关键词：智能经济；先进制造业；全要素生产率；现代化产业体系
观点提要
一、引 言
制造业作为立国之本、强国之基，是国家竞争力的核心所在。习近平总书记强调“实业兴国，实干兴邦”“制造业特别是装备制造业高质量发展是我国经济高质量发展的重中之重，是一个现代化大国必不可少的”“中国式现代化不能走脱实向虚的路子，必须加快建设以实体经济为支撑的现代化产业体系”。党的二十届四中全会提出“构建以先进制造业为骨干的现代化产业体系”，不仅重申制造业在国民经济中的“压舱石”地位，而且在复杂严峻的国际博弈背景下，为中国式现代化构筑坚实的物质技术防御线。
站在新的历史起点，制造业高质量发展面临前所未有的范式变革。人工智能作为引领新一轮科技革命和产业变革的战略性技术，已经超越单纯的技术工具属性，演变为通向全要素生产率突围的“通用目的技术”。2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，标志着我国人工智能从实验室的“概念培育”迈向产业界的“支柱引领”。回望历史，西方现代化由机械化与电气化界定，当代中国制造的现代化将取决于人工智能对工业底盘的改造与重构。
当前，全球智能经济呈现由“虚拟渗透”向“实体重构”的代际跃迁。2025年，麦肯锡发布报告《智能型组织：智能速度下的生产力革命》显示，人类社会正在跨越基于层级制的“人手管理”，步入以“人类+AI智能体”为核心的组织形态。这种趋势在我国尤为显著：截至2025年，我国机器人专利申请量占全球总量的2/3，累计建成卓越级智能工厂230多家，日均Token消耗量实现爆发式增长。这预示着智能经济正在从制造业的“辅助增量”转化为支撑高质量发展的“核心支柱”。
需要强调的是，实智深度融合并非技术要素的简单叠加，而是一场旨在破解“生产率悖论”与“鲍莫尔病”的底层机理重构。长期以来，工业数字化受生产率增长乏力制约，但人工智能驱动的融合范式正在推动竞争逻辑从“规模成本”彻底转向“数据智能”。这不仅仅是生产设施的智能化改造，更是组织形态的进化。虽然前景广阔，但当前该进程正跨入阵痛期与深水区。实智融合面临前沿场景与物理实现手段脱节的“达·芬奇难题”、AI加速模仿引发的创新收益耗散以及自动化应用边界偏离导致的生产率瓶颈。因此，深入探讨智能经济与制造业深度融合的内在机理，明确从“培育壮大”转向“支柱引领”的发展路向，对于我国在“十五五”时期实现制造业智能化跨越具有重大理论价值与现实意义。
二、智能经济与制造业深度融合的内在机理
智能经济与制造业深度融合，并非二者产业边界的简单叠加，而是一场基于底层逻辑重构的“化学反应”与系统性转型。智能经济与制造业融合不仅重构制造业的价值创造链条，而且在宏观层面改写了工业化演进的动力特征。笔者从生产范式跃迁、产业形态重塑以及系统范式演进三个维度深度剖析智能经济如何驱动制造业跨越传统的“生产率陷阱”，实现从辅助性工具向引领性支柱的战略转轨。这不仅标志着通用目的技术对实体经济的系统性接管，而且能够为理解中国式现代化背景下新质生产力的形成路径提供解释框架。
（一）实智深度融合驱动生产范式实现全要素生产率突围
智能经济与制造业深度融合的本质是生产函数中全要素生产率的结构性跃迁。长期以来，数字技术对生产率的拉动深陷“生产率悖论”，即“计算机无处不在，唯独不在生产率统计中”。从经济学视域审视，这反映了传统数字化进程中的“索洛余值”增长乏力。早期的数字融合侧重服务业与消费端，技术逻辑主要基于信息对称性的改善，而非生产机理的重构。这种融合具有显著的耗散效应，大量资源投入存量利益争夺的零和博弈中，导致技术进步在宏观层面被竞争成本抵消，难以转化为实质性的生产率增量。与此同时，受限于“鲍莫尔病”，服务业数字化虽然在“十四五”时期突飞猛进，但其应用多停留在表层的流量撮合，陷入数字化“单兵突进”与实体制造“被动跟随”的窘境。
