对很多今天的制造企业来说，“算力焦虑”是再熟悉不过的词。芯片受制于人、供应链价格飙升、核心能力无法完全掌握，这种被“卡脖子”的不安，正随着AI竞争升温不断加深。
可对于汽车制造产业，这种滋味并不新鲜。早在几十年前，我国车企就已经为“核心技术”倾注过全力。也正因如此，当产业竞争进入智能网联和自动驾驶时代，面对数据、算法和算力这些新的关键资源，中国车企对“本地化、自主创新”的理解，远比外界想象得更深。
最近，在联想“领跑100走进中国一汽”的智算生态之旅中，恰好把这条线索完整呈现了出来。
01 一汽的“往事”和今天的选择
中国一汽企业生态战略营销部企业板块负责人李春喜谈起了一段一汽集团的发展往事。
中国一汽企业生态战略营销部企业板块负责人李春喜
在1953年，一汽建厂，成为新中国汽车工业的起点。很长一段时间里，中国汽车产业都在摸索中前行。为了尽快融入全球工业体系，也为了换来生存空间，合资一度成为不少企业的共同路径。那时很多人相信，只要让出市场，就有机会换来技术，进而带动整个产业升级。
然而，现实并没有按照这个逻辑展开。
提起发展过程中的往事，李春喜谈到，在过去相当长一段时间里，无论是核心技术还是高端合作，对外依赖之下推进都异常艰难。
这些经历留给一汽深刻的警示：市场可以让，订单可以给，利润也可以分，可真正决定产业命运的核心技术，绝对不会轻易转手。
一汽后来的路，也因此走得格外笃定。既然拿不到，那就自己做。
红旗和解放这些年在混动、纯电、高阶智能驾驶等领域持续推进，背后依靠的正是长期积累下来的自主研发体系。无论是突破多项纪录的混动技术，还是“天空”系列在智能驾驶上的布局，再到承担重大国事活动的“金葵花”系列，一汽如今展现出的底气都是靠一次次硬碰硬磨出来的。
从这段历史上看，对如今的现状依然有解释力。因为产业竞争的核心虽然变了，但逻辑并没有变。
当汽车进入智能化时代，新的“核心技术”变成了算力。
过去汽车工业拼机械系统、动力总成和制造工艺，那么进入智能网联时代以后，决定竞争高度的关键资源已经变成另一套体系——数据、算法和算力。
其实，汽车制造原本就是典型的离散制造行业，环节多、链条长、协同复杂，再叠加智能化之后，从前端研发设计中的高精度碰撞仿真，到生产端的柔性制造，再到智能座舱、多模态交互和自动驾驶模型训练，每一步都建立在庞大的算力底座之上。
问题也随之而来。
这些数据不同于普通的互联网业务数据，牵涉产品研发、工艺细节、测试结果、供应链协同，很多都属于制造企业最核心的资产。对于车企来说，把这些数据全部放到公有云上去跑，并不现实。数据安全、合规要求、实时性需求、长期成本控制都是痛点。
也正因为如此，本地化智算逐渐成为越来越多制造业龙头企业的共同选项。
数据安全上，汽车产业的数据往往覆盖研发设计、生产工艺、质量追溯和供应链协同等关键环节，一旦外流，影响的是整条产品线和多年投入形成的技术成果。把核心数据长期留在企业自身体系内，是汽车制造企业最基本的前提。
合规要求上，随着数据治理要求不断提高，越来越多汽车制造企业都在面对更严格的数据分类、权限边界和流转规范。尤其在智能驾驶训练、工厂生产数据、用户交互数据等场景中，哪些数据可以调用、哪些必须隔离、哪些需要本地存放，本身就不是一道可以简单外包给外部平台的选择题。而本地化部署就能让企业把权限管理、数据边界和安全策略更深地嵌入自己的业务体系。
再往下是实时性。制造业很多场景都是即时性的。产线调度、质量检测、设备状态识别、仿真迭代和自动驾驶开发，都要求系统能够快速响应。对于这些环节来说，数据在本地、算力在本地、调用链路更短，往往意味着更稳定的时延表现和更可控的业务响应。
