5 小時(shí)變成 2 分鐘。

這是理想汽車一顆零件的 PPAP 審核時(shí)間在過去這段時(shí)間里發(fā)生的變化。

PPAP 是生產(chǎn)件批準(zhǔn)程序的簡(jiǎn)稱。供應(yīng)商在量產(chǎn)前要提交一整套材料，向主機(jī)廠證明自己已經(jīng)具備穩(wěn)定、持續(xù)交付合格零部件的能力。一顆零件后面，往往有幾十份資料；一輛車背后，是成千上萬顆零件和密集聯(lián)動(dòng)的文件體系。這是汽車供應(yīng)鏈里最不容易被繞過、也最不容易被加速的環(huán)節(jié)之一。

5 小時(shí)是熟練 SQE 工程師審一份資料的速度，這已經(jīng)是相當(dāng)高效的水平了。而當(dāng)同樣的工作被壓縮到 2 分鐘時(shí)，意味著原來必須由人來做的判斷，現(xiàn)在大部分可以交給機(jī)器。

完成這件事的，是一套叫做 PPAP Audit Agent 的 AI 智能體。目前，它已經(jīng)在 290 個(gè)供應(yīng)商項(xiàng)目里投入運(yùn)行了。

其背后的算力載體是聯(lián)想 ThinkStation PGX，一臺(tái)桌面級(jí)、可以放進(jìn)任何一家供應(yīng)商車間的本地 AI 超算。

供應(yīng)鏈質(zhì)量審核不直接面向消費(fèi)者，但它決定了一輛車能不能按時(shí)下線、按質(zhì)交付。截至 2026 年 3 月底，理想汽車歷史累計(jì)交付突破 163 萬輛。當(dāng)規(guī)模膨脹到這個(gè)量級(jí)，傳統(tǒng)的人工 PPAP 審核體系在物理上已經(jīng)遠(yuǎn)遠(yuǎn)跟不上節(jié)奏了。

撐起一個(gè)零件的審核閉環(huán)

PPAP 審核時(shí)間的壓縮，表面看是效率提升，其實(shí)是把高度依賴人工經(jīng)驗(yàn)的工作，轉(zhuǎn)化為可以被 AI 系統(tǒng)化執(zhí)行的流程。

這恰好是 AI 智能體擅長(zhǎng)的那類活。

它面對(duì)的是海量、多格式、強(qiáng)關(guān)聯(lián)的資料，審核過程又依賴清晰的工程規(guī)則和固定的檢查路徑。智能體可以在多份文件之間建立關(guān)聯(lián)，按既定規(guī)則連續(xù)推進(jìn)審核流程，并把結(jié)果直接反饋到具體問題點(diǎn)上。

PPAP 之于汽車供應(yīng)鏈，正如 KYC 之于金融業(yè)的信貸開戶，看似常規(guī)，實(shí)則決定下游一切動(dòng)作能不能啟動(dòng)。這種“閘門”任務(wù)一旦由人變成機(jī)器，整條鏈路的等待時(shí)間會(huì)跟著縮短。

當(dāng)然，能不能把資料審明白，只是邁出了第一步。真正到了車間里，事情馬上就復(fù)雜起來。系統(tǒng)能不能穩(wěn)定跑起來、接入真實(shí)流程，能不能在本地處理那些上不了云的敏感數(shù)據(jù)，這些才決定它到底能不能用起來。

對(duì)理想來說，PPAP 智能體要真正部署到每一家供應(yīng)商的車間里去，靠的是一整套貼近現(xiàn)場(chǎng)的交付能力。

而選擇聯(lián)想工作站，正是依托其覆蓋全國的售后網(wǎng)絡(luò)與市場(chǎng)領(lǐng)先地位。據(jù)IDC FY25 Q4數(shù)據(jù)，聯(lián)想ThinkStation以47.3%銷量占比、53.8%營收占比穩(wěn)居中國塔式工作站市場(chǎng)第一。其2400+服務(wù)中心、100%覆蓋全國，可快速響應(yīng)各地工廠，保障PPAP智能體穩(wěn)定運(yùn)行。

