AI makes AI，工业富联如何为工业输送AI能力？

来源：商学院杂志

AI真正改变的，并不是某一道工序、某一个系统，而是制造企业整体的运行方式。

文｜王雅迪

ID | BMR2004

今年上半年，工业富联净利润首次突破200亿元。此次业绩预增是在2025年已实现高速增长的高基数之上，再次实现近翻倍增长，而且增长势头仍在持续提速。作为全球AI算力领域的核心参与者之一，工业富联此次释放出的经营数据也再次印证，全球AI基础设施投资仍处于快速扩张阶段。

6月8日，在成立八周年之际，工业富联董事长郑弘孟发布全员信指出，要把AI赋能转化为面向未来的无限能力。“AI makes AI”不只是一句口号，而是要将AI深度融入研发设计、生产制造、全球协同与运营管理的每一个环节。未来企业的竞争，是能力体系的竞争。

2025年，工业富联已累计对外赋能13座世界级“灯塔工厂”，将AI能力直接下沉至生产制造的具体场景。今年，工业富联进一步提出了“端—边—云”协同的战略路径，致力于在控制器内部内生AI能力，让部分模型直接本地运行，大模型则部署在边缘侧或云端，从而打通AI在工业现场和终端场景的落地路径。

01

加速释放云端算力供给侧的产能

云端算力是端侧AI得以“思考”的根基，而端侧AI是云端算力价值变现的出口。

对于上半年业绩预增的主要原因，工业富联表示，在云计算业务方面，公司产品结构持续优化，经营效益同比实现大幅提升。2026年上半年，云服务商AI服务器营业收入同比增长超过230%，AI相关产品成为公司主营业务的核心增长引擎。

2026年第一季度，工业富联AI GPU机柜出货量同比增长3.8倍，AI ASIC服务器出货量同比增长3.2倍。实际上，2025年全年，工业富联的GPU方案和ASIC方案相关产品均已实现快速增长，云计算业务营收达6026.79亿元，同比增长88.70%，其中来自云服务商的AI服务器营收同比增长超过3倍。从这一系列数据不难看出，工业富联在云端算力供给侧的产能与能力正在加速释放。

云端算力是端侧AI得以“思考”的根基，而端侧AI是云端算力价值变现的出口。没有云端强大的训练能力，端侧就无法获得智能；没有端侧海量的应用场景和实时数据，云端的算力也将失去持续进化的燃料。工业富联凭借同时占据云端服务器、网络交换和终端制造的全栈位置，得以在这条协同链路上扮演核心赋能者的角色。

工业物联网领域专家、匠辰智能科技CTO匡冲向《商学院》记者表示，端侧AI能不能真正走向规模化，不取决于某一颗芯片的算力有多高，而取决于算力、功耗、成本、模型和业务场景能不能同时跑通闭环。很多端侧项目在演示阶段效果很好，但一到批量部署，就会碰到设备成本偏高、模型更新困难、数据闭环不完整，以及现场维护人员接不住等问题。只有把这些问题一起解决，端侧AI才会从少量试点变成基础能力。

在他看来，工业富联在云端算力上的优势，不只是能够生产服务器，而是具备从关键部件、服务器和机柜，到散热、系统集成、规模交付和全球供应链协同的一整套工程能力。AI基础设施越来越强调高密度、低能耗和快速交付，单点产品能力已经不够，真正考验的是整机柜设计、液冷适配、质量控制、供应保障以及跨区域交付的一致性。这恰恰是大型制造平台长期积累的能力。它对客户的赋能为缩短算力基础设施从方案到上线的周期，并降低全生命周期的不确定性。

算力从云端走向端侧，需要解决“最后一公里”的传输与部署问题。在网络侧，2026年第一季度，工业富联800G及以上高速交换机出货量同比增长1.6倍，CPO全光交换机样机已开始出货；在边缘侧，其打造了从零部件、服务器到系统的全系列浸没式液冷解决方案，适配从边缘计算到超算中心的全场景需求。

这种“云—网—边”一体化的算力基座，使得端侧AI不再是一个孤立的概念，而是一个从中心到边缘层层递进、按需调用的算力体系。工业现场需要实时响应的推理任务可以在边缘节点完成，复杂的训练和大规模推理则可以回传云端处理。

02

从“外挂式AI”到“内生式AI”的转变

当每一台设备、每一条产线都具备本地感知、分析与决策能力时，制造业的智能化才真正从“系统集成”走向“原生智能”。

算力只有部署到具体的端侧载体上，才能真正触达工业制造的第一线。工业富联在端侧的产品布局主要涵盖边缘计算硬件与终端精密机构件两大维度。

在边缘计算层面，工业富联正积极开发搭载国产AI芯片的边缘计算服务器和边缘AI网关等产品，持续推进ASIC定制化服务器的系统整合。在终端设备层面，工业富联的精密机构件业务受益于AI智能手机带来的换机需求，2025年出货量实现双位数同比增长。但更具战略意义的是，工业富联在工业互联网领域持续将AI能力嵌入生产设备本身，2025年以来，持续在海外工厂导入供应链控制塔、大语言模型等。

