當產業生態規則被改寫，中國的制造優勢如何重新估值

吳琪/文

過去幾年，人工智能（AI）與制造業結合的討論迅速升溫。智能質檢、預測性維護、AI排產、數字孿生、工業智能體等，已成為各地政策文件、產業論壇和企業規劃中的高頻詞。圍繞這些應用展開的討論大多指向同一個目標：提質、降本、增效。

這當然沒有錯，但如果對中國制造業的理解停留在這一層，容易錯把一場更深刻的變化，理解成又一輪熟悉的數字化改造。AI正在改寫的不只是工廠里的若干環節，還有制造業競爭的價值分配邏輯。

過去，中國制造業的優勢主要表現為成本、效率、配套、工程化和規模；未來，這些優勢依然重要，卻已不再自動對應更高的附加值位置。

大模型、工業軟件、行業模型和數據基礎設施的結合，正在推動制造業競爭從“誰更會生產”轉向“誰更能把知識、數據和場景組織成能力”。這意味著,未來競爭的一部分不再只發生在產業鏈上下游之間，還會轉向能力層之間。

這不是一個抽象的技術判斷，而是很現實的產業問題。中國仍然擁有完整的工業體系、密集的產業集群、豐富的制造場景和強大的工程化能力。這些條件使中國在工業AI時代擁有天然優勢。

但問題在于，這些優勢如果仍只被理解為“把東西造出來”的優勢，就可能在新的競爭結構中被重新定價。政策真正需要回答的已不只是如何讓工廠更智能，而是如何讓中國制造在新的價值分配結構中占據更高的位置。

重估競爭邏輯

過去幾年，企業被反復追問同一個問題：你的AI戰略是什么？大多數回答都集中在效率層面：文檔生成更快，客服更省人力，分析更自動化，研發輔助更高效。這些變化都真實存在，但還不是最重要的部分。

真正值得重視的是AI正在改變企業競爭的底層邏輯：哪些開始升值，哪些開始貶值；哪些仍然構成護城河，哪些正在失去護城河屬性。

過去幾十年，企業競爭的基本邏輯相當穩定：誰能掌握更稀缺的關鍵資源，就可能獲得更高利潤。資本、渠道、信息、專家、經驗、規模、組織能力之所以值錢，不是因為它們天然高貴，而是因為它們稀缺，而且復制緩慢。

尤其在制造業中，很多真正值錢的東西并不是某一個單點技術，而是長期積累起來的隱性知識：怎樣判斷工藝窗口，怎樣識別早期缺陷，怎樣在交付、成本和質量之間做平衡，怎樣在異常出現之前看到異常。

人工智能帶來的真正變化，是其中一部分過去高度依賴專家經驗和組織層級的認知活動正在迅速降本。過去，分析、比較、篩選、歸納、模式識別、異常發現、方案生成、輔助判斷等這些活動之所以昂貴，是因為它們依賴長期訓練的人腦、復雜協作和反復試錯。今天，其中相當一部分正在被模型、算法和數據系統顯著加速，并開始規模化供給。

我們可以把這種變化概括為“認知充裕”。認知充裕在本文中是指AI顯著降低企業獲取、處理和生成認知資源的成本，使部分原本稀缺的認知活動趨于普及化。不是說判斷不再重要，更不是說經驗已失效，而是過去部分高度稀缺、昂貴、緩慢、難復制的認知活動，正在失去原有的獨占性。被動搖的不是認知本身的價值，而是其中一部分認知活動的獲取成本和壁壘結構。

這一點對制造業來說尤其關鍵。制造業看起來是“物”的世界，背后卻長期隱藏著大量高價值的認知過程：產品定義、工藝開發、參數優化、缺陷診斷、質量判斷、供應鏈協同、運維回流。今天被重寫的不是制造業的物理基礎，而是這些長期被封裝在經驗、流程和組織穩定性中的高成本認知活動。

正因如此，中國制造業今天真正需要回答的已不只是還能否繼續做大做強的問題，而是當產業生態規則被改寫，部分認知活動不再像過去那樣稀缺時，中國制造業的優勢還如何繼續升值。

中國制造業的優勢正在重新分層

理解中國制造業的未來，不能脫離它的現實起點。中國今天最大的優勢并不是某一個單點技術，而是一整套已經形成的現實能力網絡。

首先是完整的工業體系。過去，完整的工業體系意味著配套全、成本低、響應快；在AI時代，它還意味著更豐富的訓練場景、更密集的工藝反饋、更快的模型驗證和更強的能力擴散。

