来源：市场资讯
（来源：定位与商业模式研究）
导语
在深度经济逻辑下，企业价值不再单纯依赖产品销量，而是通过与用户或生产对象的持续互动，挖掘深层需求与优化空间，在交互中创造更高的“价值密度”。这不仅是应对存量竞争的有力武器，更是中国制造业实现高质量发展的战略方向。
文 | 雷李楠、马婧蓉
回顾工业革命历程，机械动力增强了人类体力，电力与信息技术拓展了感知能力与连接范围。如今，以生成式AI和大模型为代表的新一轮技术浪潮，正在突破人类的“认知边界”与“行动边界”。传统自动化仅替代重复性体力劳动，而新一代AI实现了“认知增强”，具备远超人类的知识检索、推理与归纳能力。能力的跃迁正在重塑工业生产与商业模式的底层逻辑。过去，制造业竞争优势建立在标准化流水线与极致效率之上。如今，AI已不再是价值链单一环节提高效率的工具，而是推动工业互联网升级为“可感知、能推理、会决策、能执行”的闭环智能系统。例如，海尔合肥灯塔工厂利用AI视觉检测大幅提升良率，黑湖科技助力汽车零部件企业应对高频订单变更，西门子Industrial Copilot嵌入工程师工作流实现自动化代码生成与故障诊断。
在深度经济逻辑下，企业价值不再单纯依赖产品销量，而是通过与用户或生产对象的持续互动，挖掘深层需求与优化空间，在交互中创造更高的“价值密度”。这不仅是应对存量竞争的有力武器，更是中国制造业实现高质量发展的战略方向。本文将探讨这一范式转移背后的经济学逻辑，解析AI赋能新型工业化的四层能力组合，思考未来制造业迈向“价值密度”竞争的机遇与挑战。
从“规模效率”到“价值密度”
工业经济的百年辉煌，建立在“规模经济”的基石之上。通过标准化、大规模生产分摊固定成本，追求单位成本的极致下降，曾是制造业获得竞争优势的重要路径。然而，在需求日益分化、存量博弈加剧的今天，这样的优势正遭遇边际效益递减的挑战。人工智能的介入，不仅是生产工具的升级，更是商业逻辑的重构，推动制造业从追求“规模效率”向追求“价值密度”的深度经济范式跃迁。
从工业时代到数智时代的转变
与工业时代相比，数智化时代的深度经济展现出三个显著的范式转变（见图1）。
第一，竞争焦点从“生产者成本优势”转向“客户效用优势”。规模经济的核心机制是“生产越多，成本越低”，企业通过扩大产量来摊薄固定资产投入与研发成本。在深度经济中，核心机制转变为“互动越深，价值越高”。AI能够从海量交互数据中挖掘客户未明示的偏好与潜在需求，通过持续优化服务内容，显著提升客户效用与支付意愿。例如，工业设备不再仅以硬件参数取胜，而是通过AI预测性维护减少非计划停机，为客户创造更大的运营价值。这种从供给侧成本控制向需求侧价值创造的转移，从根本上改变了企业的竞争维度。
第二，生产方式从“标准化复制”转向“深度定制可规模化”。传统工业依赖“少品种、大批量”的标准化复制来保证效率，但这往往牺牲了对个性化需求的响应。数字化带来个性化定制的可能，AI进一步实现了“深度定制”的规模化落地。通过生成式设计与柔性制造系统的结合，同一条产线能够以极低的切换成本，在不同时间、不同情境下为不同客户提供最优解。这意味着定制化不再是高成本的代名词，而是成了新的标准配置。
第三，商业模式从“一次性交付”转向“全生命周期运营”。在规模经济逻辑下，交易往往是一次性的，卖出产品即完成价值交付。在深度经济中，价值交付仅仅是开始。通过AI驱动的持续服务（如远程升级、智能优化），企业能够在产品的全生命周期内不断创造新的价值增量。这解释了为何越来越多的制造企业转向“产品即服务”（PaaS）模式：利润模型从单次交易转变为“支付意愿减去价格”的消费者剩余，以及由持续服务带来的长期复购与增值。
简言之，工业时代的赢家靠“做得更多”，通过规模效应降低成本；数智时代的赢家靠“做得更值钱”，通过持续优化与关系深化提升价值密度。
AI赋能工业的四层闭环逻辑
