吴琪

过去几年，人工智能（AI）与制造业结合的讨论迅速升温。智能质检、预测性维护、AI排产、数字孪生、工业智能体等，已成为各地政策文件、产业论坛和企业规划中的高频词。围绕这些应用展开的讨论大多指向同一个目标：提质、降本、增效。

这当然没有错，但如果对中国制造业的理解停留在这一层，容易错把一场更深刻的变化，理解成又一轮熟悉的数字化改造。AI正在改写的不只是工厂里的若干环节，还有制造业竞争的价值分配逻辑。

过去，中国制造业的优势主要表现为成本、效率、配套、工程化和规模；未来，这些优势依然重要，却已不再自动对应更高的附加值位置。

大模型、工业软件、行业模型和数据基础设施的结合，正在推动制造业竞争从“谁更会生产”转向“谁更能把知识、数据和场景组织成能力”。这意味着,未来竞争的一部分不再只发生在产业链上下游之间，还会转向能力层之间。

这不是一个抽象的技术判断，而是很现实的产业问题。中国仍然拥有完整的工业体系、密集的产业集群、丰富的制造场景和强大的工程化能力。这些条件使中国在工业AI时代拥有天然优势。

但问题在于，这些优势如果仍只被理解为“把东西造出来”的优势，就可能在新的竞争结构中被重新定价。政策真正需要回答的已不只是如何让工厂更智能，而是如何让中国制造在新的价值分配结构中占据更高的位置。

重估竞争逻辑

过去几年，企业被反复追问同一个问题：你的AI战略是什么？大多数回答都集中在效率层面：文档生成更快，客服更省人力，分析更自动化，研发辅助更高效。这些变化都真实存在，但还不是最重要的部分。

真正值得重视的是AI正在改变企业竞争的底层逻辑：哪些开始升值，哪些开始贬值；哪些仍然构成护城河，哪些正在失去护城河属性。

过去几十年，企业竞争的基本逻辑相当稳定：谁能掌握更稀缺的关键资源，就可能获得更高利润。资本、渠道、信息、专家、经验、规模、组织能力之所以值钱，不是因为它们天然高贵，而是因为它们稀缺，而且复制缓慢。

尤其在制造业中，很多真正值钱的东西并不是某一个单点技术，而是长期积累起来的隐性知识：怎样判断工艺窗口，怎样识别早期缺陷，怎样在交付、成本和质量之间做平衡，怎样在异常出现之前看到异常。

人工智能带来的真正变化，是其中一部分过去高度依赖专家经验和组织层级的认知活动正在迅速降本。过去，分析、比较、筛选、归纳、模式识别、异常发现、方案生成、辅助判断等这些活动之所以昂贵，是因为它们依赖长期训练的人脑、复杂协作和反复试错。今天，其中相当一部分正在被模型、算法和数据系统显著加速，并开始规模化供给。

我们可以把这种变化概括为“认知充裕”。认知充裕在本文中是指AI显著降低企业获取、处理和生成认知资源的成本，使部分原本稀缺的认知活动趋于普及化。不是说判断不再重要，更不是说经验已失效，而是过去部分高度稀缺、昂贵、缓慢、难复制的认知活动，正在失去原有的独占性。被动摇的不是认知本身的价值，而是其中一部分认知活动的获取成本和壁垒结构。

这一点对制造业来说尤其关键。制造业看起来是“物”的世界，背后却长期隐藏着大量高价值的认知过程：产品定义、工艺开发、参数优化、缺陷诊断、质量判断、供应链协同、运维回流。今天被重写的不是制造业的物理基础，而是这些长期被封装在经验、流程和组织稳定性中的高成本认知活动。

正因如此，中国制造业今天真正需要回答的已不只是还能否继续做大做强的问题，而是当产业生态规则被改写，部分认知活动不再像过去那样稀缺时，中国制造业的优势还如何继续升值。

中国制造业的优势正在重新分层

理解中国制造业的未来，不能脱离它的现实起点。中国今天最大的优势并不是某一个单点技术，而是一整套已经形成的现实能力网络。

首先是完整的工业体系。过去，完整的工业体系意味着配套全、成本低、响应快；在AI时代，它还意味着更丰富的训练场景、更密集的工艺反馈、更快的模型验证和更强的能力扩散。

