至頂AI實驗室評測：聯想 ThinkStation PGX 如何接管 PPAP 審核

測試時間：2026年3月產品：聯想 ThinkStation PGX測試場景：汽車供應鏈 PPAP 文件智能審核一顆螺栓的扭矩偏差了0.1牛米，一道焊縫的截面誤差超出公差帶，單看都是"小問題"。但放進一輛車、一條線、一個季度的量產節奏里，這些小問題會被系統性地放大。質量管理行業有句老話：越往后發現問題，修復成本越高。理想汽車的答案是：那就把問題消滅在量產開始之前。

2025年，理想的研發投入達到113億元，其中AI相關占比50%，落地了290個視覺項目，培訓了近400名供應商端的AI應用人才。這是一個車企把AI砸進供應鏈的真實規模。而此次至頂AI實驗室關注的，正是這套投入里最不起眼、卻最關鍵的一個節點：供應商量產前的PPAP審核，以及聯想 ThinkStation PGX 是如何把這件事從"五六個小時"壓縮到"兩三分鐘"的。

先說清楚：PPAP 是一道什么樣的關卡

PPAP，即生產件批準程序（Production Part Approval Process），是汽車行業在零部件正式量產前、供應商必須完成的一套質量認證流程。它的核心邏輯是：供應商要向主機廠證明，自己不是偶爾把零件做對了一次，而是真的有能力、有系統地把它一直做對。

這套證明材料，少則十幾份，多則二十多份，涵蓋尺寸測量報告、工藝流程圖、控制計劃、材料認證、MSA量測系統分析……一顆零件，背后就是二十多份資料；一輛車，背后是成千上萬顆零件。資料一多，項目一多，人工審核的紕漏就在所難免——不是工程師不認真，而是信息量超過了人工處理的上限。

更棘手的是，PPAP涉及的數據遠不止"普通文檔"。里面有新車開發節奏、零部件設計參數、工藝細節、供應鏈信息，很多內容在量產前本身就處于高度保密階段。這些資料哪怕只泄露了只言片語，拼在一起就可能暴露競爭機密。

這就決定了，這件事的核心約束從一開始就不只是"能不能用AI審"，而是"這套AI能不能不離開現場就把活干了"。

這臺機器是什么：聯想 ThinkStation PGX 配置解析

聯想 ThinkStation PGX 是聯想首款搭載 NVIDIA GB10 Grace Blackwell 超級芯片的工作站，定位是"桌面超級計算機"，核心目標是讓本地 AI 推理成為可能，徹底擺脫對云端算力的依賴。

核心配置：

項目規格處理器NVIDIA GB10 Grace Blackwell 超級芯片，20 核 Arm（10x Cortex-X925 + 10x Cortex-A725）AI 算力最高 1 PetaFlop（1000 TOPS）統一內存128GB LPDDR5x，256-bit，CPU 與 GPU 共享存儲1TB / 4TB M.2 NVMe SSD（支持自加密）操作系統NVIDIA DGX? OS，預裝 NVIDIA AI 軟件棧、PyTorch、Jupyter Notebooks網絡10GbE 有線，Wi-Fi 6/7，藍牙 5.3形態小尺寸緊湊機箱（SFF），可多機互聯共享算力與內存池模型支持規模最高支持 2000 億參數的大模型本地運行這臺機器的設計邏輯，是把原本只有數據中心才能提供的 AI 能力，裝進一個可以放在工位旁邊的盒子里。1 PetaFlop 的 AI 算力，1000 TOPS 的性能標定，128GB 統一內存架構讓 CPU 與 GPU 之間不再需要反復搬運數據，這對推理型任務來說是關鍵優勢。

在工業場景里，它還有一個不可忽視的屬性：本地部署、數據不出廠。

評測場景：一個零件的審核，從5小時到2分鐘

至頂AI實驗室本次評測聚焦于理想汽車真實供應鏈場景下的PPAP審核效率測試。測試環境為聯想ThinkStation PGX本地部署，運行自研供應鏈AI智能體，測試任務為單零件完整PPAP文件包的AI自動審核。

基準對比：人工審核單零件PPAP文件，耗時約5至6小時（含文件調取、逐項核查、問題標注、審核記錄）。

AI方案實測結果：

單零件PPAP資料完整審核耗時：2至3分鐘并行處理能力：同時處理100份文件效率提升倍數：約150倍數據處置方式：全程本地推理，文件不出場以文字形式呈現對比數據：在相同PPAP審核任務下，人工方案單零件耗時5至6小時，PGX上的AI智能體方案耗時2至3分鐘，效率提升約150倍；同時支持并行處理100份文件，這意味著一個供應商批次的全套PPAP材料，過去需要一個團隊數天的工作量，現在可以在幾小時內完成批量審核。

至頂AI實驗室注意到，這一數字的意義并不只在于"快"。PPAP審核存在明顯的時間窗口約束：供應商提交材料到主機廠審核完畢，直接影響量產啟動節點。審核效率的提升，等同于為整車開發周期爭取了可量化的時間余量。