与之形成鲜明对比的是，人工智能引领的智能经济推动技术提升效率的底层逻辑发生变革。根据内生增长理论，长期的经济增长取决于知识与技术积累。在传统范式下，知识的溢出与应用主要依赖人力资本的“干中学”，受人类认知的生物边界与信息传递的摩擦制约。人工智能作为全新的、非竞争性的生产要素，能够促使技术重心从消费端向生产端深度回归。在工业领域，多模态大模型与专用小模型的互补融合使算力算法从互联网时代的“专有服务”转化为制造业的“通用动力”。这种融合实现了数字信息与物理实体的深度关联。有数据显示，2025年，我国工业互联网核心产业规模预计超1.6万亿元，带动工业增加值增长约2.5万亿元，表明工业生产的信息“大动脉”已经具备驱动生产机理实质跃迁的物质基础。
上述机理变革的核心在于竞争逻辑从基于资本积累的规模成本向基于算法演进的数据智能重构。传统制造业的效率提升依赖固定资本的深化与规模效应，智能经济通过数据要素的指数级复用实现生产函数的非线性扩张，促进制造业效率变革、质量变革和动力变革。在人工智能时代，全要素生产率不再是生产函数中无法解释的“余值”，而是转化为可编程、可迭代、可精准调控的“显性智能”。智能机器将跨越侧重“精准度与力量”的物理阶段，向“感知、计划与环境适应”领域突破。通过赋予机器在复杂环境中的自我调整能力，制造业能够实现从经验驱动向算法驱动转变。这不仅是效率的提升，而且是价值创造模式的重构，标志着制造业正在通过实智融合实现效率突围。
（二）产业形态重塑促成由辅助增量向支柱引领的地位转轨
智能经济与制造业深度融合的第二重机理在于产业地位的根本性转轨，即从过往数字技术的辅助性增量角色演进为现代化产业体系中的支柱性引领力量。这一转化的微观基础表现为企业组织形态的代际演进。有研究认为，人类社会正在步入以“人类+AI智能体”为核心的“智能型组织”阶段。在这一新型组织中，人工智能不再是外挂于生产流程的辅助工具，而是深度嵌入决策链与执行链。例如，“黑灯工厂”与“无人化车间”的普及不仅仅是机器对人力的简单替代，更是物理实体与智能算法的深度耦合。
与此同时，这种地位转换伴随对智能经济“去物质化”幻象的有力纠偏，确立了其作为“重型工业”的支柱韧性。虽然人工智能通常被视为虚拟算法，但其作为支柱产业的运行高度依赖物理设施的重型投资，包括算力中心、能源配套及精密硬件。这种实体本位特征引发强烈的“头雁”效应：人工智能核心产业通过芯片制造、智能终端开发等关键链条，强力拉动传感器、精密减速器、温控系统等高附加值硬件制造业的爆发式增长。中国信息通信研究院发布的《人工智能产业发展研究报告（2025年）》显示，2025年，我国人工智能核心产业规模预计突破1.2万亿元，企业超6000家，其背后是温控、压力及流量传感器等细分制造业向AI市场的规模化渗透，使人工智能成为定义新工业时代硬件标准与基建形态的引领者，从根本上改写了制造业的投资结构与产出边界。
更为深层的机理在于核心产业——具身智能与智能机器人领域的突破赋予制造系统前所未有的环境适应性。传统的制造业自动化高度依赖封闭、确定的环境，侧重机械控制的精准性；智能经济引领下的“智造”核心在于赋予机器“物理感知”能力。通过机器视觉、触觉及自主规划技术的集成，智能机器具备感知并动态调整以应对复杂现实世界的能力。截至2025年底，我国移动物联网终端用户规模突破28亿户。其中，应用于工业制造、智慧物流等领域的连接数占比显著提升，映射出制造场景中机器感知能力的全面铺开。从精准控制向环境适应的跃迁赋予制造业响应个性化定制、实现小批量柔性生产的能力，同时，确立了人工智能作为引领新一轮产业变革支柱技术的战略地位，将中国制造推向中国智造，构筑中国式现代化的物质基础。