工業AI不是靠實驗室里“想出來”的，而是靠真實設備、真實工況、真實缺陷和真實客戶“磨出來”的。誰擁有更多真實工業場景，誰就更有機會把模型變成能力。從這個意義上說，中國工業體系的完整性不只是制造優勢，也正在變成訓練優勢和驗證優勢。

新能源汽車、鋰電池、光伏等領域之所以更容易形成快速迭代，很大程度上就來自這種“場景—數據—反饋—擴散”的高密度循環。

其次是產業集群。長三角、珠三角以及若干重點產業帶形成的近距離、多層級、快響應網絡，在全球范圍內依然稀缺。這種物理密度不是模型能夠替代的，反而會因為智能調度、數據回流和方案共享進一步升值。

一個工藝問題的發現、一個解決方案的試驗、一個供應鏈節點的調整，在中國很多制造集群里都可以以極快的速度進行傳播和形成閉環。這種現實的組織能力恰恰是很多國家難以復制的。對工業AI來說，這意味著一項能力一旦在某個工廠得到驗證，往往可以在相鄰企業中迅速擴散，不必每家企業都從零開始。

第三是超大規模市場。過去，它主要意味著攤薄成本和做大規模，今天它越來越意味著驗證優勢。工業AI的成熟不能只靠研發部門，必須在真實產品、真實客戶和真實運行環境中不斷試錯和迭代。超大規模市場的意義不只是買得多，而是能夠讓模型更快經歷更多邊界情況，更早暴露問題，更快完成修正。

但與此同時，中國制造業的一些傳統優勢也在發生變化，最典型的就是勞動力效能優勢。中國制造業早已不再主要依賴最低人工成本，更多依賴高素質產業工人和工程技術人員的大規模供給。

但問題在于，AI和自動化一方面會提高中國企業的自身效率，另一方面也會降低其他經濟體追趕所需的人力密度。換句話說，中國的效能優勢不會自然消失，但其持續性將越來越依賴于經驗能否被數據化、流程化和模型化，不再只是依賴人力規模和經驗厚度。

還有一類優勢，如果不完成轉化，就會名義上存在、實質上折價，最典型的就是工業數據。

中國企業并不缺數據，缺的是讓數據可用、可流通、可訓練、可驗證的基礎設施。沒有這一層轉化，數據資源只是沉淀，不會形成能力。數據如果無法跨設備、跨產線、跨工廠形成可對接、可復用、可追溯的結構，就很難支撐真正的行業模型與工業智能。

這里還存在一個值得特別指出的分化：AI對消費品制造和工業品制造的影響方向并不一樣。

對消費品制造商而言，AI強化的是“解構”力量：需求感知更快，柔性生產更強，平臺型企業和快速響應者更容易侵蝕既有品牌壁壘。

對工業品制造商而言，AI更容易強化客戶鎖定：設備在客戶現場持續運行所積累的工況數據、優化模型和運維知識，會把一次性交付變成長期關系。

對消費品企業來說，AI更像是倒逼其增強產品定義、品牌自主和用戶直連能力；對工業品企業來說，AI更像是推動其從賣設備走向賣持續服務和解決方案。

因此，更準確的判斷不是“中國優勢還在不在”，而是中國制造業的優勢已經開始重新分層：有些優勢在被放大，有些在被削弱，還有些如果不完成形態轉換，就會逐步折價。

制造業被改寫的基本邏輯

制造業最常見的誤判，不是看不懂技術，而是低估了技術對原有競爭邏輯的改寫力度。

第一條正在松動的是效率與柔性的邊界。制造業長期被一個經典兩難所約束：大規模標準化壓低成本，小批量柔性滿足多樣化需求，兩者通常難以兼得。每一次切換都意味著時間損失、參數重整和良率波動。但當排產系統能動態優化切換順序，檢測系統能更快適應新標準，參數系統能根據實時反饋持續修正時，切換成本的邊界就會被不斷壓低。于是，過去被自然切割為“高端小批量”和“低端大批量”的兩條賽道開始模糊。一個AI能力足夠強的制造商，可能同時在兩條賽道上競爭。

第二條正在松動的是經驗壁壘。制造業所謂的“經驗”，本質上很大一部分是信息壁壘，只不過長期被封裝在老師傅、工程師和組織默契中。AI所做的重要事情之一是把這種壁壘顯性化：既然它本質上是一種高成本的信息處理和模式識別活動，它就存在被數據化、模型化和算法化的可能。經驗不會失效，但如果不能結構化，就會持續折舊。