適用邊界聲明：本次評測基于理想汽車內部真實部署場景，具體效率數據受文件復雜度、零件類型、AI智能體調優程度影響，不同供應鏈場景下的絕對數值可能存在差異。本方案最適合具備一定AI應用團隊、且存在大批量文檔審核需求的主機廠或Tier1供應商；對于單次PPAP審核量較小、文件標準化程度低的場景，收益相對有限。

本地AI與云端AI：為什么這道題只有本地能做

這是這次評測里最值得單獨討論的判斷。

把大模型接入PPAP審核，技術上并不新鮮。真正的難點在于：PPAP數據的保密屬性，從根本上排除了云端方案的可能性。

PPAP文件里包含的不只是"零件合不合格"，而是新車開發節奏、工藝參數、供應商能力邊界，以及隱含在這些數據里的競爭情報。任何一個字段上傳到云端，就意味著數據經過了主機廠控制范圍之外的節點。對一家每年研發投入超百億的車企而言，這個風險不可接受。

本地部署的PGX，從架構層面解決了這個矛盾：數據不離場，模型就在現場跑，結果直接寫回審核系統。雷江波將這套方案的價值概括為四個詞："好用、易用、便宜、柔性。"在至頂AI實驗室看來，前兩個詞是用戶體驗，后兩個詞才是真正的工業落地門檻——柔性意味著可以在不同零件、不同供應商、不同審核維度之間切換，而無需每次重新訓練或部署。

一個行業的縮影

麥肯錫估算，中國工業自動化市場規模已超過2500億元，占全球三分之一以上；IDC數據顯示，全球工業AI質檢市場2025年接近10億美元，復合增長率28.5%。這些數字背后，是一個還沒有完全打開的市場。

理想和聯想這次合作的意義，不在于PPAP審核本身有多大，而在于它驗證了一種路徑：在數據高度敏感、現場部署強制的工業場景里，本地大算力AI工作站是可以真正落地的。ThinkStation PGX把這件事從"原型驗證"推進到了"穩定生產運行"。

隨著PGX這類產品越來越成熟，AI會更自然地走進質檢、審核、工藝分析這些真實的工業場景——不是作為一個云端服務，而是作為一臺放在車間里的機器。

至頂AI實驗室的綜合評估

適用場景判斷

ThinkStation PGX 并不是一臺通用辦公機，也不是為消費級用戶設計的。它的核心價值主張非常明確：為需要在本地跑大模型的專業場景，提供一套不依賴云端的算力底座。結合理想汽車的案例，至頂AI實驗室認為以下幾類工業場景值得重點關注：

供應鏈質量審核：如 PPAP 等合規類文件的智能體處理工廠視覺質檢：本地實時推理，延遲敏感）工藝參數分析與預測性維護：（數據不出廠的合規要求）涉及商業機密的 AI 開發與微調優勢小結

1 PetaFLOP 算力 + 128GB 統一內存，支持 2000 億參數模型本地全量運行雙機互聯可線性擴展到 4050 億參數，無需改變部署架構功耗遠低于服務器（滿載持續約 104–160W），可直接部署在辦公環境NVIDIA DGX OS 生態完整，PyTorch/Jupyter 開箱即用，對 AI 工程師友好需要注意的地方

存儲空間有限（1TB/4TB 可選），大規模數據集需外掛存儲內存上限 128GB（雙機 256GB），不適合需要更大顯存的超大規模訓練任務定價偏高（國際市場約 4100–4699 美元），適合對本地算力有明確需求的企業客戶至頂AI實驗室認為，聯想 ThinkStation PGX 在本次理想汽車 PPAP 審核場景的評測中，表現達到預期。它不是一個通用工作站，而是一套可以在工業現場長期穩定運行的本地 AI 解決方案。隨著這類產品越來越成熟，AI 走進質檢、審核、工藝分析等真實工業場景的速度，只會越來越快。

END本文來自至頂AI實驗室，一個專注于對AI計算機、工作站及各類AI相關硬件設備，開展基于真實使用場景評測的研究機構。

核心問答

Q1：為什么 PPAP 審核必須用本地 AI，而不能用云端大模型？

PPAP 材料直接關聯新車型開發節奏、零部件工藝參數和供應鏈機密，量產前屬于高度保密內容。一旦通過云端傳輸，任何連接節點都是潛在泄漏風險。ThinkStation PGX 將模型和算力全部部署在本地，數據不離開現場，這是這個場景下的硬性要求，而不是可以妥協的成本選項。

Q2：五小時縮短到兩分鐘，AI 審核的精度能保證嗎？

PPAP 審核的核心是語義理解和參數比對，不是簡單的格式校驗。ThinkStation PGX 配備 128GB 統一內存，可以在本地運行足夠規模的大模型，保障推理質量。理想汽車供應鏈總監雷江波用"好用"來評價其審核效果，意味著這套系統達到了可在生產級場景使用的精度水準。

Q3：這套方案對其他制造業企業有參考意義嗎？

有。PPAP 只是一個切入點，背后的邏輯——高保密要求 + 大規模文檔處理 + 現場部署——在汽車、航空、精密制造等多個行業普遍存在。ThinkStation PGX 這類本地 AI 計算設備，提供的是一種通用的解題框架：把算力放到數據旁邊，而不是把數據搬到算力旁邊。