0 前言

在中国新能源汽车市场的复杂变局中，一组数据格外引人注目：从行业整体数据来看，尽管在汽车置换更新补贴政策的带动下，2025年中国汽车预计产量达到1808万台，同比增长近11%，但行业利润却并未随之水涨船高。1～7月，汽车行业收入59193亿元，同比增长8%；成本却同步攀升至52056亿元，同样增长8%；利润仅为2737亿元，同比仅微增0.9%。汽车行业利润率降至4.6%，远低于下游工业企业5.9%的平均水平。

理想汽车以月均超3万辆的交付量稳居新势力头部，充分获得消费者的认可，这得益于理想汽车在“研产供销服”的全链路智能生态，在高端定位与规模化交付间架起桥梁。这场变革中，智能制造不再是概念，而是决定企业生存的核心竞争力。

在AI《汽车制造业》“面对面”走进理想汽车的技术交流活动中，上下游供应链企业在理想汽车北京研发总部围绕“AI时代汽车行业智能制造的最新进展与未来方向”的主题进行了互动交流。活动期间，记者采访了理想汽车研发运营制造工程高级总监徐勉，深度了解理想汽车构建智能生产体系、实现制造范式升级的核心路径，探究其引领行业变革的深层动因。

1 软硬件与AI的次方效应是智能制造数字底座

传统汽车制造业长期面临着一个问题，就是新产品上市后往往需要6个月以上的“产能爬坡”周期，且在此过程中难以避免质量波动。而理想汽车在2024年推出的L6车型上，彻底颠覆了这一行业惯例。从4月18日发布到5月31日第2万台量产车下线，仅用不到2个月时间就实现了双班满产，单月产能突破2万台，达到了每分钟1台新车下线的节奏。

自创立之初，理想汽车就具备鲜明的互联网与科技基因，其智能制造并非孤立存在，而是深度融合于企业战略核心。面对如何通过智能制造实现高端定位与规模化交付之间的平衡这一行业共同挑战。徐勉介绍到：“理想汽车以一套系统性的‘制造公式’：（硬件×软件）AI作为智能制造发展理念（如图1所示）。即基于坚实的硬件，结合高效的软件系统，再以AI作为指数级提升的催化剂。”软件、硬件和AI正是理想汽车实现高阶智能制造的“数字底座”。

图1 理想汽车智能制造发展理念“制造公式”

硬件层面，作为一家年轻的新势力车企，理想汽车充分发挥后发优势，其工厂的设备自动化与数字化水平处于行业前列，这为数据采集奠定了坚实基础。徐勉强调：“目前的理想汽车工厂，每时每刻都在产生海量的工艺与设备数据，日增数据量高达1.3TB。”这些数据通过云端与边缘计算平台实时处理，是驱动所有智能化应用的“核心燃料”，没有海量、实时和准确的数据，后续的软件分析与AI决策便无从谈起。

软件层面，理想汽车坚持核心系统自研，构建了一套覆盖制造全流程的软件矩阵，包括制造执行系统LiMOS、制造工艺管理系统MPM、连山数据科学协作平台（以下简称为“连山平台”）、数字孪生灵境系统以及灵眸视频语言模型平台等。徐勉强调：“自研软件的核心价值在于‘快速响应和灵活迭代’，能够根据生产过程中的实际需求随时调整优化，避免了依赖外部系统时的适配难题与迭代滞后。”以Li-MOS为例，它能够实时对接生产计划与设备状态，实现生产过程的动态调度。而数字孪生灵境系统则能构建物理工厂的虚拟映射，为产线规划、工艺调试提供模拟环境，大幅缩短了新车型导入的周期。

AI赋能则是将数字底座的价值以指数级放大，进而促成软硬件效能的越级提升。基于海量数据与自研软件，AI技术已在理想汽车制造环节深度落地。通过数字孪生实现物理工厂与虚拟工厂的实时交互，提前预判产线问题；依托AI算法集群将全流程缺陷预警精度提升至99.5%；通过数据闭环驱动工艺优化，在“冲焊涂总”四大核心工序实现超12%的能耗降低与8%的良率提升。

2 质量与工艺革新是制胜关键

如图2所示，连山平台是一个端到端覆盖制造、售后、供应和研发全链路的数据科学协作平台，也是理想汽车智能制造体系的关键支撑。它不仅是质检工具，更是贯穿生产全流程的智能决策中枢——覆盖从冲压到总装的26个关键生产环节，实时监控近2000台设备与50000+工艺监测点。

图2 连山平台

连山平台的核心机制分为两层：一是通过分析设备实时上传的过程数据，建立AI模型，实现对异常波动的即时告警；二是通过对海量历史数据的深度学习和建模，完成对潜在质量风险的趋势预警。

简单来讲，系统一旦发现即将要产生的问题，便会主动推送预警至责任人，完成“预测性质量干预”，彻底改变了传统制造中“事后补救”的被动模式。这种转变不仅提高了响应速度，还扩大了问题推送的范围。系统分析问题后，信息不再只是简单地发给现场员工，必要时还会直达产品设计部门。从而实现了从“人找信息”到“信息找人”的颠覆性转变，也真正实现了问题前置解决。

