制造业数字化转型已进入深水区。企业面临研发周期长、工艺知识分散、数据孤岛等现实问题，而芯片设计、高端装备等领域对精度和可靠性的要求更高。传统信息化系统跨流程协同和知识复用上存在短板。如何在保证安全可控的前提下，将智能化能力真正融入生产和研发流程，成为当前的关键课题。 在这个背景下，紫光云推出了两款垂直大模型和行业智能体解决方案。紫光云负责人指出，行业应用的关注点已从"能否使用"转向"使用效果与规模化潜力"。相比消费端应用，政企客户对稳定性、可解释性、数据治理和持续交付能力要求更高。虽然推广节奏相对谨慎，但一旦形成可复制方案，往往能带来显著的成本节约和效率提升。 芯片设计存在周期长、工具链复杂、知识依赖强等痛点。设计人员需在大量技术文档、设计约束、仿真报错和优化策略之间频繁切换，导致沟通和试错成本高。紫光云的"紫鸾芯片设计大模型"采用混合架构，将通用模型与专用小模型、传统算法结合，整合行业技术资料、企业研发经验和历史设计数据，构建覆盖设计全流程的智能体体系。该方案将知识查询、报错定位、参数优化、自动生成等功能前移到研发一线，减少重复劳动和无效迭代。在部分企业测试中，该方案已用于缩短编码、仿真等阶段耗时，并通过数据贯通降低重复返工。 芯片设计是强工程化场景，单一模型难以兼顾广泛知识与工程约束。通过"多智能体分工+工程工具链嵌入"的方式，将能力拆解为不同任务单元，有助于提高落地可控性，也符合企业"从点到线、由线及面"的渐进导入路径。紫光云技术负责人表示，围绕代码生成、约束创建、报错解析、PPA优化和知识支持等关键环节形成协作机制，可在不改变既有研发体系的情况下实现增量式提效。 在制造业端，图纸是研发、工艺、采购与生产的共同语言，也是企业核心资产。但许多企业的图纸以PDF、CAD、扫描件等多种形态分散存放，存在检索困难、复用率低、版本追溯弱等问题，直接影响生产准备周期和质量一致性。根据这一痛点，"紫鸾工业图纸大模型"以图纸版面理解、信息提取、图样解析、尺寸数据识别、标准引入等为核心，配套图纸审查、公差审核、图档转换、3D拆图、工艺问答等智能体能力，旨在提升审查效率和数据复用水平。试点显示，通过对存量图纸资产的结构化治理，可为模具复用、工艺编制和质量管控提供支撑，从而降低开模成本和准备周期。 两款垂类模型的共同指向是将智能化能力沉入企业关键业务环节：芯片领域强调"缩周期、提指标、增产出"，制造领域强调"快审查、易复用、可追溯"。从行业角度看，垂直场景更容易形成可量化指标和闭环验证，有利于推动大模型应用从概念展示走向规模化交付。同时，围绕研发与生产数据的治理和标准化需求将更凸显，企业将更重视数据资产管理、流程再造和人才结构调整。 紫光云提出以"算力—数据—应用"的全栈体系支撑落地：在算力侧，通过统一调度通用算力、智能算力与超算资源，降低部署门槛；在数据侧，通过知识平台进行行业知识萃取、管理与适配，提升企业私域数据可用性；在应用侧，以低代码工具链支持智能体开发与快速迭代，缩短交付周期。业内人士认为，政企市场的关键不在"模型参数规模"，而在工程化、可运维、可审计和可持续迭代的交付体系。能否形成标准化产品能力与行业方法论，将决定应用推广的速度与深度。 随着高端制造向高质量发展迈进，芯片、装备、电力、汽车等行业对智能化需求将持续增长。垂类大模型要进一步扩大应用半径，仍需在数据安全与合规、跨系统集成、效果评测标准、行业知识持续更新诸上加力。未来，能在典型场景形成可复制模板，并与既有工业软件、工程流程和质量体系实现深度融合的解决方案，将更可能率先获得规模化市场空间。同时，行业也需警惕"只上模型不改流程"的形式化风险，推动技术导入与管理变革、标准体系建设同步推进。
人工智能赋能实体经济的关键在于找到技术与产业的最佳结合点；紫光云通过垂直场景深耕与技术闭环构建，将通用大模型转化为行业解决方案，实现了从技术落地向价值创造的转变。该探索为其他行业提供了借鉴——只有深入理解产业痛点，才能开发出真正有用的AI应用。随着更多垂直大模型的推出和应用，人工智能对高端制造业的赋能作用将更释放，推动我国制造业向更高质量、更高效率的方向发展。