在海光信息展示的一项汽车零部件制造应用中，模具试模次数下降50%，工厂缺陷检出率达到99%以上。工艺参数推荐帮助工程师用更少的试验寻找可行的制造窗口，工业相机与视觉模型识别缺陷后，还可以连接检修知识检索、工单生成以及业务系统回传。一次试模的减少、一处缺陷的识别和一张工单的生成，让AI算力的价值落到了生产现场可以衡量的环节。

海光信息技术股份有限公司解决方案专家 李强

10月28日，在深圳举行的2026 AI算力场景应用与产业融合论坛上，海光信息技术股份有限公司解决方案专家李强以《算力入网，智造入景——AI算力产业从基础设施到场景智能的需求迁移》为题发表演讲。他从工业企业的实际任务出发，讨论模型如何适配生产流程、计算资源如何部署，以及芯片厂商与生态伙伴怎样共同承担应用落地中的工程工作。

从缺陷检出率到产线节拍，算力要接受业务指标的检验

工业AI所面对的生产任务有着不同的评价标准。李强举例，同样使用机器视觉，质量管控更关注缺陷召回率，漏检可能带来客诉或产品召回；生产线上的在线检测则对响应时间有严格要求，单帧推理需要在产线节拍之内完成。由此，模型阈值、样本构成、推理时延以及是否需要边缘部署，都要围绕具体工序确定。

进一步看，质量管理中的三类常见问题，也分别对应不同的技术路径。缺陷样本稀少，涉及不平衡分类，需要通过数据增强、合成样本或异常检测积累识别能力；模具试模次数与参数寻优的样本效率有关，工程师希望在有限次数内找到可行的工艺窗口；设备停机预测面对的是低频且代价不对称的异常事件，模型预警需要结合误报、提前量和实际检修安排评价。

当这些任务进入日常生产，算力的考核方式也随之细化。李强认为，企业需要同时观察模型的实际运行成本、一次任务的通过率以及长周期稳定性。对工业客户而言，配置多少计算卡只是系统规划中的一个环节；质检漏检、试模周期、生产节拍以及设备可用性，才与质量成本和生产效率直接相关。

他还把工业AI的持续价值放在四个维度考察：企业知识能否复用，质量与可靠性是否改善，研发、生产和供应链能否协同，以及现场系统能否持续运行。这些指标对应着实际的验收工作。模型部署以后，企业仍需要持续更新样本、记录异常、校验结果，并让生产人员能够使用和维护相应系统。

AI进入生产流程，需要打通数据、模型和业务系统

在李强介绍的汽车零部件制造案例中，质量检测形成了一条较为清晰的工作链：工业相机及光学传感器采集图像、尺寸以及纹理信息，视觉模型完成缺陷定位与分类，单品判定和批次统计随后进入质量管理环节。进一步与业务智能体衔接后，系统还可以检索已有检修知识，生成工单并回传相关业务系统。

工单回传让检测结果有机会进入后续处置。工厂既可以追踪某一批次出现了什么缺陷，也能够把检修记录、处理结果积累为下一次识别和分析所需的知识。设备运维则沿着另一条链路展开：传感器采集振动、噪声、温度以及压力等状态数据，模型识别异常，进而辅助形成短期检修和长期维护计划。质量检测与设备运维各有任务，但都需要数据进入系统后形成反馈。

为了说明这种协同关系，李强将制造企业的AI应用拆为五个层次：算力基础、数据资源、模型算法、业务系统以及具体业务环节。质检模型如果缺少真实的缺陷样本，训练和验证就难以覆盖关键异常；训练、推理分布在不同计算环境时，模型及数据版本的衔接又会增加部署与维护工作。因此，企业需要在引入模型的同时，检查现场数据、软件接口及运行环境能否支撑同一项生产任务。

模型的部署形态也有不同选择。对于工艺知识敏感、要求数据在可控环境中运行的企业，私有化部署能够结合内部数据建设专用能力，但需要投入模型微调、推理优化和评测团队。模型即服务（MaaS）则通过统一接口提供计算与模型能力，适合需要快速接入及验证的团队；业务智能体可以叠加在上述两类基础上，进一步调用工具、安排多步骤任务并处理执行反馈。

这三种方式能够按照任务阶段组合使用。企业可能先通过MaaS完成应用验证，再决定是否建立私有部署；对于已经接入制造执行系统的业务，则可以逐步引入智能体，把模型输出接入工单、质量统计或运维流程。相应的技术投入也由单次模型调用，转向数据治理、软件适配与持续运营。

从C86和DCU到软件生态，海光信息延伸工业算力的交付边界

支撑上述应用，需要通用计算与并行计算共同工作。海光信息的C86架构CPU承担系统调度、数据预处理、输入输出以及业务软件运行，深算DCU则面向科学计算、大模型训练推理和其他并行负载。在工业企业同时开展仿真分析、视觉检测及智能体应用时，两类处理器能够形成分工，但最终使用效果还取决于软件框架、算子及业务系统的适配。

海光信息正在拓展不同部署位置的产品组合。高端CPU与DCU面向服务器及集中式计算，2026年推出的1000系列CPU则将C86生态延伸至低功耗的嵌入式和端侧场景。对工业控制器、边缘设备和现场计算节点而言，功耗、接口兼容性、运行稳定性以及既有软件能否沿用，都直接影响方案的实施成本。

从芯片走向业务现场，还涉及伙伴间的分工与验证。海光信息通过光合组织连接整机、基础软件、应用软件以及行业解决方案伙伴，推动兼容适配、联合测试、工具链完善和人才培养。李强介绍，面向制造场景，海光信息还在推进用户需求共创、自动化适配工具链及专项适配实验室，希望把一个项目积累的工程经验用于更多实际应用。

从汽车零部件质检到智能体沙箱，再到统一接入的模型服务，这些案例覆盖了工业AI的不同层次。它们指向同一个需要持续验证的目标：让算力和算法沿着生产流程真正发挥作用，并在更长运行周期中兑现质量、效率以及维护成本方面的收益。