經濟觀察報 謝泓/文 2025年春節前，筆者將從事機器繡花業務的蕭總和從事AI研究的廣州易玖信息科技有限公司的方總拉了一個微信群，探討AI設計與繡花的結合。但因節前匆忙，雙方沒能見面深聊。大年初九，筆者與蕭總一起去到方總辦公室，交流探討AI如何賦能繡花業務。

方總詳細向蕭總了解繡花行業的情況和需求，調用大模型的圖像處理能力，不斷生成服裝、服飾的繡花設計，制作出令人驚嘆的繡花作品，歐洲風、印度風、阿拉伯風、日本風、中國風等各種風格層出不窮。最后，他還生成了一組基于繡花作品的時裝，精美絕倫。

蕭總十分感慨，認為AI與制造業深度融合已不是設想，而是現實。30年前，蕭總創辦了廣東海帝雋繡東方實業股份有限公司，從事機繡繡花業務，產品常用于時裝、床上用品、家居服的裝飾等。如今，企業已成為行業的隱形冠軍。

蕭總認為，傳統中國工藝美術偏重工藝，缺乏對于藝術審美的提煉，缺少藝術作品的想象力與時代表現力。同時，傳統工藝也面臨受工業化擠壓和傳承的問題。他一直希望將傳統繡花工藝與現代數字化生產技術相結合，創作出更顯立體、均勻、生動、具有藝術表現力的當代繡畫作品。

這幾年，他一直思考企業的轉型，本來計劃將機繡與藝術創作結合，實現從制造到藝術創造的躍升。接觸AI設計后，他的整個思路都被打開了。他覺得，對企業而言，AI可以助力數字化轉型與全面升級，促成企業商業模式轉變，促成企業形成新的戰略并解決企業傳承等問題。

AI與制造業場景的真實融合

過去2年，圍繞ChatGPT及其對人類未來影響的探討層出不窮，產業界也在思考AI與產業融合的未來。廣東省中小企業發展促進會（下稱“促進會”）組織過多場研討會與培訓班，希望聯合專業隊伍打造AI與制造業的融合場景。但總體上，效果還是差強人意，大家感覺還是霧里看花、圖個新鮮。

國人之所以對DeepSeek的橫空出世興奮不已，就在于迅速崛起的中國大模型基本解決了AI從可用到好用的問題，接下來將解決如何實用的問題，這也是產業界翹首以盼的真實需求。

在參加促進會組織的幾場AI研磨會后，方總感覺廣東雖然錯失了DeepSeek，但廣東真正的機會是DeepSeek與制造業的深度融合，或者說，廣東要實現大模型在制造業場景的廣泛應用。

促進會首席顧問郝聚民推算，DeepSeek若在廣東制造業滲透率達30%，2027年前可帶來3000億元—4500億元的價值增量。郝聚民認為，廣東若錯失DeepSeek在制造業的廣泛應用，不但會流失經濟增量，還會導致制造業的技術主權旁落：算力—算法—數據鏈斷裂。

一是算力基建空心化，而浙江省和上海的智算中心可能壟斷模型訓練節點。

二是數據資產外流，工業數據經由外部平臺處理，將削弱本地的數據主權。

三是制造業效率差距擴大風險。郝聚民分析，雖然廣東制造業規模現居全國首位（2024年增加值為4.2萬億元），但全要素生產率（TFP）僅為美國的68%。若未能規模化應用DeepSeek，江浙地區通過AI賦能的制造企業將快速拉開效率差距。

四是人才虹吸效應逆轉。當前深圳的AI人才密度為每萬人12.7人，低于杭州的15.3人。若DeepSeek應用滯后，廣深的人才可能向長三角遷移，形成“創新者遷徙”。

筆者認為，廣東作為制造業大省，中小企業數量超過700萬家，覆蓋電子、家電、服裝等30余個細分領域。這種高度分散的產業格局使AI技術的應用場景呈現“長尾分布”——每個細分領域的需求看似微小，但總量疊加后能夠形成巨大的價值洼地。

中小企業的生產場景往往兼具“碎片化”與“高復雜度”，如佛山陶瓷企業的窯爐溫控、東莞的電子廠、中山燈具廠的柔性裝配線等。這些場景的AI化改造需要技術供應商深入理解工業細節，倒逼算法模型從“通用型”向“專用型”進化，實現數字工程與工業工程的真實融合。

中小企業是產業AI化的關鍵

AI將引發新一輪顛覆性的產業革命，中小企業的AI布局正是核心戰場。

首先，中小企業是產業生態的重要構成。在AI技術重構制造業的進程中，中小企業的競爭力看似取決于單點的技術突破，實則高度依賴產業生態的系統性優化。這種優化通過成本控制能力與效率提升機制的雙輪驅動，重塑區域乃至國家產業的全球地位。

