认知充裕时代：中国制造业的优势如何重新估值

（原标题：认知充裕时代：中国制造业的优势如何重新估值）

吴琪/文

真正被改写的不只是工厂，还有价值分配逻辑

过去20年，关于中国制造业的讨论大多沿着同一条主线展开：规模有多大，链条有多全，升级有多快。

这条主线没有错。中国仍是全球唯一拥有联合国产业分类全部工业门类的国家，制造业增加值连续多年位居世界第一。完整工业体系、超大规模产业链和强大的工程化能力，至今仍是中国制造最难复制的现实基础。

但如果继续只沿着这条主线理解未来十年的竞争，就可能看错真正的变化。

AI，特别是大模型、工业智能体、工业软件与数据基础设施的结合，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。

2026 年印发的《 “人工智能+制造”专项行动实施意见》提出，到 2027 年推动 3—5 个通用大模型在制造业深度应用，推出1000 个高水平工业智能体，打造 100 个工业领域高质量数据集，推广500个典型应用场景，并培育2—3家具有全球影响力的生态主导型企业。政策关注点已经不只是“让工厂更智能 ”，而是要重构制造业竞争力的来源。

这里最关键的变化可以概括为“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。

所谓认知充裕，并不是说判断不再重要，也不是说经验已经失效，而是说分析、设计、筛选、归纳、识别异常、生成方案等一部分原本昂贵、缓慢、难以复制的认知活动，正在被模型、算法和数据系统显著降本、提速并部分复制。

过去，许多企业和国家的优势建立在“高质量认知很贵、很慢、很难复制”这一前提之上。今天，这个前提正在被动摇。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独占性基础。

制造业长期给人的印象是“硬”，但其背后恰恰隐藏着大量高价值认知过程：产品定义、工艺开发、参数优化、缺陷分析、质量判断、供应链协同、运维回流。

认知充裕真正松动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，今天真正需要回答的问题，已经不只是中国制造业还能不能继续做大做强，而是当产业生态规则被改写，中国制造业在新的价值分配结构中到底应当占据什么位置。

中国制造业的优势并未消失，但正在重新分层

如果从传统角度看，中国制造业的优势仍然十分突出，而且在相当长时期内不会轻易消失。

最根本的是完整工业体系，它的意义过去主要体现在成本、效率和供应链稳定性上。但在 AI 时代，它又多了一层新的含义：完整工业体系意味着从原材料、中间品到终端制造的各类场景，都可以在同一国境内持续生成数据、训练模型、验证工艺并扩散能力。过去，它主要是制造优势，未来它也会越来越成为训练优势、试错优势和扩散优势。

产业集群的高密度协同同样仍然是现实壁垒。长三角、珠三角、京津冀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。零部件、工艺、调试、质量改进和交付协调可以在较短空间半径内完成。这种现实组织能力不会因 AI 出现而自动削弱，反而可能因智能调度、数据回流和快速协同而进一步增强。无论模型多强，零部件仍要在现实空间中流动，复杂问题仍要在真实现场中闭环。这个意义上，物理密度仍然是中国制造业一项极难替代的基础能力。

超大规模市场的含义也发生了变化。过去中国市场常被理解为 “规模优势”——市场足够大，可以摊薄成本；今天它更应被理解为“训练优势”——AI 特别是工业智能能力，并不是单靠实验室研发就能成熟，而必须在真实设备、真实客户和真实工况中持续验证。2026年初公开信息显示，国内人工智能企业数量已超过6000家，智能算力规模达1590　EFLOPS，核心产业规模预计突破1.2万亿元，应用已覆盖钢铁、有色、电力、通信等重点行业，并逐步深入研发、质检和客户服务等环节。对制造业而言，这意味着中国的市场优势正在部分转化为模型迭代和场景验证优势。

但与此同时，一些过去被视为当然成立的优势正在被削弱，或者说正在从 “天然优势”变成“只有完成形态转换才能保值的优势”，最典型的是劳动力效能优势。

中国制造业早已不再主要依赖最低劳动力成本，而更多依赖高素质产业工人和工程技术人员的大规模供给。问题在于，AI 和自动化会一方面提高中国企业自身效率，另一方面也降低其他经济体追赶所需的人力密度。这意味着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，而不再只是依赖人力规模和经验厚度。工信部负责人在2026 年初公开强调，要培养更多既懂人工智能又懂制造业的复合型人才，这恰恰说明问题的关键已从“人多不多”转向“人和系统能否一起进化”。