而分散的供應(yīng)商、網(wǎng)絡(luò)與數(shù)據(jù)高安全要求下，唯有把AI能力下沉到本地，才能在不打亂原有節(jié)奏的前提下，把 PPAP 嵌入場(chǎng)景。這意味著，承載這套智能體的設(shè)備必須滿足幾項(xiàng)條件：能夠在本地穩(wěn)定推理，支持 7×24 小時(shí)連續(xù)運(yùn)行，部署門檻足夠低，且不能給工廠額外增加過多改造成本。

聯(lián)想 ThinkStation PGX 所撐起的，正是這部分關(guān)鍵的落地能力。

聯(lián)想 ThinkStation PGX 是一款專為完整構(gòu)建和運(yùn)行 AI 而設(shè)計(jì)的新型超級(jí)計(jì)算機(jī)。它搭載基于 NVIDIA Grace Blackwell 架構(gòu)的 NVIDIA GB10Grace Blackwell超級(jí)芯片，在 FP4 精度下可提供高達(dá) 1 petaFLOP 的 AI 性能。借助 128GB 統(tǒng)一內(nèi)存，開發(fā)人員可以對(duì)來自 DeepSeek、Meta、Google 等的下一代推理模型進(jìn)行試驗(yàn)、微調(diào)或推理，支持的模型規(guī)模最高可達(dá) 200B 參數(shù)。換句話說，一臺(tái)桌面級(jí)設(shè)備能裝下原本只在數(shù)據(jù)中心里跑得動(dòng)的模型。

在此基礎(chǔ)上，聯(lián)想 ThinkStation PGX 進(jìn)一步把大模型能力延伸到本地開發(fā)與實(shí)時(shí)應(yīng)用場(chǎng)景。它能夠在本地實(shí)時(shí)運(yùn)行理想自研的 27B 大模型，同時(shí)支持多個(gè)智能體并行推理。借助 NVIDIA ConnectX 網(wǎng)絡(luò)，兩臺(tái)聯(lián)想 ThinkStation PGX 還可以互聯(lián)擴(kuò)展內(nèi)存和算力，從而支持對(duì)多達(dá) 405B 參數(shù)模型的推理。

它的整機(jī)體積非常小，投影面積比 iPad mini 還小，整機(jī)重量只有 1.2kg。不需要額外機(jī)房，也不依賴復(fù)雜的基礎(chǔ)設(shè)施改造，進(jìn)入供應(yīng)商現(xiàn)場(chǎng)后即可直接部署。

對(duì)理想來說，這意味著 PPAP Audit Agent 不必等供應(yīng)商先經(jīng)歷一輪漫長(zhǎng)的數(shù)字化改造，就能直接進(jìn)入真實(shí)業(yè)務(wù)場(chǎng)景。對(duì)供應(yīng)商來說，第一次接入 AI 工具，整體門檻也更低。

設(shè)備放得下、運(yùn)行穩(wěn)，才有機(jī)會(huì)真正進(jìn)入產(chǎn)線和質(zhì)量體系，成為日常業(yè)務(wù)的一部分。

根據(jù)麥肯錫 2024 年發(fā)布的研究估算，中國工業(yè)自動(dòng)化市場(chǎng)規(guī)模已超過 2500 億元，占全球三分之一以上。IDC 此前發(fā)布的數(shù)據(jù)則顯示，全球工業(yè) AI 質(zhì)檢市場(chǎng) 2025 年接近 10 億美元，復(fù)合增長(zhǎng)率 28.5%。

市場(chǎng)起步不久，真正能在工廠里能跑起來落地應(yīng)用的 AI 還很有限，但聯(lián)想 ThinkStation PGX 或許已經(jīng)幫助理想抓住了關(guān)鍵。

撐起一臺(tái)設(shè)備的擴(kuò)展空間

今天這臺(tái)聯(lián)想 ThinkStation PGX跑的是 PPAP 審核智能體，解決的是量產(chǎn)前最費(fèi)人、最費(fèi)時(shí)間的文件審核。

