華為的AI戰場與戰斗

積小勝，成大勝。

文 | 華商韜略 陳斯文

2026年3月26日，華為發布了2025年財報。

相比這張營收8809億元的成績單，更引人關注的，是華為輪值董事長孟晚舟在致辭中傳遞出的定調。

面對當下人工智能的全面爆發與狂歡，孟晚舟并沒有去勾勒一個宏大的AI愿景，反而反復在強調一個理念：“要加強戰略到戰場的轉換”。

這關系到兩個問題：華為的AI戰略是什么？它的戰場，又在哪里？

【01 從戰略到戰場】

當下的人工智能產業，正處在烈火烹油般的繁榮時刻。

然而，科技圈的AI狂熱，大多停留在云端——比拼大模型的參數量、跑分的速度、生成視頻的華麗程度……

在華為的棋盤上，其AI戰略卻有著截然不同的演進邏輯。它的核心，是打造堅實的AI算力底座，在中國構筑絕對優勢，形成事實標準，為世界構建第二選擇，并最終推動千行百業的智能化。

這構成了一個嚴絲合縫的“基礎+應用”閉環。它的基礎，是由鯤鵬、昇騰、CANN異構計算架構等軟硬件構成的硬核算力底座；而它的應用出口，則是千行百業真實的數智化轉型。

這些行業的數智化轉型，正是華為眼中最真實的AI戰場，也代表了當下中國產業界最為現實、最為迫切的需求。

無論是制造業，還是服務業，當他們面對AI時，關心的重點并不是模型參數是千億還是十萬，而是提出直接尖銳的疑問：

AI到底能幫我省多少錢？提升多少效率？能不能解決以前解決不了的隱患？

現實卻并不盡如人意。在許多企業的數智化實踐中，存在著一道深深的鴻溝：ICT公司擅長解決技術問題，比如算力怎么調度、網絡怎么低延時；而傳統行業需要解決的是實際業務問題，比如高爐怎么穩產、油井怎么找油……兩者之間，隔著一道極高行業壁壘的“Know-How”門檻。

不懂煉鋼的IT人，寫不出高爐的控制代碼；不懂金融風控的算法工程師，也做不出實用的信貸審批模型。因此，傳統行業不需要AI的炫技，它們只需要“解決實際問題的特效藥”。如果戰略不能轉化為戰場的火力，AI就永遠只是掛在墻上的玩具。

這既是千行百業對華為的要求，也是華為再進一步的要素——科技最終都要落地應用。沒有應用場景的吞吐，算力底座就無法更好地發揮效能；沒有一線戰場真實數據的反哺與打磨，底座的根基也不會得到更好的構筑。

因此，這正是孟晚舟反復強調“加強戰略到戰場轉換”的原因，解決那些行業真實場景的實際問題，既是對華為AI戰略落地的終極考驗，是華為AI在中國構筑絕對優勢、形成事實標準的關鍵路徑，更是關乎整個人工智能產業能否跨越鴻溝、走向正軌的生死題。

面對這道生死題，華為面向千行百業的數萬個案例，既是它驗證過自身能力的戰果，也是它通往更多戰場的底氣。

【02 泥土里找神靈】

和充滿硝煙與泥濘的真實戰場相比，產業戰場同樣是專業者生存的場景。在千行百業的場景面前，無論是華為光環，還是博士頭銜，都不是解決問題的關鍵鑰匙。

比如制造業有句俗話：“現場有神靈，魔鬼在細節”。在嚴謹的工藝流程面前，沒有足夠的經驗，沒有對工業機理的充分理解，解決實際問題就無從談起。

正因深諳此道，當華為的行業軍團踏入鋼鐵這個最硬核的傳統產業時，他們面對的第一道關卡，正是如何去現場的泥濘里尋找“神靈”，真正弄懂高爐的“機理”。

作為鋼鐵生產的“心臟”，高爐煉鐵是一個極其復雜的過程：高爐內的溫度、壓力、煤氣流變化、礦石還原進度都無法直接觀測，只能依靠工人通過外部儀表盤數據和自身經驗推斷。

但經驗驅動，卻有個致命缺陷，人的狀態有起伏，經驗有差異。哪怕一個微小的操作偏差，都可能導致能耗飆升、鐵水質量下滑，甚至引發爐況異常。

走進寶鋼的華為團隊，一頭扎進了一線車間，他們將上千個高精度傳感器布設在高爐周圍作為“感官”，去捕捉溫度、壓力、煤氣流等上百個維度的微弱信號；同時，將寶鋼多年積累的專家經驗、海量歷史數據與冶金反應機理全部喂給華為的大模型。

這是在產業一線泥濘中的真正作戰，通過繁瑣的參數清洗與模型調優，華為與寶鋼聯合構筑的“高爐大模型”，成功撕開了“黑箱”的口子。

這套系統能精準預測未來1-2個小時內的爐溫變化趨勢，1小時爐溫預測命中率高達95%，鐵水硅含量命中率穩定在92%?；谶@些預測，AI大模型會自動計算出最優的噴煤量、風溫配比，直接給工人下達操作指令。