还有一类优势并没有消失，但如果不完成转化，就会名义上存在、实质上折价。最典型的就是工业数据资源。数据资源本身并不自动等于能力层优势。它只有在被制度化、标准化、基础设施化之后，才会真正转化为新的生产力。

这里还有一个没有引起足够的重视的问题：AI 对消费品制造和工业品制造的作用方向并不一样。

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 反而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，把卖产品变成经营持续价值。

对消费品制造的支持重点，应更多放在产品定义、品牌自主和用户直连能力上；对工业品制造的支持重点，则应更多放在数据闭环、持续服务和解决方案能力上。德勤关于制造业 “服务优先”转型的研究也支持这一判断：服务化和持续运营能力正在成为工业企业利润改善的重要来源。  

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，有些优势在被削弱，还有些优势如果不完成形态转换，就会逐步贬值。 

未来决定位置的不只有产业链高度，还有在能力层位置

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。这条路线总体是正确的，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”，而更可能体现为“谁在关键能力层拥有更强的控制力和组织力” 。《人工智能时代的竞争》一书的作者Marco Iansiti 和 Karim Lakhani关于 AI 时代竞争的研究之所以重要，就在于他们提醒人们：数据、算法和网络化架构正在打破传统的规模、范围和学习约束，使企业越来越可能跨越既有行业边界开展竞争。对制造业而言，未来的高位竞争，很可能更多发生在“能力层”，而不只是单一行业链条之中。

如果把制造业放到新的竞争框架里，大致可以拆成四层。

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。中国在这一层的优势最强，这也是今天中国制造业全球地位的主要现实基础。

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。这一层决定了谁能把“通用智能” 变成“行业生产力 ”。

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。谁掌握这一层，谁就更接近制造业的“大脑”。

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。谁能够在这一层形成影响力，谁就更接近未来产业生态中的高位。

值得注意的是，这个四层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”，而是帮助判断：在你的行业里，未来竞争的关键层到底在哪里。

在这个框架下，中国当前最强的是第一层，正在努力补第二层，第三层进步很快但系统主导力仍然不足，第四层则是最值得提前占位、但目前仍相对薄弱的一层。工信部等八部门 2026 年初发布的专项行动，实际上就是在推动中国制造从“让工厂更智能”走向“在能力层上补位和占位”。

中国制造业今天的全球中心地位，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同于未来优势。未来真正决定位置的，不只是产业链位置，而是能力层位置。

中国发展工业 AI的最优路径

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。这不是因为要刻意“走自己中国式的道路”，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。

美国的优势在于基础模型、头部平台、算力生态、开发者生态和标准外溢能力。2025 年白宫发布的《America’s AI Action Plan》以“加速创新、建设 AI 基础设施、在国际外交与安全上保持领先 ”为三大支柱；NIST 在 2025 年底启动 AI in Manufacturing 相关中心，也是在强化“先占住智能核心，再向产业渗透” 的路径。

欧洲的优势则不同。它在工业软件、工业设备、工业自动化、数字孪生、工程规范和制度治理方面基础更深，所以更强调 AI Factories 、Apply AI、技术主权和规则框架。欧盟的 AI Factories 、Apply AI Strategy 与 AI Act，体现的是一条“先基础设施与规则框架，再推动产业广泛采用” 的路线。

中国的起点既不同于美国，也不同于欧洲。中国的最大优势，不是单一平台或单一软件体系，而是完整工业体系、超大规模制造场景、产业集群密度、快速工程化能力和应用迭代土壤。而《 “人工智能+制造”专项行动实施意见》的政策取向本身就不是简单复制美国 “先平台后产业” 的路线，也不是完全照搬欧洲“先规则后扩散” 的路线，而是在走一条更强调场景牵引、行业落地和体系化推进的路。

因此，从中国制造总体升级的角度看，最有利的模式应当是一条充分利用自身比较优势的组合路径。

首先，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，不是抽象地追求 “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，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。之所以如此，不只是因为数据重要，而是因为中国最独特的优势恰恰是全门类、全流程、全场景的数据来源。

第三，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。以长三角汽车零部件集群、珠三角电子制造集群等为单位推进数据标准、模型接口和行业方案，比让每个企业各自摸索，更可能形成规模效应和扩散效应。

第四，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，那么长期仍可能停留在“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。西门子与英伟达在 2026 年初扩大合作，明确提出共建工业 AI 操作系统；Sandvik 则已把 AI 嵌入制造软件、矿山设备与运维服务，形成面向客户的数字化解决方案层。这说明全球领先企业争夺的，不再只是设备本身，而是设备之上的智能层与服务层。

