理想王巍:我们做了五年的AI如何变革制造？
大家好，理想汽车智能工业王巍。今天下午听了很多的硬科技，从材料到碳纳米管和一体式压铸。下面我今天分享的是比较软一点，我们是一个搞 AI 的公司，算是一个纯 AI 公司。

中国的汽车行业过去 20 年发展的非常的卓越，主要是可以简单归纳为两条主线的一个螺旋上升。第一条主线是大量的汽车制造业引入了一些制造化、自动化和智能化的技术去扩张产能，来降低生产的成本，进而增长利润空间。

第二条路线是通过底层的技术研发投入，就像今天其他的分享的嘉宾做了大量技术投入，来增加单品的议价空间，进而增加整个产品的利润。这两条主线螺旋上升，过去 20 年是非常成功的。

但是显然到了今天遇到瓶颈了。今天中国所有的汽车行业的公司，无论是产业链还是主机厂，其实都是一个很内卷的状态。那为什么会发生这个？我们剔除掉这个不可控的因素，来分享一下我们的视角，不妨向内看。其实当规模变大的时候，组织里面人多了效率就变低了。

这个问题不是一个很新的问题，但我们如果想解决这个问题，就不能停留在这句话的层面。所以我们要挖深一点，就是人多了效率为什么变低了？我们来看这张图，最上面从左到右是一个非常典型的汽车行业的一个链条。从产品到研发到试验、制造、售后。

我们画了一个已经简化过的图，但其实已经很复杂了，就是汽车行业的产业链的一个协作的图谱。大概统计一下，一辆车只是一个车型，从研发到投产需要至少 2000 个专业工程师，密集协作三年。2000 个专业工程师。这就是今天汽车行业乃至整个中国制造业的一个生产关系的现状。

有没有什么问题呢？没什么问题，但问题是专家不太够了。那专家不够会发生什么呢？伪专家会混进去。伪专家混进去会导致什么后果呢？各位有兴趣可以打开中国质检总局所有汽车公司的召回公告看一下，任何一个导致几十亿甚至上百亿损失的召回的产品缺陷的原因，都是这张图里面短短的一条线两端的一个普通工程师导致的材料性的问题，腐蚀性的问题等等。

所有的制造业企业为了避免这种巨大的风险怎么办呢？引入流程、引入机制、引入评审、引入委员会。所以用降低效率的代价来兜住这种风险的损失，就是今天汽车行业的一个窘境。

我们怎么解决这个问题呢？很简单，碳基专家不够对吧？我们就造一些硅基专家。答案很简单，但是路径非常的艰难。这条路我们走了整整五年，到今年我们可以说是初见眉目。

大概分享一下我们的思路。既然碳基专家不够，那就代表着碳基专家稀缺。为什么碳基专家稀缺？我们把它分成五个步骤去培养一个真正的碳基专家。

第一步要首先是一个优秀的应届毕业生。

第二步进入公司要有一个足够优秀的导师，一个不合格的导师是可能误人子弟的。

第三步要有非常深度和广度都合格的专业知识。比如说刚刚各位讲的这种材料相关的知识，你最起码要对于有色金属和黑色金属有基本的了解。有了知识以后，你还要去实战。

第四步是你一定要进入真实的业务场景里去打磨。你要做成功的项目，你要做失败的项目，你要被批评，你要被鼓励，你要被奖励。

第五步就是你一定要有足够专业的这种岗位的专业工具。比如说搞汽车的，你最基本的手里得有个 CATIA，有一个工具你得去画图，你要有对应的设备，你才能把一个零件制造出来。好，这就是一个碳基专家的五步。

中间就是我们的连山，我们称之为连山。之前叫数据科学协作平台。今天我们可以叫它 Agent OS，也可以叫它工业智能体孵化器，也可以用最近时下比较流行的 Agent Harness。

为什么这个名字不确定？因为在我们这个领域，今天全世界 AI 范围内还没有形成确定性的这种技术范式。我们在这个领域是领先的。所以我们姑且先叫它 Agent OS，可能过段时间名字又变了。

我不展开中间的内容，通过连山左边的这个碳基专家，可以批量的量产不同工作岗位的复制体。硅基专家去弥补今天这种密集制造业的情况下，专家不够的这样一个缺陷。

一大堆的理论，我们看一下我们这个东西到底怎么运转的。

这是一个真实运转的案例。我们看一下中间的下面，我们有很多的工业级的传感器，通过我们的一个 AI Brain 的边缘算力，通过感知的计算变成数据。

刚刚上一个演讲郑博士讲到了汇川有很多的数据。其实汽车行业啥都缺，就是不缺数据。但凡从业者都有一个感受，就是数据特别多，有用的数据特别少，都不知道怎么用。

所以第一步首先要把海量的数据通过感知计算变成有语义的数据。所以我们第一步是从中间下面往左连着有语义的数据。第二步我们会有一个 Agent 开发环境，我们称之为 Li-Studio。在这里面去开发对应领域的这种专业的 Agent。开发完以后我们会把 Agent 部署到云端也好，还是边缘的这个算力也好，都可以去实时去运行。