工业AI不是靠实验室里“想出来”的，而是靠真实设备、真实工况、真实缺陷和真实客户“磨出来”的。谁拥有更多真实工业场景，谁就更有机会把模型变成能力。从这个意义上说，中国工业体系的完整性不只是制造优势，也正在变成训练优势和验证优势。

新能源汽车、锂电池、光伏等领域之所以更容易形成快速迭代，很大程度上就来自这种“场景—数据—反馈—扩散”的高密度循环。

其次是产业集群。长三角、珠三角以及若干重点产业带形成的近距离、多层级、快响应网络，在全球范围内依然稀缺。这种物理密度不是模型能够替代的，反而会因为智能调度、数据回流和方案共享进一步升值。

一个工艺问题的发现、一个解决方案的试验、一个供应链节点的调整，在中国很多制造集群里都可以以极快的速度进行传播和形成闭环。这种现实的组织能力恰恰是很多国家难以复制的。对工业AI来说，这意味着一项能力一旦在某个工厂得到验证，往往可以在相邻企业中迅速扩散，不必每家企业都从零开始。

第三是超大规模市场。过去，它主要意味着摊薄成本和做大规模，今天它越来越意味着验证优势。工业AI的成熟不能只靠研发部门，必须在真实产品、真实客户和真实运行环境中不断试错和迭代。超大规模市场的意义不只是买得多，而是能够让模型更快经历更多边界情况，更早暴露问题，更快完成修正。

但与此同时，中国制造业的一些传统优势也在发生变化，最典型的就是劳动力效能优势。中国制造业早已不再主要依赖最低人工成本，更多依赖高素质产业工人和工程技术人员的大规模供给。

但问题在于，AI和自动化一方面会提高中国企业的自身效率，另一方面也会降低其他经济体追赶所需的人力密度。换句话说，中国的效能优势不会自然消失，但其持续性将越来越依赖于经验能否被数据化、流程化和模型化，不再只是依赖人力规模和经验厚度。

还有一类优势，如果不完成转化，就会名义上存在、实质上折价，最典型的就是工业数据。

中国企业并不缺数据，缺的是让数据可用、可流通、可训练、可验证的基础设施。没有这一层转化，数据资源只是沉淀，不会形成能力。数据如果无法跨设备、跨产线、跨工厂形成可对接、可复用、可追溯的结构，就很难支撑真正的行业模型与工业智能。

这里还存在一个值得特别指出的分化：AI对消费品制造和工业品制造的影响方向并不一样。

对消费品制造商而言，AI强化的是“解构”力量：需求感知更快，柔性生产更强，平台型企业和快速响应者更容易侵蚀既有品牌壁垒。

对工业品制造商而言，AI更容易强化客户锁定：设备在客户现场持续运行所积累的工况数据、优化模型和运维知识，会把一次性交付变成长期关系。

对消费品企业来说，AI更像是倒逼其增强产品定义、品牌自主和用户直连能力；对工业品企业来说，AI更像是推动其从卖设备走向卖持续服务和解决方案。

因此，更准确的判断不是“中国优势还在不在”，而是中国制造业的优势已经开始重新分层：有些优势在被放大，有些在被削弱，还有些如果不完成形态转换，就会逐步折价。

制造业被改写的基本逻辑

制造业最常见的误判，不是看不懂技术，而是低估了技术对原有竞争逻辑的改写力度。

第一条正在松动的是效率与柔性的边界。制造业长期被一个经典两难所约束：大规模标准化压低成本，小批量柔性满足多样化需求，两者通常难以兼得。每一次切换都意味着时间损失、参数重整和良率波动。但当排产系统能动态优化切换顺序，检测系统能更快适应新标准，参数系统能根据实时反馈持续修正时，切换成本的边界就会被不断压低。于是，过去被自然切割为“高端小批量”和“低端大批量”的两条赛道开始模糊。一个AI能力足够强的制造商，可能同时在两条赛道上竞争。

第二条正在松动的是经验壁垒。制造业所谓的“经验”，本质上很大一部分是信息壁垒，只不过长期被封装在老师傅、工程师和组织默契中。AI所做的重要事情之一是把这种壁垒显性化：既然它本质上是一种高成本的信息处理和模式识别活动，它就存在被数据化、模型化和算法化的可能。经验不会失效，但如果不能结构化，就会持续折旧。

