賦能還是融合：美國制造業應用AI的啟示

在全球制造業的競技場上，人工智能（AI）扮演著出色變革者的角色，為企業注入了新的競爭力，使得整個行業煥然一新。貝恩公司發現，全球75%的先進制造企業正優先采用人工智能等新興技術，以保持競爭優勢。在這場席卷全球的技術革命中，美國的一些大型制造企業走在最前沿，成為這一趨勢的領跑者。

盡管美國制造業在GDP中的直接貢獻有所下降，但它對經濟的間接影響仍然不可忽視。根據麥肯錫的報告，美國制造業企業在全國資本投資中占比高達20%，在知識產權中占比55%，在出口中占60%，在商業研發支出中更是占到了70%。這些企業不僅具備先進技術的資源、人才和基礎設施，更在應對全球競爭和制造實踐創新的需求上展現出卓越的能力。

因此，我們深入研究了十家美國領先的制造企業，包括汽車巨頭福特、通用、特斯拉，航空航天先鋒波音，機械和設備制造商卡特彼勒和約翰·迪爾，多元化工業集團通用電氣和霍尼韋爾，軍工巨頭洛克希德·馬丁，以及材料化學領域的杜邦。這些企業不僅在全球市場上占據舉足輕重的地位，還在持續推動技術創新，塑造未來的制造業格局。我們搜集了這些公司最近兩年的年報與季報、分析師會議、各種市場研究報告，用ChatGPT等大語言模型進行文本分析與總結，對這些公司進行橫向比較分析，得到一些初步結論，可以為中國企業應用AI提供借鑒。

AI在美國制造業的應用

美國頂級制造業公司主要將AI應用于如下幾個方面。

智能制造與生產優化。美國頂級制造業公司廣泛采用AI技術來優化生產流程。通過實時數據分析和機器學習算法，這些公司能夠快速識別生產線上的效率瓶頸，并做出相應調整。例如，通用汽車和福特汽車公司都利用AI驅動的預測分析來監控生產線，提高生產效率。卡特彼勒公司利用AI進行生產和服務優化，通過對來自150余萬臺連接設備數據的深度學習，指導客戶進行作業規劃及設備維護，不僅提高了設備的運行時間，還減少了客戶的運營成本。

預測性維護。預測性維護是這些公司應用AI的另一個重要領域。通過分析設備傳感器數據，AI系統能夠預測潛在的設備故障，從而及時安排維護。例如，波音公司通過與微軟Azure（Microsoft Azure）合作，開發了復雜的AI解決方案。AI系統從嵌入在飛機各處的傳感器中獲取大量數據，如發動機性能、飛行控制和環境數據等，從而能夠檢測到傳統檢查中可能忽略的微小異常，預測設備故障，使維護成本減少了20%，航班延誤減少了35%，每年可節省數百萬美元。

質量控制自動化。AI在質量控制方面得到廣泛應用。通過機器視覺和深度學習技術，這些公司能夠自動檢測產品缺陷，確保產品質量的一致性。例如，福特汽車公司就利用AI技術自動檢測汽車座椅的褶皺，提高了質量控制的效率和準確性。通用電氣推出一款基于AI的自動化檢查軟件Autonomous Inspection，能夠通過計算機視覺和人工智能/機器學習算法進行質量檢查和監控。

供應鏈優化。這些制造業巨頭普遍采用AI技術來優化其復雜的供應鏈網絡。通過分析歷史數據和市場趨勢，AI系統能夠更準確地預測需求，優化庫存管理，并提高物流效率。例如，通用電氣通過與數據管理公司TAMR合作，成功地整合了供應商數據，識別出供應鏈中的價格差異，實現大幅度成本節約。通用電氣還通過AI實時監控零部件的需求變化，提高庫存管理效率，減少供應鏈中斷的風險，并提高整體運營效率，從而在競爭激烈的市場中保持靈活性和適應性。

客戶體驗提升。分析發現，AI技術被這些公司廣泛應用于改善客戶體驗。通過分析客戶數據和行為模式，這些公司能夠提供更個性化的服務和產品推薦。例如，霍尼韋爾的客戶支持團隊使用生成式AI，能夠在極短的時間內更準確地回答客戶的問題。特斯拉在自動駕駛汽車中使用機器學習來進行大數據分析，比如汽車的傳感器檢測到特定類型的路面（冰面或碎石），機器學習算法可以利用這些信息相應地調整汽車的速度和操控性，從而提升汽車的駕駛性能和用戶體驗。

