一汽攜手聯想，送智算“進廠”

對很多今天的制造企業來說，“算力焦慮”是再熟悉不過的詞。芯片受制于人、供應鏈價格飆升、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。

可對于汽車制造產業，這種滋味并不新鮮。早在幾十年前，我國車企就已經為“核心技術”傾注過全力。也正因如此，當產業競爭進入智能網聯和自動駕駛時代，面對數據、算法和算力這些新的關鍵資源，中國車企對“本地化、自主創新”的理解，遠比外界想象得更深。

最近，在聯想“領跑100走進中國一汽”的智算生態之旅中，恰好把這條線索完整呈現了出來。

01 一汽的“往事”和今天的選擇

中國一汽企業生態戰略營銷部企業板塊負責人李春喜談起了一段一汽集團的發展往事。

中國一汽企業生態戰略營銷部企業板塊負責人李春喜

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

然而，現實并沒有按照這個邏輯展開。

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

這些經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，可真正決定產業命運的核心技術，絕對不會輕易轉手。

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、高階智能駕駛等領域持續推進，背后依靠的正是長期積累下來的自主研發體系。無論是突破多項紀錄的混動技術，還是“天空”系列在智能駕駛上的布局，再到承擔重大國事活動的“金葵花”系列，一汽如今展現出的底氣都是靠一次次硬碰硬磨出來的。

從這段歷史上看，對如今的現狀依然有解釋力。因為產業競爭的核心雖然變了，但邏輯并沒有變。

當汽車進入智能化時代，新的“核心技術”變成了算力。

過去汽車工業拼機械系統、動力總成和制造工藝，那么進入智能網聯時代以后，決定競爭高度的關鍵資源已經變成另一套體系——數據、算法和算力。

其實，汽車制造原本就是典型的離散制造行業，環節多、鏈條長、協同復雜，再疊加智能化之后，從前端研發設計中的高精度碰撞仿真，到生產端的柔性制造，再到智能座艙、多模態交互和自動駕駛模型訓練，每一步都建立在龐大的算力底座之上。

問題也隨之而來。

這些數據不同于普通的互聯網業務數據，牽涉產品研發、工藝細節、測試結果、供應鏈協同，很多都屬于制造企業最核心的資產。對于車企來說，把這些數據全部放到公有云上去跑，并不現實。數據安全、合規要求、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龍頭企業的共同選項。

數據安全上，汽車產業的數據往往覆蓋研發設計、生產工藝、質量追溯和供應鏈協同等關鍵環節，一旦外流，影響的是整條產品線和多年投入形成的技術成果。把核心數據長期留在企業自身體系內，是汽車制造企業最基本的前提。

合規要求上，隨著數據治理要求不斷提高，越來越多汽車制造企業都在面對更嚴格的數據分類、權限邊界和流轉規范。尤其在智能駕駛訓練、工廠生產數據、用戶交互數據等場景中，哪些數據可以調用、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把權限管理、數據邊界和安全策略更深地嵌入自己的業務體系。

再往下是實時性。制造業很多場景都是即時性的。產線調度、質量檢測、設備狀態識別、仿真迭代和自動駕駛開發，都要求系統能夠快速響應。對于這些環節來說，數據在本地、算力在本地、調用鏈路更短，往往意味著更穩定的時延表現和更可控的業務響應。

后面是長期成本。制造企業對基礎設施的判斷，通常不是按一兩個季度來算，而是按多年產線投入和系統演進來衡量。如果大量核心業務長期建立在高強度外部調用之上，隨著模型推理、數據存儲和系統協同規模不斷擴大，長期成本并不一定比本地體系更有優勢。對重資產制造業來說，把關鍵算力底座沉到本地，反而更容易形成穩定、可預測、可持續優化的成本結構。

今天，這樣的認知正延伸到數據、算法和算力構成的全新工業底座。也正是在這樣的背景下，聯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

聯想集團東北大區總經理許輝強調，歷經40多年發展、營收接近5000億元的聯想，已經從PC時代的領先者，轉向全棧AI產品、解決方案和服務提供商。在算力基礎設施領域，聯想希望把前沿計算能力與東北老工業基地的轉型結合起來，陪伴像一汽這樣的制造業巨頭，邁入“AI工廠”時代。

聯想集團東北大區總經理 許輝

然而對汽車制造企業而言，本地化部署只是第一步。真正有挑戰的地方，在于算力能不能進入業務流程，并且從資源儲備變成穩定的生產能力。

這一點，恰恰也是聯想中國基礎設施業務群戰略管理總監黃山重點關注的地方。在他看來，隨著大模型進入產業場景，企業真正關心的問題已經發生了變化。過去行業更多討論的是訓練規模、參數能力和模型大小。

但在制造業里，這些問題只能算起點。企業更在意的是，AI究竟能不能形成可復制、可規模化的落地產出、是不是更安全，能不能在流程中持續兌現效率和回報。

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

在聯想中國基礎設施業務群戰略管理總監黃山看來，企業側的核心負載正在從訓練轉向推理。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化成業務價值。圍繞這一點，聯想的“AI工廠”思路，在于先把業務流理順。

聯想中國基礎設施業務群戰略管理總監 黃山

對于汽車這樣的復雜度高的產業而言，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。如果業務語言沒有先統一，AI很難真正理解企業在做什么，更談不上穩定進入流程。