（三）产业体系由单一技术扩散向技术经济范式的全链升级
智能经济与制造业深度融合的第三重机理体现为从单一维度的技术扩散向全方位“技术—经济”范式变革的系统性跃迁。人工智能作为典型的通用目的技术，其核心价值不仅在于算法的单一突破，而且在于通过广泛的渗透性与创新催化能力，将制造业从碎片的自动化应用推向网状协同的系统化智能，标志着产业链从传统的线性组织模式向大型技术系统的体系化重构。
相较数字经济与制造业融合，实智融合呈现显著的代际跃迁特征。在数字经济阶段，融合的核心逻辑在于“连接”与“去中介化”，即利用互联网降低交易成本与信息不对称，其应用集中在营销、流通等价值链后端，呈现“外挂式”特征。在智能经济时代，融合的核心逻辑演变为认知赋能与自主执行。特别是当人工智能从“能思考”进阶至“会执行”，智能体的崛起标志着技术跨越辅助决策门槛，直接参与产业流程的执行。这种从信息传递向智能驱动的质变，使融合的重心从消费端的“流量溢出”转向生产端的“存量重构”，实现对制造业纵向一体化的全链条赋能，进而推动制造业从线性价值链向动态价值网络的跃迁。
这一范式跃迁的核心在于产业链体系从“点解决方案”向“系统解决方案”的根本性转变。梳理电力革命的历史经验可知，电力的革命性意义在于实现能源来源与使用的脱钩，重塑工厂布局。同理，人工智能正在推动“预测”与“决策”的脱钩。这种脱钩促使产业链不再是上下游的物资流动，而是演变为基于算力与数据的网状协同体系。在这一体系中，人工智能核心产业发挥“头雁”效应，率先形成底层算法与开源底座，传统制造业在核心产业的溢出带动下进行流程再造。这种网状协同使自动驾驶、人形机器人等复杂系统能够迅速完成从研发到工业应用的闭环，推动制造业迈向具备自我进化能力的智能生态。
与此同时，产业体系演进诱发深刻的知识扩散效应与部门资源重新配置。智能经济改变了产业竞争的“护城河”逻辑，科技企业的核心竞争力正在从封闭的代码转向活跃的开源社区，致使资源加速向具备高创新密度的智能制造部门配置。在高技术部门中，知识扩散效应占据主导地位，企业能够通过相互学习实现生产能力与创新能力的指数级增长。这不仅消解了传统产业的界限，而且通过重新定义知识产权与商业逻辑，构建起以实智融合为核心的现代化产业体系新生态，进而在宏观层面实现生产力水平的系统性跃升。
三、从“培育壮大”转向“支柱引领”的发展路向
（一）夯实智能基础设施与共性技术平台，筑牢全要素生产率底座
智能经济引领下的制造业跃迁，首先依托从底层硬件到共性算法平台的系统性重构，这并非传统基础设施建设的简单线性延伸，而是旨在通过解决底层算力与算法的支撑瓶颈，从根本上破解“生产率悖论”，为全要素生产率的内生增长提供持续动力。从生产范式转型的逻辑审视，智能基础设施的超前布局构成“数据智能”替代“规模成本”的宏观物质基础。通过提升算力中心、工业互联网以及卫星星座等新型基础设施的覆盖密度，制造业得以构建起能够覆盖全空间、全时域的信息“大动脉”。智能基础设施演进的本质是为工业生产提供高频率、低延迟的感知与控制反馈闭环，确保数字要素能够真正渗透生产函数的核心，而非停留在辅助决策的边缘。
在此基础上，攻克使能技术瓶颈并构建标准化共性技术平台，是实现从自动化向智能化实质跃迁的关键。当前，制造业处于从技术扩散向通用动力转换的关键节点，要求超越碎片化的单点技术应用，建立具备普适性的智能化底座。通过多模态大模型与专用小模型的互补融合，人工智能将逐步具备处理复杂工业逻辑与非结构化环境的能力。这种大模型提供逻辑、小模型负责精度的范式，将算力算法从互联网时代的“专有服务”转化为制造业的“通用动力”，其效能类比电力革命时期的电网接入。当标准化的共性平台能够低门槛、规模化地为中小企业提供算法模型与数据治理服务时，技术演进即可跨越高昂的初期成本门槛，促使“索洛余值”在制造现场得到显性化体现。
