华为在《智能世界2035》里没有继续加码“通用智能”的想象。
报告的判断相当克制：AI技术会进入一个较长的平台期，在通向AGI的核心问题上，短期内难以取得重大突破。行业注意力会从“通用智能”的宏大叙事，转向现有大模型产品化价值，以及更细的应用场景。
放到制造业，这句话很实在。企业不只是问模型有多强，还要问它能不能接上产线，能不能读懂老ERP，能不能在限定时延内完成判断，最后能不能把成本收回来。
这也是华为把“具身智能”和“通感算一体化网络”放到台前的原因。AI要进工厂，麻烦常常不在演示视频里，而在车间地板上。
车间不缺模型，缺的是稳定闭环
宁波一家转向节工厂上线AI质检Agent时，最初用通用大模型，误检率一度达到15%，几乎影响产线运行。后来改成“通专融合”方案，误检率降到2.1%，一年节省170万元人力成本。
看起来，这是专用模型胜过通用模型的案例。但真正卡住项目的，是上线第一天就遇到的老问题：Agent读不懂20年前ERP里的数据格式，把良品误判成次品。
最后，技术团队加了一层薄中间件，做协议转换、编码桥接和缓存限流，多模态Agent才得以实时读取老系统里的物料规格与公差。
这类细节很少出现在AI发布会上，却是工厂现场最常见的阻力。产线不会因为接入一个Agent，就自动变成干净、统一、实时的数据系统。传感器、PLC、ERP、MES、边缘服务器、云端模型，每一层都可能带来延迟，也可能丢包。
传统工厂网络多是分层架构：传感器采集数据，边缘网关做初步处理，本地服务器汇聚，再传到云端。用来管理数据、做周期性分析没有问题。但当AI直接参与质检、分拣、拧螺丝或机器人调度，时间窗口会被压得很窄。
当前稿件里有一个判断值得保留：如果多模态Agent接到产线实时判断缺陷，端到端延迟超过200毫秒，很多场景就开始失去意义；一些产线节拍是3到5秒一个工件，留给AI判断的窗口不到500毫秒。
所以，通感算一体化网络要处理的不是“多铺几根线”。它要把感知、传输和计算压进更紧的闭环，让数据在流动中被处理，而不是层层转发之后再推理。
算力空转，也会发生在工厂
乌兰察布一座8000P智算集群的交付经历，提供了另一个参照。
交付初期，这座集群利用率只有62%。GPU空转、碎片化调度、通信拥塞同时存在。团队后来通过自研拓扑感知调度器、DPU拥塞路由和三级自愈策略，用18个月把利用率拉到90%，日均减少空转损失超过40万元。
这是大型算力园区的问题，但工厂边缘节点也会遇到类似麻烦，只是规模更小，对实时性的要求更高。
一台工业边缘服务器，可能要同时处理摄像头视频流、机器人控制指令和模型推理。稿件中提到，配置RTX 4090或昇腾310的工业边缘服务器，功耗在300W以上，往往还要配工业空调和UPS。宁波那家工厂为了部署质检Agent边缘推理节点，花了8.7万元改造配电和散热，占项目成本的30%以上。
如果一条产线需要3到5个边缘节点，每台设备还要挂载GPU、FPGA和实时网卡，中小制造企业最先算的不会是技术路线，而是几年回本。
华为报告里的“通感算一体化”，放到这里才有具体含义。它不是单卖算力，也不是单卖网络，而是把工业现场的感知、连接、边缘计算和应用智能体放到同一套基础设施里考虑。
机器人亏钱，很多时候亏在停机
《智能世界2035》把具身智能列为重要方向。但工厂看机器人，最后还是看账本。
当前稿件引用的走访显示，两家汽车零部件工厂在部署人形机器人90天后，发现单台全生命周期成本超过预期，意外停机频繁，投资回报率仍为负。
停机不一定来自机械故障。稿件提到，其中一半原因来自通信中断或算力不足：机器人看不到下一颗螺丝的位置，或者看到了但来不及算。
这就是具身智能进工厂的难点。机器人本体上的端侧芯片可以跑轻量目标检测，复杂规划和控制仍然需要边缘服务器甚至云端参与。一旦网络延迟超过20毫秒，机器人动作就可能卡顿，产线节拍也会被打乱。
