元的聯(lián)想，已經(jīng)從PC時代的領(lǐng)先者，轉(zhuǎn)向全棧AI產(chǎn)品、解決方案和服務(wù)提供商。在算力基礎(chǔ)設(shè)施領(lǐng)域，聯(lián)想希望把前沿計算能力與東北老工業(yè)基地的轉(zhuǎn)型結(jié)合起來，陪伴像一汽這樣的制造業(yè)巨頭，邁入“AI工廠”時代。

聯(lián)想集團東北大區(qū)總經(jīng)理 許輝

然而對汽車制造企業(yè)而言，本地化部署只是第一步。真正有挑戰(zhàn)的地方，在于算力能不能進入業(yè)務(wù)流程，并且從資源儲備變成穩(wěn)定的生產(chǎn)能力。

這一點，恰恰也是聯(lián)想中國基礎(chǔ)設(shè)施業(yè)務(wù)群戰(zhàn)略管理總監(jiān)黃山重點關(guān)注的地方。在他看來，隨著大模型進入產(chǎn)業(yè)場景，企業(yè)真正關(guān)心的問題已經(jīng)發(fā)生了變化。過去行業(yè)更多討論的是訓(xùn)練規(guī)模、參數(shù)能力和模型大小。

但在制造業(yè)里，這些問題只能算起點。企業(yè)更在意的是，AI究竟能不能形成可復(fù)制、可規(guī)?；穆涞禺a(chǎn)出、是不是更安全，能不能在流程中持續(xù)兌現(xiàn)效率和回報。

這樣的變化并不難理解。今天，隨著AI Agent能力快速增長，AI已經(jīng)開始從“會回答”走向“會做事”，真正進入研發(fā)、制造、管理、服務(wù)這些具體環(huán)節(jié)。到了這個階段，衡量一套系統(tǒng)是否有效，看的就是能不能真正進入生產(chǎn)體系。

在聯(lián)想中國基礎(chǔ)設(shè)施業(yè)務(wù)群戰(zhàn)略管理總監(jiān)黃山看來，企業(yè)側(cè)的核心負載正在從訓(xùn)練轉(zhuǎn)向推理。隨之而來的問題是，怎樣讓推理效率更高，并且讓每一份算力投入都盡可能轉(zhuǎn)化成業(yè)務(wù)價值。圍繞這一點，聯(lián)想的“AI工廠”思路，在于先把業(yè)務(wù)流理順。

聯(lián)想中國基礎(chǔ)設(shè)施業(yè)務(wù)群戰(zhàn)略管理總監(jiān) 黃山

對于汽車這樣的復(fù)雜度高的產(chǎn)業(yè)而言，不同部門對同一個對象的叫法、定義、處理方式往往并不相同。如果業(yè)務(wù)語言沒有先統(tǒng)一，AI很難真正理解企業(yè)在做什么，更談不上穩(wěn)定進入流程。

所以，在具體實踐里，聯(lián)想首先要做的是幫助企業(yè)梳理業(yè)務(wù)詞匯、任務(wù)流和知識流，把組織經(jīng)驗轉(zhuǎn)化成可被系統(tǒng)調(diào)用的推理知識庫。只有到了這一步，算力才真正開始和業(yè)務(wù)發(fā)生關(guān)系。

在業(yè)務(wù)邏輯梳理清楚之后，才輪到算力架構(gòu)本身的優(yōu)化。黃山提到，推理并不是一個單一過程。首Token生成和后續(xù)Token解碼，對計算資源和訪存資源的需求并不一樣。如果始終用同一套資源去承接，效率浪費就會很明顯。

也正因此，系統(tǒng)可以采用更細顆粒度的資源分離思路，讓不同階段調(diào)用更適合的硬件能力。對企業(yè)來說，這種優(yōu)化的價值很直接，同樣的投入，可以承載更多實際業(yè)務(wù)負載。