西門子成都數字化工廠的案例印證了這一邏輯：其全球競爭力和“燈塔工廠”的地位，不僅源于自身的技術實力，更深植于中國供應鏈網絡的創新迭代與成本管控能力，很大程度上是與中國本土供應鏈深度協同的結果。

該工廠日生產2300種產品，背后依賴的是由長三角的精密零部件、珠三角的電子元器件、成渝地區的物流網絡所構成的供應鏈體系。這種生態使西門子能夠快速響應訂單變化，將交付周期壓縮至行業平均水平的60%。

東莞一家為西門子供應連接器的中小企業，通過AI驅動的動態排產系統，將產能波動容忍度從±15%提升至±35%，成為西門子供應鏈彈性的關鍵支點。

西門子成都工廠的單位人工成本是德國安貝格工廠的1/4，但產品缺陷率反而更低。這個反差的根源在于供應鏈的響應速度與技術的擴散效率。西門子成都工廠供應商的平均交貨周期為48小時，德國為120小時。中國中小企業3個月內可完成AI工藝的適配，德國需12個月以上。中國制造業的競爭力，已從“低成本制造”轉向“高彈性生態”。

與此同時，技術協同的共生效應也在陸續顯現。在廣東企業數字化鏈式改造的模式中，龍頭企業（如美的）向中小企業開放AI質檢算法、能耗優化模型等技術模塊，中小企業則反饋產線數據反哺算法迭代。這種雙向賦能使美的供應鏈整體缺陷率下降40%，中小企業的平均獲客成本能降低28%。廣東省工信廳數據顯示，參與鏈式改造的中小企業，其AI技術應用效率比孤立改造的企業高3—5倍。

中小企業匯聚成的產業生態也是產業競爭力的重要構成。中小企業的效率在很大程度上決定了產業的效率。

其次，中國制造的成本控制開始從“規模紅利”轉向“智能紅利”。中國供應鏈的成本優勢已從“勞動力價差”轉向“智能化協同降本”。例如，某地區產業集群通過AI物料調度平臺，將區域級庫存周轉率從8次/年提升至14次/年，相當于釋放流動資金120億元。

這種成本優化無法由單一企業實現，必須依賴生態級的數據共享與算法協同。在中山燈具產業帶，30家中小企業共用AI設計平臺，使模具開發成本從單品12萬元降至3萬元，產品迭代周期也從6個月縮短至45天。

AI技術的獨特之處在于其邊際成本趨近于零。佛山陶瓷產業帶AI窯爐控溫模型的初期研發投入為200萬元。一旦在100家企業鋪開，單家企業的分攤成本僅為2萬元，卻能夠降低能15%—20%的耗費。這種越用越便宜的特性，使中小企業集群成為AI紅利的最大受益者。

再次，制造業效率提升機制也從“經驗驅動”轉向“數據驅動”。溫州一家從事紙杯智能制造的企業實現數字化管理后，精準提升了物料的庫存管理，縮短20%的交付周期，消除非增值作業超50%，實現管理減員增效10%，主要是中層管理干部。

浙江義烏小商品市場通過AI設計平臺，日均上新的SKU（庫存單位）超10萬種，其背后是3000家中小企業的協同創新。每家企業的設計數據實時進入共享池，通過AI進行趨勢預測與組合優化，整個生態的爆款產出率提升了3倍。這種創新效率是任何單體企業無法企及的。

在長三角與珠三角的競爭中，江蘇的化工、浙江的輕工與廣東的電子制造形成差異化生態。一旦哪個地區的中小企業建立了對AI技術的快速消化能力，就能形成快速響應的速度優勢，進而形成區域競爭力。例如，東莞手機產業鏈通過500家中型EMS企業（電子制造服務商）的AI化改造，將新品試產周期從45天壓縮至7天，這是深圳華為、OPPO等品牌商敢與蘋果比拼發布節奏的底氣。

中小企業的生態優化將是AI時代的終極戰場。中國產業的競爭力，本質上取決于中國制造業的生態，中小企業不是巨頭身后的追隨者，而是生態活力的源泉。未來，區域競爭還將是“AI技術深度×生態協同密度”的復合函數，技術深度決定單點高度（如算法精度、算力規模），而生態密度決定應用廣度（如數據流動性、技術擴散速度）。

廣東乃至中國的制造業若想保持優勢，必須將中小企業的AI布局視為生態優化的核心工程：通過鏈式改造降低技術門檻，更要構建數據共享、標準互通、利益共生的新型產業關系。唯有如此，中國供應鏈才能進化為中國智能生態，在全球競爭中掌握定義權而非適配權。