第三条正在松动的是质量优势的定义。机器视觉、状态监测、多变量过程控制和数字孪生，正在把质量管理从“靠经验维持稳定”推进到“靠系统持续逼近最优”。一旦越来越多的企业都能做到较高水平的一致性，质量一致性本身就会从竞争优势变成入场券。真正的差异化会向上迁移，从“造得一样好”转向“造出别人造不了的东西”。

第四条正在松动的是优化的尺度。过去两百年的制造管理，本质上大多是在寻找更好的局部最优。AI的不同在于，它越来越有能力同时处理原料、设备、排班、能耗、交期、质量等多变量之间的关系，从而把优化问题从局部推向全局。竞争因此不再只是“怎么做得更好”，而是“优化什么才是对的”。

AI不会消灭制造业壁垒，但会重写制造业壁垒。过去知道“怎么做”比知道“做什么”更难；未来当“怎么做”越来越容易时，“做什么”和“为什么做”会成为真正的竞争高地。

未来决定中国制造业位置的，不只是产业链高度，而是能力层位置

过去30年，中国制造业升级的主线是沿产业链纵向攀升：从低端走向高端，从组装走向自主研发，从跟随走向引领。这条路线总体上没有问题，而且已经取得显著成效。

但AI带来的变化在于，未来竞争未必首先体现为“谁在产业链更高端”，更可能体现为“谁在关键能力层拥有更强的控制力和组织力”。

如果把制造业放到新的竞争框架里，大致可以拆分成四层。第一层是物理执行层，即制造、交付、工程化和大规模响应能力。第二层是行业翻译层，即把通用AI、通用算法和通用数字能力，转化为某一具体行业可用方案的能力。第三层是智能基础设施层，包括工业软件、数字孪生、数据基础设施、行业模型与工程知识底座。第四层是规则与标准层，即数据格式、接口协议、安全认证、模型评估与生态规则塑造能力。

需要指出的是，这个框架不是一个普适的价值阶梯，并非所有行业都是“越上层越值钱”。在特种材料、精密加工、航空发动机热端部件等领域，物理执行能力本身就可能是最高价值所在。这个框架的作用，不是要求所有行业都“往上走”，而是帮助企业判断：在你的行业里，未来竞争的关键层到底在哪里。

但对中国制造业整体而言，有一个判断仍然成立：今天的全球竞争优势仍主要建立在物理执行层和超大规模应用层之上。这些优势当前仍然强大，但它们已经不再自动等于未来优势。未来真正决定位置的不只是产业链位置，还包括能力层位置。

中国工业AI的政策重点

也正是在这个问题上，中国工业AI的发展路径不应简单复制美国，也不应照搬欧洲。不是因为要刻意“走自己的路”，而是因为三方的起点、优势和短板都不同，最优路径自然不会相同。

美国的优势在基础模型、头部平台、算力生态、开发者生态和标准外溢能力，更容易走“先占住智能核心，再向工业渗透”的道路。

欧洲的优势在工业软件、工业设备、工业自动化、工程规范和制度治理，更容易走“先工业体系和规则框架，再推动广泛采用”的道路。

中国的起点完全不同。中国最大的优势不是单一平台或单一软件体系，而是完整的工业体系、超大规模制造场景、产业集群密度和快速工程化能力。

从中国制造升级的角度看，最有利的模式不是复制美国的平台路线，也不是照搬欧洲的规则路线，而是走一条更符合自身比较优势的组合路径。从现实紧迫性看，这一路径大致可以分成两类：一类是必须尽快补上的底座能力，一类是决定未来高位竞争位置的战略能力。

前一类，首先是以应用和场景牵引为前导。中国最大的现实优势是工业场景最全、工业链条最长、真实工况最丰富。最该优先做的不是抽象追求“最强通用模型”，而是把海量真实工业场景转成高质量数据、行业模型和可复制解决方案。这会让中国在“行业AI翻译层”上更快形成优势。

其次，是把工业数据基础设施放在比一般数字化更高的战略位置上。中国不是没有数据，而是数据大量“存而不用”、难流通、难对接、难形成高质量训练闭环。工业数据基础设施不是辅助工程，而应当是AI时代制造升级的新型基础设施。

第三，是以产业集群而非单一企业作为工业AI推进的基本单元。这是中国独有的条件，也是美欧都难以复制的优势。当一个AI解决方案在某个工厂验证成功后，能够在极短时间内扩散到周边同类企业，因为它们使用相近设备、面对相似工艺问题，甚至共享供应商和工程师网络。以集群为单位推进，比让每个企业各自摸索，更可能形成规模效应和扩散效应。

