AI与中国制造业

中国制造业增加值占全球比重已接近30%，总体规模连续16年稳居世界第一。从一颗螺丝钉到一辆整车，从一块硅片到一个光伏电站，中国拥有世界上最完整的工业门类。与此同时，中国工业机器人新增装机量占全球比重超过50%，运营存量突破200万台，以全球43%的占比稳居第一。

规模之外，中国还在收获另一项“第一”。

2026年3月，德国慕尼黑大学与咨询公司MHP，基于对全球1200余家工业企业调研，联合发布了《2026工业4.0晴雨表》。报告显示，中国工业数字化水平指数达72%，较上年提升3个百分点，领跑全球。美国69%、印度68%、墨西哥67%紧随其后，而传统工业强国所在的DACH（德国、奥地利、瑞士）地区仅57%，英国62%。

在AI应用层面，差距更为悬殊。71%的中国企业已将AI融入生产流程，印度61%、美国57%、墨西哥51%、英国48%，而DACH地区以37%的比例垫底。

全球238座灯塔工厂中，中国独占109座，占比45.8%。2026年6月新增16家灯塔工厂中，中国占8席。这个由世界经济论坛与麦肯锡联合评选的名单，被公认为全球制造业智能化和数字化的最高水平代表。

IDC 2025年中国工业企业调研显示，已经应用大模型及智能体的工业企业比例，从2024年的9.6%飙升至2025年上半年的47.5%。不到十二个月，近半数规模以上制造企业宣称自己“上了智能体”。

这些数字勾勒出一幅令人振奋的画面：中国制造正在从“规模领先”走向“智能领先”。

但同一份MHP报告也揭示了一个被忽视的事实：在已应用AI的企业中，仅有24%实现了深度整合，即AI真正嵌入生产流程、进入决策闭环，而非停留在试点或辅助层面。这意味着，71%的“应用率”背后，只有不到四分之一真正“用出了效果”。

毕马威《2026全球科技报告：工业制造业》基于全球27个国家、2500余名企业高管的调研，得出了相似的结论。报告指出，59%的受访企业明确表示现有KPI无法衡量AI的价值。算不清账，投资决策就失去了依据。IDC数据同样显示，仅有35%的企业能从单点AI试点向多环节规模化应用跃升。

“高应用、低深度”，这个悖论揭示了中国制造业AI转型的真实状态：我们在“用”AI，但还没有真正“成为”AI驱动的组织。

更值得注意的是，AI在制造业的角色正在发生质变。它不再只是“看”和“说”，比如识别缺陷、预测故障、生成报告，这些属于感知层的能力；它正在走向“做”，比如优化工艺参数、调度生产排程、乃至控制机械臂完成自主操作。从大语言模型到垂直AI，再到物理AI，AI正在从“信息提供者”演变为“行为影响者”，并最终走向“物理智能体”，也就是能够感知环境、自主决策、直接运行于工厂的AI系统。

当AI以“数字员工”和“物理智能体”的双重身份进入工厂时，一个更深层的问题浮现了：当AI不仅拥有“大脑”，还拥有“双手”时，制造业中的“人”将如何被重新定义？

这不是一个关于技术的问题，因为技术可以迭代、可以优化；这是一个关于“人”的问题：数百万产业工人的技能如何重构？制造企业的组织形态如何从“金字塔”演变为“菱形”？当AI优化参数与“老师傅的手感”冲突时，谁来做最终判断？当AI控制的机械臂与人类在同一空间工作时，安全责任如何划分？

本文将从八个层面展开分析：首先呈现“全球格局”，谁在领跑，谁在掉队；然后审视“机遇”，中国制造的规模红利与政策红利；接着直面“挑战”，“高应用、低深度”的悖论从何而来；进而考察“AI角色的三层演进”，从大模型到垂直AI到物理AI；在此基础上追问“全球竞争的关键”，从“灯塔”到“灯塔网络”的跃迁意味着什么；然后聚焦“个体能力重构”，从“操作机器”到“治理智能”，产业工人需要掌握什么新能力；继而观察“组织形态演变”，从“金字塔”到“菱形”，制造企业如何被AI重构；最后回到那个根本的问题：中国制造从“规模领先”到“智能领先”的跃迁路径在哪里？

核心追问贯穿始终：当AI可以“像工人一样行动”时，人还能做什么机器做不了的事？这个问题本身，就是中国制造业数千万产业工人在AI时代重新定义自我的起点。

一、全球格局，谁在领跑，谁在掉队？

要理解中国制造业AI转型的独特性，不能只看中国自己，必须把它放到全球坐标系中。2026年的全球制造业AI版图，呈现出一种“东升西落、中美领跑、欧洲掉队、日韩分化”的格局，但每一组数字背后，都藏着远比表面更复杂的真相。

1.1 MHP《2026工业4.0晴雨表》：全景扫描

这份由德国慕尼黑大学与保时捷旗下MHP管理咨询公司联合发布的报告，基于全球1200余家工业企业代表的自我评估，覆盖德语区（德国、奥地利、瑞士）、英国、美国、中国，以及首次纳入调查的印度和墨西哥。

在数字化水平（晴雨表指数）方面，全球工业领域的数字化水平持续上升，总体指标已从2022年的48%升至目前的68%。各国具体表现为：中国72%（较去年提升3个百分点），美国69%，印度68%，墨西哥67%。有两个地区的数字化水平明显落后：德语区停滞在57%，英国则下降两个百分点至62%。

AI在生产中的应用率方面，中国企业以71%的比例领先全球，将AI深度融入生产流程；其次是印度61%、美国57%、墨西哥51%、英国48%，而德语区以37%的比例垫底，中国与德语区之间的差距高达34个百分点。MHP首席运营官马库斯·瓦姆巴赫直言：“中美正以软件和数据驱动生产转型，而德语区毫无进展。”

在“深度整合率”方面，MHP报告也揭示了一个更深层的问题，在已应用AI的企业中，全球仅有24%实现了深度整合。这意味着AI应用率最高的国家（中国71%），与AI真正“用出效果”的比例之间，存在着巨大落差。欧洲企业尤其如此，报告总结称，欧洲企业对AI应用持谨慎态度，仅停留在试点阶段，尚未深度融入生产流程。

软件定义制造（SDM）认知度，这可能是MHP报告中最具战略意义的一组数据。MHP数据显示，中国和印度对“软件定义制造”的认知度均达30%，美国为14%，而德国仅3%。德国《汽车周刊》援引报告数据称：“德国仅3%企业熟悉‘软件定义制造’，中国这一比例达30%。”MHP进一步警告：“那些未能战略性地整合生产控制、数据和软件的企业，将面临丧失竞争力的风险。”

需要指出的是，MHP数据为企业自评结果，不同国家的文化偏差可能导致数据存在一定程度的可比性偏差，比如中国企业可能更倾向于高估自己的数字化水平，而德国企业可能更保守。但即便如此，中德之间34个百分点的AI应用率差距和27个百分点的SDM认知度差距，仍然足以说明两国在AI转型节奏上的根本性差异。

1.2 Gartner：AI智能体在制造业的爆发

如果说MHP描绘的是“当下”的静态格局，Gartner的数据则揭示了“趋势”的加速度。

信息技术研究与咨询服务机构Gartner预测，到2026年底，40%的企业应用将集成专属AI智能体，而2025年这一比例尚不足5%。这意味着在不到两年的时间内，AI智能体在企业应用中的渗透率将实现超过8倍的增长。

Gartner的预测更加具体：“到2030年，半自主AI智能体预计将协调约10%的生产、质量与维护活动。”作为对比，2026年初这一比例仅为2%左右。2026年全球将有超过50%的大型工业企业部署AI智能体系统，较2024年的15%实现了跨越式增长。

Gartner的论断一针见血：“对于工程师和制造业领导者来说，2026年是从幻灯片概念转变为运营模式的一年。”

1.3 IoT Analytics：机械制造行业的AI渗透

聚焦机械制造这一制造业的核心子领域，IoT Analytics发布的121页深度报告《2026年机械制造行业人工智能应用》基于对120位高级决策者的调查，覆盖了22个机械制造子行业。

报告的核心发现是，全球96%的机械制造商已将AI深度融入其业务链路中。更值得关注的是部署深度，54%已进入部署阶段，其中18%全面部署，36%部分部署。

在具体应用场景上，AI在机械制造行业的渗透呈现多点开花态势。在预测性维护场景，54%的机械制造商已部署，其中18%全面部署、36%部分部署；在远程诊断环节，48%已采用，是最广泛采用的单项服务用例；在服务流程自动化方面，43%已部署；在AI驱动的故障预测方面，37%已部署或部分部署；在AI驱动的零部件建模方面，34%已部署或部分部署；在可制造性设计方面，34%已部署或部分部署。

从细分行业看，机器人和自动化领域的AI采用率最高，其次是半导体制造设备、工程机械和采矿设备。IoT Analytics分析师拉加夫·卡迪安对此评论道：“机械制造不是一个AI市场，而是一组高度多样化的机械行业，不同的客户、不同的机器、不同的商业压力。这就是为什么AI采用在不同细分领域看起来如此不同。”

1.4 毕马威：投资回报的分化

毕马威《2026全球科技报告：工业制造业》基于全球27个国家、2500名科技高管的调研数据，覆盖了汽车、金融服务、工业制造、科技和电信等八个行业。

报告最引人注目的发现是，49%的制造企业已从AI投资中获得可量化的财务回报，这一比例是全行业平均水平（28%）的近两倍；68%预计未来12个月内实现AI规模化部署；76%的被调查制造企业每年在数字技术上的投资超过5000万美元。

但报告也揭示了“光环之下”的阴影：59%的受访企业明确表示现有KPI无法衡量AI的价值。毕马威报告指出，传统ROI指标无法适配AI长期收益。算不清账，投资决策就失去了依据，下一轮预算审批就卡在这里。

1.5 各国态势速览

MHP晴雨表提供了宏观格局，但真正的竞争差异隐藏在各国具体的产业政策、技术路径和落地节奏之中。同样面对AI浪潮，不同国家的起点不同、打法不同、瓶颈也不同，有的困在认知，有的卡在投资，有的走在最前沿却面临落地之困。以下逐一审视主要工业国的AI转型态势。

（1）美国：起步早，渗透慢，潜力大

美国制造业的AI采用率确实在增长，但该行业仍处于转型的早期阶段。2023年9月至2026年2月，AI在企业各类业务场景的使用率从1.8%升至13.9%，增幅达12.1个百分点。2024至2025年增速近乎翻倍，应用率从2.61%攀升至4.36%。