數字孿生技術。數字孿生技術是這些公司共同采用的創新方法。通過創建實體設備或系統的數字化副本，這些公司可以進行實時監控、性能優化和故障預測。例如，洛克希德·馬丁公司與英偉達（NVIDIA）合作開發了AI驅動的數字孿生技術，用于創建復雜系統的虛擬模型并進行各種模擬測試，以預測和優化系統性能。這些數字孿生體通過整合來自空間和地面傳感器的大量數據，提供更精確的天氣預測，不僅有助于軍事任務的規劃，還可以用于災害應對和環境保護。

新產品設計與開發。這些公司普遍使用AI技術進行新產品設計與開發。例如，波音公司旗下的威斯克航空公司（Wisk Aero）正在開發一款自動駕駛、全電動、四座eVTOL （電動垂直起降飛行器）空中出租車。該飛行器采用了AI和自動駕駛技術，用于城市空中交通，目標是成為市場上第一款經過認證的自主飛行器。福特公司利用谷歌云（Google Cloud）的AI、機器學習和數據分析技術，加速產品開發進程。

能源效率優化。AI技術在能源效率優化方面也發揮著重要作用。通過分析能源使用數據，這些公司能夠優化能源消耗，降低運營成本。例如，卡特彼勒公司利用AI技術優化其電動動力系統，提高能源使用效率。通用電氣推出了一款AI驅動的碳排放管理軟件CERius，該軟件能夠幫助能源公司更加精確地測量、管理碳減排，實施碳減排措施，自動收集和分析溫室氣體數據，并提供情景分析和減排建議。

數據驅動決策。這些公司普遍采用數據驅動的決策模式。通過使用AI分析大量數據，管理層能夠做出更快速、更準確的決策。這種方法不僅適用于生產管理，還延伸到了市場策略和產品開發等領域。例如，霍尼韋爾公司推出了霍尼韋爾加速器（Honeywell Accelerator），這一平臺收集和分析大量數據，利用機器學習模型幫助銷售團隊識別最有潛力的銷售機會，對銷售人員應關注哪些機會、采取何種行動以及何時采取行動給出建議。這種數據驅動的方法使得銷售過程更加高效和精準。

可持續發展。這些企業也普遍將AI技術應用于推動可持續發展。通過優化能源使用、減少廢品率、提高資源利用效率等方式，AI技術正在幫助企業實現更環保、更可持續的運營模式。例如，西門子基于AI的智能聊天機器人Hydrogen Plant Configurator，能夠根據輸入的廠商設計特性，迭代生成無縫的流程圖和系統單元精確布局，預測關鍵性能指標；并能自動完成或修正模型和圖紙，轉換模型、圖紙和信息結構，提高效率。這些AI工具的引入有助于節省時間和成本，加速氫氣產能的提升，從而更好地支持脫碳目標的實現。

賦能派與融合派

AI在制造業的廣泛應用促使人們深入思考AI的本質是什么，如何基于AI推動創新。目前學術界主要有兩種觀點（見表1）。一種由動態能力理論創始人大衛·梯斯（David J. Teece）提出，他認為AI是一種通用目的技術（General Purpose Technology，GPT），能夠在整個經濟體系中產生顯著累積影響，其特征體現在幾個方面：具備廣泛滲透性，能夠在多個經濟部門中應用和擴散，特別是為下游客戶提供新的產品和服務機會；隨著時間推移，技術本身不斷進步和完善；可以是創新催化劑——能夠促進其他領域的創新和改進，促進互補性創新的發明和生產，是一種典型的賦能技術（Enabling Technologies）。我們將認同這一觀點的群體稱為“賦能派”。

另一種觀點更注重AI應用的社會、環境以及治理等因素，認為AI像當年的鐵路、互聯網等基礎設施，是一種由相互關聯的領域組成的系統技術——包括算法（軟件）、計算（硬件）和數據，是一種大型技術系統（Large Technical System，LTS）。認同這一觀點的人認為人工智能目前正處于創新、增長與整合階段。隨著人工智能專注于特定領域，技術融合發生，同時，對人工智能系統的控制和治理也將成為一項新的挑戰。他們更關注AI如何更好地與舊技術融合， 關注人工智能領域的壟斷與新的不平等問題。我們將其稱為“融合派”。

總體而言，“賦能派”強調AI是一種核心的底層技術，可以在各行業快速應用；“融合派”認為AI可能導致傳統行業界限變得模糊和新興行業出現，會推動跨行業的創新和合作。

賦能還是融合

2024年7月19日，網絡安全公司“眾擊”（CrowdStrike）推送的一個有缺陷的軟件更新導致全球范圍內運行的微軟視窗（Windows）系統出現大規模藍屏死機。這次事件影響了約850萬臺設備，造成全球多個行業的運營中斷，對美國制造業也造成了嚴重的影響，許多依賴安全IT環境的先進制造企業面臨生產停止、供應鏈中斷等問題。 作為直接應對措施，馬斯克宣布特斯拉的所有系統刪除CrowdStrike的軟件，并在社交媒體平臺X（原推特）上公開批評了微軟首席執行官薩蒂亞·納德拉。這表明特斯拉高層對此次事件感到不滿，同時也反映出其對依賴單一網絡安全供應商的擔憂。

