赋能还是融合：美国制造业应用AI的启示

在全球制造业的竞技场上，人工智能（AI）扮演着出色变革者的角色，为企业注入了新的竞争力，使得整个行业焕然一新。贝恩公司发现，全球75%的先进制造企业正优先采用人工智能等新兴技术，以保持竞争优势。在这场席卷全球的技术革命中，美国的一些大型制造企业走在最前沿，成为这一趋势的领跑者。

尽管美国制造业在GDP中的直接贡献有所下降，但它对经济的间接影响仍然不可忽视。根据麦肯锡的报告，美国制造业企业在全国资本投资中占比高达20%，在知识产权中占比55%，在出口中占60%，在商业研发支出中更是占到了70%。这些企业不仅具备先进技术的资源、人才和基础设施，更在应对全球竞争和制造实践创新的需求上展现出卓越的能力。

因此，我们深入研究了十家美国领先的制造企业，包括汽车巨头福特、通用、特斯拉，航空航天先锋波音，机械和设备制造商卡特彼勒和约翰·迪尔，多元化工业集团通用电气和霍尼韦尔，军工巨头洛克希德·马丁，以及材料化学领域的杜邦。这些企业不仅在全球市场上占据举足轻重的地位，还在持续推动技术创新，塑造未来的制造业格局。我们搜集了这些公司最近两年的年报与季报、分析师会议、各种市场研究报告，用ChatGPT等大语言模型进行文本分析与总结，对这些公司进行横向比较分析，得到一些初步结论，可以为中国企业应用AI提供借鉴。

AI在美国制造业的应用

美国顶级制造业公司主要将AI应用于如下几个方面。

智能制造与生产优化。美国顶级制造业公司广泛采用AI技术来优化生产流程。通过实时数据分析和机器学习算法，这些公司能够快速识别生产线上的效率瓶颈，并做出相应调整。例如，通用汽车和福特汽车公司都利用AI驱动的预测分析来监控生产线，提高生产效率。卡特彼勒公司利用AI进行生产和服务优化，通过对来自150余万台连接设备数据的深度学习，指导客户进行作业规划及设备维护，不仅提高了设备的运行时间，还减少了客户的运营成本。

预测性维护。预测性维护是这些公司应用AI的另一个重要领域。通过分析设备传感器数据，AI系统能够预测潜在的设备故障，从而及时安排维护。例如，波音公司通过与微软Azure（Microsoft Azure）合作，开发了复杂的AI解决方案。AI系统从嵌入在飞机各处的传感器中获取大量数据，如发动机性能、飞行控制和环境数据等，从而能够检测到传统检查中可能忽略的微小异常，预测设备故障，使维护成本减少了20%，航班延误减少了35%，每年可节省数百万美元。

质量控制自动化。AI在质量控制方面得到广泛应用。通过机器视觉和深度学习技术，这些公司能够自动检测产品缺陷，确保产品质量的一致性。例如，福特汽车公司就利用AI技术自动检测汽车座椅的褶皱，提高了质量控制的效率和准确性。通用电气推出一款基于AI的自动化检查软件Autonomous Inspection，能够通过计算机视觉和人工智能/机器学习算法进行质量检查和监控。

供应链优化。这些制造业巨头普遍采用AI技术来优化其复杂的供应链网络。通过分析历史数据和市场趋势，AI系统能够更准确地预测需求，优化库存管理，并提高物流效率。例如，通用电气通过与数据管理公司TAMR合作，成功地整合了供应商数据，识别出供应链中的价格差异，实现大幅度成本节约。通用电气还通过AI实时监控零部件的需求变化，提高库存管理效率，减少供应链中断的风险，并提高整体运营效率，从而在竞争激烈的市场中保持灵活性和适应性。

客户体验提升。分析发现，AI技术被这些公司广泛应用于改善客户体验。通过分析客户数据和行为模式，这些公司能够提供更个性化的服务和产品推荐。例如，霍尼韦尔的客户支持团队使用生成式AI，能够在极短的时间内更准确地回答客户的问题。特斯拉在自动驾驶汽车中使用机器学习来进行大数据分析，比如汽车的传感器检测到特定类型的路面（冰面或碎石），机器学习算法可以利用这些信息相应地调整汽车的速度和操控性，从而提升汽车的驾驶性能和用户体验。