但整体来看，仍有87%的制造企业未将AI融入生产运营流程。大型企业采用AI的可能性是中小企业的2.3倍。在已实施AI的企业中，56%报告已在部分领域实施AI，但仅有10%表示技术已完全整合到运营中。

（2）德国/欧洲：技术领先，落地迟缓

DACH地区AI应用率仅37%，远低于中国的71%。尽管51%的德语区企业预计未来五年AI将产生“显著”或“突破性”影响，但德国中型企业AI系统化应用率仅29%。

2026年4月20日至24日，汉诺威工业博览会在德国举办。作为全球工业发展的“风向标”，本届展会释放了一个核心信号：工业AI正从展示性技术转向实际生产系统，标志着工业体系从“数字化”向“自治化”转变。

“物理AI”成为本届展会关键词。“物理AI”指的是能够通过机器、设备和机器人等载体，与现实物理世界直接交互的AI。西门子数字工业首席执行官塞德里克·奈克对新华社记者说：“如果AI不能走进真实世界，它就只是一个装在罐子里的大脑。”奈克认为，今年汉诺威工博会的关注重点之一是把AI带入机器、生产，并贯穿整个产业，让AI走出“罐子”。

西门子CEO博乐仁表示：“正打造工业AI操作系统，将AI贯穿全流程，助企业实现更快响应与更强韧性。”

法国凯捷咨询公司在工博会前夕发布的《物理AI：将人机协作提升至新高度》调查报告显示，67%的受访者认为“物理AI”具有颠覆性意义，近八成受访企业和组织已实际部署“物理AI”。

（3）日本：目标宏大，行动务实

日本政府设定了雄心勃勃的产业目标：计划2040年前在全国18个行业部署约1000万台人工智能机器人。

企业同样在加速推进。2026年7月9日，三菱汽车宣布与东京大学衍生初创企业Highlanders达成合作，共同推进人形机器人的量产研发。该产品最早将于2027年在三菱京都发动机工厂投产，规划月产能1000台。机器人将搭载人工智能技术，初期用于三菱自有工厂的零部件转运和发动机装配等作业。

（4）韩国：高意识，低投资

韩国制造企业对数字化转型的认知度极高，95%的企业认为需要数字化转型。然而，韩国制造企业AI与机器学习投资率仅为28%，远低于全球平均的50%。运营预算中工业技术投资占比方面，韩国为22.8%，低于全球平均的27.6%。成本是AI引入的主要障碍，37%的韩国受访者将成本视为阻碍因素。

（5）印度与墨西哥：新入局者的追赶

印度和墨西哥是MHP晴雨表首次纳入调查的国家。印度在数字化水平（68%）和AI应用率（61%）上均表现抢眼，分别位居全球第二和第三。墨西哥数字化水平67%，AI应用率51%，处于中游位置。这两个新兴工业国的快速追赶，正在重塑全球制造业AI竞争格局。

1.6 小结

将以上数据放在一起，一幅全球制造业AI竞争的全景图逐渐清晰。

中国在数字化水平（72%）、AI应用率（71%）和灯塔工厂数量（109座）三个维度上均位居全球第一，在软件定义制造认知度（30%）上与印度并列领先。但在深度整合率（24%）上，中国与全球平均水平持平，应用率与深度之间的落差揭示了“量”与“质”的差距。

美国数字化水平（69%）和AI应用率（57%）均位居前列，但87%的工厂尚未完成转型，大型企业与中小企业的AI鸿沟显著。

欧洲（DACH地区）数字化水平（57%）和AI应用率（37%）双双垫底，企业多停留在试点阶段。但欧洲在物理AI和工业AI操作系统等前沿方向上的技术储备仍然雄厚，汉诺威工博会展示的“让AI走出‘罐子’”正是这一方向的集中体现。

日本目标宏大（2040年1000万台AI机器人），三菱汽车已进入2027年月产1000台人形机器人的量产倒计时。

韩国95%的企业意识到转型必要，但投资率仅28%，认知与行动之间的断层最为突出。

印度和墨西哥作为新入局者，正在快速追赶。

全球制造业AI竞争的关键变量，已经不再是“谁的技术更先进”，而是“谁能更快地将AI从试点推向规模化、从感知推向执行、从工具推向主体”。

二、中国制造的“规模红利”与“政策红利”

如果说第一部分描绘的全球格局是一幅“谁在领跑、谁在掉队”的静态快照，那么这一部分要回答的是：中国为什么能领跑？答案藏在两个维度里：一是规模，中国拥有全球最大的工业数据池和最完整的产业链，这是AI落地的“土壤”；二是政策，从中央到地方，一套系统性的制度供给正在为AI与制造业的融合铺设“轨道”。

2.1 规模效应：全球最大的AI试验场

中国制造业的体量本身就是一种战略优势。

制造业增加值占全球约30%，总体规模连续16年稳居世界第一。工业互联网融合应用已覆盖全部41个工业大类，这意味着任何一个AI应用场景，在中国都能找到足够大的落地空间和足够多的迭代样本。

在机器人领域，中国工业机器人新增装机量占全球比重超过50%，运营存量突破200万台，以全球43%的占比稳居第一。机器是AI的“手”和“眼”，中国拥有全球最大规模的工业机器人存量，意味着物理AI在中国拥有最丰富的部署场景。

在算力基础设施层面，截至2026年3月底，我国智能算力规模已达1882 EFLOPS（FP16），位居全球前列。已初步构建以国家枢纽为核心、重点区域为承接、城市边缘为支撑的多层次算力设施体系和全国一体化算力网。算力是AI的“燃料”，中国在算力规模上的快速积累，为制造业AI的规模化部署提供了基础设施保障。

而在全球制造业智能化的“皇冠”，也就是灯塔工厂的争夺中，中国同样位居榜首。截至2026年6月，全球灯塔网络已汇聚238座顶尖制造及供应链运营基地，中国灯塔工厂总数增至109座（中国大陆103座，中国台湾6座），占全球45.8%，稳居全球第一。

2026年6月22日，世界经济论坛在第十七届新领军者年会（夏季达沃斯论坛）上宣布，全球灯塔工厂新增16家成员，中国占一半。蔚来、皇家宠物食品、招商局重工（江苏）、青岛中集冷藏箱制造、国药太极涪陵制药厂、日日顺供应链青岛智慧物流园、福建宁德核电等8家中国企业成功入选。

从城市分布来看，青岛以10座灯塔工厂位居全国首位，苏州9座、合肥8座、上海8座紧随其后，北京6座、重庆5座，无锡、广州各4座，佛山、深圳、天津、郑州、常州各3座。

灯塔工厂被誉为全球制造业数字化转型与智能制造升级的标杆。中国工厂的批量入选，是多年深耕制造业数字化转型水到渠成的结果。

2.2 政策体系：从顶层设计到地方落地

规模是土壤，政策是轨道。2025年至2026年，中国围绕“AI+制造”构建了一套从国家战略到地方实践的完整政策体系。

2025年，国务院印发《关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号），为“人工智能+”行动提供了顶层制度框架。

2026年1月7日，工信部、网信办、发改委等八部门联合印发《“人工智能+制造”专项行动实施意见》（工信部联科〔2025〕279号）。这份文件是“人工智能+”行动在制造业领域的具体落地。《意见》明确，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。围绕创新筑基、赋智升级、产品突破、主体培育、生态壮大、安全护航、国际合作等7大重点任务，细化了21项具体措施。

2026年3月，全国两会期间，《政府工作报告》首次提出“打造智能经济新形态”。政府工作报告还明确提出“深化拓展‘人工智能+’，促进新一代智能终端和智能体加快推广，推动重点行业领域人工智能商业化规模化应用”。政府工作报告起草组成员、国务院研究室副主任陈昌盛在吹风会上表示：“其实就是抓住人工智能发展的机遇，拓展人工智能赋能千行百业的广度和深度”。

“打造智能经济新形态”的提法具有标志性意义。此前的“人工智能+”行动主要将人工智能作为赋能工具，用于改造传统产业；而“打造智能经济新形态”意味着人工智能从辅助性工具上升为驱动经济运行的关键力量。

与此同时，“十五五”规划纲要草案明确提出，数字经济核心产业增加值占GDP比重从2025年的10.5%提高到12.5%。这个看似“只增长两个百分点”的目标，结合“十五五”期间GDP的持续增长，背后是每年数千亿乃至近万亿元的增量。数字经济将从“新兴产业”成长为国民经济中占比超过十分之一的“关键支柱”。

在地方层面，政策落地同样迅速。

2026年7月，珠海市发布《珠海市人工智能赋能制造业高质量发展行动方案（2026—2028年）》，提出到2028年实现规模以上工业企业数智化转型全覆盖，建成10家以上领航级、卓越级智能工厂，推动智能终端产业规模迈上千亿台阶。资金支持力度颇为可观，对新认定的领航级智能工厂给予最高500万元一次性奖励，卓越级智能工厂最高100万元；中小企业实施AI赋能项目最高可获20万元支持。

福建省也于2026年7月发布了《福建省“人工智能+制造”行动计划（2026-2028年）》（成文于2026年6月），江西省九江市等地也相继出台了配套政策。

从国务院的顶层设计，到八部门的专项行动，再到各地市的落地政策，这套从中央到地方、从战略到执行的政策链条，构成了中国制造业AI转型独特的制度供给优势。

2.3 流程制造业的AI突破

AI在制造业的应用，不只是“锦上添花”的离散制造场景。在钢铁、化工等流程制造业，这些被称为中国制造业“基本盘”的领域，AI同样正在进入生产核心环节。

（1）钢铁行业：南钢“元·冶”大模型

2026年6月25日，由南钢股份自研的国内首个钢铁AI大模型“元·冶”发布了2.0版。南钢集团党委书记、董事长黄一新表示，通用人工智能难以精准适配钢铁工业的真实生产逻辑，过去一年南钢携手华为打造了钢铁行业首个专业化大模型战略架构。

“元冶”突破传统大模型的局限，系统构建覆盖钢铁全流程的智能体矩阵，规模化落地多个专业智能体。据南钢人工智能研究院院长李瑾彦介绍，“元冶”以铁钢界面为起点，以机车智能体为执行载体，重塑传统铁钢界面生产组织模式；融合自动驾驶和AI智能感知技术，构建覆盖“三钢两铁”的智慧铁钢界面管控体系。

