認知充裕時代：中國制造業的優勢如何重新估值

吳琪/文

真正被改寫的不只是工廠，還有價值分配邏輯

過去20年，關于中國制造業的討論大多沿著同一條主線展開：規模有多大，鏈條有多全，升級有多快。

這條主線沒有錯。中國仍是全球唯一擁有聯合國產業分類全部工業門類的國家，制造業增加值連續多年位居世界第一。完整工業體系、超大規模產業鏈和強大的工程化能力，至今仍是中國制造最難復制的現實基礎。

但如果繼續只沿著這條主線理解未來十年的競爭，就可能看錯真正的變化。

AI，特別是大模型、工業智能體、工業軟件與數據基礎設施的結合，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。

2026 年印發的《 “人工智能+制造”專項行動實施意見》提出，到 2027 年推動 3—5 個通用大模型在制造業深度應用，推出1000 個高水平工業智能體，打造 100 個工業領域高質量數據集，推廣500個典型應用場景，并培育2—3家具有全球影響力的生態主導型企業。政策關注點已經不只是“讓工廠更智能 ”，而是要重構制造業競爭力的來源。

這里最關鍵的變化可以概括為“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。

所謂認知充裕，并不是說判斷不再重要，也不是說經驗已經失效，而是說分析、設計、篩選、歸納、識別異常、生成方案等一部分原本昂貴、緩慢、難以復制的認知活動，正在被模型、算法和數據系統顯著降本、提速并部分復制。

過去，許多企業和國家的優勢建立在“高質量認知很貴、很慢、很難復制”這一前提之上。今天，這個前提正在被動搖。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獨占性基礎。

制造業長期給人的印象是“硬”，但其背后恰恰隱藏著大量高價值認知過程：產品定義、工藝開發、參數優化、缺陷分析、質量判斷、供應鏈協同、運維回流。

認知充裕真正松動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，今天真正需要回答的問題，已經不只是中國制造業還能不能繼續做大做強，而是當產業生態規則被改寫，中國制造業在新的價值分配結構中到底應當占據什么位置。

中國制造業的優勢并未消失，但正在重新分層

如果從傳統角度看，中國制造業的優勢仍然十分突出，而且在相當長時期內不會輕易消失。

最根本的是完整工業體系，它的意義過去主要體現在成本、效率和供應鏈穩定性上。但在 AI 時代，它又多了一層新的含義：完整工業體系意味著從原材料、中間品到終端制造的各類場景，都可以在同一國境內持續生成數據、訓練模型、驗證工藝并擴散能力。過去，它主要是制造優勢，未來它也會越來越成為訓練優勢、試錯優勢和擴散優勢。

產業集群的高密度協同同樣仍然是現實壁壘。長三角、珠三角、京津冀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。零部件、工藝、調試、質量改進和交付協調可以在較短空間半徑內完成。這種現實組織能力不會因 AI 出現而自動削弱，反而可能因智能調度、數據回流和快速協同而進一步增強。無論模型多強，零部件仍要在現實空間中流動，復雜問題仍要在真實現場中閉環。這個意義上，物理密度仍然是中國制造業一項極難替代的基礎能力。

超大規模市場的含義也發生了變化。過去中國市場常被理解為 “規模優勢”——市場足夠大，可以攤薄成本；今天它更應被理解為“訓練優勢”——AI 特別是工業智能能力，并不是單靠實驗室研發就能成熟，而必須在真實設備、真實客戶和真實工況中持續驗證。2026年初公開信息顯示，國內人工智能企業數量已超過6000家，智能算力規模達1590　EFLOPS，核心產業規模預計突破1.2萬億元，應用已覆蓋鋼鐵、有色、電力、通信等重點行業，并逐步深入研發、質檢和客戶服務等環節。對制造業而言，這意味著中國的市場優勢正在部分轉化為模型迭代和場景驗證優勢。

但與此同時，一些過去被視為當然成立的優勢正在被削弱，或者說正在從 “天然優勢”變成“只有完成形態轉換才能保值的優勢”，最典型的是勞動力效能優勢。

中國制造業早已不再主要依賴最低勞動力成本，而更多依賴高素質產業工人和工程技術人員的大規模供給。問題在于，AI 和自動化會一方面提高中國企業自身效率，另一方面也降低其他經濟體追趕所需的人力密度。這意味著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，而不再只是依賴人力規模和經驗厚度。工信部負責人在2026 年初公開強調，要培養更多既懂人工智能又懂制造業的復合型人才，這恰恰說明問題的關鍵已從“人多不多”轉向“人和系統能否一起進化”。