最右侧我们称之为一个 Agent 迭代环境，我们把它称之为碳硅界面。因为直到今天为止，在马斯克的脑机接口没成熟之前，就是人和硅基人交互的唯一界面，依旧是个屏幕。所以我们有很多的屏幕去做这个交互。

于是这样一个闭环就这样转起来了。于是大量的硅基人会出现、培养，然后学习、培训，然后上岗，然后犯错、标注、迭代的这样一个过程。它的成长速度会远高于我们今天的这些碳基人。

所以最终从方法论层面，我们认为这个硅基的组织是分成三层的。从最基层的感知计算，我们称之为 H2A (Human to Agent)，要把最基本的这种感知层面的工作，比如说视觉质量检验，大家主流叙事里面都做完，为什么它最宽呢？

第二步称之为 E2A (Expert to Agent)，就只有感知到足够多的基础的工业领域的数据以后，才能走到 Expert。第三层我们称之为 A2A (Agent to Agent)，那个小图画的也是一个顶级的专家坐在你的办公室里，通过屏幕指导大量的 Agent 去工作。这是我们认为制造业下一个发展的方向，这也是我们认为中国的汽车行业想走出内卷的唯一的一条正向的、自主可控的一个技术路线。

我们看几个例子。第一个就是 H2A 左边的，我们车上现在基本上其实是已经百分之百了。三电相关的域质量的问题已经全部都覆盖了。工厂的视觉检验、音频检验、拧紧曲线、焊接工艺、涂装工艺，我们已经全部在理想汽车的工厂全部覆盖了。

这些事情我们在 2023 年之前就已经全部做完了。这也是今天智能制造的一个主流的基本叙事。它很重要，但是它并不关键。因为只做到这个，你只能在同一个生产力的水平上把效率拉高，你没办法跨生产力。

去看第二个就是 E2A (Expert to Agent)。其实是我们模仿一个真实的质量工程师去分析售后问题的整个思路。一个真实的质量工程师就会先看是不是售后的问题，是不是工厂的问题，再看是不是供应链的问题，再看是不是研发的问题。整个从用户侧这个端到供应链的那一侧，最远的两个端，我们通过一个 Agent 可以完全的打通。这是我们的第二个案例。

第三个案例，当你有很多很多 Agent 的时候，我们简单可以看一下右边的这个图，其实也蛮简单的。最基本的视频视觉的检验的模型检测到比如说一个 PCBA 板的一个少锡或者虚焊的一个缺陷。不管是什么，他会主动的举手找到我们产线诊断的 Agent，两个人去聊天。

产线诊断的 Agent 如果想去分析清楚什么问题，他需要找到——你可以理解为工艺规划这个硅基工程师去聊天。于是一大堆的 Agent 开始协作，最终会给出这个问题在生产过程中哪个具体的工艺参数的设计有问题。

这是一个我们已经商业化的用户的真实案例。这个视频也是真的。好，现在展示的是 PCBA 全制程诊断，这个视频我就不放了。

总结一下我们大概的业绩，主要在三个侧。第一侧在理想汽车侧，过去几年像我刚刚讲到的也就不赘述了，理想汽车已经基本上全覆盖了。第二是在供应链侧，我们覆盖了已经理想汽车超过 60 家左右的供应链商业，已经完成商业合同交易的已经超过15家。

这里我想解释一下，为什么我把这个覆盖供应商和商业独立部署要分开。比如说最近我们正在跟汇川，下周有一个交流，正好有个交流。因为如果只是联通，把数据之间去连通，这是一个相对容易的事情。但是真正关键的核心工艺数据，没有任何一家公司会愿意交给另外一家公司的。

所以我们第二部分签商业合同的公司都是做的独立部署。我们不把数据接入理想汽车的。第三部分是我们跨行业的客户，我们最近在接触的已经接近成交、还没有完全成交的有很多种领域。因为这并不是一个技术层面，它是一个生产力层面的一个提升。有军工、船舶、航空，包括 TCL 的售后的修彩电、修洗衣机的，还有一些文旅，我们都在接触。

最后一页是很朴素的一页，左边这个如果大家用过飞书，如果有人用过飞书，应该知道这是飞书文档的一个截图。我们没有改任何一个字，只有刻意要求不许改任何一个字。

我们是在 2021 年就开始决定往这个方向走，并且在 2022 年的年初就确定为我们这个组织的战略。即我们相信工具的进化会推动组织结构的改变，组织结构的改变会推动用户体验效率的提升，最终形成组织的结构向效率驱动的方向持续进化。

我们在定这个东西的时候，美国人还没发明出 ChatGPT，所以我们比他们想的早。这就是我们的整个思路。为什么把这些放在在这里？因为我讲的这个内容相对偏虚。组织协作效率提升这一页相当于是告诉大家，我们其实是很认真的，已经做了五年了，并且我们还在持续做下去。我今天的分享就这些，谢谢各位。

#理想汽车##理想汽车[超话]##理想i6##理想I8#理想MEGA##理想L6##理想L7##理想L8##理想L9# http://t.cn/AXMp7D9c