数据显示，南钢关键设备数字化率已达100%。“元冶”已规模化落地铁钢界面，落地200余项轻量化AI应用。南钢同步发布了覆盖研产销管全流程的25个核心业务智能体。

（2）钢铁行业：宝武钢铁

宝钢已累计打造100余个智能体，上线AI场景600余个。取向硅钢在AI加持下板形精度提升20%，断带率下降65%。宝武智维“AI+智慧服务”新模式中，AI数智助理替代人工完成点检、诊断、报告生成等工作，诊断周期从1天压缩至1小时。

（3）化工行业：盛虹石化与晶泰科技

盛虹石化携手霍尼韦尔推出国内石化行业首个操作导航智能决策系统，将复杂的生产大数据转化为清晰、可执行的操作指引，推动流程行业从“经验驱动”迈向“数据决策”。

晶泰科技AI自主实验工作站落地中石化，首次在产业级场景中实现“AI+机器人+Multi-Agent”的智能体系，迈出了通往物理AI的关键一步。

2.4 离散制造业的标杆案例

如果说流程制造业的AI突破代表了“深度”，离散制造业的大量案例则代表了“广度”。

在TCL王牌电器（惠州）的生产工厂里，电视机的信号与功能端口对接通过一台自动插线设备完成。该设备由3D视觉与AI技术驱动，实现无人作业。TCL实业资深工程师雷登似介绍，去年应用该自动插线设备以来，产品合格率达99.8%。

德赛西威相关负责人黄宸炎介绍，“原本需要四天才能完成的生产流程，我们有了‘AI工友’后，现在全程仅需四小时，库存周转率也得到显著提升”。该工厂布局了智能立库、智能AGV、空中物流、智能料塔等智能化硬件设施，在自研的智能管理系统统一调度下，实现生产与物流环节的全链路协同。

华翔集团的工业AI整体解决方案已在华翔集团法兰、气缸、活塞、曲轴、压缩机五大核心工厂全面落地。智能化改造后，车间产品不良率下降90%，彻底告别了传统人工每小时抽检的模式，实现零部件100%全自动检测。全厂每日可稳定采集300万条生产数据，形成前端采集、后端分析、设备自动调控的完整闭环。

2026年6月9日，美的集团在泰国正式发布“智能体工厂出海解决方案”。美的将这套经过实战打磨的能力拆解成12个模块化、可快速复制的解决方案。泰国工厂通过72个AI应用及覆盖25个场景的13个核心智能体，实现了端到端订单前置时间减少43%、客户投诉率降低32%、员工培训与认证周期缩短62%。这座工厂支撑起超过500万台空调年产能，订单全流程周期比行业平均缩短43%，只需26天就能把产品送抵全球客户手中。

作为“人工智能+工业互联网”融合发展的引领者，浪潮云洲已打造15个垂域大模型、43个行业智能体，覆盖化工、装备、线缆、新能源等制造领域，进入工艺优化、视觉质检、设备运维等关键环节。在山东九羊集团，浪潮云洲联合打造钢铁行业大模型与智能体，应用后终点钢水碳含量、温度双命中率不低于88%，年均降本超千万元。

由XbotPark孵化的模具制造企业模德宝，运用自主研发的“AI+工业互联网+智能制造”技术打造了模具制造与产品注塑智能工厂。目前智能工厂自动化率达90%，生产交期缩短30%，生产效率提升30%，模具质量提升50%，节约人力30%。2025年，企业营收同比增长近200%。

2026年6月，蔚来先进制造新桥二工厂获评全球“灯塔工厂”。作为一座全链路数字化智能工厂，蔚来依托自研并持续迭代的工业AI算法、AI大模型以及丰富的行业小模型，达成了80%制造场景由AI智能决策的效果。工厂在建设初期便铺设了90公里光缆，用于生产运营数据实时采集，覆盖冲压、车身、涂装、总装四大核心车间。根据世界经济论坛的评价，该工厂搭建了实时闭环先进制造系统，将车载人工智能、换电网络和数字孪生平台进行连接，使产品上市速度提升44%，并实现90%的研发工作流程自动化，能够管理超过360万种车辆配置。

2.5 小结

将以上数据放在一起，中国制造业AI转型的机遇图景逐渐清晰。

规模上，中国拥有全球30%的制造业增加值、109座灯塔工厂、1882 EFLOPS的智能算力，这些数字构成了全球最大的AI试验场。

政策上，从国务院《关于深入实施“人工智能+”行动的意见》到八部门《“人工智能+制造”专项行动实施意见》，再到各地市的配套政策，一套从中央到地方、从战略到执行的政策链条已经形成。“十五五”规划提出数字经济核心产业增加值占GDP比重达到12.5%，政府工作报告首次提出“打造智能经济新形态”，这些顶层设计为AI与制造业的融合提供了明确的制度预期和资源导向。

实践上，从离散制造到流程制造，从灯塔工厂到中小企业，AI正在以不同深度、不同速度进入中国工厂的各个角落。TCL的99.8%合格率、德赛西威的四天变四小时、华翔的90%不良率下降、美的泰国工厂的43%订单前置时间缩短，每一个数字背后，都是一次“AI进入生产核心”的验证。

但规模、政策和案例之外，还有一个更根本的问题需要回答：为什么中国拥有全球最高的AI应用率，却只有全球平均水平的深度整合率？

三、“高应用、低深度”的悖论

机遇的另一面是挑战。中国制造业在AI应用率上领跑全球，但“高应用、低深度”的悖论揭示了一个更复杂的现实：我们在“用”AI，但还没有真正“成为”AI驱动的组织。为什么71%的企业宣称“用了AI”，却只有24%真正实现了深度整合？答案藏在六个环环相扣的挑战里。

3.1 数据孤岛：70%工业数据未被激活

AI的燃料是数据。但中国制造业的数据，绝大多数还“锁”在孤岛里。

不同产线设备新旧并存、通信协议割裂，数据散落在MES（制造执行系统）、ERP（企业资源计划系统）、PLM（产品生命周期管理系统）等“数据烟囱”中。据行业统计，约70%工业数据未被激活。中国工业报社数智工业研究中心在2026年1月发布的《“人工智能+制造”十大课题》中，将“工业数据孤岛现象突出”列为第二大课题，指出工业数据存在“技术异构+标准割裂+组织壁垒+安全顾虑”四维叠加的系统性问题。

某汽车零部件企业部署了2000余个传感器，但由于MES、ERP和PLM之间的接口不兼容，设备综合效率提升不足5%。传感器采集的数据“看得到、用不了”，采集容易，打通难。

中国工业报社发布的《十大课题》进一步指出，数据孤岛与数据治理的缺失，是阻碍AI规模化应用的首要障碍。很多企业拥有的不是数据资产，而是数据碎片。

霍尼韦尔大中华区总裁余锋对此直言不讳：“把AI带进制造业一定要有敬畏之心”，对工业领域来说，任何指标差一点就可能造成灾难性后果。数据孤岛与数据治理的缺失，正在让AI在制造业的规模化应用面临“有模型、没数据”的困境。

3.2 场景碎片化：41个工业大类的定制化难题

数据之外，更大的挑战是场景的极度碎片化。

41个工业大类、数百个工业中类的工艺千差万别。钢铁的高炉冶炼、化工的连续反应、电子产品的精密组装、汽车的总装调试，每一个行业的工艺流程、设备配置、数据特征都截然不同。即便是多数工业品都需要进行的质量检测，也存在数据特征、部署条件完全不同的情况。

杨超指出：“企业需求往往停留在经验语言层面，缺乏可量化建模的业务定义，使每个落地项目都需要重新微调，难以复制推广。”一个在电子行业验证成功的AI质检模型，到了汽车零部件产线可能需要从头训练。工业AI的“定制化”成本，远远超出了大多数企业的承受能力。

工信部在《“人工智能+制造”专项行动实施意见》中专项提出开展“模数共振”行动，正是考虑到制造业门类多、场景多，对大量行业专用模型和工业智能体有迫切需求。但“模数共振”从政策文件到产业落地，仍有漫长的路要走。

IDC数据揭示了这一困境的量级：仅有35%的企业能从单点AI试点向多环节规模化应用跃升。超过六成的企业，卡在“试点成功、量产停滞”的转型深水区。

3.3 IT-OT协同断裂

如果说数据孤岛是“技术问题”，场景碎片化是“业务问题”，那么IT-OT协同断裂则是“组织问题”，而且可能是最难解决的问题之一。

IT（信息技术）部门管系统、管网络、管数据；OT（运营技术）部门管设备、管产线、管生产，两个部门在传统制造企业中长期处于“井水不犯河水”的状态。但在AI时代，这种分割成了致命伤，AI要发挥价值，必须打通IT的系统能力和OT的产线能力。

思科（Cisco）2026年发布的《工业AI状态报告》，基于全球19个国家、1000余位工业决策者的调研，给出了一个令人警醒的数据：43%的工业企业存在IT-OT协同有限甚至没有协同的问题；57%的组织报告存在某种程度的IT/OT协作，但完全融合的团队仍然罕见。更值得关注的是，在IT-OT协同有限的企业中，47%将网络不稳定列为规模化AI的主要运营挑战。

思科报告进一步指出，IT-OT协同的断裂直接影响了AI部署的效果：47%的IT-OT协作有限的组织将网络不稳定列为运营挑战；分散的团队会减缓AI部署并增加运营风险，而IT/OT协同则能加速可扩展性、稳定性和安全性。

这不是因为企业领导者认识不到IT-OT协同的价值，而是因为在个人身上建立IT/OT综合技能往往既困难又不现实，因为懂IT的人不一定懂产线，懂产线的人不一定懂IT。两个知识体系之间的鸿沟，比技术本身更难跨越。

3.4 工业场景对确定性的极致要求

如果说前三重挑战是“工业体系本身的问题”，那么第四重挑战则触及了AI技术本身的局限。

国务院发展研究中心创新发展研究部第二研究室主任杨超在接受《中国经济时报》专访时，一针见血地指出了问题的核心：“制造业工厂需要高度的确定性，一个99%准确率的行为可能会引发产线停机或安全事故。”

99%的准确率，在推荐系统中是优秀的，在内容生成中是可接受的，但在制造业的生产执行环节，那1%的错误可能意味着整批次的产品报废、整条产线的停机、甚至安全事故。大模型在工业场景中幻觉率较高、可解释性较差，导致AI长期只能在感知环节发挥辅助作用，比如识别缺陷、预测故障、生成报告，但难以真正进入生产执行闭环。