这一路向的深层意蕴在于通过基础设施与共性平台的耦合，实现知识生产的规模经济与范围经济。当工业知识被抽象为可复用的算法模块，原本依赖人类经验的碎片化信息便转化为可编程的系统智能。这不仅解决了使能技术受限导致的落地困境，而且通过统一的接口与标准降低产业链各环节的协同摩擦。底座的夯实标志着中国制造业从设备替代迈向认知赋能的高级阶段，通过对生产全要素的数字化萃取与智能化编排，真正构筑起支撑现代化产业体系的物质技术基础。
（二）通过有效投资与场景化应用，跨越规模化生产的工业门槛
智能经济向制造业渗透的第二重路向在于通过有效投资与多维场景的规模化扩张，实现从实验室雏形向标准化工业量产的代际跃迁。这一过程的深层逻辑在于利用规模效应克服长期制约服务业与高技术研发的“鲍莫尔病”，将人工智能从高溢价、低渗透的实验室产品转化为具备显著“索洛余值”贡献的规模化产业底座。不同于传统手工作坊或小规模定制模式，智能经济的效率红利高度依赖生产函数的规模门槛。只有当智能体、人形机器人或自动驾驶系统跨越从试点装配向万台级量产的“惊险一跃”，其研发成本才能够在庞大的产出基数中被有效稀释，进而驱动制造业全要素生产率提升。
跨越首先表现为生产组织形式从手工精细化向社会化大生产的结构性转变。以具身智能为例，当前，多数企业的人形机器人部署仍停留在数十台或百台规模的试点阶段，其生产过程高度依赖高技能工人的手动装配，尚未脱离工业化初期的家庭作坊范式。当千台甚至更大规模的订单需求出现时，市场激励将迫使企业从零散的技术研发转向标准化、模组化的供应链构建。由规模诱发的“技术硬化”促使人工智能企业建立社会化的生产体系与标准化的质量控制流程，进而在物理层面夯实智能经济的工业属性。
在这一过程中，有效投资不仅仅是资本的简单注入，而是作为“场景催化剂”，通过创造多样化的应用土壤驱动技术在现实约束下实现自我进化。实际上，中国超大规模市场提供的复杂、多级工业场景，为智能技术的规模化落地提供天然的实验场。通过在特定细分领域，例如，港口自动化、汽车装配或精密电子加工中进行深度场景嵌套，投资能够引导资源流向最具溢化潜力的环节。这种基于场景的规模化应用，不仅可以拉动上游精密减速器、高性能传感器等核心零部件的放量增产，而且能够通过数据反馈循环，加速智能算法在实际生产环境中的鲁棒性提升。由此，智能经济不再是飘浮在实体经济之上的“技术幻象”，而是通过跨越规模化生产的硬门槛，成为重塑工业底盘、实现中国制造业转型升级的确定性力量。
（三）聚焦垂直场景深度赋能，确立支柱产业的引领地位
智能经济与制造业深度融合的第三重路向体现为通过领域知识与算法智能的深度耦合，在垂直场景中实现从辅助性增量向支柱性引领的角色转轨。这一转化的深层逻辑在于制造业的智能化并非通用大模型的简单迁移，而是基于行业深厚积淀的认知革命。在汽车制造、航天航空、精密医疗器械等高壁垒领域，深厚的行业洞察本身构成智能时代最坚实的竞争“护城河”。通过将沉淀数十年的物理规律、工艺参数与生成式人工智能、多模态感知技术相结合，人工智能从生产流程的“外部补丁”演变为定义产业核心竞争力的“数字大脑”，进而驱动生产组织形式向以“人类+AI智能体”为核心的智能型组织代际演进。