往下看，AI工廠還必須處理算力與能耗之間的關(guān)系。

在汽車制造業(yè)中，企業(yè)不可能無限制地為智能化持續(xù)堆疊設(shè)備，因此更需要一套能夠長期運行、持續(xù)優(yōu)化的工業(yè)級系統(tǒng)。

只有具備對任務(wù)流的動態(tài)感知能力，能夠?qū)崟r調(diào)整設(shè)備狀態(tài)，在能耗與性能之間取得平衡，并進一步與電網(wǎng)和儲能系統(tǒng)形成聯(lián)動，才能真正實現(xiàn)長期穩(wěn)定運行。

講到這里，問題就會落到下一層。如果AI工廠關(guān)心的是讓算力穩(wěn)定地產(chǎn)生價值，那么承載這套體系的硬件，又該怎么選？

于是，對于AI工廠的基礎(chǔ)設(shè)施布局，進一步落到了芯片、CPU、GPU和整機架構(gòu)的協(xié)同上。

03 異構(gòu)協(xié)同，成為AI工廠的“硬底座”

英特爾全球大客戶經(jīng)理張奕君談提到，過去一段時間，AI行業(yè)的注意力高度集中在GPU上，仿佛算力競爭最終只取決于誰擁有更多、更強的卡。

英特爾全球大客戶經(jīng)理 張奕君

但對汽車制造業(yè)來說，問題從來沒有這么單一。

這些企業(yè)面對的是一整套任務(wù)系統(tǒng)。有的重計算，有的重訪存，有的吃內(nèi)存帶寬，有的依賴復(fù)雜的數(shù)據(jù)搬運和系統(tǒng)協(xié)同。走到這一步，異構(gòu)協(xié)同開始成為更合適的路徑。

其實，越來越多實踐已經(jīng)證明，把不同工作負載分配到更適合的硬件平臺，往往能換來更好的整體效率。尤其在制造業(yè)場景中，CPU的重要性正在重新上升，是整套系統(tǒng)中負責(zé)承接數(shù)據(jù)流、內(nèi)存帶寬和協(xié)同調(diào)度的重要一環(huán)。

以英特爾至強6（Xeon 6）家族為例，其高核心數(shù)設(shè)計和持續(xù)演進的架構(gòu)能力，正在讓其在通算與智算融合場景中找到新的位置。從科研計算到材料仿真、工程分析，再到汽車制造中的復(fù)雜任務(wù)優(yōu)化，軟硬件協(xié)同之后的平臺能力提升，越來越成為企業(yè)關(guān)心的重點。

另一方面，比單顆芯片參數(shù)更值得關(guān)注的，是整機形態(tài)的變化。

現(xiàn)在，很多AI整機開始采用更高CPU配置搭配多GPU的方式，本質(zhì)上就是為了回應(yīng)大模型任務(wù)對內(nèi)存帶寬和系統(tǒng)協(xié)同提出的新要求。但是，真正決定系統(tǒng)表現(xiàn)的，往往是CPU、GPU、內(nèi)存和整機架構(gòu)之間能否形成順暢配合。

這也意味著，制造業(yè)在建設(shè)智能基礎(chǔ)設(shè)施時，思考方式也正在從“買多少算力”轉(zhuǎn)向“怎樣讓整個平臺協(xié)同得更高效”。

這個轉(zhuǎn)變，本身就是產(chǎn)業(yè)成熟的表現(xiàn)。

04 重構(gòu)數(shù)據(jù)底座，從靜態(tài)存儲到主動供數(shù)

即便硬件協(xié)同問題理順了，“AI工廠”也還不能算真正建成。因為在算力背后，還有一個同樣關(guān)鍵的基礎(chǔ)環(huán)節(jié)，就是數(shù)據(jù)能不能跟上。