這不僅是技術的勝利，當這套能力被復用到南京鋼鐵等企業后，更帶來了真金白銀的戰果：鐵水一級品率從原本依賴人工時的80%左右，被死死釘在了99%以上，每噸鐵水的生產成本直接下降200元。

在上千度的高爐鐵水面前，任何AI的宏大敘事都變得無力，但“泥濘中打仗”的實干，卻讓數據擊敗了經驗的不確定性，打贏了這場從“經驗煉鐵”到“數據煉鐵”的突圍戰。

如果說，高爐煉鐵是在單點上的極限突破，那么，現代汽車制造就是一個面上的復雜立體協同。

當汽車駛入“新豪華”與智能化時代，消費者的個性化需要被空前放大。一輛車的選配組合涉及的零部件多達萬個。在傳統制造邏輯里，這幾乎是一場災難：一個新的選裝方案，供應鏈就要重新找物料，產線就要重新調設備，不僅極易出錯，更會拖垮生產效率。

個性化的極致，往往意味著制造成本和效率的失控。這同樣是橫亙在制造業面前的“世界級泥潭”。要在“極度定制”與“極高效率”之間走鋼絲，靠增加人手或傳統柔性生產線根本行不通。

在這個難題面前，華為與江淮汽車攜手給出的新解法是：拔高維度，構建一個真正的“數字孿生工廠。”

和由機器堆砌出的傳統物理工廠不同，江淮尊界超級工廠在數字世界里擁有了一個完全映射的“虛擬克隆體”。在這個架構下，華為將智能排產系統作為“最強大腦”，將5G融合網絡作為“神經末梢”，徹底重構了制造底座。

數據由此成為了真正的指揮官。銷售端的一筆訂單、供應鏈的一個二維碼、研發端的一個工藝參數修改，都能在瞬間穿透部門壁壘，同步到產線。甚至，研發改一個數據，產線設備的程序能在5分鐘內自動更新。

但要讓這個“大腦”不犯錯，依然要遵循“現場有神靈，魔鬼在細節”的原則。數字孿生的前提，是物理世界的數據必須絕對精準。

比如極其繁瑣的插接件檢測環節。過去，業界靠“小模型堆數量”，為雙電機車型開發的檢測模型，遇到三電機車型的新增孔位，準確率會從99.99%暴跌至84%。但通過直接切入CV大模型。工人只需上傳50張新照片，系統用28分鐘就能完成增量訓練，精準識別新特征。

目前，這套系統覆蓋了1500多項檢測，漏測率被死死壓在0.001%。從一塊原木切出的18塊木紋飾板，到成千上萬個零部件，所有的質量信息都被清洗、規范，匯入數字孿生的數據湖中。

當虛擬世界的算力，與物理世界的能力，在5G網絡下實現納秒級協同，車間里的V小車變成了獨立的“移動工位”，機械臂群能根據每輛車的數字圖紙，自動切換抓取工具和安裝參數。

▲圖源：界面新聞

在這個戰場上，華為將“數字孿生”這項前沿技術，滲入排產、質檢、物料流轉的每一個毛細血管里。從而讓上萬種選配組合，在產線上像生產單一型號一樣絲滑流淌。

這場根植于生產一線的硬仗，不僅幫車企打贏了柔性制造的硬仗，更為眾多中國高端制造業企業蹚出了一條新路：在人工智能時代，“數據驅動”將很有可能取代“流程驅動”，成為新時代的工業規律。

對于面向千行百業數智化改造的華為而言，戰場并不止在轟鳴的車間，也在金融中心安靜的寫字樓里。

普惠金融，是近年來金融業的高頻詞，但真正落到一線銀行職工頭上，卻是另一番景象：一筆小微企業貸款申請遞過來，伴隨的是堆積如山的各類影像資料、復雜繁瑣的房產估值核對，以及動輒需要翻閱大量財報、耗時數周才能寫完的授信報告。

在金融這個極度依賴數據處理的行業，人肉審核的模式既是對人力的極大消耗，也是阻礙服務效率的“流程黑箱”。要讓金融服務真正觸達普惠的毛細血管，靠堆人頭不再行得通，AI由此成為了破局的新思路。

面對這場沒有硝煙的效率戰，華為仍然選擇深扎進交行業務流程的“泥巴”里。在與交通銀行的配合中，兩者協力構建了具備強大并行計算能力的“千卡智算底座”，并在前端化身為客戶經理的“全智能工作陪伴助手”。

這是一場直擊業務痛點的翻身仗：在貸款申請環節，系統自動進行各類影像的智能識別和分類，掃描崗因此無需費力勞神；在放款環節，AI自動比對各類憑證，杜絕人工疏漏。

更硬核的是，在核心業務端，交行的“審貸聯動助手”實現了放款條件的半自動化校驗，粗分類準確率高達90%；而“授信助手”更是把原本需要3周的授信報告生成周期，硬生生壓縮到了小時級別。