往后呢？質(zhì)量策劃、過程審核這些能力，也可以繼續(xù)往同一套邊緣底座上疊加。對(duì)理想來說，這讓 AI 更容易沿著供應(yīng)鏈一路鋪開。對(duì)供應(yīng)商來說，更現(xiàn)實(shí)的價(jià)值在于，前期投入不會(huì)因?yàn)閳?chǎng)景繼續(xù)擴(kuò)展就很快過時(shí)。同一臺(tái)設(shè)備，可以先跑通一個(gè)場(chǎng)景，再在此基礎(chǔ)上不斷疊加新能力。它在工廠里擔(dān)的角色，也就不再只是解決單一問題的工具，而是一塊持續(xù)生長(zhǎng)的 AI 地基。

一臺(tái)設(shè)備能同時(shí)“養(yǎng)活”多個(gè)智能體，本來就是 NVIDIA Grace Blackwell 架構(gòu)的設(shè)計(jì)目標(biāo)之一，也是聯(lián)想 PGX 跟通用工作站不一樣的地方。

Blackwell 架構(gòu)為本地智能體提供的價(jià)值，首先體現(xiàn)在 AI 推理鏈路的底層加速上。其第五代 Tensor Core 與新一代 Transformer 模型對(duì)矩陣運(yùn)算、注意力計(jì)算和低精度推理進(jìn)行了專門優(yōu)化，能夠更好地支撐多輪對(duì)話、長(zhǎng)上下文處理、代碼生成與多模態(tài)生成等高密度 AI 負(fù)載。

具體到 PPAP 的場(chǎng)景中，在審核一份零件文檔時(shí)，智能體要并行處理工程圖紙的視覺理解、技術(shù)參數(shù)的結(jié)構(gòu)化提取、與歷史版本的差異比對(duì)，這些任務(wù)背后是大量低精度矩陣運(yùn)算的密集調(diào)度。Blackwell 架構(gòu)的 Tensor Core 原生支持 FP4 數(shù)據(jù)格式的計(jì)算指令與執(zhí)行路徑，使該精度推理在硬件層面可獲得更高的執(zhí)行吞吐，從而帶來顯著的推理加速效果。

對(duì)企業(yè)的私有化部署來說，這意味著本地能跑的模型上限被直接拉高，原本更依賴高端服務(wù)器環(huán)境的模型，能夠在 Blackwell 架構(gòu)的設(shè)備上獲得落地空間。

硬件能力要轉(zhuǎn)化為企業(yè)真正可用的解決方案，還得益于 CUDA 軟件生態(tài)所帶來的工程化能力。借助 CUDA、cuDNN、TensorRT-LLM 等成熟工具鏈，Blackwell 的 Tensor Core、Transformer 模型，以及低精度推理能力，能夠更高效地轉(zhuǎn)化為可部署、可調(diào)優(yōu)、可持續(xù)迭代的本地推理能力。

另外，NVIDIA 還為這套底座補(bǔ)齊了配套的軟件棧。NemoClaw 能將復(fù)雜環(huán)境的搭建簡(jiǎn)化為單條命令即可完成 OpenClaw 所需組件的安裝；接入 NVIDIA OpenShell 運(yùn)行時(shí)后，還能為智能體提供隔離的執(zhí)行環(huán)境，以及基于策略的網(wǎng)絡(luò)與數(shù)據(jù)訪問控制。

這套以 Blackwell 架構(gòu)為底座、疊加推理加速與安全能力的體系，正好對(duì)上了企業(yè)當(dāng)前最現(xiàn)實(shí)的幾項(xiàng)需求：本地推理壓縮了云端數(shù)據(jù)交換帶來的時(shí)延，敏感數(shù)據(jù)可以留在本地或內(nèi)網(wǎng)沙盒中處理，長(zhǎng)期運(yùn)行的智能體對(duì)外部 Token 計(jì)費(fèi)模式的依賴明顯下降，標(biāo)準(zhǔn)化的部署鏈路也讓 IT 團(tuán)隊(duì)更容易將智能體納入既有的權(quán)限、安全與運(yùn)維體系。

