战略提前量
吴琪/文
2026年9月25日，新加坡外长维文与亚洲协会会长陆克文在纽约举行公开交流，中国企业的竞争力从何而来成为讨论焦点之一。陆克文援引经合组织的分析，强调产业补贴对中国生产体系的支撑。维文则提出，即使取消补贴，中国长期形成的科研与技术积累以及国内企业之间的激烈竞争，也不会随之消失。
维文指出了补贴无法充分解释的竞争力来源。但企业众多、竞争激烈只是起点。竞争可以加快学习，也会演变为价格战和重复建设；产业链可以积累共同能力，也会把知识锁在少数链主、平台和工厂之内。
中国在AI时代能否继续发挥产业链优势，取决于产业集群能否从生产网络升级为学习网络。本文所说的学习网络，是使一处现场形成的问题定义、验证证据和通用改进，在明确边界、责任与收益安排的条件下，降低其他企业解决相近问题成本和风险的网络体系。
它有一个直接的检验标准：一个节点解决问题后，网络中其他节点解决相近问题所需的时间、成本和风险是否随之下降？如果没有发生这种变化，企业即使地理相邻、交易频繁，仍然只是生产网络。
重新理解中国优势
国家统计局于2026年6月发布的报告显示，2025年中国制造业增加值达到34.7万亿元，“十四五”期间占全球制造业增加值的比重始终保持在28%以上。国家统计局此前公布的数据显示，中国拥有41个工业大类、207个中类和666个小类，是全球唯一拥有联合国产业分类全部工业门类的国家。工信部已累计培育80个国家先进制造业集群。
这些数字代表的不只是产能。在长三角地区，4小时车程范围内可以集齐一台新能源汽车的全部零部件。新华社2026年5月的报道提到，一台六轴工业机器人在长三角生产线上完成组装只需12分钟，一台船用发动机的上千个零部件中，70%的供应商来自长三角，可以实现当天配送。
工业时代的集群优势主要来自专业化分工、较低的运输与协作成本，以及上下游的快速响应。产业密度还产生一项不易被观察的收益：同一类材料、设备和工艺在不同企业、不同工况中反复接受检验，问题能够在多处暴露，解决方案也能在多处尝试。
这项收益在AI时代会变得更加重要。制造业的竞争正在从一次性解决问题，转向能否把解决问题的过程留下来，用于下一次设计、验证和交付。产业链越长、现场越多，潜在的学习机会越丰富。
然而，机会并不自动形成能力。故障可以被工程师处理，却没有留下可复用的失效分类；工艺可以在一家工厂改进，却无法说明适用边界；链主可以汇集供应商数据，却没有把改进结果反馈给供应商。项目增加了，产业链下一次解决问题的能力未必随之提高。
AI重新划分集群优势
AI正在改变不同工业知识的相对价值。任务边界清晰、反馈迅速、错误代价较低并且可以自动测试的知识，会更容易被提取、编码和复制。文档整理、代码生成、常规故障分析和模型适配的成本下降后，依赖内部资料和少数资深工程师形成的部分知识壁垒将被削弱。远程企业也能获得过去只有本地企业才能调用的能力，地理邻近的重要性因而下降。
另一类知识正在升值。当系统状态无法完整观测，材料、设备、软件和环境相互耦合，失效代价较高，验证周期较长，并且必须有人对结果负责时，模型给出的答案只是工作的起点。企业还要说明方案在哪些工况下成立，越过什么边界会失效，什么证据足以让客户和监管机构接受，异常发生后由谁处置。
AI由此削弱以信息传递和标准化知识为基础的集聚优势，强化以复杂工况、快速实验、跨企业验证和责任协同为基础的集聚优势。只有当问题不能仅靠公开数据和远程信息完整描述，方案必须进入物理环境验证，上下游还要共同查明原因时，产业密度才会转化为学习速度。
动力电池可以说明这种变化。一批电芯的一致性下降，原因可能来自正极材料的烧结工艺、隔膜厚度的波动，也可能来自涂布设备参数的漂移。单个企业只能看到局部现象。把材料批次、设备状态、工艺版本、质检结果和后续运行表现按照共同规则关联起来，AI才能帮助工程师缩小根因范围。决定排查效率的核心条件，是产业链能否把不同节点的局部证据组合成完整判断。
历史经验也说明，生产活动与创新能力并非彼此独立。哈佛商学院教授加里·皮萨诺与威利·施曾以“工业公地”描述由工艺诀窍、运行能力、专业技能、供应商和研究机构构成的共同基础。美国部分制造活动外移后，流失的不只是低附加值生产环节，还包括相邻领域继续创新的条件。
反过来看，制造活动留在国内也不等于学习能力自然留存。如果生产数据只能进入封闭平台，配套企业得不到运行反馈，关键验证依赖少数外部机构，产业集群仍可能只承担制造任务，而由其他主体积累知识、控制更新并取得长期收益。