杨超的论断揭示了一个根本性的错位：AI大模型的能力特征（概率性、黑箱性、不可解释性）与工业体系的要求（确定性、透明性、可追溯性）存在结构性矛盾。这不是“模型不够大”的问题，而是“模型的方向可能不对”的问题。制造业需要的不是“更聪明的AI”，而是“更可靠的AI”。

全国人大代表也曾直言：“如果AI在生产线上‘胡说八道’，代价就是整批次的产品报废。”

3.5 中小企业困境：结构性经济约束

如果说前四重挑战是“技术”和“组织”层面的，那么中小企业的困境则是“经济”层面的，而且可能是最难以通过政策文件解决的。

中国制造业的体量，很大程度上是由数以百万计的中小企业支撑的，但这些企业恰恰是AI转型中最脆弱的一环。

据《中国经济周刊》2025年报道，行业专家杨昱文估算，传统企业接入AI，单一工位的质检优化成本量级通常在10万元左右；产线或部门级改造需投入百万到千万元；工厂级别的全面智能化转型，投资额度可能达千万元以上。中国工业报社发布的《“人工智能+制造”十大课题》将“中小企业AI应用门槛高，投资回报周期长”列为第六大课题，指出中小企业受资金、技术、人才限制，适配生产、质检、运营、供应链、服务全流程的轻量化、落地性强的AI应用成本高，投资回报周期长，需要“即用型、模块化、低投入”的AI产品。

“不敢用”，是因为工业生产要求AI在几毫秒内做出判断和调整，一旦出错或延迟，整条产线可能停摆，损失巨大；“用不起”，则是一个工业AI模型从开发到落地，动辄需要数百万元的投入，再加上稀缺的复合型人才成本，中小企业大多难以承受。

“不愿转、不敢转、不会转”，这三重困境在中小企业中尤为突出。

3.6 复合型人才短缺

所有挑战的终点，都指向同一个瓶颈：人。

2026年春招市场的数据揭示了人才缺口的严峻程度。据智联招聘数据，人工智能工程师的需供比达到3.08，即每个求职者对应约3个招聘岗位；AI相关研发岗位供给仍偏紧，超2万元的招聘月薪暂时未能弥补人才稀缺。与此同时，汽车设计/制造工程师需供比2.38、芯片工程师2.02、软件研发1.95，均处于紧缺区间。软硬技能兼修的复合型人才，成为企业争抢的核心资源。

中国工业报社发布的十大课题中，第十大课题正是“复合型人才缺口显著，数字技能与工艺知识脱节”。课题指出，既懂制造工艺又精通AI技术的跨界人才缺口超100万，人才培养周期长，数字技能与工艺知识存在脱节问题。

毕马威报告同样指出，数字化转型的瓶颈正由资金转向人才与组织文化。89%的受访企业同意，管理AI智能体将在五年内成为关键的职场技能，但“同意”和“具备”之间，隔着整整一代人的培养周期。

3.7 小结

将六重挑战放在一起，“高应用、低深度”的悖论逐渐清晰。

数据孤岛（70%工业数据未被激活）意味着AI“吃不饱”，有模型，没数据；场景碎片化（41个工业大类各需定制）意味着AI“长不大”，有数据，难复制；IT-OT协同断裂（43%的企业协同有限）意味着AI“推不动”，有方案，难落地；确定性要求（99%准确率仍可能引发事故）意味着AI“信不过”，有能力，不敢用；中小企业困境（百万到千万级投入）意味着AI“用不起”，有需求，没预算；人才短缺（需供比3.08，缺口超100万）意味着AI“没人做”，有方向，没人干。

六重挑战环环相扣：数据孤岛加剧了场景碎片化的成本，场景碎片化提高了对复合型人才的需求，人才短缺又推高了中小企业的转型门槛，而所有问题最终都指向同一个方向，AI从“试点”走向“规模化”的通道，被一层又一层的结构性障碍堵住了。

正如杨超所总结的：“现阶段人工智能赋能制造业的瓶颈，不是人工智能大模型的能力约束，而是工业体系本身的数据、可靠性、场景碎片化和经济性等要求，与人工智能大模型的能力特征存在差异。”

理解这六重挑战，也就理解了为什么71%的应用率背后只有24%的深度整合率。接下来的问题是：AI在制造业中到底能做什么、不能做什么？从大语言模型到垂直AI再到物理AI，AI的角色正在经历怎样的演进？

四、从大模型到物理AI：AI角色的三层演进

理解了中国制造业AI转型的机遇与挑战之后，一个更根本的问题浮现出来：AI在制造业中到底能做什么、不能做什么？

这不是一个技术细节问题，而是理解整个转型方向的关键。AI在制造业中的角色正在经历从“感知”到“决策”再到“执行”的三层演进，每一层对应不同的技术路径、不同的应用场景，也对应着不同的“人机关系”。

4.1 大语言模型可解决的环节（感知层）

目前AI在制造业中最广泛的应用，停留在识别、预测、提醒等感知环节。具体场景包括：AI视觉质检（如TCL惠州工厂的3D视觉自动插线，产品合格率99.8%）、设备预测性维护（IoT Analytics数据显示AI模型可提前数周预测设备故障）、智能排产、供应链优化等。

这一层的技术基础是大语言模型和多模态模型，它们擅长处理非结构化数据，比如图像识别、文本分析、异常检测，并用自然语言将分析结果呈现给人类。SAP在汉诺威工博会上展示的“AI智能体”能够监测设备状态，在出现问题时自主干预并自动安排维修人员及提供故障诊断。这正是感知层的典型应用：AI“看见”问题、“告诉”人类，然后由人类决定如何行动。

但这一层有一个根本性的局限：大模型只能“看”和“说”，不能“做”。

在工业场景中，大模型的幻觉率较高、可解释性差，导致AI长期只能在感知环节发挥辅助作用，难以进入生产执行闭环。国务院发展研究中心杨超的判断一针见血：“现阶段人工智能赋能制造业的瓶颈，不是人工智能大模型的能力约束，而是工业体系本身的数据、可靠性、场景碎片化和经济性等要求，与人工智能大模型的能力特征存在差异。”

当AI“看”到了问题、给出了建议，最终按下按钮、调整参数、执行操作的，仍然是人。AI是“参谋”，人是指挥官。

4.2 垂直AI（决策层）

更复杂的场景需要行业大模型+垂直AI，这一层的AI不再只是“看”和“说”，而是开始“想”，做出决策建议，影响生产流程。

下面是这一层的典型场景。

一是工艺参数优化。流程工业中，工艺参数的微小偏差可能导致整批次产品报废。传统上，这些参数的调整依赖工程师的经验和反复试验。垂直AI可以通过学习海量的生产数据，找到参数的最优组合。

中控技术（Supcon）是这一领域的代表性企业。这家深耕流程工业自动化三十余年的公司，于2025年发布了TPT（时间序列大模型）2.0，引入MoE（混合专家）架构，从时序模型底座升级为工业智能体生成平台。TPT基于流程工业高频时序数据专项训练，核心能力涵盖工况理解、趋势预测、异常诊断、参数寻优和控制策略生成。据中控技术2026年第一季度财报，其工业AI业务收入达1.84亿元，环比增长92%，已超过2025年前三季度累计水平。中控技术董事长崔山表示：“工业AI不是简单的技术叠加，而是产业新质生产力的核心引擎”，流程工业下一步进化的方向是打造生产的“自动驾驶”。

二是生产调度优化。宝钢股份总产能超8000万吨，订单分配已由AI决策优化模型统筹调度。多个生产基地之间的产能分配、订单排期、物流协调，涉及海量变量，远超人类调度员的计算能力。AI可以在数秒内给出最优方案。

三是供应链网络重构。当供应链遭遇突发事件（如港口拥堵、原材料短缺），AI可以快速重新规划采购路径和生产计划。这类场景中，AI的决策建议直接影响企业的运营效率，但最终的执行仍然需要人类确认。

以上场景的关键特征是，AI开始影响决策，但仍通过人类执行。AI是“参谋长”，人类是“司令员”。

中控技术提出的“自主运行工厂AOP（Autonomous Operating Plant）”概念，正是这一层级的延伸，AI系统能够围绕状态感知、性能评估、决策优化和操作控制等场景自动生成工业智能体，逐步减少人类在常规决策中的介入。

4.3 物理AI（执行层）

最前沿、也最具变革性的一层，是物理AI。AI不仅“看”和“想”，还直接“做”。2026年汉诺威工业博览会上，“物理AI”成为核心关键词。

汉诺威工博会主办方德意志会展公司将其定义为：能够感知物理环境、作出决策并自主行动的AI系统，直接运行于工厂环境中。法国凯捷咨询公司在工博会前夕发布的《物理AI：将人机协作提升至新高度》调查报告显示，67%的受访高管认为物理AI具有颠覆性意义，近八成受访企业已启动物理AI相关布局。

西门子数字工业CEO塞德里克·奈克（Cedrik Neike）用了一个生动的比喻：“如果AI不能走进真实世界，它就只是一个装在罐子里的大脑。”他告诉新华社记者，工业AI的技术栈始于物理世界的数据，传感器、控制系统和机器产生的工业数据，经过计算和软件模型处理后，最终还要回到物理世界，在现场发挥作用。

“让AI走出‘罐子’”，正是物理AI的核心命题。

在汉诺威工博会西门子展台，一条柔性鞋底生产线展示了物理AI的完整形态：用户通过AI对话界面提交个性化定制需求，后台AI协调设计工具，AI智能体自主管理生产流程，人形机器人负责搬运，AI控制的机器人完成最终包装。全流程几乎不需要人工参与。

更值得关注的是西门子发布的Eigen Engineering Agent，这是全球首款面向工业自动化工程的AI智能体。这款产品能在真实环境中独立完成PLC代码生成、界面构建等任务。试点数据显示，Eigen可将工程效率提升高达50%，整体解决方案质量提升80%，执行速度较手动工作流提升2至5倍。西门子首席技术官彼得·科尔特（Peter Koerte）称其为“工业AI发展的标志性时刻”。

