排产不是写诗：联友科技给“大模型万能论”泼了盆冷水

10月22日至23日，“联接AI世界 友享智能未来”2026汽车AI World创享年会在广州落幕。联友科技智能制造分论坛上那句不太“性感”的话——“单靠大模型排产是幻觉”，把AI按在了最朴素的地方：让一辆车从“订单”到“下线”之间，少缺一次料、少改一次排产。

一、AI落地最大的坑，不在算法，在“局部热闹、整体没价值”

汽车产业正从“软件定义汽车”向“AI定义汽车”加速跃升，大模型、智能体加速渗透全价值链。但实际上，AI大多落地场景在办公、客服、营销这些“浅水区”。

联友科技总经理高亮在高峰论坛上的判断很直白：多数企业的AI投入陷入了“局部很热闹，整体没价值”的怪圈，预算集中在办公、客服等浅水区，业务模式不变，AI投入就难以转化为实质经营收益。

这一点，亿欧智库在《2026中国工业大模型发展洞察报告》里给出了旁证：工业场景的大模型落地，普遍面临长尾场景、技术碎片化、数据孤岛等共性挑战——和联友科技观察到的是同一个病症。行业不缺会写诗的AI，缺的是愿意蹲在车间里、把“喊话+表格”变成系统级闭环的笨功夫。联友科技作为在汽车数智供应链领域干了20多年、累计服务90多家车企客户，这身“笨功夫”是它最不性感、也最扎实的护城河。

二、“单靠大模型排产是幻觉”——戳破了行业的集体幻觉

为什么大模型不能直接拿来排产？这背后有个容易被热词糊弄的常识：大模型本质是概率生成模型，干的是“猜下一个最合理的词”。让它排产，它很可能给你一份“数学上过不去”的方案——比如让红色车排进当天没有红色油漆的产线，或者算出超出总装产能的台数。这个排产计划在现实车间里是要停线的。

联友科技的解法，是把三件原本被混为一谈的事拆开：LLM（Large Language Model，大语言模型）负责交互与解释，把人的自然语言翻译成排产意图；优化求解器负责全局寻优，在成千上万种组合里找最优解；规则引擎负责硬约束校验，产能、工作日历、车型颜色限制，一道都不能破。三者“各归其位、分层协同”，才是能落地的架构。

用联友科技的话说：“单靠大模型排产是幻觉，单靠规则引擎是局部最优——分层协同才成立。”以及：“排产规则不再锁在老师傅脑子里。”

三、什么是“求解器”？是制造AI的隐形心脏

“求解器”（solver）是一类运筹优化软件，专门求“最优解”。举个例子：快递员要送10个包裹，怎么走路线最短？这是经典的“旅行商问题”（TSP），背后靠的就是求解器。而车企排产，本质上是一类比旅行商问题还要复杂的组合优化问题—— 变量是车型 × 颜色 × 产线 × 工作日历 × 物料齐套，约束是机台产能、工序先后、换型时间、物料到货时点，组合数量大到人脑根本算不过来，只能交给机器在约束里找最优。

联友科技这次发布的LYOPT，是一颗自研的求解内核。它的价值有两层：其一，不依赖商用求解器授权，规避了成本与“停服”风险——用大白话说，就是自主可控；其二，它快（据联友科技披露）：5000工单、30000工序的多车间混线基础可行解≤2分钟，局部扰动重排≤10秒，万台整车排产收敛≤3分钟。

更硬核的是那张“约束规则知识库”：用14个属性×12条规则×15种运算符，理论上能组合出2520种规则形态，目前已沉淀130+，且源自多家知名主机厂的实战，排程结果“白盒可解释、可调优”，而不是丢出来一个黑盒数字。

亿欧智库《2026年中国生产制造类工业软件行业发展洞察报告》也提到：工业软件长期被海外巨头把持，APS（高级排程）与求解器是典型“卡脖子”环节。联友科技的自研路径放在国产替代的叙事里，精美PPT之下承载的是实打实的制造拼图。

四、从“人读架构”到“AI读架构”，联友把赌注押在了“知识”上

如果把视野从排产拉到企业整体IT，联友科技还有一个更宏观的判断值得单独拿出来讲。传统4A架构（业务/应用/数据/技术架构），在AI时代面临的是系统性挑战——问题不在单点技术，而在架构基因。联友科技提到：架构要从“给人看、供人查、靠人兜底”的“人读架构”，整体转向“语义化、资产化、知识化、智能化”的“AI读架构”。

过去企业的数据躺在数据库里睡大觉，联友科技想给它们办张“身份证”（技术上加一层“本体/Ontology”，基于OWL协议），让AI能看懂、能推理，数据因此升维成“知识”，成为新资产；架构的“阅读者”也从人，扩展到了AI智能体。联友数智底座，就是这套理念的产品化：数据中台打底，上面长出自研的智能体平台、知识库平台和本体平台。

