【谈金论策】从地方禀赋看“人工智能+制造”政策的差异化发展

在全球制造业格局重构与新一轮科技革命交汇的2026年，中国制造业正迎来从“规模扩张”向“数智内涵”转型的战略期。随着“十四五”规划的圆满收官与“十五五”规划预研工作的全面铺开，中国经济展现出极为强劲的工业韧性。统计数据显示，2025年，我国制造业规模有望连续16年居世界首位，工业和信息化领域对经济增长的贡献率超四成。这一数据不仅夯实工业和信息化领域在国民经济中的“压舱石”地位，更通过将第二产业核心与数字经济引擎（信息传输、软件和信息技术服务业）进行并表审视，折射出中国产业结构“含新量”的质变。

站在“十五五”规划的开局时点，国家层面通过《“人工智能+制造”专项行动实施意见》与《工业互联网和人工智能融合赋能行动方案》的相继落地，推动了“数实深度融合”的持续发展。然而，区域发展的非均衡性决定了这一政策实践将衍生出不同的演进逻辑。基于制造基础、人工智能（AI）要素禀赋以及制度环境的差异，中国各区域在“AI+制造”的落地实践中，正演化出具有地方特色的差异化政策。

一、“AI+制造”成为政策热点

回顾近年来人工智能与制造业融合的政策演进，可以清晰观察到国家顶层设计从“通用赋能”向“垂直重塑”的范式转变。早期的政策框架（如“互联网+”）更多将数字技术视为提升局部效率的“工具箱”，而2026年1月7日印发的《“人工智能+制造”专项行动实施意见》（下称《意见》）则标志着人工智能已成为驱动新型工业化的“重要引擎”。这一转变，一方面受国际上各国纷纷将“AI+制造”作为重塑制造业优势的核心赛道的战略影响；另一方面是意图系统性解决制造业“大而不强”与人工智能“脱实向虚”的难题。

承接这一战略导向，《意见》给出了明确的破题路径与量化目标。《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，打造100个工业领域高质量数据集，推广500个典型应用场景，并选树1000家标杆企业，确保我国人工智能关键核心技术实现安全可靠供给。

为实现上述愿景，专项行动确立了“双向赋能”与“场景牵引”的核心路径。 一方面，政策强调创新筑基，要求强化算力供给，开发适应制造业特点的高水平行业模型，并开展“模数共振”行动以激活数据要素价值；另一方面，着力拓展高价值应用，推动从研发设计、中试验证到生产制造、营销服务的全流程智能化升级。通过构建“云—边—端”模型体系与培育工业智能体等新业态，该行动将有力支撑我国制造业向智能化、绿色化、融合化迈进，塑造国际合作竞争新优势。

二、“地方禀赋”视角下的“人工智能+制造”

要理解不同城市在“AI+制造”路径上的分野，可以借鉴“地方禀赋”的分析框架。传统的经济增长模型中，地区的比较优势取决于其拥有的资本、劳动或土地等要素的相对丰裕度。在数字经济时代，数据、算力、算法以及应用场景正迅速上升为新的关键生产要素。

制造优势：场景即数据

在“AI+制造”语境下，传统工业实力强的地区，其核心竞争力不仅在于其生产能力，也在于蕴含在生产线上的“场景数据”。拥有深厚制造业基础的城市（如拥有庞大汽车产业集群的合肥、武汉），其核心禀赋在于海量的“生产场景”。不同于消费互联网数据，工业数据存在于特定的工艺流程与设备运转之中，具有一定的行业壁垒与难以复制性。若要细化，工业场景数据可以被大致划分为流程数据、行为数据及生态数据。流程数据多指源于离散制造中的切削、组装、检测环节。这些数据颗粒度极细，是训练垂直行业模型的重要来源；行为数据则源于消费端反馈，支撑柔性及“小单快反”；生态数据源于产业链上下游的协同，支撑供应链韧性。理论上说，如果仅依赖通用模型，制造业很难解决深度工艺优化问题。拥有极细颗粒度产业链的城市，能提供更多的长尾场景数据，从而在垂直模型赛道上构建“护城河”。

AI要素禀赋：算力、人才

与制造场景的分散性不同，AI技术要素，特别是高端算力和顶尖算法人才，呈现出高度的集聚。以北京、上海、深圳为代表的科创中心，其禀赋优势集中体现在算法策源能力与算力基础设施上。在“AI+工业”语境下，算力将成为继电力之后的关键工业动力。