在垂直场景深度赋能的范式下，支柱产业的引领地位通过全生命周期的智能应用链条得以确立。观察全球顶尖制造企业的实践可知，人工智能已经系统性渗透生产优化、供应链协同以及预测性维护等关键环节。在生产端，通用汽车、福特等公司利用人工智能驱动的预测分析与机器视觉，实现了从原材料监控到成品质量检测的全流程闭环，使生产的一致性与准确率得以显著提升。在供应链端，通用电气（GE）通过与数据平台合作，利用人工智能识别复杂的供应商数据差异，将原本碎片化的物流与库存信息转化为可实时调度的决策资源。这种集成不仅提升运营灵活性，而且通过预测性维护重构售后价值链。例如，波音公司通过实时分析飞机传感器数据，将维护逻辑从事后修理转向事前干预，大幅降低航班延误率与运营成本。
更为深远的系统影响在于数字孪生与可持续发展技术的融合正在定义新工业时代的标准。洛克希德·马丁空间系统公司等企业通过构建实体系统的数字化副本，在虚拟环境中进行高保真的模拟测试，实现复杂系统性能的极致优化。这种虚实融合的能力不仅大幅提升制造业应对不确定性的韧性，而且在绿色脱碳领域展现出巨大的溢出效应。西门子公司利用人工智能工具优化氢能工厂配置，通过迭代生成精确布局并预测性能指标，加速清洁能源产能的提升。垂直场景的深度渗透标志着智能经济已经超越单纯的技术赋能，正在通过重塑制造业的全价值链，构筑起中国式现代化进程中不可替代的物质底座与战略支撑。
（四）驱动从点工具向系统解决方案转型，重塑现代化产业体系
智能经济引领制造业跃迁的深层路向体现为从局部、零散的“点工具”赋能向全局、网状的“系统解决方案”转型，这不仅是技术应用深度的变化，而且是“技术—经济”范式的系统性重构。麦肯锡的研究揭示了一个关键的迟滞现象：虽然全球近90%的企业投资人工智能，但仅有不足40%的企业获得可量化的收益。产生收益落差的根源在于多数组织仍停留在将人工智能视为改善现有流程局部效率的“点解决方案”，未能触及生产关系的深层变革。要释放人工智能的指数级生产力，组织范式必须跨越单纯的任务自动化，向彻底的流程再造演进。这意味着人工智能不应只是嵌入旧流程的一个闭环，而是应该成为重构业务逻辑、组织形态与商业模式的基础底座。
从“点”到“系统”的跃迁在工业史上具有深刻的规律性。以19世纪末的电力革命为例，这一时期，企业家仅将其视为降低燃料成本的替代工具，电动机取代蒸汽机在当时并未引发实质性的生产率激增。直至20世纪20年代，电力实现能源来源与使用的彻底脱钩，打破了距离对工厂布局的限制，催生现代流水线与工厂设计的根本性变革，电力的真实价值得以在系统层面爆发。人工智能的系统价值与此高度相似，其促使企业不再局限于用智能工具替代旧机器，而是从零开始重构决策之间的相互关系，进而诱发组织设计的全方位创新。在此基础上，经济权力从单纯拥有资源的微观主体向掌握智能系统架构、电网式算力分发以及大规模智能协作能力的组织转移。
在这一背景下，产业竞争的“护城河”发生根本性偏移，催生基于知识扩散与开源生态的现代化产业体系新形态。智能经济作为大型技术系统，其溢出效应显著改变了部门间的资源配置逻辑。相较传统封闭、自我依赖度高的生产部门而言，资源将加速向依赖外部知识扩散、具备高创新密度的智能制造领域集聚。
四、智能经济与制造业融合发展的现实挑战
当前，实智融合深陷智能化构想与物理实现手段非对称的“达·芬奇难题”，承受人工智能加速模仿效应引发的创新收益耗散，并面临资源错配逻辑下“过度自动化”带来的生产率陷阱。这是智能经济在重塑传统工业底盘时必然遭遇的结构性冲突。
（一）关键使能技术受限：深陷“达·芬奇难题”的落地困境
在智能经济与制造业深度融合进程中，首要挑战在于先进智能化构想与滞后物理实现手段间存在错位，这种现象又被称为当代工业领域的“达·芬奇难题”。达·芬奇设计的飞行器在理论上完全成立，但因当时缺乏轻质材料与动力引擎无法升空，当前的智能制造也呈现类似特征。算法模型、数字孪生与工业大模型的理论演进日新月异，但在将其转化为实际生产力的物理闭环中，底层硬件、核心零部件与基础材料支撑乏力。软件与硬件、数字孪生体与物理实体之间研发进度的非对称性，构成智能经济向制造业渗透的结构性壁垒。