在面对多源异构工业数据融合的核心难点，理想汽车通过两方面的努力实现突破：一是建立兼容多种工业协议的数据采集与治理体系，由兼具数据能力和业务知识的团队进行数据“拉平”；二是通过边缘计算保障实时性，并借助AI-Pipeline实现模型自迭代，持续学习工程师的反馈，自动优化模型，不断提高预警准确率。

这套系统带来的实效显著。在L9产线中，连山平台已成功减少超过50h的非计划停机。截至目前，系统累计驱动超过2万次精准的现场干预和返修，为“零缺陷”制造目标提供坚实保障。在降本增效层面，连山平台的价值同样显著。徐勉介绍到：“基于其自研的焊装节拍分析模型，系统可像CT扫描一样定位瓶颈工位，结合基于海量数据建立起的‘理想汽车标准设备节拍库’，无论是新产线的设计，还是现有产线的改造，我们都能结合模拟仿真技术，进行100%数据驱动的精准规划。”连山平台的应用不仅大幅提升了设计效率，也确保了产线投产后能快速达到设计节拍，避免了昂贵的后期调整成本。目前这套体系已覆盖所有焊装车间，并推广至涂装、总装车间。

除此之外，在理想汽车的智能制造体系中，AI的应用并非局限于设备参数、节拍数据等方面，更在视觉检测及非结构应用等方面发挥重要作用。

理想汽车在其工厂内建成国内首条隧道式漆面缺陷自动检测线，如图3所示。车身通过检测线时，由超高分辨率工业相机与特定结构光组成的检测系统，从多角度对车身进行扫描，每辆车采集超5万张高清影像。这些影像数据实时传输至AI识别模型进行智能分析，可精准识别多种人眼难辨的缺陷并分类。检测结果形成闭环数据反馈机制，直接指导前端工艺参数动态优化，实现漆面质量的持续改善。

图3 隧道式漆面缺陷自动检测线

由校招生主导研发的“灵眸”视频语言模型平台如图4所示。该平台是理想汽车在AI非结构化应用的积极探索，其借鉴自动驾驶领域的VLM（视觉语言模型）理念，聚焦生产现场的视频数据挖掘。其应用有两大方向：一是通用场景识别，利用大模型快速部署生产安全、人员行为规范等监控场景，例如自动识别员工未按规定佩戴安全帽、设备异常运行等情况，并实时告警；二是纵向工艺动作识别，针对装配等关键工序，训练专用AI小模型，识别操作动作是否100%符合SOP（标准作业程序），精准捕捉“错装、漏装、反装”等问题。

图4 “灵眸”视频语言模型平台

3 与供应链打造生态协同共生

理想汽车深知，未来的汽车制造竞争是整个供应链生态的竞争，因此，理想汽车将智能质量体系延伸至核心供应商，但“数据安全”与“信息共享”的平衡，是这一过程中必须解决的关键问题。

“我们的数据互联并非简单开放端口，而是建立了一套标准化的安全数据接口。”徐勉明确表示。供应商完成零部件测量后，需通过专用接口上传数据，接口背后是严格的用户认证与数据校验协议，只有经过授权、符合预定规范的数据，才能进入理想汽车的系统。这种“可控的互联”，既保障了理想的数据安全，也避免了供应商核心数据泄露，为双方合作奠定信任基础。

这种深度合作模式的优势，在理想汽车的“九章数据平台”（如图5所示）中体现得淋漓尽致。该系统打通了从零部件供应商到主机厂总装的全链路尺寸数据，实时监控3000多种零件、超过210万个测量点。通过数据联动分析，理想可确保每个零件与车身实现毫米级精准匹配。

图5 九章数据平台

从更宏观的视角来看，这种“数据互联”推动理想汽车与供应商的关系，从传统的“采购—供应”升级为“数据共生、质量共创”的战略伙伴关系。一方面，理想可将主机厂的质量要求通过数据标准传递给供应商，帮助其提升零部件品质；另一方面，供应商的生产数据也可反哺理想汽车的产品设计。

4 聚焦汽车制造趋势，打造全价值链数据驱动

谈及汽车行业智能制造的未来趋势，徐勉认为：“AI将从‘辅助工具’转变为‘生产要素’，重新定义制造流程。”基于这一判断，理想汽车未来的智能制造投入，将继续围绕“（硬件×软件）AI”公式展开，并聚焦于如何让其价值最大化。

理想汽车计划打造一个与物理工厂实时交互、自我学习和自我优化的数字孪生体，即“工厂世界模型”。该模型不仅能实现物理工厂的实时映射，更能通过AI模拟不同生产方案的效果，为决策提供支持；同时，模型可通过持续学习生产数据，不断优化自身算法，实现对生产过程的自主决策。

推动实现数据在“研产供销服”全价值链的无缝流转也是理想汽车智能制造的未来愿景。让研发端的设计参数能被制造端无缝继承和验证，避免设计与生产脱节，让制造端的工艺数据反向推动产品设计优化，并反哺供应链和售后服务，最终形成敏捷高效的数据闭环体系。徐勉最后总结到：“本质上，理想汽车在智能制造上的所有投入，都指向一个最终目标——以极致的效率和最高的品质，持续不断地超越用户的需求，创造让我们自豪的产品与服务！”

本文为“AI汽车制造业”首发，未经授权不得转载。版权所有，转载请联系小编授权（VOGEL100）。本文作者：李子豪，单位：《汽车制造业》编辑部。责任编辑龚淑娟，责任校对何发。本文转载请注明来源：AI汽车制造业