5 小时变 2 分钟：联想 ThinkStation PGX 如何"撑起"理想汽车 PPAP 审核 原创

这是理想汽车一颗零件的 PPAP 审核时间在过去这段时间里发生的变化。

PPAP 是生产件批准程序的简称。供应商在量产前要提交一整套材料，向主机厂证明自己已经具备稳定、持续交付合格零部件的能力。一颗零件后面，往往有几十份资料；一辆车背后，是成千上万颗零件和密集联动的文件体系。这是汽车供应链里最不容易被绕过、也最不容易被加速的环节之一。

5 小时是熟练 SQE 工程师审一份资料的速度，这已经是相当高效的水平了。而当同样的工作被压缩到 2 分钟时，意味着原来必须由人来做的判断，现在大部分可以交给机器。

完成这件事的，是一套叫做 PPAP Audit Agent 的 AI 智能体。目前，它已经在 290 个供应商项目里投入运行了。

其背后的算力载体是联想 ThinkStation PGX，一台桌面级、可以放进任何一家供应商车间的本地 AI 超算。

供应链质量审核不直接面向消费者，但它决定了一辆车能不能按时下线、按质交付。截至 2026 年 3 月底，理想汽车历史累计交付突破 163 万辆。当规模膨胀到这个量级，传统的人工 PPAP 审核体系在物理上已经远远跟不上节奏了。

PPAP 审核时间的压缩，表面看是效率提升，其实是把高度依赖人工经验的工作，转化为可以被 AI 系统化执行的流程。

这恰好是 AI 智能体擅长的那类活。

它面对的是海量、多格式、强关联的资料，审核过程又依赖清晰的工程规则和固定的检查路径。智能体可以在多份文件之间建立关联，按既定规则连续推进审核流程，并把结果直接反馈到具体问题点上。

PPAP 之于汽车供应链，正如 KYC 之于金融业的信贷开户，看似常规，实则决定下游一切动作能不能启动。这种“闸门”任务一旦由人变成机器，整条链路的等待时间会跟着缩短。

当然，能不能把资料审明白，只是迈出了第一步。真正到了车间里，事情马上就复杂起来。系统能不能稳定跑起来、接入真实流程，能不能在本地处理那些上不了云的敏感数据，这些才决定它到底能不能用起来。

对理想来说，PPAP 智能体要真正部署到每一家供应商的车间里去，靠的是一整套贴近现场的交付能力。

而选择联想工作站，正是依托其覆盖全国的售后网络与市场领先地位。据 IDC FY25 Q4 数据，联想 ThinkStation 以 47.3% 销量占比、53.8% 营收占比稳居中国塔式工作站市场第一。其 2400+ 服务中心、100% 覆盖全国，可快速响应各地工厂，保障 PPAP 智能体稳定运行。

而分散的供应商、网络与数据高安全要求下，唯有把 AI 能力下沉到本地，才能在不打乱原有节奏的前提下，把 PPAP 嵌入场景。这意味着，承载这套智能体的设备必须满足几项条件：能够在本地稳定推理，支持 7×24 小时连续运行，部署门槛足够低，且不能给工厂额外增加过多改造成本。

联想 ThinkStation PGX 所撑起的，正是这部分关键的落地能力。

联想 ThinkStation PGX 是一款专为完整构建和运行 AI 而设计的新型超级计算机。它搭载基于 NVIDIA Grace Blackwell 架构的 NVIDIA GB10 Grace Blackwell 超级芯片，在 FP4 精度下可提供高达 1 petaFLOP 的 AI 性能。借助 128GB 统一内存，开发人员可以对来自 DeepSeek、Meta、Google 等的下一代推理模型进行试验、微调或推理，支持的模型规模最高可达 200B 参数。换句话说，一台桌面级设备能装下原本只在数据中心里跑得动的模型。

在此基础上，联想 ThinkStation PGX 进一步把大模型能力延伸到本地开发与实时应用场景。它能够在本地实时运行理想自研的 27B 大模型，同时支持多个智能体并行推理。借助 NVIDIA ConnectX 网络，两台联想 ThinkStation PGX 还可以互联扩展内存和算力，从而支持对多达 405B 参数模型的推理。

它的整机体积非常小，投影面积比 iPad mini 还小，整机重量只有 1.2kg。不需要额外机房，也不依赖复杂的基础设施改造，进入供应商现场后即可直接部署。

对理想来说，这意味着 PPAP Audit Agent 不必等供应商先经历一轮漫长的数字化改造，就能直接进入真实业务场景。对供应商来说，第一次接入 AI 工具，整体门槛也更低。

设备放得下、运行稳，才有机会真正进入产线和质量体系，成为日常业务的一部分。

根据麦肯锡 2024 年发布的研究估算，中国工业自动化市场规模已超过 2500 亿元，占全球三分之一以上。IDC 此前发布的数据则显示，全球工业 AI 质检市场 2025 年接近 10 亿美元，复合增长率 28.5%。