第五，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。

第六， 以开源生态弥补基础层差距。开源不是权宜之计，而应当被视为战略选择。它降低了基础能力的获取门槛，把竞争焦点从“谁的模型更强”部分转向“谁的应用更深”，而后者正是中国的强项。《 “人工智能+制造”专项行动实施意见》明确提出“建成全球领先的开源开放生态”，这不只是技术安排，也是产业生态博弈的安排。

最后，尽早进入标准与规则层，而不是等技术成熟后再参与。中国如果只重视应用、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。中国如果要让制造优势真正转化为全球竞争力，就不能只做最大应用市场，还要争取做重要规则参与者。 NIST已把 AI 标准工作列为正式方向，欧盟也持续强调治理与规范，这恰恰说明规则不是附属问题。

概括起来，三种路径的差异是：美国更像是“先智能核心，后向工业外溢”；欧洲更像是 “先工业体系和规则框架，后推动广泛采用”；中国更合理的路径，则是 “先把完整工业体系和超大规模场景转化为行业智能能力，再反推平台、软件、标准和规则上移 ”。

不同行业的问题并不相同

中国制造业不是一个同质的整体。不同产业处于完全不同的位置，因此不能用同一种思维定式谈“AI 重塑中国制造业”。

对已经领先或具有强竞争力的行业，例如新能源汽车、动力电池、消费电子、家电、通信设备、部分工程机械，核心问题不是怎么追赶，而是如何防止在新一轮价值分配中停留在执行层。它们的现实优势主要来自规模效率、供应链整合和快速迭代，但未来如果产品价值重心继续向软件、数据和智能层迁移，仅凭更好的硬件和更快的制造，并不足以保证价值不被上移的平台层截走。比亚迪近年持续强化智能化路线，海尔智家则在年报中明确提出用大模型推动运营和产品应用，这些动作都说明，领先行业开始意识到，下一阶段竞争不只是继续把硬件做强，而是要把硬件之上的智能能力也做起来。

对正在快速追赶但尚未领先的行业，例如商用飞机、高端医疗器械、半导体设备、精密仪器，核心问题也不是复制领先者旧路径，而是判断 AI 是否改变了追赶路径。如果瓶颈主要是工艺经验、设计迭代、测试验证等认知积累型问题，AI 有可能加速追赶；如果瓶颈主要是核心装备、关键材料、基础设施等物理底座问题，AI 的作用更多是辅助，而不是替代。AI 是加速器，不是捷径。

对仍存在明显代际差距的行业，例如先进制程半导体、核心 EDA、高端航空发动机热端部件、顶级精密光学、部分生物制药核心工艺，问题更不能被理解为 “全面赶超”。更现实的问题是：哪些节点可能被 AI 改写，哪些节点短期内依然只能靠长期基础研究和物理试验推进。这里真正重要的，是识别 AI 最可能带来非线性突破的切入点，而不是把 AI 当作捷径。

对在全球具有独特地位的行业，例如稀土加工、特高压、高铁系统集成、大型基础设施建设，问题既不是追赶，也不是防守，而是如何利用 AI 把独特地位转化为更高价值、更强锁定和更大国际影响力。换言之，这类行业真正应该做的，不是只守住份额，而是把独特位置提升为更高层级的解决方案能力和规则影响力。

最大的风险不是方向不清，而是旧模式仍然有效

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。制造业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，因此对新模式的投入总是显得 “不够紧迫”。工业 AI 的国际标准如果在未来三到五年内被他方主导，中国制造即使规模领先，也可能在接口、认证和评估规则层面处于被动，这是规则性锁定；少数平台企业如果在关键行业率先形成强网络效应和数据飞轮，后来者的追赶成本会迅速上升，这是市场性锁定；工业数据基础设施如果在关键阶段没有实质性推进，中国最独特的数据禀赋就可能长期停留在 “资源状态”，无法转化为能力优势，这是基础设施性锁定。这三种锁定一旦叠加，窗口仍在的判断就会迅速失效。

若未来三到五年的资源仍主要投向放大旧优势，而没有同步向能力层上移，那么现在的优势就可能在下一阶段变成路径依赖。

真正需要进入高层资源配置议程的是这五个问题

如果把全文归纳成高层真正需要回答的问题，大致有五个。

第一，工业数据基础设施应当被视为 AI 时代制造业的新型基础设施，而不是普通数字化配套。数据分类分级、确权使用、安全流通、接口标准、高质量数据集和可信交换机制，已经不是技术部门的事项，而是决定中国制造业能否形成能力层优势的底座问题。