制度与组织禀赋：耐心资本与中试基地

“AI+制造”的投入产出可能面临周期长、风险高的局面，这要求地方政府具备一定的制度供给能力。除显性的技术与产业要素外，隐性的制度禀赋同样决定了发展的上限。由此，能够通过国有资本引导基金、产业母基金构建“耐心资本”矩阵的城市，实际上能构建跨越周期、容忍创新失败的制度支持。在工业领域值得关注的另一个方面则是建设共性技术中试基地、验证中心等公共服务平台，这种平台能够有效对冲单一企业创新成本过高的问题，为各类创新要素的高效协同提供制度性保障。

三、不同类型城市的“人工智能+制造”路径选择

基于上述禀赋差异，我们可以先划分出三种典型类型：以深圳、上海为代表的“双禀赋”城市，它们在制造与AI两个维度均处于第一梯队，能够实现全链条的内生循环；以苏州、宁波为代表的“制造主导”城市，拥有世界级的制造集群但缺乏模型；以北京、杭州为代表的“AI平台”城市，拥有顶尖的算法与算力资源，但本地重制造环节较少，倾向于输出技术服务。讨论这三类城市的差异化路径，对于优化全国生产力布局具有重要的理论与借鉴意义。

双重禀赋型城市的头雁效应（制造场景+AI技术兼具）

在“人工智能+制造”的政策中，上海与深圳是极少数同时在先进制造与人工智能领域具备全球竞争力的城市。根据DIKI产业指数，中国城市的“数实融合”呈现出清晰的分层特征：上海与深圳是全国仅有的两个在“高端装备”与“人工智能”两大指标上均突破85分临界值的城市。这类城市的典型特征是产业链与创新链的高度重合，既有“造得出”的硬件基础，又有“算得快”的软件能力。然而，即便同为具有双重禀赋的城市，上海与深圳也呈现出了差异化发展。

上海的禀赋优势在于“高精尖”与“系统性”。上海汇聚了全国最完整的集成电路、生物医药、汽车制造产业链，同时拥有众多高校及顶尖科研机构。2025年发布的《上海市“AI+制造”发展白皮书》显示，上海规模以上AI企业产值增长迅猛，尤其在工业机器人、芯片制造等高端环节。上海的“AI+制造”政策设计呈现出鲜明的“国资引领、链主驱动”特征。以上海电气、上汽集团、中国船舶等为代表的龙头企业，不仅是AI技术的超级应用者，更是行业标准的制定者。例如，在汽车制造领域，上汽集团与本土AI芯片及软件企业的合作，并非简单采购，而是基于底层电子电气架构的深度联合研发。这种模式的优势在于能够打通从基础大模型到终端应用的全栈技术，解决工业软件“缺芯”的痛点。为充分发挥地方优势，上海不仅在供给侧发力，更在需求侧通过政策引导构建应用生态。2025年8月，《上海市加快推动“AI+制造”发展的实施方案》发布，为推动制造业智能化发展制定三年目标及具体实施方案。更为关键的是，上海充分利用其在长三角的龙头地位，实施“总部研发+周边制造”的策略。例如，上海的“工赋上海”行动计划，实际上是在输出一套基于工业互联网的“上海标准”，通过标准化接口连接苏州、无锡等地的工厂。这种策略不仅缓解了上海本地土地成本高昂的压力，也通过技术溢出带动了整个长三角的智能化水平提升。

与上海的国资主导不同，深圳的禀赋优势在于极其活跃的民营经济与极高的硬件迭代速度。深圳的电子信息产业集群为嵌入式AI提供了全球最丰富的应用场景，从智能手机、无人机到人形机器人，深圳是全球“端侧AI”的绝对高地。这种产业链接，依赖于深圳及周边极度完善的供应链体系——在深圳，一款智能硬件从设计图纸到模具成型再到小批量试产，往往只需要不到一周的时间。这种极致的效率本身就是一种不可复制的“时间禀赋”。然而，深圳也面临着物理空间的约束。为此，衍生出了“深圳研发+东莞制造”的跨城协同模式。以华为为例，其研发总部与核心实验室位于深圳，但大量的终端制造环节布局在东莞松山湖。这种模式将深圳的AI禀赋与东莞的制造禀赋有效结合。为了支撑这一模式，深圳在制度供给上也极具创新性。例如，深圳提出打造规模1000亿元的人工智能基金群，并推出“算力券”政策，大幅降低中小微制造企业使用高性能算力的门槛。这种有针对性的政策导向，旨在通过降低AI要素的获取成本，激发数以万计的中小微制造企业进行智能化改造。