還有一類優勢并沒有消失，但如果不完成轉化，就會名義上存在、實質上折價。最典型的就是工業數據資源。數據資源本身并不自動等于能力層優勢。它只有在被制度化、標準化、基礎設施化之后，才會真正轉化為新的生產力。

這里還有一個沒有引起足夠的重視的問題：AI 對消費品制造和工業品制造的作用方向并不一樣。

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 反而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，把賣產品變成經營持續價值。

對消費品制造的支持重點，應更多放在產品定義、品牌自主和用戶直連能力上；對工業品制造的支持重點，則應更多放在數據閉環、持續服務和解決方案能力上。德勤關于制造業 “服務優先”轉型的研究也支持這一判斷：服務化和持續運營能力正在成為工業企業利潤改善的重要來源。

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，有些優勢在被削弱，還有些優勢如果不完成形態轉換，就會逐步貶值。

未來決定位置的不只有產業鏈高度，還有在能力層位置

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。這條路線總體是正確的，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”，而更可能體現為“誰在關鍵能力層擁有更強的控制力和組織力” 。《人工智能時代的競爭》一書的作者Marco Iansiti 和 Karim Lakhani關于 AI 時代競爭的研究之所以重要，就在于他們提醒人們：數據、算法和網絡化架構正在打破傳統的規模、范圍和學習約束，使企業越來越可能跨越既有行業邊界開展競爭。對制造業而言，未來的高位競爭，很可能更多發生在“能力層”，而不只是單一行業鏈條之中。

如果把制造業放到新的競爭框架里，大致可以拆成四層。

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。中國在這一層的優勢最強，這也是今天中國制造業全球地位的主要現實基礎。

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。這一層決定了誰能把“通用智能” 變成“行業生產力 ”。

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。誰掌握這一層，誰就更接近制造業的“大腦”。

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。誰能夠在這一層形成影響力，誰就更接近未來產業生態中的高位。

值得注意的是，這個四層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”，而是幫助判斷：在你的行業里，未來競爭的關鍵層到底在哪里。

在這個框架下，中國當前最強的是第一層，正在努力補第二層，第三層進步很快但系統主導力仍然不足，第四層則是最值得提前占位、但目前仍相對薄弱的一層。工信部等八部門 2026 年初發布的專項行動，實際上就是在推動中國制造從“讓工廠更智能”走向“在能力層上補位和占位”。

中國制造業今天的全球中心地位，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同于未來優勢。未來真正決定位置的，不只是產業鏈位置，而是能力層位置。

中國發展工業 AI的最優路徑

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。這不是因為要刻意“走自己中國式的道路”，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。

美國的優勢在于基礎模型、頭部平臺、算力生態、開發者生態和標準外溢能力。2025 年白宮發布的《America’s AI Action Plan》以“加速創新、建設 AI 基礎設施、在國際外交與安全上保持領先 ”為三大支柱；NIST 在 2025 年底啟動 AI in Manufacturing 相關中心，也是在強化“先占住智能核心，再向產業滲透” 的路徑。

歐洲的優勢則不同。它在工業軟件、工業設備、工業自動化、數字孿生、工程規范和制度治理方面基礎更深，所以更強調 AI Factories 、Apply AI、技術主權和規則框架。歐盟的 AI Factories 、Apply AI Strategy 與 AI Act，體現的是一條“先基礎設施與規則框架，再推動產業廣泛采用” 的路線。

中國的起點既不同于美國，也不同于歐洲。中國的最大優勢，不是單一平臺或單一軟件體系，而是完整工業體系、超大規模制造場景、產業集群密度、快速工程化能力和應用迭代土壤。而《 “人工智能+制造”專項行動實施意見》的政策取向本身就不是簡單復制美國 “先平臺后產業” 的路線，也不是完全照搬歐洲“先規則后擴散” 的路線，而是在走一條更強調場景牽引、行業落地和體系化推進的路。

因此，從中國制造總體升級的角度看，最有利的模式應當是一條充分利用自身比較優勢的組合路徑。

首先，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，不是抽象地追求 “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，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。之所以如此，不只是因為數據重要，而是因為中國最獨特的優勢恰恰是全門類、全流程、全場景的數據來源。

第三，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。以長三角汽車零部件集群、珠三角電子制造集群等為單位推進數據標準、模型接口和行業方案，比讓每個企業各自摸索，更可能形成規模效應和擴散效應。

第四，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，那么長期仍可能停留在“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。西門子與英偉達在 2026 年初擴大合作，明確提出共建工業 AI 操作系統；Sandvik 則已把 AI 嵌入制造軟件、礦山設備與運維服務，形成面向客戶的數字化解決方案層。這說明全球領先企業爭奪的，不再只是設備本身，而是設備之上的智能層與服務層。