学习网络如何形成
学习网络不能从集中数据开始，应当从共同问题开始。不同企业的数据含义、质量和商业敏感度差异很大，笼统要求共享数据，往往同时引起技术障碍和利益抵触。
较为可行的起点，是选择产业链反复发生、单个企业又难以独立解决的问题。例如某类零部件的早期失效、特定材料批次引发的质量波动、设备异常与产品缺陷之间的关系。
围绕共同问题，参与者首先要形成最低限度的共同语言：设备和材料怎样标识，工况怎样记录，异常怎样分类，模型和工艺版本怎样追溯，结论由什么证据支持。共享的重点是问题、证据和边界能够被不同企业理解。共同描述形成后，AI才有条件识别跨企业的异常模式，并将个别经验转化为待验证的假设。
其次，现场经验必须转化为可信证据。工厂解决一次问题后，留下来的成果应说明发生了什么、原因怎样确认、结论在什么条件下成立，以及越过什么边界需要重新验证。测试方法、校准记录、异常样本、模型评估结果和责任记录共同构成证据。AI可以整理记录、寻找相似事件和生成候选解释，最终结论仍须通过实验、运行或独立检测确认。
华为的工业AI质检实践显示了企业内部经验产品化的一条路径。据华为公开材料，该公司从200多条自有产线的实践中提炼出800多个工业级图像处理算子，并封装为面向汽车、电子等行业的质检工具。这说明分散的现场经验可以转化为可调用模块。它能否进一步成为跨企业的知识资本，还要看这些模块进入不同客户以后，适配、验证和维护的完整成本是否持续下降。
再次，验证证据需要分层复用。工业知识依赖具体工况，一条产线上的结论不能直接移植到另一条产线。学习网络的目标是减少无效的重复验证，同时保留必要的安全边界。测试方法、仪器校准、数据来源和版本记录等通用证据，可以直接采用；相近设备和工况下形成的参数范围、模型与失效分类，可以经过本地校准后采用；涉及关键材料变化、极端工况和安全责任的结论，仍须重新完成验证。
这种分层使过去的验证能够降低下一次验证的成本，也重新定义了公共中试平台的职能。平台除了提供设备和场地，还要维护测试协议、证据格式、版本记录和适用边界，使企业能够判断哪些结论可以沿用、哪些需要补充证明、哪些必须重新验证。
中国正在动力电池碳足迹管理中建设部分连接条件。工信部2025年12月印发《关于开展汽车动力电池碳足迹申报工作的通知》，要求产业链相关主体提供可追溯、可验证的数据，引入第三方核证，并按照“原始数据不出域、数据可用不可得”的原则建设信息平台。碳足迹核算表明产业链协作可以建立在共同规则、受控使用和可信核证之上，无须先把所有原始数据集中起来。
学习网络还需要稳定的经济动力。链主要求供应商交出全部数据和改进成果，供应商会减少长期投入；供应商封闭全部经验，链主也无法提高整条产业链的质量与响应速度。合同应区分客户专有知识、供应商通用改进和共同形成的成果，明确运行数据的访问范围、模型更新的批准程序、错误责任，以及合作终止后工具、证据和记录的使用方式。
收益安排可以同可观测的学习结果相联系。配套企业的验证结果被更多客户采用，可以获得认证收入或缩短市场准入周期。平台确实降低异常定位时间和重复验证成本，才能取得持续服务收入。链主开放必要反馈并帮助供应商形成通用能力，能缩短新供应商导入周期，降低对单一供应商的依赖。生产产生经验，经验转化为证据，证据复用扩大价值，合理收益支持下一轮试验和验证，学习网络由此获得自我延续的动力。
最后，网络需要协调者，但不能让一个节点同时控制问题定义、数据接口、证据认证和模型更新。德国汽车产业建设的Catena-X提供了一个值得观察的制度实验。Catena-X网络通过共同标准、开放接口、认证机制和开源基础组件支持整车厂、供应商及中小企业交换数据，参与者保留对自身数据的控制权。
宝马2024年披露，其与合作伙伴利用真实数据建立了一条从原材料到零部件的碳数据链，并在质量管理中与博世交换现场数据，用于提前识别异常。2025年，宝马进一步宣布，质量和合规证书将通过Catena-X在相关合作伙伴之间共享。
Catena-X的价值在于把共同语言、数据控制、认证和技术开放结合起来。中国建设产业平台时也应采用同样的尺度：平台是否让参与企业获得独立改进能力，企业能否更换服务商，共同形成的证据能否被不同客户采用。
谁来推动学习网络