北京通用人工智能研究院（BIGAI）围绕TongAgents、SceneVerse++、OmniXtreme释放的进展，也指向同一个问题：智能体在仿真环境中表现不错，进入真实车间后，要面对噪声、延迟、丢包和设备差异。
模型升级能解决一部分问题，但解决不了全部。机器人的眼、手、边缘算力和云端大脑如果不同步，工厂看到的仍然是停机、返工和节拍被打乱。
华为熟悉的，正是这张网
华为2025年年报显示，公司业务划分为五个经营分部：ICT基础设施、终端、云计算、数字能源和智能汽车解决方案。
通感算一体化网络会横跨其中多个分部。ICT基础设施负责基站、传输和连接，云计算提供边缘算力，终端侧涉及工业模组、传感器和设备接入。它不是一个单点产品，更像华为熟悉的系统工程。
运营商侧也在往同一方向走。《华为技术》2026年1月刊中，华为ICT战略与Marketing总裁马海旭写道，运营商的核心价值正在从单纯提供“连接”，升级为提供“算力+网络+安全+应用/智能体”一体化AI SaaS服务以及分层分级的Token服务。文中还提到，预计到2030年，该领域市场空间将超过3000亿美元。
同一篇文章给了一个医疗例子：中国移动基于“算力资源池+专线”打造AI远程超声应用，端到端时延小于200毫秒，让医生在检查过程中实时看到AI辅助诊疗信息。
医疗场景需要小于200毫秒，工厂质检、机器人控制通常会更紧。当前稿件提到，华为正在联合中国移动、中国电信在多个工业园区试点“算网融合”方案，将MEC节点与基站共部署，把时延控制在5毫秒以内。
如果这些试点能稳定运行，华为面向制造企业讲的就不只是AI模型，而是一整套现场问题：车间网络怎么改，边缘算力放在哪里，老系统怎么接，时延怎么控。
端侧部署没有想象中轻
把模型尽量放到端侧，听起来可以少依赖云和网络。但端侧也有自己的成本。
当前稿件提到，小米14 Pro在骁龙8 Gen3、12GB内存配置下运行Wan2.1 1.3B量化版，生成15秒720p短片耗时38分12秒，峰值内存8.7GB，温度接近70℃。
手机还是消费场景。工厂现场有高温、粉尘、电磁干扰，端侧设备的推理延迟可能从50毫秒波动到500毫秒。对质检Agent来说，这种波动足以影响判断窗口。
智能眼镜的经验也类似。雷鸟、Rokid和Meta设备在户外高温下会遇到降频、续航和连录功耗问题。换到工业现场，问题会变成防尘、防水、防电磁干扰，以及工业级外壳带来的散热压力。
如果制造企业采用华为相关方案，还要面对昇腾迁移成本。当前稿件提到，从PyTorch、CUDA、NCCL迁移到CANN、HCCL、torch_npu，需要重新适配。工厂边缘侧更具体，许多工业视觉算法原本基于OpenVINO或TensorRT，要迁移到昇腾的MindSpore Lite或ACL，就要做算子适配和精度对齐。
稿件中的一个案例是，一家工业质检创业公司花了3个月把基于TensorRT的缺陷检测模型迁移到昇腾310，结果部分算子精度差异导致误检率上升0.5个百分点，又花了2周调整后处理逻辑。
这说明，工厂AI的成本不只在硬件采购里，也藏在迁移、调参、验证和停线风险里。
平台期会让制造业更务实
华为说AI进入平台期，对制造业未必是坏事。
如果大模型能力短期内不会突然跨越，企业反而可以少一点追新，把更多精力放在工程化上：现有模型能不能稳定运行，网络时延能不能压住，边缘节点散热和供电是否可靠，老系统的数据格式能不能接通。
工厂真正关心的问题很朴素：一年能省多少钱，40℃环境下能不能连续跑12小时，网络时延抖动能不能控制在±10毫秒以内，设备故障后多久能恢复。
这些指标，靠扩大模型参数并不能直接解决。
华为把通感算一体化网络推到台前，核心也在这里。AI继续进入制造业，下一段路会落到网络、算力、协议栈和现场工程。谁能把这些环节做成可复制的方案，谁才有机会把“智能工厂”从样板间推到更多产线。