从覆盖度看，联友科技副总经理付聪在群访中透露，联友面向汽车行业全价值链的覆盖度约93%，旗下营销系平台已包含8大平台、26个业务中台。覆盖广，是联友科技敢讲“全栈一站式”的底气。

不过话说回来，很多车企的AI项目不是死在技术，而是死在“数据孤岛”和“组织烟囱”。联友科技的对症解药是“一个企业、一个数据模型、一套数据标准”，以及把组织从职能烟囱进化为“业务+技术+AI混编”的π型人才，这一点联友科技讲得透彻，但也最考验客户和自己的耐心。

五、亿欧汽车对话副总经理付聪：联友科技在制造端的叙事非常克制

前面讲的，是论坛上的技术叙事，而实际上这些架构到底有没有真的跑起来更让人在意，联友科技副总经理付聪回应了亿欧的两个提问——

第一个问题指向这次发布的AI+SCPC：它到底想解决主机厂“产”和“供”之间的哪一类断点？和它已有的APS、LES、G-LES相比，究竟是新建一条线，还是把计划、执行、供应商协同拉通成一盘棋？有没有一个可量化指标，能说清它带来的“价值跃升”？

付聪没有先讲产品，而是先讲了一个行业级的矛盾：当下汽车制造业高端产能过剩，主机厂的课题是规模化生产——只有大批量采购、大批量排产，才能摊平研发和制造成本；可消费端偏偏走向个性化、差异化，App下单动辄几十项复杂配置，销售端还叠加品牌与车型切换带来的销量异常波动。“一边要大批量摊成本，一边要个性化保销售”，产销平衡，正是当下主机厂成本与资金占用的最大困难点，而AI+SCPC瞄准的，恰恰就是这个断点。

顺着这个断点往下，付聪解释了SCPC的技术路线：它并不是另起炉灶，而是在原有APS基础上的升级——APS是一个小模型求解器，用规则算出一份生产计划；SCPC在这层之上套了大模型，对排产计划做推理演算，把产前（供应链、零部件成本、生产批量、物流周期）、产中（工厂开工率、能源消耗、排班）、产后（供应商资金、经销商资金及其物流成本与周期）一并纳入，用大白话说，就是把“排一份计划”升级成“看见一座工厂运营的全貌”，让工厂负责人自己在多个可行方案里做决策，选一个资金成本最低、资金使用效率最优的计划去执行。至于量化指标，付聪给得很实在：目前AI+SCPC已在部分客户实施，最直接的变化是——过去一个将近200人的排程团队做基础信息采集，现在三四个人、一个星期就能做完，而且是多品牌、多工厂的大协同。但他也坦言，现阶段“只是节省了效率”，真正的“价值跃升”要看上线之后的两金占用、营收和库存的变化，而且“这不单纯是IT和AI的事，还要靠业务推进”。在人人抢发“颠覆性成果”的发布会季，这种把“已兑现的”和“待验证的”分开讲的坦诚，反而比数字本身更有说服力。

第二个问题更尖锐：MIT NANDA项目去年发布的《The GenAI Divide》和BCG的同期调研都提到—— 六到九成企业的生成式AI投入没有产生可衡量回报，能规模化捕获价值的只有约5%；而行业里“AI+制造”的很多落地，其实是预测性维护、排产优化这类传统工业AI，并非大模型。那么联友在制造场景主推的，究竟是哪一类？又该怎么定义这次论坛说的“价值跃升”——用降本、提效还是提质来度量？

“不管黑猫白猫，抓到耗子就是好猫。”付聪回答。联友科技从2017年开始投入AI，从小模型做起，千问等开源大模型起来后逐步引入大模型模式；在他看来，两者的本质区别是“一个是精确的，一个是概率的”——工位过点、质检数据采集这类有时效性要求、确定性要求高的场景，小模型简单直接，直接用，而意图理解、端到端这类需要更丰富适配性的需求，交给大模型；落地工程上，就是前文提到的那套“大模型+小模型工程”，前置预处理、后置校验门禁，层层把输出控制在确定性框架内。

付聪的回答可以看出，联友科技在制造端的叙事其实非常克制：它不宣称“大模型改变了制造业”，而是把大模型放在它擅长和该在的位置——理解意图、推演全局、解释方案，把确定性的活儿留给求解器、规则引擎和小模型。把“200人的团队变成3-4个人一周”——效率的提升已经落袋，资金占用的改善留待验证。对一个想用AI的制造企业来说，这种分得清边界、算得清账本的供应商，比讲故事的概率模型更值得托付。

六、写在最后

回看这场智能制造分论坛，联友科技把“分层协同、自主可控、算得清账”落到产线旁：把大模型按回它该在的位置，用自研求解器守住国产替代的咽喉，再用本体把沉睡的数据升维成知识。

提炼成一句话：联友科技这一轮的价值，不在于又发了几个大模型产品，而在于它工程化地跑通了一套秩序——确定性的活交给确定性工具，不确定的推理交给大模型，决策权留给人。发布会的热闹会过去，谁先把这套秩序变成客户的现金流，谁才笑到最后。