质量问题，越晚发现越贵
2026年10月23日，联想在天津举办ICT产业高质量发展论坛暨第十三届供应商质量论坛。两天后，《天津日报》披露了三组数据：近半年，联想电脑业务通过预防性质量机制支持339款新品上市，前置处理4000余项质量风险；合作工厂的AI巡检机器人把一轮高风险工站巡检从约一周压缩到一天；天津工厂一项视觉语言模型检测应用中，相关不良率统计由3.5%降到0.4%。
返工、停线和客户退货分别发生在生产链条的不同位置，代价也不同。这些案例可以放在同一条线索下看：质量工作能否提前到产品设计、供应商审核与工艺准备，而不只在产线末端找瑕疵。
一、制造质量的成本，大部分发生在“问题发现得太晚”
制造业有一条经典规律：问题发现得越晚，处理成本越高。如果设计问题在CAD阶段被发现，修改成本可能只是工程师几个小时；到了样机阶段，需要重新打样；进入量产可能造成停线；产品卖给客户之后，就会变成返修、召回甚至品牌损失。
质量管理要尽量把问题发现在返工、停线和退货之前，联想此次强调的“AI原生质量”就围绕这个逻辑展开。这类应用可放到产品定义、研发、供应商审核与工艺准备阶段，产线末端的OK/NG判断只是其中一环。
二、339款新品、4000余项风险，体现的是“质量前置”
联想披露，近半年相关机制支持339款新品上市，并提前处理4000余项潜在质量风险。按披露的两个数字粗算，每款产品对应十余项前置处理的风险；这些风险未必都是严重缺陷，也可能是供应商材料差异、元器件兼容问题、制造工艺窗口过窄、测试项目遗漏、结构装配风险或用户场景下的可靠性问题。
传统方法依赖大量质量工程师逐表检查。产品种类和供应商增加、设计版本更新速度加快，都会加重人工审核的负担。质量智能体可以先读取设计和质量标准、检查历史问题数据库，生成审核清单并标记高风险项目，再整理改进建议、形成审核报告。
工程师于是从“从零开始找问题”转为“审核AI找到的问题”，质量人员也可以把更多时间用于核对高风险问题。智能体完成第一轮梳理，并不代替工程师对问题作出判断。
三、质量智能体比普通企业知识库更难
企业知识库问答主要关心“回答是否正确”，质量Agent还要解决版本、责任和闭环三个问题。同一个产品可能有多个硬件版本、BOM版本和工艺版本；Agent若引用旧版标准，就可能产生错误判断。AI可以提示风险，但是否允许放行产品，需要有明确责任人。
问题被发现后，还需要进入整改、复测和最终关闭流程。AI如果只生成报告，却无法跟踪问题是否完成关闭，价值便非常有限。因此，质量智能体必须与PLM、MES、QMS和供应商质量系统连接；质量工作走完整改和复测，才算把问题关闭。
四、巡检如何从一周缩到一天
人工巡检最大的成本是覆盖范围。一个大型电子制造工厂可能有大量工站，每个工位又有不同设备、工艺文件和现场状态。质量人员需要逐个查看工艺参数是否正确、作业指导书是否最新、设备报警是否异常、材料是否混放，以及人员操作是否符合规范。
如果巡检机器人能读取生产、质量和异常数据，再结合现场视觉检查，就可以把“固定周期人工抽查”变成“数据驱动的风险巡检”。联想公布的案例里，原来全量人工巡检约需一周，AI巡检机器人把高风险产品和关键工站覆盖压缩到一天；提速的价值还取决于能否提前识别当天该优先检查的工位，让质量人员优先处理高风险工站。
五、视觉语言模型如何进入产线
传统机器视觉通常采用专用模型，一个产品一个模型，一种缺陷一个训练集。这种方式精度高，但维护成本也高；产品频繁换型时，还要不断重新采集数据、标注和训练。视觉语言模型提供另一种可能：先具备比较通用的视觉理解能力，再结合工厂知识和少量样本适应具体任务。联想天津工厂披露的屏幕缺陷案例，是这种路线的典型尝试。
如果一套VLM可以理解划痕、亮点、异物、装配偏差和显示异常，换产品时需要做的工作可能比传统模型少很多。但工业视觉的要求远高于普通图片识别，通用识别能力无法替代产线放行前的现场指标测试；现场还要具体检验漏检率、误报率、节拍、不同光照下的稳定性，以及不同批次产品的表现。
六、AI质量工程最终会形成“质量数据飞轮”
如果企业长期使用AI质检，会产生一个非常重要的数据资产。每一个产品质量问题都能连起缺陷图片、设备参数、工艺批次、供应商、分析原因、整改措施和复测结果；这些数据又可以反过来训练模型。随着时间积累，AI可以逐渐识别哪些参数变化容易出问题、哪些供应商风险更高、哪些设计容易返工，以及哪些缺陷经常被人工漏掉。
缺陷、原因和复测结果持续回流，才构成可用于改进的质量数据闭环。它与互联网AI最大的不同是，数据来源于真实物理世界，而且每条数据都对应成本和责任。
七、供应商数据如何接入质量管理
联想本身是大型制造企业，ICT产业链背后还有大量供应商。对于品牌厂商，最大的质量挑战往往不在自己工厂，而在供应链；一家供应商更换材料，可能影响几百万台设备。质量智能体若能连接供应商审核、来料检测和生产异常，就可以形成跨企业风险网络。
例如，某型号连接器在三家供应商同时出现异常，系统可以关联近期材料批次、提示类似历史问题，建议增加某项来料检测，再把风险同步给设计和采购部门。这些预警如果能跨供应商共享，就会进入产业链级质量管理。
用缺陷和返工，核算质量Agent的价值
339款新品、4000余项前置处理风险，以及工站巡检提速，给出了联想质量工作的几个切面。要判断应用效果，还需把风险发现后的整改、复测和关闭连起来，并持续记录漏检、误报、节拍与批次差异。
质量项目的账相对好算：返工减少多少、停线缩短多久、客户退货是否下降。工程师能否更早收到有依据的风险提示，也应该放进评价里。这些结果，比工厂装了多少个模型更能说明问题。
参考资料
-
天津政务网／天津日报：《为数千项潜在质量风险“踩刹车”》
https://www.tj.gov.cn/sy/tjxw/202610/t20261025_7641173.html -
光明网／人民网天津：《600余位代表共聚天津探讨AI时代质量管理与产业链协同》（2026年10月23日）
https://tech.gmw.cn/2026-10/23/content_39063097.htm