数字孪生技术。数字孪生技术是这些公司共同采用的创新方法。通过创建实体设备或系统的数字化副本，这些公司可以进行实时监控、性能优化和故障预测。例如，洛克希德·马丁公司与英伟达（NVIDIA）合作开发了AI驱动的数字孪生技术，用于创建复杂系统的虚拟模型并进行各种模拟测试，以预测和优化系统性能。这些数字孪生体通过整合来自空间和地面传感器的大量数据，提供更精确的天气预测，不仅有助于军事任务的规划，还可以用于灾害应对和环境保护。

新产品设计与开发。这些公司普遍使用AI技术进行新产品设计与开发。例如，波音公司旗下的威斯克航空公司（Wisk Aero）正在开发一款自动驾驶、全电动、四座eVTOL （电动垂直起降飞行器）空中出租车。该飞行器采用了AI和自动驾驶技术，用于城市空中交通，目标是成为市场上第一款经过认证的自主飞行器。福特公司利用谷歌云（Google Cloud）的AI、机器学习和数据分析技术，加速产品开发进程。

能源效率优化。AI技术在能源效率优化方面也发挥着重要作用。通过分析能源使用数据，这些公司能够优化能源消耗，降低运营成本。例如，卡特彼勒公司利用AI技术优化其电动动力系统，提高能源使用效率。通用电气推出了一款AI驱动的碳排放管理软件CERius，该软件能够帮助能源公司更加精确地测量、管理碳减排，实施碳减排措施，自动收集和分析温室气体数据，并提供情景分析和减排建议。

数据驱动决策。这些公司普遍采用数据驱动的决策模式。通过使用AI分析大量数据，管理层能够做出更快速、更准确的决策。这种方法不仅适用于生产管理，还延伸到了市场策略和产品开发等领域。例如，霍尼韦尔公司推出了霍尼韦尔加速器（Honeywell Accelerator），这一平台收集和分析大量数据，利用机器学习模型帮助销售团队识别最有潜力的销售机会，对销售人员应关注哪些机会、采取何种行动以及何时采取行动给出建议。这种数据驱动的方法使得销售过程更加高效和精准。

可持续发展。这些企业也普遍将AI技术应用于推动可持续发展。通过优化能源使用、减少废品率、提高资源利用效率等方式，AI技术正在帮助企业实现更环保、更可持续的运营模式。例如，西门子基于AI的智能聊天机器人Hydrogen Plant Configurator，能够根据输入的厂商设计特性，迭代生成无缝的流程图和系统单元精确布局，预测关键性能指标；并能自动完成或修正模型和图纸，转换模型、图纸和信息结构，提高效率。这些AI工具的引入有助于节省时间和成本，加速氢气产能的提升，从而更好地支持脱碳目标的实现。

赋能派与融合派

AI在制造业的广泛应用促使人们深入思考AI的本质是什么，如何基于AI推动创新。目前学术界主要有两种观点（见表1）。一种由动态能力理论创始人大卫·梯斯（David J. Teece）提出，他认为AI是一种通用目的技术（General Purpose Technology，GPT），能够在整个经济体系中产生显著累积影响，其特征体现在几个方面：具备广泛渗透性，能够在多个经济部门中应用和扩散，特别是为下游客户提供新的产品和服务机会；随着时间推移，技术本身不断进步和完善；可以是创新催化剂——能够促进其他领域的创新和改进，促进互补性创新的发明和生产，是一种典型的赋能技术（Enabling Technologies）。我们将认同这一观点的群体称为“赋能派”。

另一种观点更注重AI应用的社会、环境以及治理等因素，认为AI像当年的铁路、互联网等基础设施，是一种由相互关联的领域组成的系统技术——包括算法（软件）、计算（硬件）和数据，是一种大型技术系统（Large Technical System，LTS）。认同这一观点的人认为人工智能目前正处于创新、增长与整合阶段。随着人工智能专注于特定领域，技术融合发生，同时，对人工智能系统的控制和治理也将成为一项新的挑战。他们更关注AI如何更好地与旧技术融合， 关注人工智能领域的垄断与新的不平等问题。我们将其称为“融合派”。

总体而言，“赋能派”强调AI是一种核心的底层技术，可以在各行业快速应用；“融合派”认为AI可能导致传统行业界限变得模糊和新兴行业出现，会推动跨行业的创新和合作。

赋能还是融合

2024年7月19日，网络安全公司“众击”（CrowdStrike）推送的一个有缺陷的软件更新导致全球范围内运行的微软视窗（Windows）系统出现大规模蓝屏死机。这次事件影响了约850万台设备，造成全球多个行业的运营中断，对美国制造业也造成了严重的影响，许多依赖安全IT环境的先进制造企业面临生产停止、供应链中断等问题。 作为直接应对措施，马斯克宣布特斯拉的所有系统删除CrowdStrike的软件，并在社交媒体平台X（原推特）上公开批评了微软首席执行官萨蒂亚·纳德拉。这表明特斯拉高层对此次事件感到不满，同时也反映出其对依赖单一网络安全供应商的担忧。