第五，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。

第六， 以開源生態彌補基礎層差距。開源不是權宜之計，而應當被視為戰略選擇。它降低了基礎能力的獲取門檻，把競爭焦點從“誰的模型更強”部分轉向“誰的應用更深”，而后者正是中國的強項。《 “人工智能+制造”專項行動實施意見》明確提出“建成全球領先的開源開放生態”，這不只是技術安排，也是產業生態博弈的安排。

最后，盡早進入標準與規則層，而不是等技術成熟后再參與。中國如果只重視應用、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。中國如果要讓制造優勢真正轉化為全球競爭力，就不能只做最大應用市場，還要爭取做重要規則參與者。 NIST已把 AI 標準工作列為正式方向，歐盟也持續強調治理與規范，這恰恰說明規則不是附屬問題。

概括起來，三種路徑的差異是：美國更像是“先智能核心，后向工業外溢”；歐洲更像是 “先工業體系和規則框架，后推動廣泛采用”；中國更合理的路徑，則是 “先把完整工業體系和超大規模場景轉化為行業智能能力，再反推平臺、軟件、標準和規則上移 ”。

不同行業的問題并不相同

中國制造業不是一個同質的整體。不同產業處于完全不同的位置，因此不能用同一種思維定式談“AI 重塑中國制造業”。

對已經領先或具有強競爭力的行業，例如新能源汽車、動力電池、消費電子、家電、通信設備、部分工程機械，核心問題不是怎么追趕，而是如何防止在新一輪價值分配中停留在執行層。它們的現實優勢主要來自規模效率、供應鏈整合和快速迭代，但未來如果產品價值重心繼續向軟件、數據和智能層遷移，僅憑更好的硬件和更快的制造，并不足以保證價值不被上移的平臺層截走。比亞迪近年持續強化智能化路線，海爾智家則在年報中明確提出用大模型推動運營和產品應用，這些動作都說明，領先行業開始意識到，下一階段競爭不只是繼續把硬件做強，而是要把硬件之上的智能能力也做起來。

對正在快速追趕但尚未領先的行業，例如商用飛機、高端醫療器械、半導體設備、精密儀器，核心問題也不是復制領先者舊路徑，而是判斷 AI 是否改變了追趕路徑。如果瓶頸主要是工藝經驗、設計迭代、測試驗證等認知積累型問題，AI 有可能加速追趕；如果瓶頸主要是核心裝備、關鍵材料、基礎設施等物理底座問題，AI 的作用更多是輔助，而不是替代。AI 是加速器，不是捷徑。

對仍存在明顯代際差距的行業，例如先進制程半導體、核心 EDA、高端航空發動機熱端部件、頂級精密光學、部分生物制藥核心工藝，問題更不能被理解為 “全面趕超”。更現實的問題是：哪些節點可能被 AI 改寫，哪些節點短期內依然只能靠長期基礎研究和物理試驗推進。這里真正重要的，是識別 AI 最可能帶來非線性突破的切入點，而不是把 AI 當作捷徑。

對在全球具有獨特地位的行業，例如稀土加工、特高壓、高鐵系統集成、大型基礎設施建設，問題既不是追趕，也不是防守，而是如何利用 AI 把獨特地位轉化為更高價值、更強鎖定和更大國際影響力。換言之，這類行業真正應該做的，不是只守住份額，而是把獨特位置提升為更高層級的解決方案能力和規則影響力。

最大的風險不是方向不清，而是舊模式仍然有效

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。制造業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，因此對新模式的投入總是顯得 “不夠緊迫”。工業 AI 的國際標準如果在未來三到五年內被他方主導，中國制造即使規模領先，也可能在接口、認證和評估規則層面處于被動，這是規則性鎖定；少數平臺企業如果在關鍵行業率先形成強網絡效應和數據飛輪，后來者的追趕成本會迅速上升，這是市場性鎖定；工業數據基礎設施如果在關鍵階段沒有實質性推進，中國最獨特的數據稟賦就可能長期停留在 “資源狀態”，無法轉化為能力優勢，這是基礎設施性鎖定。這三種鎖定一旦疊加，窗口仍在的判斷就會迅速失效。

若未來三到五年的資源仍主要投向放大舊優勢，而沒有同步向能力層上移，那么現在的優勢就可能在下一階段變成路徑依賴。

真正需要進入高層資源配置議程的是這五個問題

如果把全文歸納成高層真正需要回答的問題，大致有五個。

第一，工業數據基礎設施應當被視為 AI 時代制造業的新型基礎設施，而不是普通數字化配套。數據分類分級、確權使用、安全流通、接口標準、高質量數據集和可信交換機制，已經不是技術部門的事項，而是決定中國制造業能否形成能力層優勢的底座問題。

