芯耀
与非AI
237
芝能汽车出品
今年的汽车市场，车型越来越多，但单一车型的热度持续时间却在变短。
李斌用“花无百日红”形容当下行业现状，新车热销周期大幅缩短，可能六个月就是一个完整的销售周期，很难有车型持续旺销一年。
新品发布初期需求集中爆发，订单迅速积压；当企业艰难完成产能爬坡、供应链满负荷运转、“三班倒”扩产投线后，市场需求却快速回落。
对主机厂来说，要更快地推新、试错、切换。而这种节奏，很快就传导到了供应链。
在和星宇股份副总经理曹进的交流中，他用“五个更”来形容当下的制造环境：
◎ 产品定义更多
◎ 交付节奏更快
◎ 成本要求更低
◎ 质量要求更高
◎ 订单不确定性更大
对于汽车这种强调安全和质量的产品来说，核心矛盾出现了精益制造是把东西稳定做出来，你现在还要随时应对变化。
李斌这句话很贴切，“产能刚上来，订单没了；供应链刚配齐，需求下去了。产销节奏严重错配，造成全产业链巨大浪费。”那这个问题给曹博，你怎么办？
Part 1、车灯为什么更难做了
在所有汽车零部件里，车灯是一个比较“特殊”的存在。
曹进提到，智能车灯本身就是一个多学科产品，涉及机械、电气、软件、光学、热管理等多个方向。
每一个变化，都可能牵动多个环节。再叠加几个现实因素：
◎ 定制化程度很高，不同车型差异大
◎ 开发周期短，留给试错的时间有限
◎ 订单波动大，很难完全按计划生产
◎ 新功能多，但质量要求又不能下降
要在短时间内，把很多不同要求同时满足。面对这样的环境，制造端最直接的反应，往往是：降本、提效、保质量。
这些在任何时候都成立，但在这次交流里，曹进提到，如果只选一个最关键的能力，他更倾向于“柔性”。
为什么是柔性？
可以换个角度看这个问题。如果订单是稳定的，大批量生产，效率当然最重要；
但如果订单在不断变化，产品也在不断调整，那“切换能力”就变得更关键。比如：
◎ 一条产线能不能快速切换不同产品
◎ 设备利用率能不能在多品种情况下保持稳定
◎ 小批量订单能不能不明显拉高成本
如果没有柔性，单纯追求效率，反而容易造成资源浪费。
过去几年，自动化在制造业已经是一个共识。在星宇这边，目前工业机器人密度已经达到较高水平，协作机器人也已经大规模应用。
自动化解决的是把动作做稳定。再往下一步，就开始涉及“怎么用数据”。现在工厂里已经有比较完整的数据积累，可以用来做运行监控。
再往后走，是希望用这些数据，去辅助决策。比如：
◎ 哪个环节容易出问题
◎ 哪种工况下良率更高
◎ 设备什么时候需要维护
这一步，还在推进过程中，但方向已经比较清晰。
Part 2、有些地方已经在用AI，机器人的应用场景
AI在制造里的应用，这两年讨论很多。
在星宇内部，也已经有一些比较具体的落地场景：
◎ 文档检查
◎ 辅助代码开发
◎ 设备运维助手
◎ 机器视觉检测（比如划伤识别）
这些应用有一个共同点：主要集中在重复性强、规则相对清晰的工作。
在这些环节里，AI确实可以帮忙减轻不少工作量。但也有一些地方，目前还很难完全自动化。比如车灯里用到的塑料件，在定位和装配过程中，会受到材料特性影响，还是需要一定的调试经验。
这类问题还涉及经验判断，AI更多还是作为辅助工具，而不是完全替代。
在这种高频变化的环境下，开发节奏也在加快。
曹进提到，星宇在推进一个比较明显的方向，就是把造型、研发、设计、工艺、电子、模具到制造尽量打通。把原来分散在不同环节的事情，尽量放在一个体系里协同完成。来回沟通的成本在变高。
当产品变化频繁时：
◎ 设计改一次，工艺要跟着调
◎ 工艺一变，制造端也要同步
如果分散在不同团队甚至不同公司之间，周期很容易被拉长把这些环节尽量放在一起，可以更快地做调整，也更容易控制节奏。从结果上看，这对开发效率和成本控制都有帮助。
在制造现场，机器人已经非常普遍。目前主要应用在：锁付、焊接、涂胶和搬运，这些都是相对标准化的动作。
但还有一些场景，单臂机器人做起来不太方便，比如：线束接插、多零件同步装配和一些复杂检测。 这类任务，更接近人手操作，需要更灵活的动作组合。
星宇这边也在往多臂协作，甚至具身机器人方向探索。
稳定性、节拍效率和长时间运行的可靠性，几个现实问题是比较难解决的。
小结
汽车制造端正在经历一个不太一样的阶段。
过去，更重要的是把一件事情做得稳定、规模化；
在，多了一层要求：要在变化中保持稳定。订单在变，产品在变，节奏在变。
制造体系也只能跟着一起调整。车灯还是那个车灯，车灯工厂的制造体系已经出现了很大的变化，已经不再是过去的那种运行方式了。