在人形机器人领域，西门子与英伟达、Humanoid公司联合展示的HMND 01轮式人形机器人成为展会明星。该机器人基于英伟达物理AI技术栈，已在西门子德国埃尔朗根电子工厂完成自主物流操作概念验证，每小时可完成60次料箱搬运任务，精准处理容器的拾取与放置。德国总理默茨在工博会开幕当天到访西门子展位。

在中国企业层面，中联重科在工博会上全球首发了RobotOps具身智能操作系统，统一调度多种机器人及工业设备。中控技术带来的自主运行工厂AOP方案，则基于中国复杂工业场景沉淀出的原创技术路径，回答了“在一条永远无法理想化的产线上，自主运行究竟能扛住什么”。晶泰科技的AI自主实验工作站落地中石化，首次在产业级场景中实现“AI+机器人+Multi-Agent”的智能体系，同样迈出了通往物理AI的关键一步。

物理AI让机器从“执行固定程序”升级为“能自己感知环境、判断状况、灵活应变的主动助手”。

4.4 AI角色的演进逻辑

综合三层演进，可以清晰地看到AI角色从“辅助”到“主体”的递进轨迹，如表1所示。

表1 AI在制造业的三层演进对比

	过去（感知层）	现在（决策层）	未来（执行层）
AI角色	信息提供者	行为影响者	物理智能体
核心能力	识别、预警、分析	建议、优化、调度	自主感知、自主决策、自主执行
与人的关系	辅助人	建议人	替代/协作人
典型场景	视觉质检、预测维护	排产优化、供应链调度	人机协作、柔性产线
技术基础	大语言模型	行业大模型+垂直AI	物理AI+边缘计算

在这一演进中，一个根本性的约束始终存在：工业场景对确定性的极致要求。

与金融、营销等领域不同，制造业对AI的容错率极低。大模型99%的准确率在推荐系统中是优秀的，在产线控制中可能是灾难性的。物理AI必须满足“可解释、可预测、可追责”的三重要求。

汉诺威工博会上，德国倍福公司展示的物理AI系统给出了一个方向：这套系统可以完全无需云端连接，直接控制工业机器人执行物理任务。德国总理默茨向该系统输入文本指令后，系统驱动机器人实时在物理空间中拼出了“Bom dia Brasil”（巴西，你好）。倍福公司产品经理约翰内斯·贝克霍夫称：“我们赋予了机器一个真正的大脑。这个所谓的‘机器大脑’表明，AI不仅可以生成文本或图像，还可以与物理世界互动。”

本地化部署、确定性输出、实时响应，这是物理AI区别于通用大模型的核心特征，也是它能够进入生产执行闭环的前提。

4.5 小结

从大语言模型到垂直AI，再到物理AI，AI在制造业中的角色正在经历一场从“感知”到“决策”再到“执行”的深刻演进。

第一层（感知层），大语言模型让AI能够“看见”问题、“说出”建议。这是目前最广泛的应用形态，但AI仍然是人类的“参谋”。

第二层（决策层），垂直AI让AI开始“思考”方案、“优化”流程。AI从“参谋”升级为“参谋长”，但最终决策仍需人类确认。中控技术的TPT大模型和AOP自主运行工厂是这一层的典型代表。

第三层（执行层），物理AI让AI真正“走进”物理世界，直接控制设备、执行任务。西门子的Eigen Engineering Agent和HMND 01人形机器人展示了这一方向的可能性，AI正在从“装在罐子里的大脑”变成“走出罐子的手”。

这三层演进不是替代关系，而是叠加关系。感知层的AI仍然在发挥价值，决策层的AI正在扩大应用范围，执行层的物理AI刚刚起步但增速最快。中国制造业的AI转型，正处于从“感知层普及”向“决策层深化”、并开始探索“执行层突破”的关键阶段。

理解这三层演进，也就理解了为什么“高应用、低深度”的悖论如此突出，71%的企业“用了AI”，但多数停留在感知层；只有少数进入了决策层；而真正进入执行层的，更是凤毛麟角。

从“感知”到“执行”的跨越，不仅需要技术突破，还需要组织变革和人的能力重构。这正是下一部分要展开的主题：全球竞争的关键，从“灯塔”到“灯塔网络”。

五、全球竞争的关键，从“灯塔”到“灯塔网络”

前四部分完成了从全球格局到机遇挑战、从应用层次到技术演进的完整论证。现在要回答一个更具战略性的问题：在全球制造业AI竞争中，真正的分水岭在哪里？

表面上看，竞争围绕“谁用了更多AI”展开，但深入一层就会发现，真正决定胜负的变量有三个：谁定义了制造的“软件”逻辑、谁拥有可复制的智能化能力，以及谁的供应链是自主可控的。

5.1 软件定义制造：竞争力的真正分水岭

2026年汉诺威工业博览会上，一个显著的变化引起了广泛关注：AI算法正在深度嵌入硬件系统，成为定义设备行为的关键力量。这意味着“软件定义制造”正在从概念走向现实，设备的竞争力不再只取决于机械精度，更取决于驱动它的算法。

MHP《2026工业4.0晴雨表》有一组数据，比任何“AI应用率”的排名都更具战略意义：中国和印度对“软件定义制造”的认知度均达30%，美国为14%，而德国仅3%。MHP在报告中警告：“那些未能战略性地整合生产控制、数据和软件的企业，将面临丧失竞争力的风险。”

这组数据揭示了一个被严重低估的事实：在“用什么逻辑定义制造”这一根本问题上，中国已经领先于德国。

传统的制造业竞争逻辑是“硬件定义制造”，谁有更好的机床、更精密的产线、更高效的物理资产，谁就有竞争力。一百多年来，德国制造业的竞争力正是建立在这一逻辑之上。但在AI时代，竞争逻辑正在发生根本性转变。当AI能够优化工艺参数、调度生产排程、控制机械臂动作时，制造的核心竞争力正在从“物理资产”转向“软件能力”。谁能用软件重新定义生产流程、用数据驱动决策、用AI优化全链条，谁才是真正的赢家。

中国在SDM认知度上的领先，恰恰解释了为什么中国企业的AI应用率远高于德国，不是因为中国在AI技术上更先进，而是因为中国企业更早意识到“制造的核心正在从硬件转向软件”。德国《汽车周刊》在援引MHP报告时，将这一差距称为“数字化的认知断层”。

2026年汉诺威工博会上，约700家中国展商参展，规模与数量仅次于东道主德国，但真正的看点已不再是“人多势众”，而是角色的质变，一批中国企业不再以“性价比”形象亮相，而是带着自主核心技术参与全球产业智能化未来的定义。从“学习”到“共建”，中国制造企业在汉诺威的角色转变，正是SDM认知差距的产业映射。

5.2 灯塔工厂：数量不等于质量

109座灯塔工厂，占全球45.8%，这是中国制造业智能化最亮眼的名片。但名片的光环之下，有三个问题值得追问。

第一，行业分布是否均衡？

灯塔工厂高度集中在电子、汽车、家电等资金密集型行业。以灯塔工厂数量最多的青岛为例，10座工厂分布在家电、食品饮料、物流供应链及冷链装备四个领域；海尔系6座、海信系2座，几乎全部集中在消费电子和家电领域。苏州、合肥、上海的格局同样如此。

钢铁、化工、建材等流程型制造业，这些才是中国制造业真正的“基本盘”，在灯塔工厂名单中的占比仍然偏低。尽管南钢、宝武、盛虹石化等流程型企业已在AI应用上取得突破，但这些突破尚未大规模转化为“灯塔”级别的标杆。

第二，“灯塔”能否复制？

灯塔工厂是“样板间”还是“商品房”？从“可参观”到“可复制”的距离有多远？

一个值得注意的数据：109座灯塔工厂中，有相当一部分是外资企业在华基地。这既证明了中国市场的强大吸引力，也说明本土企业的全球化灯塔经验输出能力仍有提升空间。正如专家所指出的，中国规模以上工业企业超40万家，目前的109座灯塔工厂在庞大的基数面前依然很少，这意味着中国制造业的智能化转型依然任重道远。

IDC数据显示，仅有35%的企业能从单点AI试点向多环节规模化应用跃升。这意味着灯塔的“光芒”尚未照亮大多数企业。

第三，灯塔是否等于竞争力？

欧洲灯塔工厂数量远少于中国，但单体效率和产品附加值可能更高。数量领先不等于质量领先。

灯塔工厂的评选标准由世界经济论坛与麦肯锡共同制定，其核心是“率先大规模应用第四次工业革命技术”。评选的是“先进性”而非“竞争力”，一个工厂可以是“先进的”，但不一定是“盈利的”或“可持续的”。

2026年1月起，“灯塔工厂”评选细分为五种类型，客户至上、生产效率、供应链韧性、可持续和人才灯塔。这一变化本身说明，单纯的“技术先进性”已不足以定义灯塔的价值，真正的竞争力在于技术能否转化为客户价值、效率提升、供应链安全和人才成长。

5.3 供应链安全：被忽视的“暗面”

如果说软件定义制造是“看不见的竞争”，灯塔工厂是“看得见的成就”，那么供应链安全则是“被忽视的暗面”。它不常出现在头条新闻里，但一旦出现问题，整个AI赋能的制造业大厦都可能动摇。

（1）工业机器人核心零部件：国产替代进行中，高端仍有短板

中国工业机器人新增装机量占全球一半以上，但核心零部件的自主化之路远未走完。

在RV减速器领域，国产化率已突破60%，产业落地成效显著。谐波减速器国产化率也达到60%+。但高端领域的技术短板依然突出，高端重载、超高精度、超长寿命场景仍被海外企业垄断；高端特种钢材、精密轴承、一致性热处理工艺、纳米级超精密装配技术等“卡脖子”问题尚未完全解决。

一台机器人中减速器成本占比超30%。国内高端产品曾90%以上依赖进口，日企占据国内超六成市场份额。进口产品价格是国产的2至3倍，还对华实行差异化定价。日本纳博特斯克等海外巨头在产能紧张时期（2017-2021年）对中国企业的RV减速器交货周期曾长达3至6个月，且优先供应国际机器人"四大家族"，对国内本体商交货周期更长。而随着国产替代加速，当前国产RV减速器交货周期已压缩至2周左右。这些数字意味着，一旦供应链出现问题，中国机器人产业的运转将受到严重影响。

（2）工业软件：最核心的“卡脖子”环节

工业软件是AI赋能制造业的“底座”，没有CAD（计算机辅助设计）就没有数字模型，没有CAE（计算机辅助工程）就没有仿真验证，没有MES（制造执行系统）就没有生产数据的采集和流转。而这些“底座”的国产化率，远低于大多数人的想象。