使能技术受限直接削弱了智能化方案在制造现场的确定性。在微观层面，除广受关注的高端芯片等“算力底座”外，原材料的性能瓶颈与精密零部件的工艺水平同样不可忽视。以具身智能和人形机器人为例，即使拥有世界领先的感知算法，若缺乏高扭矩密度电机、长寿命柔性材料以及高精度减速器，机器人在复杂工业场景中的执行精度与稳定性就无从谈起。这些关键设备与零部件的“缺失项”，使大量在实验室中表现优异的智能方案在面对高强度、高可靠性的真实制造场景时显得苍白无力，难以完成从技术原型到工业工具的“惊险一跃”。
技术短板的系统性传导将导致前沿场景的“落地坍塌”。在制造业领域，智能化应用的规模化必须满足“性能—成本—可靠性”的平衡。关键使能技术的断档致使部分高层级的工业智能应用只能停留于样板间或小范围试点。当企业尝试将其推向全产业链或大规模量产时，会因底层硬件无法支撑高频计算或因核心设备受制于人导致的成本高企，陷入“闭环难、量产难、盈利难”的恶性循环。相关连锁反应不仅延迟了智能经济对传统制造业的系统性接管，而且在一定程度上挫伤实体企业投身数智化转型的信心，导致实智融合在部分关键环节呈现单兵突进后的停滞态势。有研究发现，企业智能化转型动力不足且产业链协同存在较大困境。由此可见，突破关键使能技术不仅仅是工程问题，更是智能经济跨越“试点陷阱”并确立支柱地位的先决条件。
（二）创新收益的耗散：AI加速模仿引发的“创造性破坏”焦虑
智能经济在重塑制造业效率的同时，深刻改变了创新的激励机制与收益结构，引发创新收益的耗散。从产业经济学视角看，创新的活力源于竞争与模仿的动态平衡，但人工智能的介入打破了这种平衡，过度直接且低门槛的模仿威胁演变为创新的阻碍，使创新者面临严重的“收益征用”风险，进而陷入由AI加速模仿引发的“创造性破坏”焦虑。
这一挑战的核心机理在于AI技术极度压缩创新成果的保护窗口期与溢价周期。在传统制造范式下，底层技术的扩散受制于复杂的工艺壁垒与漫长的逆向工程。在智能经济范式下，AI辅助的代码理解、多模态仿真及自动化逆向工程能力显著降低了知识扩散阻力。竞争对手能够以极低成本迅速复刻、迭代甚至绕过原始技术路径。快速模仿的能力使创新溢价空间被迅速摊薄，企业通常尚未收回高昂的研发成本，就被大量低价同质化竞争包围。
上述加速的“创造性破坏”若缺乏缓冲机制，将对长期主义的深层创新产生抑制效应。当企业预见创新成果将被迅速模仿，理性的市场主体倾向于缩减对底层逻辑、基础算法、核心材料等高风险、长周期领域的原创投入，转而将资源配置到见效快、易复制的表层应用开发。这种“短视化”倾向的根源在于人工智能加速了收益回收风险。若技术革新因极速扩散无法保障创新者收益，创造性破坏便不再是产业升级的阶梯，或将成为限制全行业创新高度的“天花板”。在这种环境下，企业不仅面临技术迭代压力，而且会陷入“征用焦虑”，即技术进步越快，创新者的相对优势流失越快。由技术扩散加速引发的激励扭曲构成智能经济向制造业纵深发展过程中亟须正视的内在矛盾。
（三）自动化的边界偏离：资源错配下的生产率增长瓶颈
智能经济与制造业融合的第三重挑战体现为自动化应用逻辑的边界偏离，即在资源错配驱动下陷入“过度自动化”陷阱，进而导致全要素生产率增长的瓶颈化。在常规认知中，自动化程度的提高通常被等同于生产率的线性增长，但偏离技术演进内在规律的过度自动化不仅无法带来预期的效率红利，而且可能抑制创新的广度与深度。