所以，在具體實踐里，聯想首先要做的是幫助企業梳理業務詞匯、任務流和知識流，把組織經驗轉化成可被系統調用的推理知識庫。只有到了這一步，算力才真正開始和業務發生關系。

在業務邏輯梳理清楚之后，才輪到算力架構本身的優化。黃山提到，推理并不是一個單一過程。首Token生成和后續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，系統可以采用更細顆粒度的資源分離思路，讓不同階段調用更適合的硬件能力。對企業來說，這種優化的價值很直接，同樣的投入，可以承載更多實際業務負載。

往下看，AI工廠還必須處理算力與能耗之間的關系。

在汽車制造業中，企業不可能無限制地為智能化持續堆疊設備，因此更需要一套能夠長期運行、持續優化的工業級系統。

只有具備對任務流的動態感知能力，能夠實時調整設備狀態，在能耗與性能之間取得平衡，并進一步與電網和儲能系統形成聯動，才能真正實現長期穩定運行。

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

于是，對于AI工廠的基礎設施布局，進一步落到了芯片、CPU、GPU和整機架構的協同上。

03 異構協同，成為AI工廠的“硬底座”

英特爾全球大客戶經理張奕君談提到，過去一段時間，AI行業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理 張奕君

但對汽車制造業來說，問題從來沒有這么單一。

這些企業面對的是一整套任務系統。有的重計算，有的重訪存，有的吃內存帶寬，有的依賴復雜的數據搬運和系統協同。走到這一步，異構協同開始成為更合適的路徑。

其實，越來越多實踐已經證明，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。尤其在制造業場景中，CPU的重要性正在重新上升，是整套系統中負責承接數據流、內存帶寬和協同調度的重要一環。

以英特爾至強6（Xeon 6）家族為例，其高核心數設計和持續演進的架構能力，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雜任務優化，軟硬件協同之后的平臺能力提升，越來越成為企業關心的重點。

另一方面，比單顆芯片參數更值得關注的，是整機形態的變化。

現在，很多AI整機開始采用更高CPU配置搭配多GPU的方式，本質上就是為了回應大模型任務對內存帶寬和系統協同提出的新要求。但是，真正決定系統表現的，往往是CPU、GPU、內存和整機架構之間能否形成順暢配合。

這也意味著，制造業在建設智能基礎設施時，思考方式也正在從“買多少算力”轉向“怎樣讓整個平臺協同得更高效”。

這個轉變，本身就是產業成熟的表現。

04 重構數據底座，從靜態存儲到主動供數

即便硬件協同問題理順了，“AI工廠”也還不能算真正建成。因為在算力背后，還有一個同樣關鍵的基礎環節，就是數據能不能跟上。

這就不得不提及另一個越來越關鍵的部分——存儲。

在AI熱潮中，制造業真正把系統跑起來之后，很快就會發現，瓶頸并不總在計算端，還有存儲端。

過去半年，存儲和內存需求快速上升，就是一個非常明顯的信號。對于AI系統而言，算力決定處理能力，存儲則決定數據能否被高效供給、持續調用和安全管理。

這個現象放到汽車制造里尤其明顯。無論是AI質檢、視覺檢測、工藝分析，還是自動駕駛訓練、研發仿真和生產管理，數據規模都在快速擴大。如果存儲仍停留在傳統的靜態管理模式里，AI系統在調用數據時就只能反復等待、搬運、檢索，再強的算力也很難持續釋放價值。

也正因此，AI時代的存儲正在發生變化，開始成為主動參與整個任務鏈路的一部分。數據什么時候準備完成后進入下一步任務、高性能資源和大容量資源分層調用、多智能體環境下支撐高并發訪問，這些都讓存儲從配角變成了關鍵角色。

對于汽車、芯片這類高價值制造業來說，存儲的重要性還不只是效率，也關乎安全。

研發數據、工藝參數、測試結果和關鍵業務系統，都需要嚴格的權限邊界和安全圍欄。隨著多智能體協同越來越普遍，數據調用關系會變得更復雜，底層的數據清洗、標簽治理、權限管理和安全策略，也就必須一開始就嵌進系統。

從這個意義上看，存儲已經是制造業智能化體系里不可缺少的底座能力。

聯想凌拓首席技術官陳弘指出：“智能汽車的研發與智造，本質上是一場海量數據的‘較量’。未來聯想凌拓將繼續深耕智能數據領域，持續為車企打造高性能、高可靠的智能數據管理底座，與各行業伙伴攜手，共同釋放數據的核心價值，擁抱AI時代的新機遇。”

聯想凌拓首席技術官 陳弘

05 寫在最后

走到智能化深水區之后，汽車制造業競爭的焦點，已經落到更深的一層。

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

也正是在這個階段，聯想的價值進一步顯現出來。對制造企業而言，智能化建設并不是簡單導入幾個AI應用，而是貫穿底層基礎設施、異構算力調度、數據管理到場景落地的完整支撐能力。

聯想的切入點，則是以混合式AI能力作為統一引擎，將原本分散的技術模塊重構為一套面向制造業的“AI工廠”解決方案，讓算力從基礎設施真正滲透進研發、生產、管理與服務全流程。

當汽車制造業進入下半場，越來越考驗體系能力、協同能力和落地能力。而聯想在其中的位置，也越來越明確......