第三條正在松動的是質量優勢的定義。機器視覺、狀態監測、多變量過程控制和數字孿生，正在把質量管理從“靠經驗維持穩定”推進到“靠系統持續逼近最優”。一旦越來越多的企業都能做到較高水平的一致性，質量一致性本身就會從競爭優勢變成入場券。真正的差異化會向上遷移，從“造得一樣好”轉向“造出別人造不了的東西”。

第四條正在松動的是優化的尺度。過去兩百年的制造管理，本質上大多是在尋找更好的局部最優。AI的不同在于，它越來越有能力同時處理原料、設備、排班、能耗、交期、質量等多變量之間的關系，從而把優化問題從局部推向全局。競爭因此不再只是“怎么做得更好”，而是“優化什么才是對的”。

AI不會消滅制造業壁壘，但會重寫制造業壁壘。過去知道“怎么做”比知道“做什么”更難；未來當“怎么做”越來越容易時，“做什么”和“為什么做”會成為真正的競爭高地。

未來決定中國制造業位置的，不只是產業鏈高度，而是能力層位置

過去30年，中國制造業升級的主線是沿產業鏈縱向攀升：從低端走向高端，從組裝走向自主研發，從跟隨走向引領。這條路線總體上沒有問題，而且已經取得顯著成效。

但AI帶來的變化在于，未來競爭未必首先體現為“誰在產業鏈更高端”，更可能體現為“誰在關鍵能力層擁有更強的控制力和組織力”。

如果把制造業放到新的競爭框架里，大致可以拆分成四層。第一層是物理執行層，即制造、交付、工程化和大規模響應能力。第二層是行業翻譯層，即把通用AI、通用算法和通用數字能力，轉化為某一具體行業可用方案的能力。第三層是智能基礎設施層，包括工業軟件、數字孿生、數據基礎設施、行業模型與工程知識底座。第四層是規則與標準層，即數據格式、接口協議、安全認證、模型評估與生態規則塑造能力。

需要指出的是，這個框架不是一個普適的價值階梯，并非所有行業都是“越上層越值錢”。在特種材料、精密加工、航空發動機熱端部件等領域，物理執行能力本身就可能是最高價值所在。這個框架的作用，不是要求所有行業都“往上走”，而是幫助企業判斷：在你的行業里，未來競爭的關鍵層到底在哪里。

但對中國制造業整體而言，有一個判斷仍然成立：今天的全球競爭優勢仍主要建立在物理執行層和超大規模應用層之上。這些優勢當前仍然強大，但它們已經不再自動等于未來優勢。未來真正決定位置的不只是產業鏈位置，還包括能力層位置。

中國工業AI的政策重點

也正是在這個問題上，中國工業AI的發展路徑不應簡單復制美國，也不應照搬歐洲。不是因為要刻意“走自己的路”，而是因為三方的起點、優勢和短板都不同，最優路徑自然不會相同。

美國的優勢在基礎模型、頭部平臺、算力生態、開發者生態和標準外溢能力，更容易走“先占住智能核心，再向工業滲透”的道路。

歐洲的優勢在工業軟件、工業設備、工業自動化、工程規范和制度治理，更容易走“先工業體系和規則框架，再推動廣泛采用”的道路。

中國的起點完全不同。中國最大的優勢不是單一平臺或單一軟件體系，而是完整的工業體系、超大規模制造場景、產業集群密度和快速工程化能力。

從中國制造升級的角度看，最有利的模式不是復制美國的平臺路線，也不是照搬歐洲的規則路線，而是走一條更符合自身比較優勢的組合路徑。從現實緊迫性看，這一路徑大致可以分成兩類：一類是必須盡快補上的底座能力，一類是決定未來高位競爭位置的戰略能力。

前一類，首先是以應用和場景牽引為前導。中國最大的現實優勢是工業場景最全、工業鏈條最長、真實工況最豐富。最該優先做的不是抽象追求“最強通用模型”，而是把海量真實工業場景轉成高質量數據、行業模型和可復制解決方案。這會讓中國在“行業AI翻譯層”上更快形成優勢。

其次，是把工業數據基礎設施放在比一般數字化更高的戰略位置上。中國不是沒有數據，而是數據大量“存而不用”、難流通、難對接、難形成高質量訓練閉環。工業數據基礎設施不是輔助工程，而應當是AI時代制造升級的新型基礎設施。

第三，是以產業集群而非單一企業作為工業AI推進的基本單元。這是中國獨有的條件，也是美歐都難以復制的優勢。當一個AI解決方案在某個工廠驗證成功后，能夠在極短時間內擴散到周邊同類企業，因為它們使用相近設備、面對相似工藝問題，甚至共享供應商和工程師網絡。以集群為單位推進，比讓每個企業各自摸索，更可能形成規模效應和擴散效應。