中小企業實現AI賦能制造的障礙

在與方總交流后，蕭總首先考慮到的是成本問題。盡管方總講，DeepSeek出現后，企業本地化部署的成本將大大降低。但蕭總仍有很多擔心，如AI發展迭代快速，DeepSeek能否一直領先，企業如何跟進？導入AI后，企業內部管理出現變化，如何基于AI調整組織，如何建立基于AI的新戰略？

事實上，在筆者組織的一次座談會中，眾多企業也表現出希望擁抱AI，卻陷入不知如何入手的焦慮狀態。

雖然，企業的數字化和智能化是大勢所趨，但中小制造業大多來自傳統業態，企業有因原有結構、文化或行為模式難以適應技術變革的阻力。這種阻力并非源于技術本身，而是根植于組織的深層運行邏輯。

一是組織問題。實現數字化與智能化是老板動員的，但落地執行的都是團隊。很多企業管理層都認為這是傷筋動骨、上下折騰的麻煩事。很多高管會覺得就領一份工資，多一事不如少一事。

促進會推動企業研發降本項目就遇到了類似情況。很多企業高管的第一反應是覺得不可能，一方面這是慣性認知使然，另一方面還有一畝三分地容不得別人進來的考量。推動企業數字化，企業效率高了；用數據做決策，中間傳遞信息做決策人的作用就沒了；將管理知識封裝在系統，管理人員的重要性就會降低。這些都會挫傷管理團隊參與企業數字化及智能化改造的積極性。而一線員工對AI系統操作存在畏難情緒，普遍缺乏基礎的數字技能，如數據錄入、參數調整等，導致設備利用率低下甚至棄用。

有位企業老板回憶10年前進行的信息化改造，當時覺得天都塌下來了，至今仍心有余悸。但他仍說信息化是他當時的信念，如果沒有堅定信念，企業打不贏信息戰，也打不贏數字戰與智能戰。

組織慣性問題的本質是“人腦的操作系統”與AI的算法邏輯不兼容。企業若想突破，需同步推進認知升級、技能再造、流程重構與文化重塑，將AI從“外來技術”轉化為“組織基因”。唯有如此，才能避免“用工業時代的組織，駕駛智能時代的戰車”。

二是觀念認知問題。很多人認為企業AI是“成本中心”而非“戰略投資”，傾向于維持傳統生產模式，認為“機器換人”或“數據驅動”是虛概念，不如購置設備或擴大產能實在。有的企業拒絕引入AI工藝優化系統，認為老師傅的經驗比算法靠譜。結果，競爭對手通過AI動態調參將良品率提升了12%，該廠訂單份額在2年內流失35%。

企業管理層缺乏對AI技術長期價值的理解，過度依賴歷史的成功路徑，如規模擴張、低成本競爭等，導致戰略決策與技術創新脫節。

三是企業傳統的管理體系遏制創新。企業管理傳統的流程設計以控制風險為核心，而AI應用需要快速試錯、敏捷響應的組織機制，兩者存在根本沖突。

在傳統科層制的組織架構下，各部門的績效指標割裂，如生產部考核產能、采購部考核成本，缺乏數據共享激勵機制。此外，績效考核仍以產量、成本等傳統指標為主，員工使用AI優化流程將無法獲得實質獎勵，缺乏參與動力。傳統的管理模式容易扼殺新技術的靈活性，線性的管理流程也無法適應AI驅動的實時決策需求。

企業內部的生產、采購、銷售等部門各自為政，數據標準不統一，AI模型因無法獲取跨部門數據而失效。某企業研發AI排產系統時，生產部拒絕共享實時狀態數據，采購部的Excel表格與MES系統數據格式沖突，最終系統預測準確率不足50%。

四是企業AI服務賦能供給與企業的人才問題。一般而言，新技術的擴散依賴于專業團隊提供的專業服務，而專業團隊會將主要精力放在各個行業的龍頭企業上，等待他們為中小企業提供方案，往往已錯失先機。

由于脫離業務場景和實際，小創業團隊提供的垂直解決方案和應用，很難真正適配實際的工作場景，這同樣是低效的模式。企業自建AI團隊突圍，又面臨AI人才匱乏與成本問題。

五是技術適配性問題。多數AI解決方案是基于大企業場景開發的，難以匹配中小企業的碎片化需求。廣東省工信廳調研顯示，72%的中小企業認為市面上的AI產品“功能冗余”，僅18%的功能被實際使用。