后面是长期成本。制造企业对基础设施的判断，通常不是按一两个季度来算，而是按多年产线投入和系统演进来衡量。如果大量核心业务长期建立在高强度外部调用之上，随着模型推理、数据存储和系统协同规模不断扩大，长期成本并不一定比本地体系更有优势。对重资产制造业来说，把关键算力底座沉到本地，反而更容易形成稳定、可预测、可持续优化的成本结构。
今天，这样的认知正延伸到数据、算法和算力构成的全新工业底座。也正是在这样的背景下，联想和一汽集团的携手，顺理成章。
02 向下延伸，AI算力落到本地
联想集团东北大区总经理许辉强调，历经40多年发展、营收接近5000亿元的联想，已经从PC时代的领先者，转向全栈AI产品、解决方案和服务提供商。在算力基础设施领域，联想希望把前沿计算能力与东北老工业基地的转型结合起来，陪伴像一汽这样的制造业巨头，迈入“AI工厂”时代。
联想集团东北大区总经理 许辉
然而对汽车制造企业而言，本地化部署只是第一步。真正有挑战的地方，在于算力能不能进入业务流程，并且从资源储备变成稳定的生产能力。
这一点，恰恰也是联想中国基础设施业务群战略管理总监黄山重点关注的地方。在他看来，随着大模型进入产业场景，企业真正关心的问题已经发生了变化。过去行业更多讨论的是训练规模、参数能力和模型大小。
但在制造业里，这些问题只能算起点。企业更在意的是，AI究竟能不能形成可复制、可规模化的落地产出、是不是更安全，能不能在流程中持续兑现效率和回报。
这样的变化并不难理解。今天，随着AI Agent能力快速增长，AI已经开始从“会回答”走向“会做事”，真正进入研发、制造、管理、服务这些具体环节。到了这个阶段，衡量一套系统是否有效，看的就是能不能真正进入生产体系。
在联想中国基础设施业务群战略管理总监黄山看来，企业侧的核心负载正在从训练转向推理。随之而来的问题是，怎样让推理效率更高，并且让每一份算力投入都尽可能转化成业务价值。围绕这一点，联想的“AI工厂”思路，在于先把业务流理顺。
联想中国基础设施业务群战略管理总监 黄山
对于汽车这样的复杂度高的产业而言，不同部门对同一个对象的叫法、定义、处理方式往往并不相同。如果业务语言没有先统一，AI很难真正理解企业在做什么，更谈不上稳定进入流程。
所以，在具体实践里，联想首先要做的是帮助企业梳理业务词汇、任务流和知识流，把组织经验转化成可被系统调用的推理知识库。只有到了这一步，算力才真正开始和业务发生关系。
在业务逻辑梳理清楚之后，才轮到算力架构本身的优化。黄山提到，推理并不是一个单一过程。首Token生成和后续Token解码，对计算资源和访存资源的需求并不一样。如果始终用同一套资源去承接，效率浪费就会很明显。
也正因此，系统可以采用更细颗粒度的资源分离思路，让不同阶段调用更适合的硬件能力。对企业来说，这种优化的价值很直接，同样的投入，可以承载更多实际业务负载。
往下看，AI工厂还必须处理算力与能耗之间的关系。
在汽车制造业中，企业不可能无限制地为智能化持续堆叠设备，因此更需要一套能够长期运行、持续优化的工业级系统。
只有具备对任务流的动态感知能力，能够实时调整设备状态，在能耗与性能之间取得平衡，并进一步与电网和储能系统形成联动，才能真正实现长期稳定运行。
讲到这里，问题就会落到下一层。如果AI工厂关心的是让算力稳定地产生价值，那么承载这套体系的硬件，又该怎么选？
于是，对于AI工厂的基础设施布局，进一步落到了芯片、CPU、GPU和整机架构的协同上。
03 异构协同，成为AI工厂的“硬底座”
英特尔全球大客户经理张奕君谈提到，过去一段时间，AI行业的注意力高度集中在GPU上，仿佛算力竞争最终只取决于谁拥有更多、更强的卡。
英特尔全球大客户经理 张奕君
但对汽车制造业来说，问题从来没有这么单一。