后一类，则更直接关系到中国制造能否从执行优势走向高位竞争。

首先是以行业解决方案和智能产品层作为价值上移主战场。如果中国只把AI用于提高工厂效率，那么可能长期停留在“强执行、弱平台”的位置。

更有利的路径应当是推动龙头企业向行业模型、智能产品、持续服务和平台节点上移。不只是把产品造出来，而是把产品变成持续感知、持续优化、持续服务的系统。西门子、卡特彼勒等企业之所以值得关注，不只是因为它们使用了AI，而是因为它们正在把AI嵌入产品体系、运维体系和客户关系之中，从而把一次性交付转化为持续价值。

其次是底层短板不能放弃，但打法应更聚焦“卡脖子层”，而不是全面摊开。中国不可能绕开先进芯片、核心工业软件、关键设计工具链这些底层问题。但最优策略不是在所有底层同时全面复制，而是把最关键、最影响工业能力上移的底层环节找出来，进行高强度突破，同时用算法效率、场景优势和行业数据去放大可用能力边界。

最后是尽早进入标准与规则层，而不是等技术成熟后再参与。如果中国只重视应用、不重视规则，未来即使产业规模继续领先，也可能在价值分配上吃亏。工业AI的数据格式、接口协议、安全认证、模型评估和可信体系，目前都还在早期阶段。中国不能只做最大应用市场，还要争取做重要规则参与者。

需要指出的是，以上路径对不同行业的含义并不相同。

对已经具有全球竞争力的行业来说，关键不在于继续放大执行优势，而在于把硬件、规模和场景优势转化为智能层和服务层优势。

对仍处于追赶阶段的行业来说，关键是利用AI加快认知积累，而不是误以为它可以替代基础研究和工艺沉淀。

对仍存在代际差距的领域，则更要识别AI真正可能改写路径的节点，而不能把它当作替代长期基础研究的捷径。

对具有全球独特地位的行业来说，关键是把既有位置转化为更高价值的解决方案能力和规则影响力。

归根结底，政策重点不应只是推动更多企业“上AI项目”，而应转向数据基础设施、行业翻译层、智能产品上移、关键底层补短板和规则提前占位这些真正决定位置的事情。

“旧模式仍然有效”是最大的风险

中国制造业当前面临的最大张力，不是看不到方向，而是旧模式仍在创造现实回报，因此新方向天然容易被延后。

过去成功的模式可以倍概括为：以大规模物理执行能力为基础，以成本、效率和响应速度为主要竞争手段，以持续投资和规模扩张为主要增长方式。今天这套模式并没有失效，中国制造规模仍位居世界第一，产业链优势仍然明显，许多行业的国际竞争力并未削弱。正因为旧模式仍然有效，资源配置、组织注意力和战略讨论就会天然倾向于继续放大既有优势。

但真正需要警惕的恰恰是这一点。错过范式切换的主体，往往不是因为没有看到新方向，而是因为旧模式还在成功，对新模式的投入总是显得“不够紧迫”。

今天的窗口期之所以不会永远存在，是因为它有具体的关闭机制。工业AI的国际标准如果被他方主导，会形成规则性锁定；关键行业如果率先形成强平台网络效应，会形成市场性锁定；工业数据基础设施如果在关键阶段没有实质推进，则会形成基础设施性锁定。三者一旦叠加，中国今天最独特的制造禀赋，就可能无法顺利转化为下一阶段的高位能力。

对中国制造业来说，未来三到五年的关键已不是“能不能继续做强世界工厂”，而是能否在继续保持世界工厂地位的同时，逐步成为未来工业智能生态中的关键能力节点和规则参与者。

这不是一个姿态问题，而是一个资源配置问题：未来中国制造业的分水岭，未必首先取决于还能造多少，更可能取决于在新的价值分配结构中，能占住哪一层。

当然，这一判断成立的前提是，AI将持续向制造业核心环节渗透，平台化和能力层竞争在物理世界中也确实能够部分形成。目前，这两个前提本身仍在演化之中。

窗口仍然存在。但真正有意义的不是知道窗口还开着，而是知道应当把资源从哪里挪向哪里。

（作者系前罗兰·贝格中国区总裁和埃森哲大中华区副主席）