据工信部公开数据，国内通用工业软件国产化率虽然已超过三成，但真正决定高端研发能力的设计类软件，国产比例还不到一成，在航空航天与精密军工领域甚至低于8%。

研发设计类（CAD/CAE/EDA等）软件国产化率仍较低，仅约10%。据BIS Research预测，国产CAD/CAE/CAM（CAX）软件整体份额有望在2028年前后接近30%；但截至2025年，单独CAD领域在高端市场的国产化率仍不足15%，研发设计类软件整体国产化率仅约10%。CAE、EDA等领域由于技术壁垒高、生态依赖强，国产替代仍处于攻坚阶段：高端CAE国产化率不足10%，EDA进口依赖度仍高达97%。国产EDA龙头计划2025年实现设计类全流程替代，2030年实现全领域覆盖，但全面替代仍需较长周期。这意味着在可预见的未来，中国高端制造业的研发设计仍然高度依赖进口软件工具。

全国人大代表、麒麟信安董事长杨涛在2026年两会期间指出：“目前，国产核心工业软件产品仍存在‘空心化’和‘碎片化’问题，尚未形成全栈自主生态链，难以支撑复杂工业场景需求。”他建议加强工业软件供应链安全评估与风险预警，建立关键产品备份与替代预案，保障极端情况下工业体系稳定运行。

研祥集团的分析更加直白：“从芯片到操作系统，从AI算法到工控协议，任何一个环节被‘卡住’，都可能造成产线停摆。”过去几年，国内一些高端制造企业曾因进口工控系统断供而被迫减产。

5.4 小结

将三个变量放在一起，全球制造业AI竞争的真正格局逐渐清晰。

软件定义制造是“看不见的竞争”，谁定义了制造的“软件”逻辑，谁就掌握了下一代工业标准的制定权。中国在SDM认知度上以30%对3%领先德国，这是中国制造从“跟随”走向“引领”的关键变量。

灯塔工厂是“看得见的成就”，109座灯塔工厂是中国制造业智能化最亮眼的名片。但行业分布不均、复制难度大、先进性不等于竞争力这三个问题，决定了“灯塔”的光芒能否照亮更广阔的工业版图。

供应链安全是“被忽视的暗面”，RV减速器国产化率刚过60%，高端领域仍有短板；研发设计类工业软件国产化率不足10%。这些“底座”上的裂缝，可能在某个时刻动摇整个AI赋能制造业的大厦。

中国制造业AI竞争的核心矛盾，不是“技术落后”，而是“体系割裂”。我们在应用层（灯塔工厂）领先，在认知层（SDM）超前，但在基础层（核心零部件、工业软件）仍然受制于人。这种“头重脚轻”的结构，是中国制造从“规模领先”走向“智能领先”必须跨越的鸿沟。

从“灯塔”到“灯塔网络”，不仅需要更多“点”的突破，更需要“线”的贯通和“面”的覆盖，让AI从少数标杆工厂走向广大中小企业，让软件定义制造从认知共识变成产业实践，让核心零部件和工业软件从“可用”走向“好用”。

这正是下一部分要展开的主题：个体能力从“操作机器”到“治理智能”的重构。

六、个体能力从“操作机器”到“治理智能”的重构

前五部分完成了从全球格局到机遇挑战、从应用层次到全球竞争的完整论证。现在要回答一个更实际、也更根本的问题：当AI从“工具”变成“同事”，当物理智能体开始拥有机械臂和产线控制权时，中国制造业的数千万产业工人需要掌握什么新能力？

这不是一个关于“学会用新工具”的问题，工具可以培训，这是一个从“操作机器”到“治理智能”的关于“身份重构”的问题。操作机器，是执行；治理智能，是判断、是监督、是责任。

6.1 为什么要重构？

先看三组数据。

第一组：人才缺口。据人力资源和社会保障部预测，未来一个时期，我国智能制造领域人才缺口将达450万人。智能制造领域人才需求超千万，PLC自动化工程师等核心岗位长期处于紧缺状态。2026年春招市场，据智联招聘数据，人工智能工程师的需供比达到3.08，每个求职者对应约3个岗位。汽车设计/制造工程师需供比2.38、芯片工程师2.02、软件研发1.95。软硬技能兼修的复合型人才，正在成为企业争抢的核心资源。

第二组：技能迭代。毕马威《2026全球科技报告：工业制造业》显示，92%的受访企业同意，管理AI智能体将在五年内成为关键的职场技能。世界经济论坛的分析发现，未来工业技能中约40%是全新或新兴的，对判断力、机器监督以及自主系统的问责与治理的需求正在增长。

第三组：新质产业扩张。2026年机器人行业以36.6%的招聘增速领跑新经济。与此同时，企业的用人标准正在发生根本变化，从“会不会编程”转向“能不能解决产线上的实际问题”。企业不再仅仅关注“从哪里毕业、工作了几年”，而是更看重“能拿出什么成果、能解决什么问题、能否与AI高效协作”。

三组数据指向同一个结论：制造业的人才结构正在被AI重塑，缺的不是“人”，而是“对的人”。

6.2 制造业AI时代的个体能力图谱

当AI从感知层走向决策层和执行层，人的角色也在同步演进。基于制造业AI转型的实际需求和前文“三层演进”的分析框架，个体需要掌握以下五种核心能力。

（1）人机协作力

与协作机器人（Cobot）共事的能力，不是“操作机器人”，而是“与机器人协作完成复杂装配”。

中国一汽红旗制造中心繁荣厂区总装车间提供了一个鲜活的样本。在这个车间里，最忙碌的不是工人，而是10余种机器人、20余种半自动化设备组成的“AI搭子天团”。每52秒，就有一辆新车下线。维修班班长孙伟达从老车间来到新厂区时，焦虑涌了上来，“担心自己的技术玩不转这些‘新搭子’”。传统车间维修只需处理电路、机械故障，而智能车间的机器人集机械、电气、编程、视觉系统等于一体，维修难度呈指数级提升。从拿着扳手钳子修设备到用大数据进行预测性维护，孙伟达和工友们正在和“AI搭子”的磨合中共同成长，进阶数字工匠。

当人形机器人进入产线（如西门子展示的HMND 01轮式人形机器人，每小时可完成60次料箱搬运任务），工人从“操作者”变为“协作伙伴”，不仅要懂机器，还要懂AI的行为逻辑。

（2）数据素养

从“看报表”到“读数据”，一线工人需要理解AI系统的反馈，而不是被动接受“合格/不合格”的结果。

南钢的案例提供了参照。南钢“元·冶”大模型已规模化落地铁钢界面，融合自动驾驶和AI智能感知技术，构建覆盖“三钢两铁”的智慧铁钢界面管控体系，关键设备数字化率达100%。当AI能提前预测炉温变化、当AI智能体系统能及时推送预警并精准定位问题根源时，工人需要理解这些数据的含义并做出正确响应，而不是仅仅“看到警报就按停”。

智联招聘与北京大学国家发展研究院联合发布的《2026人力资源管理趋势报告》显示，数据分析能力（51.6%）已成为未来三年企业最需要的新质技能之一。部分先进制造企业已在岗位模型中明确加入数据理解力、算法基础、AI应用能力等要求，使技术素养成为普适能力。

（3）工艺判断力

AI可以优化参数，但无法完全替代“老师傅的手感”。在AI建议与经验冲突时，工人需要具备“否决AI”的判断力。

云鼎科技在陕西榆林打造“数字工匠”的过程揭示了这一点。在榆林能化甲醇精馏车间，一个由代码构成的“数字后生”正结合工况给出建议：“加压塔采出精甲醇预测值不合格，建议将加压塔回流流量提高2.3%、主蒸汽阀门开度上调0.5%”。车间主任席旺才经过近10个月的一线实操验证后点了头：“可以出师了”。

但“数字后生”的建议仍然需要人来判断，包括什么时候采纳、什么时候调整、什么时候推翻。正如老工匠们在无数次异常处置中沉淀经验那样，“数字工匠”也得终身学习。制造业干了几百年的“带徒弟”，AI刚刚开始。

宝钢取向硅钢在AI加持下板形精度提升20%、断带率下降65%，但最终的工艺决策仍需人类工程师确认。AI可以计算最优解，但无法为错误的选择承担后果，这正是人类判断力不可替代的原因。

（4）提示工程能力

与工业大模型交互的能力，如何用自然语言向AI描述问题、如何设计有效的提示词获取最优解，这不是要求每个工人都成为程序员，而是要求每个人都能“与AI对话”。

在中国一汽红旗工厂，工人需要理解机器人的“语言”，比如轮胎机器人的蓝光视觉系统如何锁定螺孔位置、座椅投放机器人如何通过高精度编码器实现精准对接。维修班组的00后工人们不仅要懂机械和电路，还要懂视觉系统、编程逻辑和网络通信。

据行业分析，AI智能体应用师，既懂工业业务、又掌握智能体开发与调优能力的人才，正在成为企业争抢的核心资源。他们不是简单的AI工具使用者，而是能够理解工业场景需求、将AI能力转化为产线解决方案的人。

（5）AI安全责任感

当AI控制的机械臂与人类在同一空间工作时，安全责任如何划分？工人需要理解AI的行为边界，知道何时介入、何时放手、何时紧急制动。

在全国政协委员、中国科学院自动化研究所研究员赵晓光看来，新业态催生了对高可靠智能系统、海量实时数据挖掘、跨领域人机协同解决方案的高需求，同时也催生了数据工厂训练师、人机协作流程设计师、AI伦理审计师等新职业。在工业场景中，AI伦理审计师的核心工作之一，就是确保AI的行为不会危及人类安全。

猎聘与清华大学联合发布的AI报告发现，过去四年间，AI伦理与安全技能需求长期稳定位居前三。这不是一个边缘需求，而是与算法能力同等重要的核心能力。

6.3 新兴职业画像：Manufacturing Engineer 2.0

能力图谱的抽象描述需要具体职业来承载。AI与制造业的融合正在催生一批全新的职业角色，也在重塑一批传统岗位。

技术驱动型新职业包括了AI训练师、算法工程师、大模型调优师、工业数据标注师、智能系统运维工程师等岗位需求激增。

“AI+制造”复合型岗位包括了智能产线调度员、数字孪生工程师、人机协作督导员、工业互联网运维师等。智能制造系统运维员、工业互联网运维员、数字孪生应用技术员等岗位，要求从业者具备深厚的理论基础且动手操作能力强。

