本文来自微信公众号： 清华管理评论 ，作者：钟丁静、孙黎，原文标题：《物理AI重塑中国制造的全球竞争力——从世界工厂、工厂的工厂到工业基础模型的跃迁》
物理AI带来的变化，远不止于让机器更加智能，或提升局部工序的自动化水平，它正在重塑工厂运行的底层逻辑。当前中国制造业真正需要做的，并非在既有体系中维持传统优势，而是借助物理AI带来的技术跃迁，孕育新的生产模式，推动中国制造从“世界工厂”迈向“工厂的工厂”，并向“工业基础模型”演化，进而重构全球贸易格局。
当前，国内不少制造企业的车间中，正同步呈现两大态势。一方面，企业管理者仍在为招工难、价格内卷、订单波动和地缘政治带来的供应链不确定性而焦虑。另一方面，工业机器人、机器视觉、柔性产线和具身智能系统快速进入生产现场，悄然改变工厂运行方式。依赖人海战术、流程固化的车间，正在被一种新的生产逻辑所渗透：设备开始感知环境，系统开始实时调整，数据开始塑造制造过程。
这两大态势折射出了中国制造正在经历的一场双重挑战：一方面，依赖成本、规模和效率的“世界工厂”模式正面临全球供应链重组、外部规则变化和比较优势迁移的压力；另一方面，中国又恰恰拥有最完整的工业门类、最丰富的应用场景和最快速的产业协同能力，这使其有机会率先把新一代智能技术转化为新的制造优势。
在这个双重挑战的转折点上，物理AI（Physical AI）的意义开始凸显。它不只是让机器更聪明，也不只是提升几道工序的自动化水平，而是从根本上改变工厂组织生产、协调设备、积累数据和持续优化的底层逻辑。以前瞻视角审视，中国制造面临的关键问题，已经转向能否借助物理AI所带来的技术跃迁，孕育出新的生产模型与工业组织方式，并推动中国制造由“世界工厂”进一步向“工厂的工厂”及“工业基础模型”方向演化，进而对全球贸易格局产生深远影响。
中国制造：从卖产品转向造能力
2025年至2026年，全球贸易呈现出地缘距离缩短、地理距离拉长的特征。根据麦肯锡全球研究院（MGI）的测算，全球贸易的平均地缘政治距离已由21世纪10年代初的3.5下降至2023年的3.1，显示出贸易关系正更多地向政治与制度相近的经济体集中；而贸易活动的平均运输距离仍维持在约5200公里，近岸化并未如预期般大规模展开。两种趋势并行，反映出全球供应链对以中国为代表的远端核心节点仍具有较强依赖：在政治层面趋于收敛的同时，空间结构并未相应收缩。
正是在这种结构性分化之中，中国在全球制造体系中的角色发生了变化。过去以终端产品出口为主的模式，正逐步转向以生产能力输出为核心。2025年，中国消费品出口增速有所放缓，而中间品与资本货物的出口则明显上升。这一现象在东盟、印度和墨西哥等新兴制造中心尤为明显。这些地区承接终端组装环节，其关键生产要素，包括高精密零部件、自动化设备与工业控制系统，越来越依赖中国供给。从数据上看，2026年初中国电子与机械产品出口同比增长达到21.8%。这一增长已不再主要来自低附加值制造，而更多反映出装备制造能力与工业体系支撑能力的提升。中国在全球制造体系中的位置，也由终端供给者，逐渐转向生产要素与系统能力的提供者。
从贸易结构来看，即便美国通过关税等措施使中美直接贸易规模有所下降，中国制造仍通过中间品与设备输出，持续参与其他经济体的生产过程。一部分产能以间接方式嵌入全球市场，价值实现路径也随之延伸。在这一过程中，中国在中间产品环节的附加值占比逐步上升。以越南、墨西哥等新兴制造中心为例，其对外出口的终端产品中，往往包含相当比例的中国零部件与工业投入品。终端环节在外迁，但关键供给仍在延续。以中间品为纽带形成的这种嵌入关系，使中国与全球制造体系之间建立起更稳定，也更难替代的联系。
上述变化体现了中国在全球生产网络中的位置调整，支撑这一调整的动力，是生产技术的演进。近年来，随着物理AI的发展，制造体系内部的运行逻辑正在发生演化。