CrowdStrike雖然不是AI技術，但其安全系統是在Windows系統的底層。從這個角度看，如果持AI賦能觀點，一些制造商可能會過高估計AI的能力，期望它快速解決所有問題，這種不切實際的期望可能會導致投資決策失誤和項目失敗。同時，AI應用的效果嚴重依賴于數據質量，但許多制造企業面臨數據收集、清理和標準化的挑戰，低質量或有偏差的數據可能會導致AI模型得出錯誤結論。將AI與現有制造設備和IT系統集成往往比預期更加復雜，很有可能導致項目延期、成本超支甚至功能受限。AI系統的引入有可能會帶來新的網絡安全風險和數據隱私問題，低估這些風險，可能導致潛在的安全漏洞。此外，AI系統需要持續的維護和更新，這可能比預期復雜和昂貴，制造商可能低估了長期維護AI系統所需的資源。

從美國制造企業的實踐看， AI更多地表現為大型技術系統融合，而不僅僅是通用目的技術賦能。一方面，AI在制造業的應用涉及多個相互關聯的技術組件，包括傳感器、物聯網設備、大數據分析、機器學習算法、自動化設備等。這些組件形成一個復雜的技術生態系統，而不是單一的技術應用。貝恩公司的報告認為，企業在向“未來工廠”轉型時面臨多項挑戰，其中最主要的挑戰就是孤立思維導致的新的工業4.0技術與過去卓越運營方法和標準之間缺乏整合。例如，許多公司仍然嚴重依賴傳統的精益制造方法，將新技術與現有系統和流程相結合可能具有挑戰性。AI技術在美國制造企業中與循環經濟和可持續發展廣泛融合。通過優化資源使用、提高生產效率來減少浪費和碳排放，這些更環保和可持續的商業模式探索也更需要融合的觀念。

另一方面，AI在制造業中的應用展現出明顯的演化特征，從早期的簡單自動化到現在的智能制造。隨著時間推移，AI系統在制造業中獲得越來越大的動量，形成一定的技術路徑依賴。通用目的技術賦能派雖然也認可技術的演進，但可能低估了系統性變革的復雜性。因此，持賦能觀的制造企業往往無法用AI從運營和系統兩個角度整合運營技術和信息技術。他們更需要努力將市場、客戶和經濟要求，以及社會、環境和公司治理要求納入未來戰略。

從系統建設者的作用看，大型技術系統融合視角認為制造業AI的發展涉及多個利益相關者，包括技術供應商、制造商、系統集成商、行業協會等。這些“系統建設者”共同塑造AI在制造業中的應用路徑和技術標準。通用目的技術視角可能過于關注技術本身，忽視了不同參與者在塑造技術應用中的作用。比如，貝恩公司的報告就發現首席運營官和首席信息官之間的協作通常是不夠的，這種脫節導致溝通不暢、缺乏凝聚力，以及對必要變革的倡導不足。貝恩也預測許多員工的技能并不適應未來的AI工廠， 聘用具備適當技能的新人才是一個重大挑戰。由于技能不匹配，潛在的勞動力短缺問題即將出現，預計到2028年制造業將有240萬個崗位空缺。

從政策和監管角度看，大型技術系統融合視角認為AI在制造業的應用涉及復雜的政策和監管，包括數據安全、隱私保護、勞動力市場影響等，這需要從系統角度制定全面的政策框架。通用目的技術賦能視角可能過于簡化政策需求，忽視了技術應用的系統性影響。

美國制造業對GDP增長率的貢獻主要不是來自于生產活動，而是由設計、服務和軟件推動。從大型技術系統融合的角度理解AI在制造業中的應用，可以更全面地把握AI技術應用于制造業的復雜性、系統性和演化特征，為政策制定和技術發展提供更有價值的洞見。

對中國企業的啟示

美國制造企業在AI應用方面做了很多探索， 他們的AI融合戰略對中國企業有什么啟發呢？ 我們結合維賈伊·戈文達拉揚（Vijay Govindarajan）和文卡特·文卡塔拉曼（Venkat Venkataraman）在《融合戰略：實時數據和人工智能如何推動工業未來》一書中提出的觀點， 提出如下建議。