CrowdStrike虽然不是AI技术，但其安全系统是在Windows系统的底层。从这个角度看，如果持AI赋能观点，一些制造商可能会过高估计AI的能力，期望它快速解决所有问题，这种不切实际的期望可能会导致投资决策失误和项目失败。同时，AI应用的效果严重依赖于数据质量，但许多制造企业面临数据收集、清理和标准化的挑战，低质量或有偏差的数据可能会导致AI模型得出错误结论。将AI与现有制造设备和IT系统集成往往比预期更加复杂，很有可能导致项目延期、成本超支甚至功能受限。AI系统的引入有可能会带来新的网络安全风险和数据隐私问题，低估这些风险，可能导致潜在的安全漏洞。此外，AI系统需要持续的维护和更新，这可能比预期复杂和昂贵，制造商可能低估了长期维护AI系统所需的资源。

从美国制造企业的实践看， AI更多地表现为大型技术系统融合，而不仅仅是通用目的技术赋能。一方面，AI在制造业的应用涉及多个相互关联的技术组件，包括传感器、物联网设备、大数据分析、机器学习算法、自动化设备等。这些组件形成一个复杂的技术生态系统，而不是单一的技术应用。贝恩公司的报告认为，企业在向“未来工厂”转型时面临多项挑战，其中最主要的挑战就是孤立思维导致的新的工业4.0技术与过去卓越运营方法和标准之间缺乏整合。例如，许多公司仍然严重依赖传统的精益制造方法，将新技术与现有系统和流程相结合可能具有挑战性。AI技术在美国制造企业中与循环经济和可持续发展广泛融合。通过优化资源使用、提高生产效率来减少浪费和碳排放，这些更环保和可持续的商业模式探索也更需要融合的观念。

另一方面，AI在制造业中的应用展现出明显的演化特征，从早期的简单自动化到现在的智能制造。随着时间推移，AI系统在制造业中获得越来越大的动量，形成一定的技术路径依赖。通用目的技术赋能派虽然也认可技术的演进，但可能低估了系统性变革的复杂性。因此，持赋能观的制造企业往往无法用AI从运营和系统两个角度整合运营技术和信息技术。他们更需要努力将市场、客户和经济要求，以及社会、环境和公司治理要求纳入未来战略。

从系统建设者的作用看，大型技术系统融合视角认为制造业AI的发展涉及多个利益相关者，包括技术供应商、制造商、系统集成商、行业协会等。这些“系统建设者”共同塑造AI在制造业中的应用路径和技术标准。通用目的技术视角可能过于关注技术本身，忽视了不同参与者在塑造技术应用中的作用。比如，贝恩公司的报告就发现首席运营官和首席信息官之间的协作通常是不够的，这种脱节导致沟通不畅、缺乏凝聚力，以及对必要变革的倡导不足。贝恩也预测许多员工的技能并不适应未来的AI工厂， 聘用具备适当技能的新人才是一个重大挑战。由于技能不匹配，潜在的劳动力短缺问题即将出现，预计到2028年制造业将有240万个岗位空缺。

从政策和监管角度看，大型技术系统融合视角认为AI在制造业的应用涉及复杂的政策和监管，包括数据安全、隐私保护、劳动力市场影响等，这需要从系统角度制定全面的政策框架。通用目的技术赋能视角可能过于简化政策需求，忽视了技术应用的系统性影响。

美国制造业对GDP增长率的贡献主要不是来自于生产活动，而是由设计、服务和软件推动。从大型技术系统融合的角度理解AI在制造业中的应用，可以更全面地把握AI技术应用于制造业的复杂性、系统性和演化特征，为政策制定和技术发展提供更有价值的洞见。

对中国企业的启示

美国制造企业在AI应用方面做了很多探索， 他们的AI融合战略对中国企业有什么启发呢？ 我们结合维贾伊·戈文达拉扬（Vijay Govindarajan）和文卡特·文卡塔拉曼（Venkat Venkataraman）在《融合战略：实时数据和人工智能如何推动工业未来》一书中提出的观点， 提出如下建议。