人机协同类新岗位有人机协同运营官、智能系统运维师、数据治理与安全专员。AI工作流设计师、AI安全与审计工程师、领域知识教练、人机协同组织顾问等。

Manufacturing Engineer 2.0，这是“Consulting Engineer→Legal Engineer→Banking Engineer→Agent Engineer”概念谱系在制造业的自然延伸。一手掌握设备工艺机理，一手驾驭AI算法与数据流，既懂机床又懂模型，既懂工艺又懂数据。他们不是“会写代码的工程师”，而是“能让AI听懂产线语言的人”。

正如全国政协委员孙志强所指出的，当前人才供需的“双重短缺”正在成为制约产业升级的直接瓶颈：一边是企业急需既懂工业大模型又精通制造工艺的复合型人才，另一边是高校培养出来的学生与产业需求存在“时差”。

6.4 “数字工匠”与“新八级工”

中国“新八级工”职业技能等级制度正在与AI技能加速融合。

2026年4月，南宁市启动全国产业工人“人工智能+”学习行动，计划培育200名以上产业工人取得人工智能训练师职业技能初级证书，年内计划培训AI技能产业工人不少于1万人次，并推动AI应用能力纳入“新八级工”考核指标。

全国人大代表阮阳越建议，完善“新八级工”配套政策，将数字技能等级与岗位工资、技能津贴、绩效奖金直接挂钩。在中华技能大奖、全国技术能手等评选中，应将智能制造技能贡献作为重要评审条件。江西省委组织部在“江西组工微讯”评论文章中指出，“面对人工智能与制造业深度融合的趋势，须把培养‘AI+’复合型人才摆在突出位置，形成与新质生产力发展相适应的技能人才培养新格局”。

“数字工匠”正在从概念走向实践。浪潮云洲联合建设的全国首个机电泵工业大模型工匠工厂在淄博市博山区建成投运，聚焦“AI+机电泵产业”，让一个工厂沉淀出的“数字工匠”可以被整个产业集群共享。依靠工业垂域大模型，企业不仅能够帮助工匠掌握人工智能新技能，更能实现“一厂建好工匠工厂，全产业共享数智能力”。凭借这一成果，淄博机电泵企业质效平均提升30%，选泵效率提升80%。

未来的“首席技师”不仅要有精湛的手艺，还要能读懂AI的分析、判断AI的建议、在AI与经验冲突时做出正确决策。

6.5 小结

将以上分析放在一起，个体能力重构的路径逐渐清晰。

为什么要重构？450万智能制造人才缺口、3.08的AI工程师需供比、40%的未来工业技能是全新的。数据证明，这不是“可选”，而是“必须”。

重构什么？五种核心能力，人机协作力（与“AI搭子”共事）、数据素养（从“看报表”到“读数据”）、工艺判断力（在AI建议与经验冲突时做决定）、提示工程能力（与工业大模型对话）、AI安全责任感（理解AI的行为边界）。

重构成什么？从AI训练师到人机协作督导员，从数字孪生工程师到Manufacturing Engineer 2.0，一批全新的职业画像正在成型。“数字工匠”与“新八级工”制度的融合，正在为这条转型路径提供制度保障。

但个体能力的重构只是第一步。当一个人可以“治理”多个AI智能体时，制造企业的组织形态将如何被重新定义？从“金字塔”到“菱形”，这正是下一部分要展开的主题。

七、组织形态演变，从“金字塔”到“菱形”

前六部分完成了从全球格局到机遇挑战、从应用层次到个体能力的完整论证，现在要回答一个更具战略性的问题：当AI智能体以“数字员工”的身份大规模进入工厂时，制造企业的组织形态将如何被重构？

这不仅是“加几个人、减几个人”的问题。正如中欧国际工商学院教授方跃所指出的，现行企业组织架构是依托传统生产力搭建的，而AI打破了经济学生产力三要素的边界，“以往劳动力、生产工具、生产资料三者划分清晰，如今AI既是生产工具、新型数字劳动力，也是新型生产资料，传统组织架构无法承接全新生产力”。

当生产力本身的性质发生改变，承载生产力的组织形态也必须随之改变。

7.1 从“金字塔”到“菱形”

传统制造企业长期依赖“金字塔”式的科层结构，车间主任层层派单、指令逐级传达、信息逐层过滤。这种结构在规模化生产时代是高效的，标准化的产品、稳定的流程、明确的分工，都需要一个清晰的命令链。

但AI正在瓦解这一结构的根基。

当AI能够实时采集产线数据、自动生成生产计划、自主调度设备时，传统的“车间主任-班组长-工人”指令链条变得不再必要。信息不再需要逐层传递，AI系统可以直接将最优方案推送给执行者。决策不再需要逐级审批，AI可以在预设规则内自主完成调度和优化。

新华日报对此有一个精准的判断：传统制造业的焕新，“换装”易，“换脑”难。人工智能带来的不仅是设备上的迭代，更是管理思维上的更新，“倒逼传统的‘车间主任层层派单’式陈旧科层制管理，向着扁平化的组织架构演进”。

方跃进一步预测，未来企业将向“超级智体”演化，“企业形态逐步摆脱传统金字塔架构，中层管理岗位将迎来规模化精简，企业朝着少会议、人机协同的扁平化模式进化”。

三一重工的实践印证了这一判断。这家工程机械巨头明确提出了“组织模式转变：扁平化”，“域智能体+数字员工的组合，直接绕过了传统中间管理层，AI做调度，人做决策”。

从“金字塔”到“菱形”，中层被压缩，基层被重塑，每个层级都在学习如何与AI协同、如何监督AI、如何为AI的决策承担责任。高层管理的对象从“人”延伸到了“人+AI智能体”。

7.2 部门墙正在消失

如果说“金字塔”的压缩是纵向的变化，那么部门墙的消解则是横向的重构。

传统制造企业的组织架构以职能划分，生产部、质量部、设备部、采购部、物流部……每个部门有自己的KPI、自己的流程、自己的系统。信息在部门之间传递时，常常卡在接口处、掉在缝隙里。

海尔智家的实践提供了具体参照。这家连续17年蝉联全球大型家电品牌零售份额第一的企业，从2014年单点在线化到2024年底座构建统一化，用了10年时间沉淀技术底座，才有了2025年AI化转型的基石。海尔智家依托核心载体H-work统一平台，以“四个统一”，统一入口、统一能力、统一数据、统一架构，搭建起稳固的AI底层支撑。

在这个底座之上，海尔智家推出了超级智能体“智小能”，“不是一个单一的数字员工，而是一个可以快速生成、快速部署数字员工的平台。这些数字员工被编入组织通讯录，是会思考、能进化的独立员工，可以独立承担完整的工作流程”。

“智小能”已覆盖研发、采购、服务等核心环节，研发效率提升90%，采购成本降低10%，办公效率提升80%。以智能工艺规划为例，依托海量历史数据，AI能自主完成工艺规划，“工艺员从执行者变为审核者，编制时长从数小时压缩至分钟级”。

当数字员工被“编入组织通讯录”、当AI智能体像同事一样出现在工作流中时，“部门”的概念正在被“能力网络”取代，组织不再按职能划分，而是按任务组合。

7.3 AI原生组织：从概念到实践

“AI原生组织”正在从概念走向实践。

2026年6月12日，瓴羊、阿里云与海尔智家联合发起了一场以“构建AI原生组织”为主题的行业交流，“80多位来自家电、工业、消费、零售等行业的企业决策者齐聚一堂，把各自在AI落地中遇到的真问题摆上桌面”。

“AI原生组织”的定义是什么？不是把AI当作新工具叠加进现有流程，而是从底座、数据、文化乃至组织形态层面进行系统性重构。这要求企业在以下三个层面同步推进。

首先是技术底座层面。海尔智家数字化转型总经理孙丹凤在2026年6月的公开分享中回顾了海尔的路径：从2014年单点在线化，到2024年底座构建统一化，这10年的沉淀才成为2025年AI化转型的基石。没有统一的底座，AI就没有落地的土壤。孙丹凤同时指出，数字化转型首先要搭建统一的技术底座架构，这是AI的根基。

其次是流程资产层面。拥有技术底座后，企业需要让AI进入核心业务流程。海尔智家CTO崔秀元在介绍H-work平台时强调，海尔将各类数字化功能整理成标准化、模块化工具，并统一数据口径，为AI规模化应用提供了支撑。流程本身没有被数字化、标准化、结构化，AI想帮忙都插不上手。

最后是文化认知层面。传统制造企业不同于新兴科技企业，员工年龄结构、历史经验和既有文化都沉淀在原来的工作方式里。海尔集团董事局主席周云杰在2025年全国两会期间提出“要么与AI同进化，要么被AI淘汰”，并在内部下达“全员进化令”，要求推进主业务流程全面AI化，同时“树立AI运用的样板，让他们分享经验，形成全员用AI、学AI的氛围”。周云杰强调，“未来会用AI的会淘汰不会用的”。AI时代的企业不只是要引入新的工具，更要让运营模式、战略、组织和人力一起适配新的工作方式。周云杰提出，海尔正在推进从产品智能到流程智能再到管理智能的一体化，实现全流程的AI化转型。否则，系统越多，信息越分散，组织反而越难形成合力。

这三重门槛，技术、流程、文化，决定了AI原生组织不是一夜之间建成的。但它正在成为制造业组织变革的明确方向。

7.4 “AI原生工厂”vs“AI嫁接工厂”

组织的AI化转型，在工厂层面表现为两种截然不同的路径。

一是“AI原生工厂”，从设计阶段就嵌入AI，AI与产线同步规划、同步建设、同步运营。蔚来新桥二工厂是这一路径的典型代表，建设初期便铺设了90公里光缆，用于生产运营数据实时采集，80%制造场景由AI智能决策。

美的在湖北荆州打造的洗衣机全场景AI智能体工厂则是另一种“原生”形态，“工厂大脑与14大业务智能体集群协同作战：DMS智能体、TPM设备智能体、能源智能体、物料计划智能体、订单巡检智能体……38个核心场景被逐一覆盖，从研发、生产、品质、设备，到会议、物流，全链路贯通”。美的集团已累计打造超1.3万个AI智能体。

