大模型在制造业的价值，正在用产线指标而不是对话轮次来度量。据搜狐网报道，富士康的AI工厂上线12天即处理了1万亿token，产线异常改善率超过90%——这组数字的分量在于，它们对应的不是演示环境，而是真实运转的工厂。
一、万亿token背后，是大模型在产线上的日常化
按照报道口径，富士康AI工厂上线仅12天便完成了1万亿token的处理量，产线异常改善率超过90%。token吞吐量是一个容易被忽视的信号：它意味着大模型不是偶尔被工程师唤起的“咨询工具”，而是深度嵌入设备数据解析、工艺文档理解、异常归因等日常作业流程，成为产线持续运行的一部分。
对制造企业而言，这标志着AI使用方式的变化——从“问一次答一次”的辅助，转向全天候在线、持续消费产线数据的“基础设施”。
二、为什么产线异常管理最先跑通闭环
在制造业的诸多场景中，产线异常治理往往是大模型最先落地的切口，原因有三：①异常场景数据密度高，设备日志、质检记录、工艺参数天然构成可训练的知识底座；②异常处置的知识高度依赖老师傅经验，而大模型恰好擅长把这类隐性经验沉淀为可复用的知识库；③改善效果可以直接用异常率、停机时长等硬指标验收，ROI清晰，管理层容易下决心。
90%以上的改善率即便考虑统计口径差异，也足以说明AI介入前后存在量级差距——这正是制造业客户最看重的“可解释的收益”。
三、从样板工厂到规模化复制，还有三道坎
样板车间的成功不等于全厂复制。①数据治理：不同车间设备协议、数据质量参差，先补数据课才能谈模型；②工艺知识库：每条产线的工艺know-how不同，模型必须与行业语料深度耦合，通用大模型直接套用效果有限；③组织协同：OT与IT团队、产线班组与算法工程师需要新的协作流程，否则模型再准也落不到班组的操作习惯里。
富士康的实践提供了一个有说服力的参照系：当token吞吐与异常改善率成为常态指标，制造业对大模型的评估就会从“能不能聊”转向“能不能扛住产线”。九天技术的天行大模型同样面向企业与政务场景提供私有化部署能力，制造业客户可参考此类路径，把行业知识库与业务闭环先跑起来，再谈规模化。（事件信息综合自公开报道）