这些企业面对的是一整套任务系统。有的重计算，有的重访存，有的吃内存带宽，有的依赖复杂的数据搬运和系统协同。走到这一步，异构协同开始成为更合适的路径。
其实，越来越多实践已经证明，把不同工作负载分配到更适合的硬件平台，往往能换来更好的整体效率。尤其在制造业场景中，CPU的重要性正在重新上升，是整套系统中负责承接数据流、内存带宽和协同调度的重要一环。
以英特尔至强6（Xeon 6）家族为例，其高核心数设计和持续演进的架构能力，正在让其在通算与智算融合场景中找到新的位置。从科研计算到材料仿真、工程分析，再到汽车制造中的复杂任务优化，软硬件协同之后的平台能力提升，越来越成为企业关心的重点。
另一方面，比单颗芯片参数更值得关注的，是整机形态的变化。
现在，很多AI整机开始采用更高CPU配置搭配多GPU的方式，本质上就是为了回应大模型任务对内存带宽和系统协同提出的新要求。但是，真正决定系统表现的，往往是CPU、GPU、内存和整机架构之间能否形成顺畅配合。
这也意味着，制造业在建设智能基础设施时，思考方式也正在从“买多少算力”转向“怎样让整个平台协同得更高效”。
这个转变，本身就是产业成熟的表现。
04 重构数据底座，从静态存储到主动供数
即便硬件协同问题理顺了，“AI工厂”也还不能算真正建成。因为在算力背后，还有一个同样关键的基础环节，就是数据能不能跟上。
这就不得不提及另一个越来越关键的部分——存储。
在AI热潮中，制造业真正把系统跑起来之后，很快就会发现，瓶颈并不总在计算端，还有存储端。
过去半年，存储和内存需求快速上升，就是一个非常明显的信号。对于AI系统而言，算力决定处理能力，存储则决定数据能否被高效供给、持续调用和安全管理。
这个现象放到汽车制造里尤其明显。无论是AI质检、视觉检测、工艺分析，还是自动驾驶训练、研发仿真和生产管理，数据规模都在快速扩大。如果存储仍停留在传统的静态管理模式里，AI系统在调用数据时就只能反复等待、搬运、检索，再强的算力也很难持续释放价值。
也正因此，AI时代的存储正在发生变化，开始成为主动参与整个任务链路的一部分。数据什么时候准备完成后进入下一步任务、高性能资源和大容量资源分层调用、多智能体环境下支撑高并发访问，这些都让存储从配角变成了关键角色。
对于汽车、芯片这类高价值制造业来说，存储的重要性还不只是效率，也关乎安全。
研发数据、工艺参数、测试结果和关键业务系统，都需要严格的权限边界和安全围栏。随着多智能体协同越来越普遍，数据调用关系会变得更复杂，底层的数据清洗、标签治理、权限管理和安全策略，也就必须一开始就嵌进系统。
从这个意义上看，存储已经是制造业智能化体系里不可缺少的底座能力。
联想凌拓首席技术官陈弘指出：“智能汽车的研发与智造，本质上是一场海量数据的‘较量’。未来联想凌拓将继续深耕智能数据领域，持续为车企打造高性能、高可靠的智能数据管理底座，与各行业伙伴携手，共同释放数据的核心价值，拥抱AI时代的新机遇。”
联想凌拓首席技术官 陈弘
05 写在最后
走到智能化深水区之后，汽车制造业竞争的焦点，已经落到更深的一层。
表面上看，行业比拼的是大模型、智能驾驶、智能座舱和生产效率，但真正决定上限的，却是企业能否建立起一套安全可控、稳定运行、持续进化的智能化体系。
也正是在这个阶段，联想的价值进一步显现出来。对制造企业而言，智能化建设并不是简单导入几个AI应用，而是贯穿底层基础设施、异构算力调度、数据管理到场景落地的完整支撑能力。
联想的切入点，则是以混合式AI能力作为统一引擎，将原本分散的技术模块重构为一套面向制造业的“AI工厂”解决方案，让算力从基础设施真正渗透进研发、生产、管理与服务全流程。
当汽车制造业进入下半场，越来越考验体系能力、协同能力和落地能力。而联想在其中的位置，也越来越明确......
热门跟贴