物理AI：重塑制造竞争力的核心引擎
物理AI是指将人工智能直接嵌入物理系统之中，如机器人、无人机与智能产线，使其能够在真实且动态变化的环境中完成感知、决策与执行。相较于依赖预设规则的传统自动化体系，这类技术更多依托多模态大模型，如视觉－语言－动作（VLA），在一定程度上减少了对人工示教的依赖，使系统具备持续学习与情境适应的能力。
在这一技术条件下，工厂的运行方式也随之调整。以往依赖大量劳动力的生产模式，正在转向以“机器人+数据”为核心的组织形态。借助物理信息嵌入等技术路径，智能系统不再局限于对图像的识别，而是在一定程度上能结合重力、摩擦以及材料形变等物理约束进行判断与调整。在复杂装配等对灵活性要求较高的场景中，其运行稳定性与效率不断提升，在部分任务上已接近人工操作水平。
从更长的时间维度看，中国在这一领域的优势并不仅仅源于单项技术突破，而更多体现为一种由产业结构与生产组织方式所支撑的体系性能力。中国制造业不应陷入与美国文本大模型的“军备竞赛”，而要利用制造业积累的传感器数据、工业流程数据和物理交互数据，去构建物理AI的“世界模型”（World Model），从而构筑真正自动化和高度灵活性的机器人大脑。
美国走的是“模型驱动型创新”之路，强调大模型、世界模型、闭源系统和高端算力；中国则践行“场景驱动型创新”，强调制造、部署、降本和快速扩散。具体到典型企业比较上，特斯拉依托“垂直整合+算力压制+统一底座”构建优势，小鹏则以“算法优化+多终端协同+场景突破”为发展方向。
在技术的组织方式上，美国企业倾向于通过软硬件一体化与封闭体系来保障系统可靠性与知识产权，这一模式通常伴随较高的研发投入与较长的验证周期。相比之下，中国的技术推进更贴近具体生产场景，依托开放平台与产业协同，在实际应用中不断调整与优化。在2024年工业机器人新增安装量比较上，中国约有295,000台（占全球54%），美国仅34,000台。中国目前拥有超过200万台在役工业机器人，这为物理AI系统的实际部署和应用验证提供了全世界最大规模的实验场地。文末附表对中美物理AI竞争进行了比较。
这一差异也反映在成本与扩散路径上。依托较为完整的制造体系与本土配套能力，中国在机器人及相关装备领域实现了较大幅度的成本压缩，如传感器和伺服电机成本比美国低30%以上，这使得物理AI能够在更广范围内进入生产环节。相应地，技术积累也更多沉淀在具体应用与工艺改进中，而非停留在抽象模型层面。更为关键的是，在大规模生产环境中，设备运行所产生的数据被持续用于模型修正与系统优化，并反过来作用于生产过程本身。由此形成的循环机制，使技术迭代与生产运行紧密结合，也推动物理AI从局部试点走向更为常态化的应用。
正是在成本、产业配套与数据循环共同作用下，物理AI在中国的应用由零散场景逐步扩展至更广泛的生产体系，技术形态也随之发生变化：从依附于单一设备或工序，转向嵌入生产过程的多个环节，对工厂运行方式产生持续影响。其价值已不止于提升效率或降低成本，更推动了自动化形态调整，逐步形成现代制造的骨架。
从刚性自动化到具身智能的进化
沿着这一变化展开，制造业的自动化形态正在经历一轮由内而外的转型。物理AI的发展，使以规则为基础的刚性控制逐步让位于具备感知与决策能力的具身智能体系。其中，工业基础模型（Industrial Foundation Models,IFM）成为重要的技术支点。不同于传统围绕单一工艺（如焊接、喷涂）进行硬编码的控制模型，工业基础模型更强调跨任务、跨场景的迁移能力。借助大语言模型的泛化特征，系统开始能够理解自然语言指令，并在未预设的工况中进行操作规划，对固定流程的依赖随之减弱。