这种从“外挂式AI”到“内生式AI”的转变，正是端侧AI在工业制造中具有变革意义的方向：当每一台设备、每一条产线都具备本地的感知、分析与决策能力时，制造业的智能化才真正从“系统集成”走向“原生智能”。

DCCI互联网研究院院长刘兴亮向《商学院》记者表示，制造业正在从过去追求规模和效率，转向同时追求柔性、智能和韧性。一方面，产品迭代越来越快、订单越来越个性化；另一方面，供应链、能源成本和全球化布局也更加复杂。这就要求工厂不能只会高效率地生产，还要能够快速调整、实时感知和自主优化。智能工厂正在从“自动化”走向“自主化”，上一代智能工厂解决的是机器替人干活，下一代AI工厂解决的是机器帮人判断、帮人决策。

工业富联发布的《2026最新“灯塔工厂”解读：全球化智造运营转型与路径》显示，截至2026年6月，全球“灯塔工厂”已增至238座，分布于30多个国家与地区。工业富联深度参与“灯塔工厂”建设，已累计打造与赋能22座“灯塔工厂”，其中自身打造9座、赋能产业13座。

工业富联方面认为，AI真正改变的，并不是某一道工序、某一个系统，而是制造企业整体的运行方式。一方面，AI持续重构研发、生产、供应链与运营模式；另一方面，制造业以丰富的工业数据、复杂的应用场景和不断升级的基础设施，持续推动AI能力迭代与产业成熟。

匡冲表示，今天制造业面对的不是一轮简单的自动化升级，而是生产逻辑本身在变化。真正困难的地方往往不在算法，而在基础条件，老旧设备协议不统一，数据口径不统一，系统由不同供应商建设，部门之间又各有自己的目标。技术上看似可以打通，组织上却未必愿意共享。同时，工厂不能因为上线新系统就停产，任何改造都要在安全、质量和连续生产的约束下进行，这使工业场景的验证周期天然比互联网应用更长。因此，新一代的智能工厂需要数字底座，也需要懂工艺的人参与，更需要管理机制跟着调整。

以广东首座精密金属加工灯塔工厂为例，过去研发导入模式依赖跨部门人工协同，多工厂导入一致性和量产爬坡效率成为重要挑战。工业富联利用AI打通研发、工艺、验证和制造全过程，构建知识资产化、经验智能复用和研发制造协同的新产品导入体系，可以实现研发设计快速迭代、多工厂一致导入和智能化快速量产，最终将新产品导入速度提升29%，量产爬坡速度提升50%，不良率降低56%，制造成本降低30%。

例如，工业富联利用AI匹配历史案例与工艺经验，推荐最优方案，同时AI分析缺陷模式与风险，指导试验设计，减少重复验证，并通过OTA（空中下载技术）实现多工厂标准化部署与版本一致。

03

模块化工具赋能具体工业场景

工业富联既是AI基础设施的制造者，也是AI技术的大规模使用者，可以先在自己的工厂里验证，再把成熟经验沉淀成标准化、模块化工具，然后向更多工厂和行业复制。

除了灯塔工厂的整体输出，工业富联还将AI能力嵌入更具体的工业场景，试图通过灯塔工厂的整体方案与“GenAI设备助手”等模块化工具两条路径，将AI能力真正下沉到生产排程、设备运维、质量检测等制造业的核心环节中。

刘兴亮指出，工业AI过去一个很大的问题是项目太重、成本太高、复制太难。一个工厂做成功了，换一个工厂、换一条产线，往往还要重新开发。模块化工具，就是把视觉检测、设备预测、质量管理、能源管理、数字孪生等能力拆成标准组件，企业可以根据不同场景快速组合。它正在推动工业AI从项目制走向产品化，从一次性交付走向持续迭代，从单点智能走向系统智能。

工业富联以模块化系统架构为核心，将计算和I/O等模块解耦，这种设计支持灵活组合，能快速适配从数据中心到严苛边缘环境等多种场景。例如，通过与英特尔联合研发模块化服务器架构，双方深度应用该技术于液冷解决方案中，可有效降低数据中心PUE值。

此前，工业富联的“GenAI设备助手高效运维管理应用”入选了工信部人工智能赋能新型工业化典型案例。在高度自动化车间中，保持设备可用性至关重要，一旦因意外故障导致停机，将引发半成品积压、订单延误等连锁反应，严重影响产线效率。然而，由于缺乏根本原因分析及建议解决方案，技术人员往往只能通过设备重置来处理。

为解决此问题，工业富联利用大语言模型LLM和线索增强生成等先进技术，部署了GenAl设备助手。该助手通过嵌入并分析机器故障日志，包括机器手册和历史维护记录，具备自动整理故障树、跨地区故障知识传承、异常处理方案推荐、故障数据精准呈现的综合能力，提升设备故障维修效率，降低人为错误风险，减少生产停机时间。