后一類，則更直接關系到中國制造能否從執行優勢走向高位競爭。

首先是以行業解決方案和智能產品層作為價值上移主戰場。如果中國只把AI用于提高工廠效率，那么可能長期停留在“強執行、弱平臺”的位置。

更有利的路徑應當是推動龍頭企業向行業模型、智能產品、持續服務和平臺節點上移。不只是把產品造出來，而是把產品變成持續感知、持續優化、持續服務的系統。西門子、卡特彼勒等企業之所以值得關注，不只是因為它們使用了AI，而是因為它們正在把AI嵌入產品體系、運維體系和客戶關系之中，從而把一次性交付轉化為持續價值。

其次是底層短板不能放棄，但打法應更聚焦“卡脖子層”，而不是全面攤開。中國不可能繞開先進芯片、核心工業軟件、關鍵設計工具鏈這些底層問題。但最優策略不是在所有底層同時全面復制，而是把最關鍵、最影響工業能力上移的底層環節找出來，進行高強度突破，同時用算法效率、場景優勢和行業數據去放大可用能力邊界。

最后是盡早進入標準與規則層，而不是等技術成熟后再參與。如果中國只重視應用、不重視規則，未來即使產業規模繼續領先，也可能在價值分配上吃虧。工業AI的數據格式、接口協議、安全認證、模型評估和可信體系，目前都還在早期階段。中國不能只做最大應用市場，還要爭取做重要規則參與者。

需要指出的是，以上路徑對不同行業的含義并不相同。

對已經具有全球競爭力的行業來說，關鍵不在于繼續放大執行優勢，而在于把硬件、規模和場景優勢轉化為智能層和服務層優勢。

對仍處于追趕階段的行業來說，關鍵是利用AI加快認知積累，而不是誤以為它可以替代基礎研究和工藝沉淀。

對仍存在代際差距的領域，則更要識別AI真正可能改寫路徑的節點，而不能把它當作替代長期基礎研究的捷徑。

對具有全球獨特地位的行業來說，關鍵是把既有位置轉化為更高價值的解決方案能力和規則影響力。

歸根結底，政策重點不應只是推動更多企業“上AI項目”，而應轉向數據基礎設施、行業翻譯層、智能產品上移、關鍵底層補短板和規則提前占位這些真正決定位置的事情。

“舊模式仍然有效”是最大的風險

中國制造業當前面臨的最大張力，不是看不到方向，而是舊模式仍在創造現實回報，因此新方向天然容易被延后。

過去成功的模式可以倍概括為：以大規模物理執行能力為基礎，以成本、效率和響應速度為主要競爭手段，以持續投資和規模擴張為主要增長方式。今天這套模式并沒有失效，中國制造規模仍位居世界第一，產業鏈優勢仍然明顯，許多行業的國際競爭力并未削弱。正因為舊模式仍然有效，資源配置、組織注意力和戰略討論就會天然傾向于繼續放大既有優勢。

但真正需要警惕的恰恰是這一點。錯過范式切換的主體，往往不是因為沒有看到新方向，而是因為舊模式還在成功，對新模式的投入總是顯得“不夠緊迫”。

今天的窗口期之所以不會永遠存在，是因為它有具體的關閉機制。工業AI的國際標準如果被他方主導，會形成規則性鎖定；關鍵行業如果率先形成強平臺網絡效應，會形成市場性鎖定；工業數據基礎設施如果在關鍵階段沒有實質推進，則會形成基礎設施性鎖定。三者一旦疊加，中國今天最獨特的制造稟賦，就可能無法順利轉化為下一階段的高位能力。

對中國制造業來說，未來三到五年的關鍵已不是“能不能繼續做強世界工廠”，而是能否在繼續保持世界工廠地位的同時，逐步成為未來工業智能生態中的關鍵能力節點和規則參與者。

這不是一個姿態問題，而是一個資源配置問題：未來中國制造業的分水嶺，未必首先取決于還能造多少，更可能取決于在新的價值分配結構中，能占住哪一層。

當然，這一判斷成立的前提是，AI將持續向制造業核心環節滲透，平臺化和能力層競爭在物理世界中也確實能夠部分形成。目前，這兩個前提本身仍在演化之中。

窗口仍然存在。但真正有意義的不是知道窗口還開著，而是知道應當把資源從哪里挪向哪里。

（作者系前羅蘭·貝格中國區總裁和埃森哲大中華區副主席）

免責聲明：本文觀點僅代表作者本人，供參考、交流，不構成任何建議。