市场起步不久，真正能在工厂里能跑起来落地应用的 AI 还很有限，但联想 ThinkStation PGX 或许已经帮助理想抓住了关键。撑起一台设备的扩展空间

今天这台联想 ThinkStation PGX 跑的是 PPAP 审核智能体，解决的是量产前最费人、最费时间的文件审核。

往后呢？质量策划、过程审核这些能力，也可以继续往同一套边缘底座上叠加。对理想来说，这让 AI 更容易沿着供应链一路铺开。对供应商来说，更现实的价值在于，前期投入不会因为场景继续扩展就很快过时。同一台设备，可以先跑通一个场景，再在此基础上不断叠加新能力。它在工厂里担的角色，也就不再只是解决单一问题的工具，而是一块持续生长的 AI 地基。

一台设备能同时“养活”多个智能体，本来就是 NVIDIA Grace Blackwell 架构的设计目标之一，也是联想 PGX 跟通用工作站不一样的地方。

Blackwell 架构为本地智能体提供的价值，首先体现在 AI 推理链路的底层加速上。其第五代 Tensor Core 与新一代 Transformer 模型对矩阵运算、注意力计算和低精度推理进行了专门优化，能够更好地支撑多轮对话、长上下文处理、代码生成与多模态生成等高密度 AI 负载。

具体到 PPAP 的场景中，在审核一份零件文档时，智能体要并行处理工程图纸的视觉理解、技术参数的结构化提取、与历史版本的差异比对，这些任务背后是大量低精度矩阵运算的密集调度。Blackwell 架构的 Tensor Core 原生支持 FP4 数据格式的计算指令与执行路径，使该精度推理在硬件层面可获得更高的执行吞吐，从而带来显著的推理加速效果。

对企业的私有化部署来说，这意味着本地能跑的模型上限被直接拉高，原本更依赖高端服务器环境的模型，能够在 Blackwell 架构的设备上获得落地空间。

硬件能力要转化为企业真正可用的解决方案，还得益于 CUDA 软件生态所带来的工程化能力。借助 CUDA、cuDNN、TensorRT-LLM 等成熟工具链，Blackwell 的 Tensor Core、Transformer 模型，以及低精度推理能力，能够更高效地转化为可部署、可调优、可持续迭代的本地推理能力。

另外，NVIDIA 还为这套底座补齐了配套的软件栈。NemoClaw 能将复杂环境的搭建简化为单条命令即可完成 OpenClaw 所需组件的安装；接入 NVIDIA OpenShell 运行时后，还能为智能体提供隔离的执行环境，以及基于策略的网络与数据访问控制。

这套以 Blackwell 架构为底座、叠加推理加速与安全能力的体系，正好对上了企业当前最现实的几项需求：本地推理压缩了云端数据交换带来的时延，敏感数据可以留在本地或内网沙盒中处理，长期运行的智能体对外部 Token 计费模式的依赖明显下降，标准化的部署链路也让 IT 团队更容易将智能体纳入既有的权限、安全与运维体系。

回到理想这条主线，今天承载 PPAP 的这台联想 ThinkStation PGX，明天可以承载过程审核智能体，后天可以承载质量策划智能体，同一套硬件、同一套软件栈、同一套安全策略。供应商在工厂里部署的，不是一个一次性的工具，而是一块持续生长的 AI 地基。

撑起一条产业链的算力下沉

当一台设备可以持续叠加能力，一个更大的变化就开始在产业侧发生——这块“AI 地基”的价值，会加速向整条供应链扩散。

其实，从行业看，在汽车制造业中，人员作业带来的质量问题长期存在，一直缺乏有效的技术手段来解决。难点在于无法在复杂、多变的现场环境中，形成稳定运转的质量闭环。

而理想的做法，是把 AI 能力延伸到供应商一侧。理想通过专门建立实验室，为供应商开发可以直接部署到车间里的 AI 产品。

在落地标准上，理想汽车供应链 PTC 工业化总监雷江波将其总结为四个关键词：好用、易用、便宜、柔性。在 AI 时代，理想汽车也将供应链的决策时效从“天”压缩到了“分钟级”。在方法论层面，雷江波用 PDCA 框架总结其愿景：质量策划（P）→现场执行（D）→数据回传检查（C）→审核分析与持续改进（A）。

理想方面透露，已经有同行车企看到供应商在使用这套产品的实际效果后，开始要求供应商在其自身体系中同步部署。相关技术正在从理想的供应链向更广的范围扩散。

理想汽车的实践表明，企业级智能体要真正落地，模型能力决定起点，算力平台的安全性、稳定性和扩展能力，则决定了 AI 业务能走多远。

而联想 ThinkStation PGX 的价值，正在于为这些关键能力提供稳定、可持续的支撑。这也是理想汽车在推进相关 AI 应用时，将联想作为支撑模型运行与场景落地的重要合作伙伴的原因。

在实际应用中，理想汽车与联想也展开深度合作。围绕理想自研模型，联想提供了定制化微调支持，并承担了从硬件配置、部署实施到后期运维的整体交付。面对覆盖广泛的供应商网络，联想成熟的服务体系也为后续运行提供了保障。

如今，本地 AI 超算和云端的分工正在明朗起来：重训练、跨域协同的任务继续留在云上，对延时和数据驻留敏感、又必须贴近现场的任务，开始往车间和工位下沉。

这种下沉的速度推到哪里，本地能用的算力就要铺到哪里。

而理想从 5 小时变 2 分钟的效率提升，就是这种算力下沉，刚刚发生在工程师工位上的时刻。