这种转变与制造业“多品种、小批量”的现实需求相契合。在汽车制造等复杂装配场景中，生产过程逐渐由依赖固定轨迹的工业机器人，转向能够应对不确定环境的具身智能体。这类系统既能承担重复性操作，也能对环境变化进行响应与调整。自动化的运行方式也随之发生转变，从执行既定程序，转向结合具体情境进行判断。这一变化常被视为迈向“工业5.0”的重要标志。
与技术形态的演进相伴，数据获取与使用方式也在发生变化。物理AI的持续优化依赖于真实环境中的交互数据，中国制造业规模庞大、门类齐全，这使其成为一个场景高度密集的验证环境。在大规模生产过程中，不同工况下的设备持续生成运行数据，从极端环境中的基础设施建设到高精度电子制造，逐步积累起覆盖多样场景的经验。
数据优势首先体现在数量与连续性上。大量智能终端嵌入生产现场，持续反馈设备状态与操作结果，使模型能够在反复迭代中不断修正参数与策略。相比之下，依赖实验室或有限场景的数据，其适用范围往往受到限制。与此同时，仿真技术虽不断提升精度，其价值仍更多体现在与现实数据的结合之中。通过数字孪生与现场反馈的持续校正，模型训练与实际部署之间的距离逐步缩小。在这一过程中，以真实生产为依托的循环机制逐渐形成，技术演进得以在生产体系内部持续展开，而非局限于局部实验或示范场景。
由此来看，物理AI对制造体系的影响，已超出单纯的效率提升或技术路径调整。随着算法、设备与数据在生产过程中的持续嵌入，工厂运行逐渐呈现出更强的动态性与不确定性，以分工稳定、层级清晰为特征的组织方式开始面临压力。当生产过程被物理AI重新组织，企业的组织结构与管理机制该如何调整呢？
物理AI时代，
组织边界、岗位分工与决策权正在重塑
麦肯锡《2026年组织现状》报告指出，随着AI技术的深入应用，部分领先企业正在弱化传统科层结构，转而以工作流程为组织单元，通过流程重构来释放技术应用的价值。在这一过程中，人与技术之间的关系出现微妙变化。AI系统在生产中承担的角色有所延展，既参与执行，也在一定程度上介入判断与决策，逐步嵌入具体工作环节之中。岗位边界变得不再清晰，一线人员更多转向对系统的监控与调试，管理者需要在跨系统协调与规则设定中发挥作用。由此，组织运行呈现出一种人机协同的状态，关键是在复杂情境中重新安排分工，而不是简单替代既有岗位。
变化也体现在决策方式上。随着AI系统对生产与供应链数据的实时整合，原本集中于中高层的决策权开始向一线单元分散。不同环节依据即时信息对生产节奏与资源配置作出调整，减少了信息逐级传递所带来的迟滞。决策过程更多通过数据在系统内部流动来完成，组织结构随之趋于扁平，对外部不确定性的反应也更为灵活。
生产方式与资源配置逻辑的调整，逐渐影响到了更广泛的制度与评价框架，尤其是企业对环境与社会责任的回应方式。在可持续发展要求下，物理AI正逐步成为企业改善ESG（环境、社会和治理）表现的重要支点。既有研究表明，数字化转型通过提升组织韧性与绿色全要素生产率，能够显著改善制造业的ESG表现。作为数字技术向实体生产系统的延伸，物理AI的作用主要体现为对生产过程与用工结构的重塑。
在资源配置层面，物理AI通过对设备运行状态的实时感知与动态调节，使能源消耗与物料使用更加精细化。生产系统在运行过程中持续优化投入结构，有助于降低单位产出的资源消耗与碳排放水平，从而在环境维度上形成改进空间。在社会层面，物理AI改变了部分岗位的劳动模式，高强度、高风险及重复性较高的作业逐步由机器人承担，生产现场的安全性得到提升。同时，劳动力就业结构也随之优化，从业人员逐步从一线实操转向监控、维护与系统管理等环节。
谁能占据下一轮制造高地
为了指导企业在物理AI重塑的格局中寻找自身的位置，我们在麦肯锡报告的基础上，提出了一个基于“自动化/物理AI成熟度”与“中国产业链耦合度”的战略路径图（见图1）。具体而言，横轴表示生产体系的自动化水平，由以劳动密集为主的低自动化形态，过渡到广泛应用工业机器人与物理AI、具备较高柔性与数字化能力的制造体系；纵轴则反映与中国产业链的关联程度，从相对独立的低耦合状态，到深度嵌入中国价值链的生产网络。