第一，高瞻遠矚，戰略重視。

美國企業在AI融合方面起步較早，有些領先企業已經積累了豐富經驗。中國企業要迎頭趕上，需要在高層管理團隊中建立統一的“融合”觀，將AI融合策略上升到公司戰略層面。在將AI融合到生產制造各環節的過程中，需要協調各方利益，解決各種矛盾。為有效推進這項工作，企業需要將其上升為“一把手”工程。作為決策者，“一把手”要站在全局的高度，敢于打破傳統思維，勇于嘗試新的方法和手段， 對數字化的規模、范圍和速度進行全面協調，以避免資源錯誤分配，低估AI數字技術對業務的全面影響。

第二，全員動員，群策群力。

美國很多企業都新成立了分析與創新部門，匯集人才和資源，促進AI創新。例如，卡特彼勒在硅谷配置資源，并在風險投資基金中投放資金，形成廣泛且互聯的分析生態系統。中國制造企業擁有豐富的數據資源，這為AI應用提供了廣泛場景和良好基礎。中國制造企業需要在整個組織內灌輸AI融合思維，對各個級別和職能的內部人才進行再培訓，讓他們為迎接未來的AI融合做好準備；同時需要對員工進行傳統領域技能和數字技術交叉方面的教育和提升。中國制造業也可以通過黑客馬拉松和各種AI內創業孵化計劃，讓每個人都了解AI技術變革。特別是要努力建立數據驅動的企業文化，提高全員數據意識和分析能力。

第三，聚焦場景，開放生態。

中國企業可以通過識別對企業最具價值的AI應用場景，優先投入資源，從小規模試點開始，逐步擴大應用范圍，積累經驗。在融合過程中，強調生態系統參與者之間的數據流動，通過優化公司內部的數據流動模式，實現AI生態系統的戰略優化。

美國企業在AI產業鏈協同和生態系統建設方面下了很大力氣，從而能更好地進行資源整合。例如約翰·迪爾公司利用AI和云計算技術，通過其設備收集全球范圍的農田數據，如氣象信息、土壤濕度和作物生長情況等，這些數據被傳輸到云端進行集中存儲和分析。通過AI驅動的大數據分析，約翰·迪爾的數字化平臺能夠為農民提供基于數據的智能決策支持，如最佳的播種、施肥和收割時間建議。中國制造企業正在加強產業鏈協同，但整體協作效率還有很大提升空間，可以利用各種開源技術和平臺，加速AI應用在場景化中落地。

第四，迭代創新，持續優化。

中國在某些特定AI領域（如計算機視覺、語音識別）已經達到世界領先水平，但在工業AI應用上仍需加強。中國企業要保持技術敏感度，及時跟進最新AI發展趨勢和應用方向。根據生產制造各環節與AI的融合程度，設計出新的績效評估指標，驅動企業進行數字化轉型。特別是要跟蹤數字技術對產品、流程和服務影響指標的動態變化。基于這些指標，建立AI應用效果評估體系，持續監測優化、不斷改進完善，加快AI與不同業務部門、不同生產制造環節的融合。

第五，倫理優先，合規透明。

美國企業在AI應用中遇到不少倫理問題。例如，特斯拉在自動駕駛汽車中使用AI和大數據分析面臨復雜的監管環境，包括遵守與數據隱私、車輛安全相關的法律法規，跟上不斷發展的標準和準則等。中國企業在AI應用過程中也要注重倫理問題，確保公平和透明，嚴格遵守數據隱私和安全法規，建立健全的合規體系。

中國制造企業在AI融合策略上與美國存在一些差距，但也在快速追趕。例如，海爾卡奧斯AI工業大腦就深度融合了AI技術，包括視覺監控檢測、質量缺陷檢驗測試、智能安防和智能物流等。我們希望中國制造企業可以加速AI融合策略的實施，提升全球競爭力；同時，也能結合中國情境，走出具有中國特色的AI融合發展道路，開創業務數字化轉型的未來。

喬布斯的精神導師尤迦南達（Yogananda）倡導 “無限制”（No Limitations）理念，認為通過靈性修行，人可以與宇宙的創造力和智慧相連接，從而獲得解決問題的無限靈感和力量。這一理念成為喬布斯領導蘋果突破界限、顛覆行業的核心信條。同樣，在AI應用之路上，AI與人融合可以讓人意識到他們并非孤立的個體，而是與更大、更廣闊的宇宙能量場密切相通。

AI融合不是終點，而是新的起點。一扇通往未知的大門正在開啟。

本文受國家自然科學基金重點項目72091311、72232010，面上項目72272160的支持