过去数十年，制造业借助ERP、MES、SCADA等系统完成数字化建设，积累了覆盖生产、设备、质量与供应链的海量数据资产。然而，工厂最具价值的核心知识与专业经验，至今仍高度依赖资深工程师与运营团队。如何将长期积累的工业经验转化为可复制、可规模化的智能能力，已成为制造业迈向高质量发展的关键课题。

工业富联自主研发制造运营多智能体系统MoMClaw，致力于打造面向AI Native Factory 时代的Factory Brain。其核心是通过多智能体架构，构建出覆盖质量工程、设备管理、生产调度与能源运营等领域的专业AI Agents，支持各领域智能体持续学习、协同推理。

在此架构下，数百个专业AI Agents分别承担质量分析、设备健康监测、预测性维护、生产调度优化、异常诊断、能源管理及供应链协同等专项任务。当生产现场发生异常时，多个智能体可同步启动分析，从不同维度展开推理并输出行动建议，实现跨系统、跨领域的协同决策能力。

根据MoMClaw现有落地场景的验证数据，系统预期可将根因分析时间缩短约80%，提升劳动生产效率约15%，降低设备故障发生率约10%。上述成效正体现了多智能体系统协同所带来的全局运营优化能力，这也是MoMClaw区别于传统单点AI应用的核心价值所在。

刘兴亮认为，工业富联既是AI基础设施的制造者，也是AI技术的大规模使用者，可以先在自己的工厂里验证，再把成熟经验沉淀成标准化、模块化工具，然后向更多工厂和行业复制。所以它的模块化不是单纯的软件工具，而是把制造经验、工艺知识和AI能力结合起来。这也是“AI makes AI”最有意思的地方：一边制造AI基础设施，一边用AI改造制造AI基础设施的工厂，再把这种能力输出。

04

全球化运营与跨区域协作

中国制造企业出海最容易出现的问题，是把国内已跑通的工厂蓝图，直接复制到另一个国家，却低估了支撑这张蓝图的外部条件。

工业富联多年积累的实践经验，已成功复制推广至电子制造、新能源汽车、金属冶金、光伏、储能等十大行业，并将这种能力输送至海外。

匡冲指出，中国制造企业出海最容易出现的问题，是把国内已跑通的工厂蓝图，直接复制到另一个国家，却低估了支撑这张蓝图的外部条件。企业完成了产能转移，但本地产业能力还没有同步形成。如果关键材料、维修能力、质量工程师和一线班组长都依赖外部输入，工厂就会面临成本高、响应慢和运营波动大的风险。很多企业前期把注意力放在建厂和设备导入上，后期才发现，真正决定爬坡速度的是供应商培育和人的能力建设。

以越南首座灯塔工厂为例，越南面临本地人才不足、语言障碍以及工程经验难以快速复制等挑战。海外工程师普遍存在语言沟通障碍，导致设备维护、技术培训和工程能力建设周期长。

工业富联基于AR眼镜、实时翻译、远程专家协同及视觉技术，构建了远程协助与智能培训体系，实现设备故障远程诊断AR可视化指导和标准化技能传承，有效缩短设备维修时间，加快工程师培养速度，并支撑劳动生产率提升190%、准时交付率达到99.5%、制造成本降低45%。

匡冲认为，工业富联在越南的思路是对的，用统一的制造技术、数字平台和质量体系保持基本盘，再通过大模型、AR/VR培训等方式加快本地员工能力形成。这说明企业没有把本地化简单理解为翻译界面或者招聘当地员工，而是开始建立知识转移机制。对于跨区域复制来说，这比单纯依靠长期外派团队更可持续。但本地人才培养只是其中一环，供应链生态的本地化仍需要更长时间。

他同时指出，智能制造出海，最适合标准化的是技术底座和工程方法，例如设备接入规范、数据架构、模型管理、质量追溯、网络安全、项目实施流程以及核心指标体系，都应该尽量形成统一模板。只有这些部分稳定，企业才能在不同国家快速复制，避免每建一座工厂都要重新选择系统、定义接口和建立运维体系。标准化的意义不是追求形式一致，而是保证不同工厂之间可以协同和比较。

2025年，工业富联新增对外赋能4座灯塔工厂，涵盖家电、汽车零部件、医药、新能源等多个行业。全球专利总量已突破7448件，同比增长3.1%，并在全球18个国家及地区构建了完善的技术布局。2025年新增专利聚焦于先进高端技术领域，其中AI算力基础设施、工业大数据与AI融合应用，以及绿色精益智能智造三大方向的新增专利合计占比超过90%。

郑弘孟在全员信中强调：“我们之所以能在产业变化中保持战略定力，是因为我们较早认定了AI与制造业数字化的方向，并愿意在周期起伏中保持耐心。坚持，是这个时代最稀缺的竞争力。未来，我们要继续坚定全球化布局与自主创新，推动公司从‘规模增长’全面迈向‘质量增长’。把经受过验证的事情做扎实，剩下的交给时间。”

来源｜《商学院》杂志9月刊