第一象限（高自动化/高耦合）是嵌入中国产业链的高效生产体系，以中国本土灯塔工厂及部分东盟先进制造基地为代表。该类型依托中国的设备、关键零部件与工业软件运行，生产效率更多来自“AI+硬件”的协同优化。中国的角色由传统的中间品供给者，逐步延伸为涵盖产线、算法与运维在内的系统性能力提供者。
第二象限（低自动化/高耦合）可视为中国制造的外延生产带，主要分布于非洲与南亚部分地区。这些地区通常以低成本劳动力为起点，通过引入中国设备与中间品进入全球生产网络，处于由手工生产向初级自动化过渡的阶段。随着资本与技术的持续进入，其自动化水平有望逐步提升，并沿既有路径向更高阶段演进。
第三象限（低自动化/低耦合）反映的是制造体系中边缘位置的情况。相关国家既未有效嵌入中国主导的产业网络，也缺乏推动自动化升级的资本与技术基础。在物理AI加速替代低技能劳动的背景下，劳动力成本优势持续削弱，若缺乏外部技术输入与制度支持，这些经济体在全球制造体系中的位置可能进一步下滑。
第四象限（高自动化/低耦合）对应有意识的“去中国化”路径，主要集中在美国、欧洲及日本的半导体、军工等关键领域。这类体系同样具备较高自动化水平，但更强调供应链可控性与制度安全；通过政策补贴与产业联盟构建相对独立的技术体系，其资源配置取向更偏向安全与战略考量，成本因素相对次要。
在上述结构框架之下，不同经济体围绕物理AI与中国产业链的关系，呈现出四种差异化的演化路径，即中国路径、欧美路径、东南亚路径和非洲路径。
中国路径体现为第一象限内部的深化与外溢。一方面，自动化与物理AI应用不断加深，推动制造逻辑由产品输出转向能力输出；另一方面，通过设备、产线与工业软件的系统性外供，中国逐步嵌入全球制造体系的关键基础环节，并带动这一象限的外延扩展。
欧美路径整体上稳定在第四象限。在保持较高自动化水平的同时，通过供应链重构与本土技术体系建设，持续降低对中国产业链的依赖。这一路径呈现出“高技术－低耦合”的结构特征，其主要动力来自安全治理与产业政策。
东南亚路径呈现出较为明显的跃迁趋势。早期多处于第二象限，依托承接劳动密集型产业进入全球分工体系。随着中国资本、设备及物理AI技术的进入，该地区逐步向更高自动化与更高耦合方向移动，部分节点已接近或进入第一象限。这一过程更接近于在既有生产体系中的嵌入与升级，而非简单的产业替代。
非洲路径主要沿第三象限内部缓慢上移。以引入中国设备与基础产线为起点，这些地区逐步推进初级工业化，并在外部资本与技术支持下尝试提升自动化水平。但整体来看，其转型节奏仍受基础设施条件与制度环境制约。
制造业主战场将从劳动力转向系统能力
如果说前述模型呈现的是当前全球制造体系的结构分布，那么从时间维度来看，这一结构并非静止不变，而是在物理AI持续渗透的过程中不断调整。随着技术能力、产业基础与制度环境的变化，不同经济体在象限中的位置会发生移动。由此，可以在更长的时间尺度上，观察未来30年制造范式的演进方向。
2025年至2035年，大致处于由AI增强劳动力迈向人机协同生产的过渡阶段。这一时期，工业机器人密度持续上升，自动化能力在生产体系中加快扩散。中国在全球机器人新增装机与存量中的占比不断提升，使其成为物理AI最重要的应用场景之一。与此同时，具身智能开始由示范性应用走向规模化部署。在汽车、3C电子、电池与光伏等标准化程度较高的行业中，部分产线已接近高度自动化，甚至呈现出“准全机器人化”的特征。生产效率的提升，逐渐不再依赖单一劳动力投入，而更多取决于设备、数据与算法之间的协同。