从理论视域审视，技术进步对劳动力市场的重塑包含双重效应：一是通过机器替代现有任务的“置换效应”；二是通过创造更具生产力、更加复杂的新任务的“恢复效应”。当前的挑战在于智能化进程在某些领域过度向置换效应倾斜。部分企业将技术改进的重心过度集中在“如何用机器替代人”的自动化范畴，而非通过智能经济开发新的工作内容或更高维度的价值创造环节。这种过度努力导致技术演进偏离最佳路径：将稀缺的研发资本、技术精力与管理资源从能够带来实质性生产率突破的“新任务创建”活动中抽离，转而投向广泛、低效的自动化应用中重复博弈。
自动化的边界偏离引发资源错配。当自动化仅被视为一种削减短期劳动力成本的手段，而非流程再造的触媒时，企业通常倾向于在劳动力成本较低，或机器替代边际收益递减的环节进行沉淀投资。错配机理具体表现为大量的资金被用于购买复杂的昂贵设备以完成简单任务，真正需要技术攻关的系统性重构与深层生产率提升活动因资本与人才的挤出效应陷入停滞。这种现象在制造业中表现为“为了自动化而自动化”倾向，其结果是资本深化显著快于产出增长，导致资本产出比上升，全要素生产率呈现停滞甚至下降态势。
更为深层的影响在于劳动力在生产体系中的被动边缘化。过度自动化使原本可以与人工智能协作、承担更具创造性任务的劳动力被简单剥离，而非投向需要更高技能水平、具备更高附加值的“新任务”岗位。任务置换失衡削减了组织内部的知识积累与技能协同，使制造业在迈向智能化过程中丧失基于人机协同带来的灵活性与创新弹性。当技术演进的逻辑被锁定在单纯的劳动力替代而非生产率提高的广阔维度时，智能经济与制造业的融合便会触及隐形壁垒。这不仅仅是技术层面的偏差，更是由于对自动化边界缺乏审视导致的范式陷阱，成为阻碍制造业实现全链条效率突围的核心瓶颈。
五、推动智能经济与制造业深度融合的政策建议
推动智能经济与制造业深度融合政策设计的核心逻辑强调推动单一维度的技术点状突破转向系统维度的全要素生态重构战略。笔者立足破解“达·芬奇难题”“征用焦虑”“过度自动化”以及“非预期失效”等现实挑战，从强化技术供给、优化产业生态、重塑人机协同及完善安全治理四个维度提出系统化对策建议。
（一）强化关键使能技术供给，破解“达·芬奇难题”
一是实施软硬协同攻关，补强工业智能的物理执行力。智能化的本质是“比特”接管“原子”，其效能取决于“感知—决策—执行”闭环中薄弱的物理环节。假设高扭矩电机、精密减速器、灵敏传感器等关键执行部件无法匹配算法的先进性，那么，智能系统将成为“无法升空的飞行器”。政策需要引导创新资源向材料科学和精密制造等基础领域集聚，通过跨学科攻关，提升核心硬件的可靠性、适应性与保真度，助力技术原型跨越为稳定可靠的工业工具。
二是推动传统工业基础设施系统性转型为智能节点。人工智能赋能的前提是物理载体本身的智能化。要鼓励通过嵌入智能模块，对存量设备进行数字化焕新，使其从孤立的机械单元升级为具备实时感知、自主诊断与协同反馈能力的智能体。这一改造的深层逻辑在于将生产要素转化为可编程、可迭代的数字实体，进而驱动生产流程从依赖固定经验的规则驱动，转向基于实时数据流的精准闭环控制，为工业大模型落地提供高密度的物理感知支撑。
三是构建与工业场景匹配的算力精准配给机制。工业智能对算力需求具有异构、低时延、高可靠等特征。政策可以前瞻布局“云—边—端”协同的算力底座，推动算力资源从集中式数据中心向生产现场边缘侧下沉。通过建立场景感知的算力调度体系，解决算力供给与复杂制造流程在时空上的错配问题，为工业智能提供稳定高效的“数字心脏”，从根本上消除因计算延迟或资源不足导致的生产率瓶颈，确保智能经济对实体经济实现可靠、全面的系统性赋能。
（二）优化实智融合产业生态，缓解“征用焦虑”
一是发挥“头雁”企业引领作用，构建可溯源的创新保护机制。支持领军企业牵头建设工业大模型开源底座，并依托区块链等技术支持产权溯源。关键是通过算法指纹、数据水印等技术，将创新贡献不可篡改地嵌入产品与流程，形成开源共享但权责清晰的行业准则。此举既能够加速共性技术扩散，又可以通过数字化手段明晰创新边界，进而以更低成本保护原创，防止创新动力在无序模仿中耗散。