回到理想這條主線，今天承載 PPAP 的這臺(tái)聯(lián)想 ThinkStation PGX，明天可以承載過程審核智能體，后天可以承載質(zhì)量策劃智能體，同一套硬件、同一套軟件棧、同一套安全策略。供應(yīng)商在工廠里部署的，不是一個(gè)一次性的工具，而是一塊持續(xù)生長(zhǎng)的 AI 地基。

撐起一條產(chǎn)業(yè)鏈的算力下沉

當(dāng)一臺(tái)設(shè)備可以持續(xù)疊加能力，一個(gè)更大的變化就開始在產(chǎn)業(yè)側(cè)發(fā)生——這塊“AI 地基”的價(jià)值，會(huì)加速向整條供應(yīng)鏈擴(kuò)散。

其實(shí)，從行業(yè)看，在汽車制造業(yè)中，人員作業(yè)帶來的質(zhì)量問題長(zhǎng)期存在，一直缺乏有效的技術(shù)手段來解決。難點(diǎn)在于無法在復(fù)雜、多變的現(xiàn)場(chǎng)環(huán)境中，形成穩(wěn)定運(yùn)轉(zhuǎn)的質(zhì)量閉環(huán)。

而理想的做法，是把 AI 能力延伸到供應(yīng)商一側(cè)。理想通過專門建立實(shí)驗(yàn)室，為供應(yīng)商開發(fā)可以直接部署到車間里的 AI 產(chǎn)品。

在落地標(biāo)準(zhǔn)上，理想汽車供應(yīng)鏈 PTC 工業(yè)化總監(jiān)雷江波將其總結(jié)為四個(gè)關(guān)鍵詞：好用、易用、便宜、柔性。在 AI 時(shí)代，理想汽車也將供應(yīng)鏈的決策時(shí)效從“天”壓縮到了“分鐘級(jí)”。在方法論層面，雷江波用 PDCA 框架總結(jié)其愿景：質(zhì)量策劃（P）→現(xiàn)場(chǎng)執(zhí)行（D）→數(shù)據(jù)回傳檢查（C）→審核分析與持續(xù)改進(jìn)（A）。

理想方面透露，已經(jīng)有同行車企看到供應(yīng)商在使用這套產(chǎn)品的實(shí)際效果后，開始要求供應(yīng)商在其自身體系中同步部署。相關(guān)技術(shù)正在從理想的供應(yīng)鏈向更廣的范圍擴(kuò)散。

理想汽車的實(shí)踐表明，企業(yè)級(jí)智能體要真正落地，模型能力決定起點(diǎn)，算力平臺(tái)的安全性、穩(wěn)定性和擴(kuò)展能力，則決定了 AI 業(yè)務(wù)能走多遠(yuǎn)。

而聯(lián)想 ThinkStation PGX 的價(jià)值，正在于為這些關(guān)鍵能力提供穩(wěn)定、可持續(xù)的支撐。這也是理想汽車在推進(jìn)相關(guān) AI 應(yīng)用時(shí)，將聯(lián)想作為支撐模型運(yùn)行與場(chǎng)景落地的重要合作伙伴的原因。

在實(shí)際應(yīng)用中，理想汽車與聯(lián)想也展開深度合作。圍繞理想自研模型，聯(lián)想提供了定制化微調(diào)支持，并承擔(dān)了從硬件配置、部署實(shí)施到后期運(yùn)維的整體交付。面對(duì)覆蓋廣泛的供應(yīng)商網(wǎng)絡(luò)，聯(lián)想成熟的服務(wù)體系也為后續(xù)運(yùn)行提供了保障。

如今，本地 AI 超算和云端的分工正在明朗起來：重訓(xùn)練、跨域協(xié)同的任務(wù)繼續(xù)留在云上，對(duì)延時(shí)和數(shù)據(jù)駐留敏感、又必須貼近現(xiàn)場(chǎng)的任務(wù)，開始往車間和工位下沉。

這種下沉的速度推到哪里，本地能用的算力就要鋪到哪里。

而理想從 5 小時(shí)變 2 分鐘的效率提升，就是這種算力下沉，剛剛發(fā)生在工程師工位上的時(shí)刻。