2035年至2045年，制造体系的重心将由单点自动化转向系统层面的整合与输出。随着物理AI能力的深化，其作用范围由具体工序延伸至跨环节的调度与协调，逐步形成类似工业操作系统的基础性能力。这一系统贯通设计、工艺、排产、维护及供应链管理等关键环节，使生产过程能够在更大范围内实现统一调度。中国企业如果能够在机器人硬件、具身模型与工业数据方面持续积累优势，对外输出模式将由单一设备供给转向“系统+标准+服务”的整体方案输出，制造能力的外溢方式也会随之改变。
2045年至2055年，全球制造的空间结构将出现更为深层的调整。发展将不再基于成本差异，而更多取决于技术与基础设施条件的综合配置。以劳动力价格为导向的区位选择逻辑逐渐弱化，取而代之的是对能源供给、算力资源、算法能力以及机器人供应链整合水平的综合考量。同时，运输网络与制度环境仍在其中发挥约束作用。在这一框架下，中国企业如果能在电力网络、算力基础设施与机器人产业链等方面保持优势，其在全球制造体系中的位置有可能进一步上移，由具体生产节点转向规则与能力的提供者。这也意味着，中国无需直接参与所有生产环节，仅通过对关键技术体系与运行标准的掌控，便能够对全球生产的组织方式与价值分配产生更为深远的影响。
企业要抢的不是AI风口，而是新控制权
随着物理AI逐步嵌入制造体系，企业应从单一技术的部署与应用，扩展至生产方式、组织结构以及风险治理体系的整体调整。结合前文对制造范式演进的分析，可以从三个方面来思考中国企业如何赢得全球制造业的控制权。
第一，由产品输出转向标准与模型输出。随着物理AI逐步演化为贯穿生产全流程的基础性能力，企业竞争的焦点正在从单一设备或产品性能，转向对行业运行逻辑的塑造能力。在这一过程中，将物理AI视为一种“行业操作系统”更具现实意义。企业需要在细分领域内率先构建具有主导性的基础模型、控制协议与数据接口，通过标准设定吸引上下游进行适配，形成以自身为中心的技术生态。同时，设备的价值形态也在发生变化，由一次性交付转向持续服务，通过软件更新、运维支持与数据回流不断延伸收益边界。
第二，推动人机关系的结构性重组。物理AI改变了生产现场的分工，一部分依赖经验判断的操作逐渐由系统承担，人类员工则更多转向监督、协调与优化。这一变化并不简单对应劳动力的减少，更接近于分工逻辑的重新调整。企业需要逐步建立面向人机协同的岗位体系，如围绕算法调优、系统协调与跨产线调度等的新型职能。同时，还需构建能够整合不同设备与数据来源的统一平台，以避免自动化建设各自为政、难以协同的问题。
第三，强化“物理-数字”双重韧性，以应对新的风险来源。随着生产过程对算力、电力与网络基础设施的依赖不断加深，制造体系在效率提升的同时，也暴露出新的脆弱性。例如，算力中断、能源价格波动或网络攻击，都可能在短时间内对产线与供应链产生连锁冲击。因此，企业有必要在关键生产节点配置一定程度的本地算力与自治能力，使系统在外部连接受限时仍能维持基本运行。同时，在空间布局上，通过多区域、多节点的生产网络分散风险，并在统一标准下提升不同节点之间的切换能力。
巴克敏斯特·富勒（Buckminster Fuller）是公认的20世纪最伟大的先驱建筑师之一，但他的身份远不止于此，他还是哲学家、发明家和预言者。在测地线穹顶的设计中，富勒没有继续沿着传统建筑强化承重结构的路径展开改良，而是尝试重新组织结构本身。他将整体结构拆分为大量三角形单元，使压力能够在壳体内部实现分散，从而以更少的材料支撑更大的空间。换言之，富勒关注的重点，不是对既有建筑逻辑进行局部修补，而是尝试从结构层面重新理解空间支撑的基本方式。他的名言是：“你永远无法通过与现有现实对抗来改变事物。要改变事物，你需要建立一个新的模型，让现有的模型过时。”
某种意义上，物理AI对于中国制造的意义与此颇为相似。其影响并不体现为对既有“世界工厂”逻辑的边际改良，而是孕育一个以设备、数据、算法和产业协同为核心的新工业基础模型。谁率先把这个模型建立起来，谁就更有可能塑造下一代全球制造的格局。