但這套體系要真正發揮作用，背后還隱藏著一個巨大的技術暗礁：高并發。當交行3萬多名員工同時調用這些AI工具時，系統會不會崩潰？時延會不會讓人抓狂？

在這個關鍵環節上，華為展現了其作為“底座構建者”的硬核實力。面對金融級的高可用要求，華為與交行聯合攻關，落地了大規模專家并行方案。這一技術突破，讓系統在輸入輸出場景下的吞吐量實現了3倍增長，時延被死死壓制在50毫秒以內。

依靠從底層算力到頂層應用的全棧式AI引擎，銀行一線職工得以從繁復的案頭工作中解放，客戶則收獲了“從天到小時”的“省時省力省心”。這種實打實的效率躍遷，正是推動金融服務打破同質化內卷、真正走向差異化與普惠化的最強底氣。

▲Autopilot智能運維系統架構圖

高爐里的智能溫控、產線上的流程優化、銀行里的審貸效率……以及發生在千行百業的眾多數智化改造案例，這些看似毫無關聯的局部戰役，實則都在驗證同一個底層邏輯：

AI的真正威力，只有在深諳行業機理的泥土里才能徹底釋放。而華為這種“泥土里打勝仗”的模式，正在千行百業中快速裂變——截至2025年底，華為已服務全球80多個國家超5600家金融客戶；在制造領域，攜手1500多家伙伴，為27000家大企業客戶提供場景化方案，三年客戶規模增長超過50%。

從數智化標桿到數萬家企業的深度共創，華為在千行百業的AI戰場，已經完成了從“點狀突破”到“規?；绍姟钡目缭?。它在幫助華為強化核心競爭力的同時，也讓它對人工浪潮的理解日益深刻：

面對整個中國產業龐大且迥異的轉型需求，越是深入一線，就越是能感受到實體經濟的厚重與復雜。

【03 從小勝到大勝】

實體經濟有一條客觀發展規律：它的變革，總是建立在精益求精、泰羅制和漸進改良上。它的進步，需要一點一滴實現產業場景的沉淀、產業規律的提煉、專業技術的積累。

即使人工智能浪潮來襲，實體經濟也同樣需要尊重規律，通過自身的數智化轉型，有的放矢地實現進步。

因此對于華為而言，一張普適的“AI大網”，其實無法涵蓋工業、能源、交通、醫療、金融、教育、零售等各個特征不同、規律不同的行業。

這其實意味著華為自身定位的強化——它需要繼續做堅不可摧的底座，潤物無聲的后臺。

這也帶來了一個新問題：當華為的數智化客戶向更高數量級發起沖擊時，如何保證自己的能力邊界足以覆蓋千行百業。

在年報致辭中，孟晚舟提到了一個關鍵詞：“大雜燴”。

與互聯網企業習慣于在云端提供通用API不同，華為在千行百業的打法，本質上是做一套復雜的系統工程。過去三十年，華為在聯接、計算、云、存儲等領域積累的，不是單一技術，而是處理海量、復雜、高并發工業級問題的“底層架構能力”。

當人工智能浪潮來襲，華為開始將這些“大雜燴”能力，降維封裝成了由昇騰算力、CANN架構、盤古大模型等軟硬件組成的標準化底座，然后再以“樂高積木”的方式，下放到各個行業的戰場。

這讓華為實現了一個可復制的模式：它不是去幫每一家企業從頭寫代碼，而是在底層把“非標的行業經驗”與“標準的算力架構”之間的對接通道打通。

在工業革命時代，電力接入車間重構了生產流水線，如今，融入了AI大模型的算力底座，同樣變成了核心生產要素。

當“數據計算”成為最高效的決策中樞，當產業從“流程驅動”轉向“數據驅動”，它打破的不僅是人力審核的效率瓶頸，更是打破了傳統科層制管理下的信息孤島與協同壁壘。這種生產關系的重塑，才是數智化改造對傳統產業最核心的價值。

這正是孟晚舟不斷強調“戰場”重要性的原因，華為用數萬個真實項目的投入證明了一點：

作為一場新的產業革命，人工智能的成功不是在PPT里喊出來的，不是在參數競賽中跑出來的。它必須在算力底座的建設上耐住寂寞，在懂行入局的泥濘中經受折磨，在一個個高爐、一條條產線、一筆筆審貸的細節里死磕。

從打透一個場景的小勝，到橫跨80多個國家、數萬個客戶的大勝，這是一場漫長的戰斗，但當中國的千行百業，都因為這套堅不可摧的底座而完成底層生產要素的置換時，這才是華為AI戰略的全勝，也是“從戰略到戰場”的最澎湃回音。

歡迎關注【華商韜略】，識風云人物，讀韜略傳奇。

版權所有，禁止私自轉載

部分圖片來源于網絡

如涉及侵權，請聯系刪除