要实现上述范式转移，仅靠单一技术的应用远远不够。AI进入制造业的本质，是构建一个能够不断自我进化的闭环智能系统。借鉴机器人学中的“感知—规划—行动”框架、工业4.0的信息物理系统5C（Connection，Conversion，Cyber， Cognition， Configuration）架构以及自适应系统的MAPE-K（Monitor Analyze Plan Execute over Knowledge）模型，我们可以将AI赋能工业的逻辑抽象为四个紧密耦合的层次：感知层、认知层、决策层与执行层（见图2）。
感知层是工业智能的“眼睛”。它不仅通过传感器采集温湿压、振动等物理量，更利用计算机视觉（CV）等技术让机器“看懂”环境。这一层的作用是将物理世界的混沌、噪声与非结构化信息，转化为数字世界可处理的结构化数据，解决“发生了什么”的问题，为后续处理奠定精准的数据基础。
认知层充当“大脑”。单纯的数据积累并不等同于智慧，认知层通过知识图谱、机理模型与机器学习算法，将碎片化的数据关联起来，沉淀为可复用、可推理的行业知识。例如，将设备故障现象与历史维修记录、工艺参数相关联，形成故障诊断模型。这一层解决的是“为什么发生”以及“如何理解”的问题，将经验转化为可计算的资产。
决策层是系统的“策略引擎”。基于认知层的分析，AI在此层进行预测与规划——不仅能预测未来可能发生的故障或需求波动，还能生成最优的应对策略（如调整排产计划、下发维护指令）。它引入了运筹优化与多目标决策机制，解决“接下来会发生什么”以及“该怎么做”的问题，是价值创造的关键环节。
执行层是“动作系统”。所有的策略最终必须落实为物理动作才能产生价值。通过工业控制系统（PLC/DCS）、机器人与自动化装备，决策层的指令被精准转化为设备的启停、参数的调整或物料的搬运。同时，执行结果被实时反馈回感知层，形成“感知—认知—决策—执行—反馈”的完整闭环，推动系统在持续运行中不断迭代优化。
这四个层次并非孤立存在，而是相互依存、动态耦合。感知层的精度决定了认知深度，认知深度影响决策质量，决策质量左右执行效能，而执行反馈又反哺感知的迭代。正是这种闭环机制，使得AI赋能的工业系统具备类似于生物体的自适应能力，能够在复杂多变的制造环境中，持续提升效率与价值密度。
AI赋能新型工业化走深走实
如果说“深度经济”是AI赋能工业的目标愿景，那么“感知—认知—决策—执行”的四层闭环则是通往这一愿景的工程路径。在这一路径中，人工智能不再是一个笼统的技术概念，而是分化为预测力、识别力、个性化力、会话力、结构化力与创造力六大核心能力。这六种能力如同基础积木，在不同的层级进行差异化组合，共同构建起一个具备自适应、自优化特征的工业智能系统。
特别值得注意的是，个性化力在工业语境下具有独特的内涵。它不同于消费互联网中的“千人千面”内容推荐，而是表现为“场景适配力”与“模型迁移力”。它贯穿于各个层级，旨在解决同一套AI模型如何在不同工厂、不同产线、不同工况约束下快速落地并稳定运行的问题。
感知层：从噪声到信号，让工厂“看得见、可追踪”
作为工业智能系统的神经末梢，感知层的首要任务是突破物理世界与数字世界的转换瓶颈。传统工业自动化虽然部署了大量传感器，但产生的数据往往是碎片化、非结构化的噪声。AI在这一层的核心任务，是利用识别力与结构化力，将模糊的物理信号转化为可行动的数字事件。
在此层级，识别力能够从海量数据中发现异常与特征，结构化力可以将这些发现关联到具体的工序、设备与批次，确保数据的可追溯性。感知层不再只回答“有多少数据”，而是能更精准地回答“发生了什么”。以视觉质检场景为例，传统机器视觉往往受限于光照变化与规则僵化，而基于深度学习的AI视觉系统能够在边缘端低时延地完成复杂缺陷的分割与测量，不仅实现了毫秒级的推理，更将缺陷数据实时回流至标签体系。