第一，高瞻远瞩，战略重视。

美国企业在AI融合方面起步较早，有些领先企业已经积累了丰富经验。中国企业要迎头赶上，需要在高层管理团队中建立统一的“融合”观，将AI融合策略上升到公司战略层面。在将AI融合到生产制造各环节的过程中，需要协调各方利益，解决各种矛盾。为有效推进这项工作，企业需要将其上升为“一把手”工程。作为决策者，“一把手”要站在全局的高度，敢于打破传统思维，勇于尝试新的方法和手段， 对数字化的规模、范围和速度进行全面协调，以避免资源错误分配，低估AI数字技术对业务的全面影响。

第二，全员动员，群策群力。

美国很多企业都新成立了分析与创新部门，汇集人才和资源，促进AI创新。例如，卡特彼勒在硅谷配置资源，并在风险投资基金中投放资金，形成广泛且互联的分析生态系统。中国制造企业拥有丰富的数据资源，这为AI应用提供了广泛场景和良好基础。中国制造企业需要在整个组织内灌输AI融合思维，对各个级别和职能的内部人才进行再培训，让他们为迎接未来的AI融合做好准备；同时需要对员工进行传统领域技能和数字技术交叉方面的教育和提升。中国制造业也可以通过黑客马拉松和各种AI内创业孵化计划，让每个人都了解AI技术变革。特别是要努力建立数据驱动的企业文化，提高全员数据意识和分析能力。

第三，聚焦场景，开放生态。

中国企业可以通过识别对企业最具价值的AI应用场景，优先投入资源，从小规模试点开始，逐步扩大应用范围，积累经验。在融合过程中，强调生态系统参与者之间的数据流动，通过优化公司内部的数据流动模式，实现AI生态系统的战略优化。

美国企业在AI产业链协同和生态系统建设方面下了很大力气，从而能更好地进行资源整合。例如约翰·迪尔公司利用AI和云计算技术，通过其设备收集全球范围的农田数据，如气象信息、土壤湿度和作物生长情况等，这些数据被传输到云端进行集中存储和分析。通过AI驱动的大数据分析，约翰·迪尔的数字化平台能够为农民提供基于数据的智能决策支持，如最佳的播种、施肥和收割时间建议。中国制造企业正在加强产业链协同，但整体协作效率还有很大提升空间，可以利用各种开源技术和平台，加速AI应用在场景化中落地。

第四，迭代创新，持续优化。

中国在某些特定AI领域（如计算机视觉、语音识别）已经达到世界领先水平，但在工业AI应用上仍需加强。中国企业要保持技术敏感度，及时跟进最新AI发展趋势和应用方向。根据生产制造各环节与AI的融合程度，设计出新的绩效评估指标，驱动企业进行数字化转型。特别是要跟踪数字技术对产品、流程和服务影响指标的动态变化。基于这些指标，建立AI应用效果评估体系，持续监测优化、不断改进完善，加快AI与不同业务部门、不同生产制造环节的融合。

第五，伦理优先，合规透明。

美国企业在AI应用中遇到不少伦理问题。例如，特斯拉在自动驾驶汽车中使用AI和大数据分析面临复杂的监管环境，包括遵守与数据隐私、车辆安全相关的法律法规，跟上不断发展的标准和准则等。中国企业在AI应用过程中也要注重伦理问题，确保公平和透明，严格遵守数据隐私和安全法规，建立健全的合规体系。

中国制造企业在AI融合策略上与美国存在一些差距，但也在快速追赶。例如，海尔卡奥斯AI工业大脑就深度融合了AI技术，包括视觉监控检测、质量缺陷检验测试、智能安防和智能物流等。我们希望中国制造企业可以加速AI融合策略的实施，提升全球竞争力；同时，也能结合中国情境，走出具有中国特色的AI融合发展道路，开创业务数字化转型的未来。

乔布斯的精神导师尤迦南达（Yogananda）倡导 “无限制”（No Limitations）理念，认为通过灵性修行，人可以与宇宙的创造力和智慧相连接，从而获得解决问题的无限灵感和力量。这一理念成为乔布斯领导苹果突破界限、颠覆行业的核心信条。同样，在AI应用之路上，AI与人融合可以让人意识到他们并非孤立的个体，而是与更大、更广阔的宇宙能量场密切相通。

AI融合不是终点，而是新的起点。一扇通往未知的大门正在开启。

本文受国家自然科学基金重点项目72091311、72232010，面上项目72272160的支持