第二，必须加快培育“行业 AI 翻译者”。中国并不缺通用 AI 能力，也不缺行业龙头企业，真正稀缺的是能把通用模型能力转化为特定行业可用生产力的中间层主体。西门子和Sandvik 之所以值得重视，不是因为它们“AI 更强”，而是因为它们能把通用技术、行业知识和客户问题编织成可落地的工业解决方案。中国要补的正是这一层。

第三，人才结构调整应提升到与技术投入同等重要的位置。未来最稀缺的是既理解 AI 能力边界、又理解工业场景和工艺约束，还能够参与数据治理、模型部署和业务重构的复合型人才。专项行动提出推广 500 个典型应用场景，这些场景不仅应承担技术验证功能，也应承担复合型人才培养功能。

第四，应鼓励一部分龙头企业从“制造执行中心”走向“行业能力节点 ”。不是所有企业都需要成为平台，但如果缺少一批在工业软件、行业模型、智能产品平台和标准塑造上具有外部影响力的主体，中国制造业整体地位就很难真正上移。

第五，应尽早在工业 AI 国际标准和规则上主动占位。中国作为全球最大的制造业国家和AI 应用最活跃的市场之一，有条件也有必要在数据格式、接口协议、安全认证、模型评估和伦理规范等方面积极进入早期博弈。规则不是附属问题，而是产业生态中的高位问题。

同样不能回避的是这四类风险

第一是 “应用强、底层仍需补” 的结构性不平衡。中国在 AI 应用速度、场景丰富度和产业落地上进展显著，但在先进芯片、核心工业软件和高端设计工具链等底层能力上仍有短板。如果这一不平衡长期存在，就可能形成“上层繁荣、底层受制” 的格局。

第二是数据治理难度可能被低估。工业数据丰富，并不自动等于智能优势。数据确权、安全责任、跨企业流通的信任机制、质量标准和价值分配，都需要长期建设。如果这些问题解决不力，中国最大的潜在优势之一仍将停留在 “资源状态”，难以转化为“能力状态” 。 

第三是 AI 叙事对制造业基本面的干扰。最现实的风险之一，就是大量资源被概念性项目吸走，而对质量、工艺、交付、组织能力、人才培养和数字底座这些长期要素投入不足。制造业竞争的底座没有改变，AI 只能放大底座上的优势或缺陷，不能替代底座本身。

第四是 AI 投资回报的时间错配风险。制造业不是互联网行业，AI 在制造业中的落地需要数据准备、系统集成、工艺适配和组织变革，这些都是慢变量。对许多中小制造企业而言，如果缺乏足够耐心与资源缓冲，前期投入尚未产生回报便中断，容易导致对整个方向的判断摇摆。

结语

综合来看，中国制造业在认知充裕时代仍然拥有强大基础，也确实面临一轮重要机会，但真正变化的是优势的价值结构。

未来十年的关键，不只是继续强化物理执行能力和产业规模优势，而是能否在此基础上加快向工业数据基础设施、行业智能解决方案、工业软件与模型平台、智能产品层和规则标准层等关键能力层延伸。而且，这种延伸不应是一刀切的：对已领先行业，核心任务是把现实优势转化为智能层和关系层优势；对追赶行业，核心任务是利用 AI 加速认知积累，而不误以为它能替代基础研究；对代际差距行业，核心任务是识别 AI 可能改写路径的关键节点；对具有全球独特地位的行业，核心任务是把独特位置转化为更高价值锁定和规则影响力。

需要承认的是，以上关于能力层竞争和路径选择的分析，是建立在若干尚未被充分验证的假设之上。特别是关于 AI 能够多深地渗透制造业核心工艺、平台化竞争逻辑能否适用于物理世界这两个问题，目前仍存在相当大不确定性。如果 AI 在制造业的渗透速度远低于预期，或者物理世界的复杂性长期阻碍平台化趋势的形成，本文的部分判断可能就需要改变。但即便存在这些不确定性，立足自身禀赋建设能力层，同时稳住基本面、不被 AI 叙事带偏，依然是一个在多数合理情景下都具备较高安全边际的选择。

由此可见，关于中国制造业未来的真正核心议题，已经不是 “能否继续做强世界工厂”，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。

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

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）