AI模型訓練需要深度的工藝知識，但中小企業缺乏數據標注與模型調優能力。而目前市場上的服務產品以AI與人力資源、市場營銷、廣告設計結合的模塊為主。很難有數字化團隊能夠通曉企業管理的所有模塊，并將其全部貫通。召開經營分析會議時，企業還是需要人工對數字進行再分析，數字化的效率大打折扣。如果企業內部的數據不齊全或者數字不連貫，又影響企業的AI化。

最后是成本問題。AI改造單項目成本通常在50萬元—200萬元，加上數據清洗、系統維護、員工培訓、轉型探索等各種隱性成本，這些都會限制中小企業使用AI的積極性。

構建中小企業的AI賦能生態

縱然障礙重重，但筆者認為還是可以從多個方面入手，打好產業AI化的核心戰。

一是開展專項培育。如企業CEO的數字化培訓，用同行業案例改變決策者認知；基于AI知識的人力資源、研發降本、企業營銷培訓；推行“數字工匠”認證體系，將AI技能納入技工職稱評定標準。

二是企業內部建設。企業要將數字化與AI建設視作發展的戰略方向：需要建立適合AI發展的組織與文化，推動企業從“管控型組織”轉向“敏捷型生態”；可以在企業設立“數字化決策委員會”，賦予一線員工基于AI建議的微決策權；推行“AI技能認證+績效獎金”綁定政策，將AI操作熟練度與工資等級掛鉤；設立“知識工程師”崗位，負責AI模型與工藝經驗的對接；重建商業協作文化，通過“數據共享積分制”，獎勵跨部門數據調用行為；推行“知識貢獻積分制”，將員工經驗上傳量納入績效考核；鼓勵員工共同建設企業智能體。

三是培育AI產業服務中間體，特別是培育垂直領域的AI集成商，如專注家具行業、服裝行業、家電行業、燈飾行業、環保行業等的數智化服務商，或是基于具有專業服務能力的平臺服務商，如工業設計、創新研發、數字化工廠等，建立具有產業特色的AI平臺與智能體。

推動行業龍頭企業開放數據接口，制定產業級API標準，如零部件數據與標準，推動企業間的交互規范標準。

此外，特別需要發揮行業協會與產業垂直媒體的作用。如促進會就正籌劃聯合各方生態伙伴，打造20個AI研發降本賦能制造共創中心，旨在整合資源形成合力，推動AI技術在廣東制造業的首發大規模落地。

共創中心將作為AI技術與制造業深度融合的橋梁，為企業提供技術支持、人才培養、項目孵化等全方位服務，助力廣東制造業轉型升級。通過建設共創中心，實現AI技術在制造業的大規模應用，打造一批具有示范效應的AI賦能制造項目，形成眾多的企業AI智能體。

四是推廣低代碼AI平臺，如華為的ModelArtsLite。允許工程師通過拖拽方式定制模型，部署邊緣知識節點，實現本地化實時推理；建立工業知識庫，將細分領域工藝參數標準化，封裝工業知識，降低算法開發門檻。

選擇高價值場景，構建細分知識庫。建立行業級知識共享平臺，將分散的工藝經驗、設備參數、故障案例等隱性知識，轉化為可存儲、可復用、可迭代的數字化資產，讓AI技術扮演“知識挖掘者”“結構化工程師”“智能應用者”三重角色。

工業知識庫的構建不僅是技術工程，更是生產關系的重構。通過AI將“老師傅大腦中的火花”轉化為“可復制的數字火種”，中小企業可突破經驗傳承的時空限制，實現從“人口紅利”到“智能紅利”的躍遷。

廣東若能率先完成這一轉化，將奠定其“全球智造知識樞紐”的地位。未來，這里生產的不僅是商品，更是定義未來制造的規則與標準。

中小企業的AI轉型絕非單純的技術問題，而是涉及全要素的系統工程。廣東若能以“場景化技術供給+階梯式成本分攤+生態級數據治理”組合拳破解障礙，將激活百萬中小企業成為AI落地的“毛細血管”。

當每個車間都能以最低成本調用AI能力時，區域制造業競爭力將從“單體強”邁向“系統強”，最終實現“螞蟻雄兵”式的智能躍遷。這場變革沒有退路：要么用AI重構產業根基，要么被重構。大模型是將AI應用推上高空的推進劑，全AI驅動才是那絢麗無比的煙花。

在制造業的AI時代，廣東在制造業時代積累的工程化基因，將變成數字時代的數據與場景紅利。當美國在技術理想主義的道路上一騎絕塵時，中國正通過技術實用主義開辟新戰場：不是追求絕對技術領先，而是用成本重構、場景深耕和生態協同，重新定義全球的創新規則。

（作者系廣東省中小企業發展促進會會長）

?