第二，必須加快培育“行業 AI 翻譯者”。中國并不缺通用 AI 能力，也不缺行業龍頭企業，真正稀缺的是能把通用模型能力轉化為特定行業可用生產力的中間層主體。西門子和Sandvik 之所以值得重視，不是因為它們“AI 更強”，而是因為它們能把通用技術、行業知識和客戶問題編織成可落地的工業解決方案。中國要補的正是這一層。

第三，人才結構調整應提升到與技術投入同等重要的位置。未來最稀缺的是既理解 AI 能力邊界、又理解工業場景和工藝約束，還能夠參與數據治理、模型部署和業務重構的復合型人才。專項行動提出推廣 500 個典型應用場景，這些場景不僅應承擔技術驗證功能，也應承擔復合型人才培養功能。

第四，應鼓勵一部分龍頭企業從“制造執行中心”走向“行業能力節點 ”。不是所有企業都需要成為平臺，但如果缺少一批在工業軟件、行業模型、智能產品平臺和標準塑造上具有外部影響力的主體，中國制造業整體地位就很難真正上移。

第五，應盡早在工業 AI 國際標準和規則上主動占位。中國作為全球最大的制造業國家和AI 應用最活躍的市場之一，有條件也有必要在數據格式、接口協議、安全認證、模型評估和倫理規范等方面積極進入早期博弈。規則不是附屬問題，而是產業生態中的高位問題。

同樣不能回避的是這四類風險

第一是 “應用強、底層仍需補” 的結構性不平衡。中國在 AI 應用速度、場景豐富度和產業落地上進展顯著，但在先進芯片、核心工業軟件和高端設計工具鏈等底層能力上仍有短板。如果這一不平衡長期存在，就可能形成“上層繁榮、底層受制” 的格局。

第二是數據治理難度可能被低估。工業數據豐富，并不自動等于智能優勢。數據確權、安全責任、跨企業流通的信任機制、質量標準和價值分配，都需要長期建設。如果這些問題解決不力，中國最大的潛在優勢之一仍將停留在 “資源狀態”，難以轉化為“能力狀態” 。

第三是 AI 敘事對制造業基本面的干擾。最現實的風險之一，就是大量資源被概念性項目吸走，而對質量、工藝、交付、組織能力、人才培養和數字底座這些長期要素投入不足。制造業競爭的底座沒有改變，AI 只能放大底座上的優勢或缺陷，不能替代底座本身。

第四是 AI 投資回報的時間錯配風險。制造業不是互聯網行業，AI 在制造業中的落地需要數據準備、系統集成、工藝適配和組織變革，這些都是慢變量。對許多中小制造企業而言，如果缺乏足夠耐心與資源緩沖，前期投入尚未產生回報便中斷，容易導致對整個方向的判斷搖擺。

結語

綜合來看，中國制造業在認知充裕時代仍然擁有強大基礎，也確實面臨一輪重要機會，但真正變化的是優勢的價值結構。

未來十年的關鍵，不只是繼續強化物理執行能力和產業規模優勢，而是能否在此基礎上加快向工業數據基礎設施、行業智能解決方案、工業軟件與模型平臺、智能產品層和規則標準層等關鍵能力層延伸。而且，這種延伸不應是一刀切的：對已領先行業，核心任務是把現實優勢轉化為智能層和關系層優勢；對追趕行業，核心任務是利用 AI 加速認知積累，而不誤以為它能替代基礎研究；對代際差距行業，核心任務是識別 AI 可能改寫路徑的關鍵節點；對具有全球獨特地位的行業，核心任務是把獨特位置轉化為更高價值鎖定和規則影響力。

需要承認的是，以上關于能力層競爭和路徑選擇的分析，是建立在若干尚未被充分驗證的假設之上。特別是關于 AI 能夠多深地滲透制造業核心工藝、平臺化競爭邏輯能否適用于物理世界這兩個問題，目前仍存在相當大不確定性。如果 AI 在制造業的滲透速度遠低于預期，或者物理世界的復雜性長期阻礙平臺化趨勢的形成，本文的部分判斷可能就需要改變。但即便存在這些不確定性，立足自身稟賦建設能力層，同時穩住基本面、不被 AI 敘事帶偏，依然是一個在多數合理情景下都具備較高安全邊際的選擇。

由此可見，關于中國制造業未來的真正核心議題，已經不是 “能否繼續做強世界工廠”，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。

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

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。