這就不得不提及另一個越來越關(guān)鍵的部分——存儲。

在AI熱潮中，制造業(yè)真正把系統(tǒng)跑起來之后，很快就會發(fā)現(xiàn)，瓶頸并不總在計算端，還有存儲端。

過去半年，存儲和內(nèi)存需求快速上升，就是一個非常明顯的信號。對于AI系統(tǒng)而言，算力決定處理能力，存儲則決定數(shù)據(jù)能否被高效供給、持續(xù)調(diào)用和安全管理。

這個現(xiàn)象放到汽車制造里尤其明顯。無論是AI質(zhì)檢、視覺檢測、工藝分析，還是自動駕駛訓(xùn)練、研發(fā)仿真和生產(chǎn)管理，數(shù)據(jù)規(guī)模都在快速擴大。如果存儲仍停留在傳統(tǒng)的靜態(tài)管理模式里，AI系統(tǒng)在調(diào)用數(shù)據(jù)時就只能反復(fù)等待、搬運、檢索，再強的算力也很難持續(xù)釋放價值。

也正因此，AI時代的存儲正在發(fā)生變化，開始成為主動參與整個任務(wù)鏈路的一部分。數(shù)據(jù)什么時候準(zhǔn)備完成后進入下一步任務(wù)、高性能資源和大容量資源分層調(diào)用、多智能體環(huán)境下支撐高并發(fā)訪問，這些都讓存儲從配角變成了關(guān)鍵角色。

對于汽車、芯片這類高價值制造業(yè)來說，存儲的重要性還不只是效率，也關(guān)乎安全。

研發(fā)數(shù)據(jù)、工藝參數(shù)、測試結(jié)果和關(guān)鍵業(yè)務(wù)系統(tǒng)，都需要嚴格的權(quán)限邊界和安全圍欄。隨著多智能體協(xié)同越來越普遍，數(shù)據(jù)調(diào)用關(guān)系會變得更復(fù)雜，底層的數(shù)據(jù)清洗、標(biāo)簽治理、權(quán)限管理和安全策略，也就必須一開始就嵌進系統(tǒng)。

從這個意義上看，存儲已經(jīng)是制造業(yè)智能化體系里不可缺少的底座能力。

聯(lián)想凌拓首席技術(shù)官陳弘指出：“智能汽車的研發(fā)與智造，本質(zhì)上是一場海量數(shù)據(jù)的‘較量’。未來聯(lián)想凌拓將繼續(xù)深耕智能數(shù)據(jù)領(lǐng)域，持續(xù)為車企打造高性能、高可靠的智能數(shù)據(jù)管理底座，與各行業(yè)伙伴攜手，共同釋放數(shù)據(jù)的核心價值，擁抱AI時代的新機遇。”

聯(lián)想凌拓首席技術(shù)官 陳弘

05 寫在最后

走到智能化深水區(qū)之后，汽車制造業(yè)競爭的焦點，已經(jīng)落到更深的一層。

表面上看，行業(yè)比拼的是大模型、智能駕駛、智能座艙和生產(chǎn)效率，但真正決定上限的，卻是企業(yè)能否建立起一套安全可控、穩(wěn)定運行、持續(xù)進化的智能化體系。

也正是在這個階段，聯(lián)想的價值進一步顯現(xiàn)出來。對制造企業(yè)而言，智能化建設(shè)并不是簡單導(dǎo)入幾個AI應(yīng)用，而是貫穿底層基礎(chǔ)設(shè)施、異構(gòu)算力調(diào)度、數(shù)據(jù)管理到場景落地的完整支撐能力。

聯(lián)想的切入點，則是以混合式AI能力作為統(tǒng)一引擎，將原本分散的技術(shù)模塊重構(gòu)為一套面向制造業(yè)的“AI工廠”解決方案，讓算力從基礎(chǔ)設(shè)施真正滲透進研發(fā)、生產(chǎn)、管理與服務(wù)全流程。

當(dāng)汽車制造業(yè)進入下半場，越來越考驗體系能力、協(xié)同能力和落地能力。而聯(lián)想在其中的位置，也越來越明確......