海尔合肥灯塔工厂的实践极具代表性。该工厂引入了融合AI算法的机器视觉系统，用于冰箱门体等关键部件的表面质量检测。该系统并未停留在简单的合格/不合格的判定上，而是通过高精度的识别力，将微小的划痕、凹坑等缺陷进行分类与量化，检出率提升至99.5%以上。更关键的是，这些感知数据被结构化地关联到当班的工艺参数与原材料批次，为后续的根因分析提供了精准的数据锚点。这标志着感知层完成了从“物理看见”到“数据洞察”的跨越，为认知层的介入奠定了坚实基础。
认知层：从数据到知识，让工厂“理解与推理”
感知层解决了“看见”的问题后，工业智能的下一道关卡是“理解”。为何良率会波动？为何能耗会异常？回答这些问题需要具备系统的类似于人类专家的推理能力。因此，认知层成为工厂的“大脑”，其核心能力组合是结构化力与会话力。
工业现场长期面临“经验隐性化”的痛点：温度区间、压力阈值、配比逻辑等关键工艺知识往往存在于老工程师的脑海中，难以复用且易流失。认知层通过构建工业知识图谱，将工艺步骤、关键参数、质量指标与异常模式进行语义连接，把隐性经验显性化、机理逻辑结构化。同时，引入会话力（如自然语言交互），使得普通操作员也能通过对话形式调用复杂的知识库，极大地降低了知识的使用门槛。
施耐德电气EcoStruxure平台的应用生动诠释了这一逻辑。在水泥、钢铁等高能耗行业，施耐德并未止步于设备联网，而是将行业专家的能耗机理与控制经验沉淀为结构化的行业模型包。系统通过多源数据融合，构建起“工艺—参数—能效”的关联图谱，利用图形推理与因果分析算法，识别出影响能效的关键因子。这种“知识资产化”的能力，使得系统能够解释“变量之间如何耦合”以及“哪些因素导致了能效下降”，从而实现对生产过程的深度认知透明化。认知层由此将零散的事件升维为可推理的知识，为决策层的策略生成提供了逻辑支撑与约束边界。
决策层：从经验到策略，让工厂“算得准、提前做”
有了认知层的知识模型后，工业智能系统的价值焦点转向对未来的预判与行动方案的制定，这便是决策层的使命。与传统基于固定规则的控制不同，AI驱动的决策层强调动态最优解的生成，其核心能力组合为预测力、创造力以及作为护栏的结构化力。
制造决策的本质是在满足安全、质量、交期等硬约束的前提下，寻找成本与效率的最优解。预测力基于时序数据推演设备健康度（RUL）或市场需求趋势，创造力负责生成多种可能的应对方案（如维护窗口调整、排产计划重构），结构化力则确保生成的方案符合物理机理与工艺规范，防止AI产生幻觉或给出危险指令。这一层级很大程度上改变了工业企业的维护模式，从“坏了再修”的被动响应转向“预测性治理”的主动运维。
发那科（FANUC）的ZDT（Zero Down Time，零停机）系统是决策层赋能的典范。该系统连接了全球数十万台工业机器人，实时采集伺服电机扭矩、减速机振动等时序状态数据。基于庞大的历史样本库，AI模型能够精准预测机械部件的剩余寿命与异常先兆，并在故障发生前数周自动生成维护策略，包括具体的备件需求与最佳维护时间窗口。这一决策机制不仅消除了非计划停机带来的巨额损失，更将售后服务从单纯的维修转变为一种保障生产连续性的高价值服务。决策层输出的不是数据，而是可执行的策略，这为执行层的精准动作提供了指令源头。
执行层：从指令到行动，让工厂“做得到、做得稳”
四层闭环的最后一环是执行层。无论策略多么完美，若无法转化为物理世界的精准动作，价值便无法闭环。执行层不仅是“肌肉”，更是“手眼协调”的动作系统，其运转依赖会话力与创造力的深度融合。
在这一层，AI的角色发生了改变——从“辅助顾问”进化为“数字员工”或“工业智能体”。会话力提供了人机协同的统一入口，使得复杂的控制指令可以通过自然语言下达；创造力赋能系统自动生成PLC代码、工作流脚本或机器人运动轨迹。更重要的是，执行层必须具备“闭环回流”机制，将执行结果反馈给感知层，形成持续学习的飞轮。