二是“AI嫁接工厂”，占中国制造业绝大多数的存量工厂，面临的是另一套难题：老旧设备如何与AI系统对话？不同厂商设备协议不互通，“数据烟囱”如何打通？

这类工厂的转型，往往从组织重构开始，而非技术部署。南钢、宝武等钢铁巨头的实践表明，存量工厂的AI化不是“推倒重来”，而是“逐步嫁接”。从铁钢界面等关键节点切入，先打通数据、再建立模型、最后嵌入决策。南钢“元·冶”大模型从铁钢界面出发，逐步扩展到200余项轻量化AI应用，正是“嫁接”路径的成功样本。

“AI原生工厂”与“AI嫁接工厂”的区分，揭示了一个被忽视的事实：新建工厂的AI化是“从零开始”的建设问题，而存量工厂的AI化是“从旧到新”的改造问题，后者比前者难十倍，但后者才是中国制造业的主流。

7.5 财务与合规部门的机器化转型

组织形态的演变正在重塑每一个职能部门，财务与合规部门的变化尤为深刻。

传统财务的核心工作是记账、成本核算、采购审批，本质上是对“人”和“物料”的花费进行记录和管控；AI时代财务的核心工作则是AI预算管理、AI投资回报评估、AI采购审计。

毕马威报告显示，59%的企业无法衡量AI的价值，这本身就是财务部门的新课题。当AI智能体能够自主购买算力、API服务、云资源时，财务部门需要建立一套AI预算管理体系：为每个AI智能体设定支出上限、实时追踪AI的交易行为、在异常发生时自动触发警报。

传统合规的核心工作是生产安全、质量管控、流程审计，本质上是对“人”的行为进行监控。AI时代合规的核心工作则是AI行为追溯、AI安全认证、AI伦理审查。

当AI智能体自主完成工艺参数调整并导致产线异常时，责任如何追溯？当AI控制的设备与人类在同一空间工作时，安全标准如何制定？当AI的决策与人类价值观冲突时，审查机制如何运作？这些问题正在成为合规部门的新议程。

7.6 组织机器化的成熟度模型

综合以上分析，制造企业的组织AI化可以划分为四个阶段。

Level 1：工具辅助阶段。AI作为“助理”辅助人类工作，人类完全决策，AI执行明确指令。组织架构基本不变，AI被当作“更聪明的软件”嵌入现有流程。这是大多数企业当前的阶段。

Level 2：流程嵌入阶段。AI开始独立执行标准化任务，比如视觉质检、预测维护、智能排产。人类设定规则，AI在规则内自主运行，组织开始出现新岗位（AI系统调优师、数据标注工程师），中层管理开始感受到压力。据毕马威数据，49%的制造企业已从AI投资中获得可量化回报，这些企业大多处于这一阶段。

Level 3：组织重构阶段。AI智能体形成网络，自主协作完成复杂任务，部门边界模糊化，中层管理岗位规模化精简，组织向扁平化演进，数字员工被“编入组织通讯录”。海尔“智小能”覆盖全流程、三一重工“域智能体+数字员工”绕过中间管理层、美的14大业务智能体集群协同作战，这些企业正在进入这一阶段。

Level 4：智能体网络阶段。AI智能体网络实现一定程度的自我治理，人类承担最终责任，组织不再以“部门”为单位，而是以“人+AI智能体”的混合团队为基本单元。组织的信任基础从“人格与契约”转向“代码与声誉”，这与《机器经济崛起》机器经济崛起——当AI智能体成为经济主体中提出的“智能体网络制”一脉相承。

到达Level 4的组织，其形态已经与传统“公司”截然不同，它可能是一个由人类设定目标、由AI智能体网络执行任务、由代码和声誉维系信任的“人机混合体”。

7.7 小结

从“金字塔”到“菱形”，从“部门墙”到“智能体网络”，从“AI原生工厂”到“AI嫁接工厂”，制造企业的组织形态正在经历一场深刻的重构。这场重构的核心逻辑是，组织不再需要“管理”每一个人，而是需要“编排”每一个AI智能体。

人类的角色从“管理者”变成了“治理者”，设定AI的行为边界、监控AI的活动、承担AI的最终责任；AI的角色从“工具”变成了“同事”，被编入组织通讯录、独立承担完整工作流程、与人类协同完成复杂任务。

正如方跃所指出的，传统组织架构无法承接AI这一全新生产力。而那些率先完成组织重构的企业，海尔、三一、美的，正在用实践验证一个判断：AI转型的瓶颈不在技术，而在组织；不在算法，而在人。

组织机器化的下一个问题，已经超越了“效率”和“成本”的范畴。当一个组织的大部分工作由AI智能体完成时，我们如何确保AI的行为符合人类的价值观？当一个组织的信任建立在代码和声誉之上时，我们如何防止“算法封建制”的形成？

这正是贯穿整个“AI时代人与组织成长”系列的终极追问。从《机器经济崛起》机器经济崛起——当AI智能体成为经济主体中AI智能体拥有钱包和支付能力，到本文中AI智能体拥有机械臂和产线控制权，当AI的“手”越来越长、越来越强时，“人”作为“锚”的作用就越重要，而不是越边缘。

八、从“规模领先”到“智能领先”的跃迁路径

中国制造业正站在一个十字路口。“高应用、低深度”的悖论揭示了中国制造业AI转型的真实状态，我们在“用”AI，但还没有真正“成为”AI驱动的组织。从“规模领先”到“智能领先”的跃迁，需要跨越三重门槛。

8.1 从“试点”到“规模化”

IDC数据显示，仅35%的企业能完成从单点试点向多环节规模化应用的跃升，超过六成的企业卡在“试点成功、量产停滞”的深水区。

规模化的障碍是结构性的：数据孤岛（70%工业数据未被激活）、场景碎片化（41个工业大类各需定制）、IT-OT协同断裂（43%的企业协同有限），这三重挑战环环相扣，共同构成了AI从“实验室”走向“产线”的“最后一公里”困境。

破局的关键在于“标准化”与“模块化”。工信部《“人工智能+制造”专项行动实施意见》明确提出，到2027年推出1000个高水平工业智能体、推广500个典型应用场景。美的将“智能体工厂”能力拆解成12个模块化解决方案；浪潮云洲已打造15个垂域大模型、43个行业智能体。这些实践指向同一个方向：AI能力的“可复制”是规模化的前提。

8.2 从“感知”到“执行”

AI在制造业中的角色正在经历从感知层（“看”和“说”）到决策层（“想”和“建议”）再到执行层（“做”）的三层演进。目前绝大多数应用停留在感知层，比如视觉质检、预测维护、智能排产，AI是人类的“参谋”；少数企业进入了决策层，比如工艺参数优化、生产调度、供应链重构，AI升级为“参谋长”；而真正进入执行层的，更是凤毛麟角。

汉诺威工博会2026的核心信号是，工业AI正从“展示性技术”转向“实际生产系统”。“物理AI”，能够感知物理环境、作出决策并自主行动的AI系统，正在从概念走向现实。西门子发布的Eigen Engineering Agent可将工程效率提升高达50%；中控技术提出的“自主运行工厂AOP”正在推动流程工业走向生产的“自动驾驶”。

从“感知”到“执行”的跨越，不仅是技术升级，更是对工业体系确定性要求的终极回应。物理AI必须满足“可解释、可预测、可追责”的三重要求，这不是“更聪明的AI”，而是“更可靠的AI”。

8.3 从“工具”到“主体”

当AI智能体不仅拥有“大脑”，还拥有“双手”时，当它既能优化工艺参数，又能控制机械臂执行操作时，组织不能再把AI当作工具来管理，而必须当作“数字员工”来治理。

这意味着三重重构。

一是个体能力的重构。从“操作机器”到“治理智能”，人机协作力、数据素养、工艺判断力、提示工程能力、AI安全责任感，五层能力构成了制造业工人从“执行者”到“治理者”的转型路径。“数字工匠”与“新八级工”制度的融合，正在为这条转型路径提供制度保障。

二是组织形态的重构。从“金字塔”到“菱形”，中层被压缩，基层被重塑，高层从“管人”变为“管智能体”。从“部门墙”到“智能体网络”，组织不再按职能划分，而是按任务组合。海尔“智小能”覆盖全流程、三一重工“域智能体+数字员工”绕过中间管理层、美的14大业务智能体集群协同作战，这些先行者正在验证一个判断：AI转型的瓶颈不在技术，而在组织；不在算法，而在人。

三是治理逻辑的重构。软件定义制造正在成为竞争力的真正分水岭，谁用软件重新定义了制造逻辑，谁就掌握了下一代工业标准的制定权。中国在SDM认知度上以30%对3%领先德国，这是中国制造从“跟随”走向“引领”的关键变量。但供应链安全，核心零部件国产化刚过60%、研发设计类工业软件国产化率不足10%，提醒我们，“头重脚轻”的结构必须改变。

8.4 回到核心追问

贯穿全文的核心追问是：当AI可以“像工人一样行动”时，人还能做什么机器做不了的事？前七部分的论证指向同一个答案：承担责任。

机器可以计算最优解，但无法为错误的选择承担后果；机器可以执行复杂的操作，但无法在安全责任面前做出“对”与“错”的判断，因为“对”与“错”本身就是人类社会的建构。

当AI优化的工艺参数与“老师傅的手感”冲突时，是人来做最终判断；当AI预测的故障预警与生产计划矛盾时，是人来决定“停还是不停”；当AI控制的机械臂与人类在同一空间工作时，是人来界定安全的边界。

机器经济越复杂、越自主、越规模化，人类作为“锚”的作用就越重要，而不是越边缘。从“操作者”到“治理者”，从“执行者”到“责任承担者”，从“工具使用者”到“规则制定者”，这是中国制造业数千万产业工人在AI时代重新定义自我的方向。

中国制造的真正优势，不在于今天的109座灯塔工厂，而在于拥有全球最大的工业数据池、最完整的产业链、最丰富的应用场景，以及一个正在被重新定义的“人”。

“打造智能经济新形态”，2026年《政府工作报告》中的这句话，标志着中国经济发展从数字化阶段迈向智能化新阶段。智能经济不是数字经济的简单延伸，而是经济运行方式的一次重要变革。在这场变革中，制造业是主战场，人是最终的决定性力量。

从“规模领先”到“智能领先”，这条路不会平坦，但方向已经清晰。跨越三重门槛，需要技术突破，需要政策支持，需要组织变革，但归根结底，需要一个能够承担责任的“人”。

这个问题本身，就是中国制造业数千万产业工人在AI时代重新定义自我的起点。