AI 行业落地 | 第23期：工厂先自己用，农田先算水肥账

AI行业落地 · 2026-10-26 · 九羲科技

10月26日，两条相隔很远的消息，讲的是同一件事。鸿海在自己的工厂里算排程、算换模、算贴片不良；广西的一块田里算水、算肥、算病虫害。模型没有先登场，账本先登场了。

这期只收这两案。它们都发生在过去24小时里，都有具体场景、具体做法和具体数字，也都有说清楚的边界：数字是谁说的、比的是什么、还没验证的是什么。先看工厂，再看农田。

· · ·

鸿海：先拿自家产线当客户

1. 背景：造AI机器的人，先把机器用在自己身上

鸿海是全球最大的电子代工厂，也帮别人造AI服务器。它的麻烦很具体：产线排程靠人排，射出成型换一次参数要反复试，表面贴装（SMT）产线出了不良要一个个找根因。单子越大，这些脏活越贵。英伟达10月26日发的技术文章里，鸿海的解法不是先卖一套平台，而是先在自己的工厂里把这三处啃下来¹。

2. 方案：一台“超级大脑”，三条产线活

搭法分三层。底层是 DGX SuperPOD（DGX超级计算机集群），用的是英伟达Blackwell架构的DGX GB200系统，另有GB300 NVL72系统与RTX PRO服务器撑起更广的生产环境¹。中间是鸿海自家的 FoxBrain（鸿海大语言模型），这次基准测试跑的是1200亿参数量级的模型²。顶层是三处产线智能体：自动排程接过排产表，射出成型参数切换由系统给建议，SMT不良由系统先定位根因。

数据怎么接、流程怎么改，公开报道只讲到这一层：算力与模型先在内部跑通，产线工时与不良数据喂给智能体，再由智能体反哺排程与换模。报道没有披露审批链：排程结果由谁终审签字、不良处置由人复核还是系统直通，这些关键分工目前查不到，读的时候要留一格。

图：鸿海AI工厂的搭法示意（程序绘制示意图，非实拍；数字为企业披露口径）

3. 效果与成色：数字都来自企业一方，要分开读

训练侧：与上一代H100基线比，GB200系统训练提速2.48倍，12天处理1万亿个词元²。这两个数是同一组基准测试里的数，基线是鸿海自己的H100配置，不是第三方跑分。产线侧：排程工时减少25%，射出成型工程工作量降低50%，20多项主要产线问题得到改善，SMT产线异常改善率超过90%¹。“改善率”在这里没有展开定义，是根因定位率还是不良率下降，原文没有拆开，不能直接当成品率用。

还有一层值得留意：鸿海同时在高雄建新的智慧工厂枢纽，并与英伟达合作开发AI Token生态系统与开放式智能体框架，准备把这套内部跑通的东西做成别人能用的定制智能体方案¹。先内用、再外卖，这个顺序本身就是它的商业判断。

能抄走的一点：先圈三个最痛、最能量化的环节，跑出工时与不良的账，再谈平台与生态。平台的话术可以晚一点，账不能晚。

广西：一块田先算清水肥账

1. 背景：种地靠经验，水肥最容易浪费

新华社南宁10月26日的报道里，广西的“AI+”行动落到了田间。传统种法的问题不玄：靠经验、看天吃饭，水肥多浇多施求心安，浪费藏在每一次“多一点”里。捷佳润在南宁做的事，是把这笔糊涂账先算清楚³。

2. 方案：感知、决策、执行，走完一个闭环

这套系统的搭法是三段。感知层接气象站、土壤监测等终端，实时收温度、湿度、土壤酸碱度；视觉层看叶绿素含量与结果状态，识别60多种病虫害与杂草；决策层是农业大模型“土谛”与“AI农园巡回助手”，把环境数据与作物长势拼成防治与水肥方案，再由系统调度灌溉设备³。农户一端的操作很轻：在小程序地图上圈地、输入作物，就能拿到一份土地分析报告。

流程改造的关键不在模型多聪明，而在执行有没有接上：方案如果只停在手机屏幕上，水肥还是老样子。这套系统把方案连到了喷灌、滴灌等设备，决策才算落了地。另一条线是甘蔗机器人：电动驱动、自带感知与决策系统，自己认地形、认甘蔗、规划作业路线³。这条线目前还处在引起泰国制糖业界关注的阶段，量产与成本数据没有披露。

图：新华社广西“AI+”报道配图（图片来源：新华社经d菜单新闻转载页）

3. 效果与成色：500亩的账，别急着放大成全省的账

在500多亩（约33公顷）的栽培基地上，企业称水节约30%、肥料节约25%，栽培成本大幅下降³。这三个数都是企业向新华社介绍的口径，没有披露对照田的设置、统计周期与基线年份，读作“一家企业在一个基地上的自述成绩”比较稳妥。系统已进入柬埔寨、老挝、泰国等东盟国家³，但各国各多少亩、效果是否复现，10月26日的报道没有分国拆开。

能抄走的一点：先在一个可测量的基地里把水肥账算清，再带着这套“感知—决策—执行”的闭环去气候、土壤不同的田块做本地化改造。复制的前提，是先承认每一块田都不一样。

· · ·