链主企业掌握整机需求、客户后果和供应链准入，应当提出需要全链条共同解决的问题，提供测试接口、证据要求以及与供应商产品有关的运行反馈。符合共同标准的供应商，应能凭借已有证据进入后续验证，避免每次导入都从头开始。链主开放一部分验证基础，会减少自身的信息独占，却能获得更快的供应商导入和更强的替代能力。
配套企业掌握细分工艺和材料知识，要把项目经验转化为可以跨客户使用的方法、失效分类和测试工具，同时严格隔离客户专有信息。配套企业是否形成了能力，可以用一个经营结果检验：离开链主的驻场团队以后，能否凭借自身积累完成下一次交付。
工业互联网平台负责身份认证、访问控制、语义转换、版本追溯和可信计算，使企业在不交出全部原始数据的条件下参与协作。平台的价值应由它降低的问题定位、协作和验证成本衡量，而非接入设备和数据总量。
公共验证机构负责把企业经验转化为其他主体可以接受的证据，因而需要保持程序独立、方法透明和持续问责，披露利益冲突，保存测试条件和版本记录，并为重大错误设置复核与责任机制。
政府需要投资单个企业难以独立建设、又能提高全链条学习效率的公共基础。2026年10月中共中央、国务院印发的《关于发展新质生产力的意见》，提出建设各具特色、优势互补的战略性新兴产业集群，以产业链为主导、以企业为主体建立跨区域产业协作机制，并布局概念验证、中试验证平台和国家人工智能行业应用中试基地。这些部署可以围绕三项机制进一步落实。
首先，在先进制造业集群中建设面向真实产业问题的中试和验证平台。跨省集群还应推动测试方法和分层证据跨区域使用，避免行政边界重新分割产业链。工信部提出到2027年底初步形成全国制造业中试服务网络，下一步的重点应当是不同平台生成的证据能否相互理解和有条件复用。
其次，为链主、配套企业和平台之间的数据合作提供可供选择的合同条款，明确访问范围、改进成果、更新审批、事故责任、退出安排和后续收费。公共资金支持的平台应保证接口可迁移、记录可带走、关键工具具有替代方案，避免公共投入形成封闭的私人控制点。
最后，把集群评价从产值和投资扩展到学习结果。公共部门可以观察新供应商导入周期、已有证据在新项目中的实际复用率、同类异常再次发生率、从异常发现到全链条更新所需的时间、模型或供应商变化后需要重新验证的比例，以及配套企业独立交付能力。评价应从后续真实项目中抽样，检验既有知识究竟节省了什么，防止知识积累重新变成文档和模型数量的竞赛。
评价结果也应进入资源配置。AI会加快设计和生产能力扩张，如果地方财政、信贷和就业目标长期维持不能提高知识生产率的产能，企业就会把本应用于验证和再开发的资金消耗在价格竞争中。退出机制可以把工程师、设备和资本重新配置到实验、验证、软件工具和复杂问题求解等稀缺环节。
工程人才同样是学习网络的基础。AI接管初级检测、调试和分析后，如果年轻工程师不再经历异常复核、现场判断和责任承担，企业短期内可能增加知识记录，长期的知识生产能力却会衰退。联合实验室、跨企业项目和合理的人才流动，应当让工程师在多种设备、工况和问题之间形成判断能力。
主动权来自共同学习
维文所说的激烈竞争确实是中国企业能力的重要来源，但竞争的组织方式决定了它是在积累能力还是消耗能力。企业各自试错、互不认可、重复验证，消耗的是利润和研发资源；问题获得共同描述，证据得到分层复用，贡献知识的一方取得合理收益，竞争才能持续提高整条产业链的能力。
判断这种转变是否发生，需要同时观察三个层面。对企业，知识资产能否在原团队不全程介入的情况下继续发挥作用，并产生足以支持再投入的收益。对集群，新进入者和上下游企业能否借助共同接口和可信证据减少重复试错，又无须无偿交出专有知识。对国家，当模型、平台或关键部件发生变化时，产业链是否仍有继续运行、替换和重新组合的能力。
地方政府的工作重心也需要调整。过去，招商主要围绕工厂、投资和产能。AI时代更有价值的投入，是可信的验证机构、共同的证据规则、受控的数据连接、能够跨企业工作的工程人才，以及使链主和配套企业都愿意投入的收益安排。这些投入不会立即表现为新增产值，却决定产业集群能否持续产生新能力。
中国拥有大量工厂和真实的产业问题。当前的关键任务是把一处现场的解决办法，转化为全链条下一次行动的依据。生产网络创造规模，学习网络使规模持续产生能力。问题能否在网络中被识别，证据能否在网络中得到验证，改进能否有条件地复用，收益能否回到下一轮学习，将决定中国的产业链优势能否转化为AI时代的产业主动权。
（作者系前罗兰贝格中国区总裁和埃森哲大中华区副主席）
热门跟贴