“制造主导”城市的存量激活

对于苏州、宁波、佛山等城市而言，制造业是其立市之本。这些城市拥有世界级的产业集群，然而，与京沪深相比，这些城市在AI原创算法、大模型底座研发等方面仍存在短板。工业类城市的差异化路径设计在于“应用牵引”，即利用自身庞大的应用场景作为筹码，吸引外部AI技术在当地落地，或通过资本运作实现技术的内化，重点在于存量资产的智能化激活。以苏州为例，据DIKI数据，虽然苏州的“高端装备”指数高达84.5，紧追北上广深，但其“人工智能”指数仅为68.5。面对AI源头技术短板，苏州采取了极其务实的“借脑”策略——主动对接上海、北京的科创资源，例如百度智能云在苏州落地的工业基地。在政策设计上，苏州并不执着于去竞争通用大模型的研发，而是专注于将大模型技术应用到光刻胶检测、抗癌药物筛选等具体的细分领域，从而在应用层形成独特的竞争优势。同样是高端制造强市，宁波的工业禀赋则在于其拥有数量众多的国家级制造业“单项冠军”企业，主要集中在模具、注塑机、汽车零部件等离散制造领域。这些企业在细分领域拥有极深的工艺积淀，但往往缺乏自行开发AI系统的能力。因此，宁波主要采取“伴生式”发展策略，培育了一批深耕垂直领域的工业软件企业。

另一具有代表性的区域是佛山，其作为全球家电之都，面临着成本上升与产品同质化的双重压力。在转型过程中能采取的策略有限，主要通过资本引进国际先进技术，并在本地庞大的市场中进行消化吸收再创新。

“AI平台”城市的算法溢出

北京与杭州作为数字经济的高地，拥有全国最密集的代码与算法资源，但在重型制造环节上相对薄弱。因此，它们的发展路径在于做强“AI大脑”，通过输出算法、模型与系统解决方案，赋能全国制造业，大力发展服务型制造。

北京的“AI+制造”更多体现在“北京研发、津冀制造”乃至“北京研发、全国制造”的格局上。例如，北京的工业互联网平台以及百度等科技巨头，正在将AI能力封装成标准化的API（应用程序编程接口）或SaaS（软件即服务）服务。北京的政策重点在于支持通用大模型与垂直行业大模型的研发，建设国家级人工智能开放平台，并通过标准制定掌握产业话语权。杭州则凭借阿里巴巴等互联网巨头，在云计算、大数据领域积累了深厚底蕴。阿里云的“ET工业大脑”是早期AI赋能制造业的标志性产品，通过数据分析优化光伏切片良率、降低橡胶生产能耗。杭州的逻辑是用互联网思维重构制造业，强调数据要素的价值挖掘。因此，杭州的政策侧重鼓励数字经济与实体经济的深度融合，推行“工厂物联网”“企业上云”等行动，致力于将杭州打造为全国工业互联网的解决方案输出中心。

四、政策启示与展望

尽管各地实践成就斐然，但在迈向“数智内涵”转型的深水区时，我们仍需正视潜在的矛盾，并构建具有针对性的制度响应。

工业安全大模型的信任技术差距

制造业的本质是控制变量，追求结果的绝对可重复；而生成式AI的本质是基于概率预测，追求结果的多样性和创造性。两者之间这种天然的矛盾可能影响企业将大模型接入核心控制环节。因此，如何建立分级、分类的“工业AI安全验证体系”值得认真审视。比如，对于研发设计等容错率较高的环节，鼓励探索；对于生产控制等高风险环节，采用“监管沙盒”模式。同时，推动建立工业大模型的国家标准，从算法鲁棒性、数据隐私性等方面设立准入门槛，才能让企业“敢用”且“会用”工业大模型。

算力资源的非效率配置

虽然各地纷纷建设算力中心（如宁波300P、苏州太湖中心），但这些算力分布并不均匀。部分地方自建的算力中心在非高峰期闲置，而中小企业却因价格昂贵或技术门槛高而“用不起”。为此，可以考虑建立区域性的算力调度平台；推广“算力券”制度，将政府补贴直接发放给制造企业，用于购买经过认证的算力服务。

数据要素的流通壁垒

新结构经济学强调要素流动。然而，在工业领域，数据是企业的核心机密。部分愿意将数据打通的企业也是基于这是其内部流程。但要让宁波的注塑机厂把工艺数据共享给苏州的软件公司训练模型，仍存在信任上的困难。而缺乏高质量的、跨企业的共享语料库，工业大模型的精准度也会受限。因此，应加快建设重点行业的“可信数据空间”，实现“数据可用不可见”。同时，持续探索数据资产入表与交易机制，让贡献数据的企业获得实质性收益，从而形成“数据供给—模型优化—效益提升”的正向循环。（作者：中国政法大学法与经济学博士生、《中国金融政策报告》课题组实习生 闫佳昕）

编辑：杜少军

声明：新华财经（中国金融信息网）为新华社承建的国家金融信息平台。任何情况下，本平台所发布的信息均不构成投资建议。如有问题，请联系客服：400-6123115