二是强化需求侧牵引与场景保护，确保创新能够获得关键初期的市场溢价。创新的可持续性依赖研发投入的及时回收。政策可以通过加大政府绿色采购、完善“首台（套）”装备保险补偿机制，为处于市场化“惊险一跃”阶段的原创技术提供确定性订单。通过开放智慧矿山、极地作业等特定公共场景，政府可以担当先导用户，为长周期、高风险的智能技术提供孵化土壤，帮助创新者在模仿者大量涌入前形成商业闭环，稳定投资预期。
三是推动跨区域产业链的差异化协同，破解资源错配与同质化内卷。各地产业基础与禀赋不同，政策的“一刀切”与区域间的低水平竞争将抬高创新成本并加剧收益摊薄。因此，可以引导各地基于比较优势进行错位布局，建立跨区域的产业链协同机制。通过专业化分工与梯度发展，促使企业将资源集中于特定环节做深做精，构筑难以复制的深度知识与工艺壁垒。这种生态化协作能够将竞争重心从浅层的代码复制导向深层的系统集成与“工艺Know-how”积累，进而从整体上提升产业体系的韧性与创新层级。
（三）引导人机协同范式变革，跨越“过度自动化”陷阱
一是扭转技术研发导向，从替代人力转向增强人力。全要素生产率的关键飞跃源于智能工具对劳动者认知能力的放大。政策可以重点支持“人类+AI智能体”协作系统、外骨骼设备以及认知辅助工具的研发与应用。其内在逻辑在于利用人工智能处理海量数据和复杂模式的优势，解放人类在情境判断、创新设计和柔性决策中的独特价值，通过优势互补实现“1+1>2”的协同效应，避免因追求全无人化陷入系统刚性僵化与边际收益递减陷阱。
二是建立以“创造新任务”为导向的投资与激励新机制。要将资源从低水平、重复性的自动化改造中流出，投向由工业大模型、数字孪生等使能技术驱动的流程再造、预测性维护、个性化定制等新价值环节。政策激励（例如，补贴、税收优惠）可同企业新业务场景开发、人机协同效能提升等指标挂钩，推动资本从单纯采购硬件转向对业务流程进行系统性智能重构，实现从“为自动化而投资”到“为生产率跃迁而投资”的根本性转变。
三是构建适配“智能型组织”的劳动力技能升级体系。技能转型是防范结构性失业、释放人机协同潜力的社会基础。可以通过设立专项基金，支持企业与职业院校联合开展“AI协同力”普及教育与深度培训。教育与培训的目标不仅仅是应对岗位替代难题，更为重要的是规模化培养能够驾驭、训练和优化AI系统的“算法训练师”与“智能流程架构师”，为制造业输送新型数字工匠。这种前瞻性的技能投资能确保劳动力结构随产业升级同步演进，为现代化产业体系提供可持续的创新弹性与人力资本支撑。
（四）完善分级分类治理体系，防范“非预期失效”风险
一是建立基于工业场景语义的风险分级监管框架。AI风险强度与其嵌入生产环节的深度及场景敏感性直接相关。要摒弃“一刀切”监管，依据失效后果的严重性、算法可解释性程度及场景容错空间，对核心软硬件实施精准分类管理。对于危化品、航空航天等高敏感、高风险领域，要实施最高等级的审慎监管，通过“穿透式审查”强制要求算法的可解释性与决策的可追溯性，严防因数据偏差或逻辑缺陷引发重大物理安全事故。
二是构建以鲁棒性为核心的事前合规与安全认证体系。制造业要求极端确定性，人工智能尤其是生成式模型具有“涌现”不确定性，因此，政策可推动建立权威的第三方测试评估机制，重点检验智能系统在极端工况、对抗性样本下的稳定性、抗干扰能力及安全防护水平。通过将严格的安全认证前置为市场准入条件，变事后追责为事前预防，可以倒逼企业将安全与可靠性内化为研发核心指标，从源头降低技术迭代可能带来的社会总福利损失。
文献来源 | 《新疆师范大学学报（哲学社会科学版）》网络首发