西门子与舍弗勒（Schaeffler）合作开发的Industrial Copilot展示了执行层的未来形态。在车间工程场景中，工程师不再需要逐行编写烦琐的PLC代码，只需通过自然语言向Copilot描述工艺需求，AI即可自动生成符合IEC 61131-3标准的代码框架，并调用相关工具进行验证与部署。这不仅将工程效率提升了数倍，更重要的是，它将AI嵌入核心生产流程，使其成为真正承担生产力任务的“硅基员工”。随着执行层动作的完成，新的数据产生并被感知层捕获，整个工业智能系统在“感知—认知—决策—执行—反馈”的循环中，不断逼近效率与价值密度的极限，从而真正推动新型工业化向纵深发展。
未来展望
从“规模效率”向“价值密度”的范式转移，是新型工业化发展的必然逻辑。AI赋能的本质，是构建“感知—认知—决策—执行”的闭环智能系统，通过预测力、识别力、个性化力、会话力、结构化力与创造力六大核心能力的解构与重组，推动制造业从线性的生产流程向非线性的价值创造网络演进。然而，这一进程并非坦途，仍面临多重深层次挑战。
从“数据可见”到“知识资产”的跨越
当前，多数制造企业虽然完成了设备上云与可视化报表的部署，但仍受困于“数据孤岛”与“经验黑箱”。工艺机理、质量约束与设备维护经验未能有效沉淀为可复用的数字资产，导致每一个AI落地场景都沦为定制化的项目工程，难以规模化复制。这一问题的根源在于结构化力与个性化力的不足。
未来，制造业的竞争焦点将从“数据平台竞争”转向“行业模型资产竞争”。企业将竞相构建基于工业知识图谱与机理模型的标准化工艺包、设备包与质量包，使其成为核心数字资产。这种资产化的能力，能使企业在不同产线、不同工厂间快速迁移AI应用，实现边际成本的指数级下降与价值密度的线性攀升。
从“会算”到“敢用、能控”的信任重构
随着AI逐步渗透至排产、控制与安全等关键业务链路，其可解释性、可追责性与OT安全问题日益凸显。若无法解决“黑盒模型”带来的信任危机，AI只能停留在辅助建议的外围，无法真正触达核心生产力。这直接暴露出创造力与预测力在严苛工业环境下的验证与约束短板，以及执行层闭环控制治理能力的缺失。
未来，工业AI的主流架构将演变为“多模型协同+约束护栏+仿真验证”的复合形态。通用大模型负责自然语言交互与意图理解，垂域小模型负责高精度的预测与推理，数字孪生与规则引擎则构建起不可逾越的安全护栏。这种分层治理机制，将确保AI不仅“聪明”，而且“可靠”，从而能够被赋予关键决策的执行权。
“卖系统”到“卖结果”的商业模式重塑
技术落地的最终检验标准是商业价值的实现。如果企业的KPI考核仍停留在“上线多少系统”或“接入多少设备”，而非实际业务成果的达成，那么AI六大能力将难以转化为持续迭代的服务化产品，更遑论实现基于价值密度的定价。这不仅是技术问题，更是商业模式与组织文化的深层变革，需要会话力降低使用门槛，个性化力降低交付成本，以及预测力/创造力带来持续的结果增量。
未来，深度经济将催生“结果导向合同”与“订阅化服务”的新模式。制造企业将不再是一次性买卖的设备提供商，而是转型为与客户共担风险、共享收益的合作伙伴。围绕良率提升、OEE优化、OTD缩短与能耗降低等关键指标，形成“可度量、可分成、可续费”的价值闭环，将是未来工业服务的主流形态。
结语
在新型工业化的征途上，AI的引入不仅是技术的革新，更是认知的重塑。它提升制造业“感知”世界、“认知”机理、“决策”未来与“执行”变革的能力。从“规模效率”到“价值密度”，这不仅是一场经济范式的跃迁，更是一场关于如何更好地服务人类需求、实现可持续发展的深刻实践。对于中国制造而言，唯有拥抱AI，深耕价值，方能在全球产业变革的浪潮中，走出一条独具特色的高质量发展之路。
作者 | 雷李楠：浙江大学国际联合商学院研究员；
马婧蓉：浙江大学管理学院、国际联合商学院博士生。
排版 | 夏森
审核 | 尚慧林
责编 | 刘永选(liuyx6@sem.tsinghua.edu.cn)
热门跟贴