本文来自微信公众号“工信头条”。
进入Web3.0时代，以AIGC为代表的新一代人工智能技术对传统制造业的发展带来重大冲击。AIGC既具备渗透性、替代性、协同性、创造性等通用目的技术的基本特征，又带有自适应性、运转性、并行性等关键性技术－经济特征，对制造业微观运行效率提升与宏观高质量发展具有重要意义。从宏观层面看，AIGC依托规模效应与创新驱动，在加速经济潜力释放的同时推进智能制造产业转型；从微观层面看，AIGC主要通过发挥运转效应以优化资源配置效率，并借助飞轮效应实现全要素生产率的提升。但AIGC产业链中仍存在诸多制约因素阻碍制造业智能化转型的推进。基于此，文本从基础层、操作层和应用层探讨AIGC融入制造业的理论逻辑与实现路径。
关键词
AIGC；智能制造；数字经济；技术－经济特征
作者简介
欧阳日辉中央财经大学中国互联网经济研究院副院长，研究员、博士生导师
刘昱宏中国市场学会研究部助理研究员
一
问题的提出
随着数字经济的高速发展，新兴的人工智能生产内容（AI Generated Content，AIGC）在部分领域逐渐取代专业生成内容（Professional Generated Content，PGC）和用户生成内容（User Generated Content，UGC），不仅促进了传统产业的生产方式、流通路径与销售模式升级，而且推动了产业的数字化与智能化转型。目前，人工智能是数字经济高质量发展的关键节点，AIGC已成为最具时代特征的生产形式。2022年11月30日，OpenAI发布了AIGC的代表性聊天机器人模型ChatGPT，5天内聚集百万用户，迅速打破了传统社交媒体平台Meta的记录。Similarweb统计数据显示，2023年4月，ChatGPT月访问量达到17.6亿次，从最基础的机器人聊天到极具交互性的协助客服，ChatGPT以崭新的内容生成形式为使用者提供便利。现阶段，AIGC正加速融入经济社会，引发政府与学术界的广泛关注。
2017年7月，国务院印发《新一代人工智能发展规划》，提出要加快培育具有重大引领带动作用的人工智能产业，促进人工智能与各产业深度融合，形成数据驱动、人机协同、跨界融合、共创分享的智能经济形态。以数据要素为基础，以人工智能、互联网等数字技术为支撑，推动传统产业数字化与智能化转型成为数字经济高质量发展的核心。2019年，习近平主席在致第三届世界智能大会的贺信中进一步指出：“中国高度重视创新发展，把新一代人工智能作为推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力量，努力实现高质量发展。”2023年2月6日，中共中央、国务院印发《质量强国建设纲要》，强调“要加快大数据、网络、人工智能等新技术的深度应用，促进新兴技术与先进制造业的融合发展”。目前，人工智能的发展在国民经济中的地位愈发突出，AIGC作为新一代人工智能的重要分支备受关注，如何推进人工智能与传统制造业的深度融合成为党和国家关注的焦点问题。
学术界关于AIGC与产业融合及转型的研究多集中在新闻业、出版业、传媒业和教育业，制造业领域的相关研究较少。已有文献从不同角度证实了AIGC对实体产业智能化转型的催化作用，但对AIGC与新兴智能制造产业的作用机制尚不清晰，无法满足党和国家对制造业高质量发展的战略期望。在此背景下，AIGC将对制造业带来何种冲击？AIGC通过何种路径深度融入制造业？笔者拟结合各界对AIGC的应用与探索，在分析AIGC技术—经济特征的基础上，探讨其融入制造业的理论机制与制约因素，并归纳AIGC融入制造业的实现路径。
二
AIGC的内涵与技术—经济特征
（一）AIGC概念辨析与内涵
AIGC是机器学习领域中一种典型的生成式（Generative）模型，区别于判别式（Discriminative）模型的条件概率建模，其具备面向类、基于类的联合概率建模的主要特征。中国信息通信研究院、京东探索研究院发布的《人工智能生成内容（AIGC）白皮书》将AIGC定义为具备内容特征与技术特征双重属性的特殊集合，它可以同时被看作是一项内容、一种内容生产方式或一类技术的概括。具体而言，AIGC的实质是特定类型的网络信息资源，是人们运用生成式机器学习模型实现的文本、图像、语音等一系列内容智能合成后的产物，是大数据高度凝集的抽象载体，也是数据要素完成集成、处理、输出等一系列流程以实现价值增值的重要手段。
从互联网形态演变的历程看，AIGC是继PGC和UGC后的新型内容生成形态，对数据要素的富集与运用能力达到新维度（见表1）。
在传统的Web1.0时代，PGC是主要的互联网内容生成形式，数据源于特定领域的专门化数据库，该模式下的数据具备专业性、垂直化与权威化等特点，掌握专业性知识、技术的专家群体是该模式下的主要数据交互群体，例如，丁香医生。此阶段对数据要素的应用挖掘处于初级阶段，通过TF-IDF、LDA等传统网络技术处理数据，交互性与流动性较为欠缺。在以UGC为主的Web2.0时代，数据交互的主体由各领域的专家群体转向广大互联网用户群体，宽泛、零散的个体数据供给者成为基础数据源，普适性、个性化、多元化的数据成为该形态的显著标志。数据要素得到进一步开发，XPath、CSS Selector、Hadoop等各类算法技术丰富了用户在互联网的交流体验。随着新一代人工智能技术的不断发展，AIGC的到来逐渐推动互联网形态步入Web3.0时代。融入自然语言处理（Natural Language Processing，NLP）与自然语言生成（Natural Language Generation，NLG）方法的AIGC彻底改变了传统的内容生成模式，人工智能机器模型能自动化、智能化地根据用户需求提供具备创新性的内容与服务，例如，ChatGPT。数据交互主体由不同的用户群体转向新型的“人机交互”，卷积神经网络、Transformer大模型等技术使机器深度学习模型的参数实现跃迁升级，巨量、大规模的数据集成使模型运算生成的内容更具可行性与操作性，数据要素的价值得到充分释放。在此基础上，AIGC模式中的数据更具创新性、流动性与交互性。AIGC对现有的生产方式产生巨大冲击，有望改变传统产业模式及发展范式，成为推动“人机共生”与“人机共创”新社会形态的重要驱动力。
（二）AIGC的产业结构层次
伴随人工智能技术与数字经济的进一步发展，AIGC的产业链结构初具雏形，具体可分为基础层、操作层和应用层（见图1）。
基础层是AIGC产业的根基。AIGC的发展离不开算据与算力的支撑，算据是AIGC的基础“燃料”，算力是AIGC运行的保障，二者共同构成基础层的主要组成部分。数据集成是AIGC产生数据、存储数据、分析数据以及应用数据的必备前提，也是整个产业链高效运作的基础。在零样本学习（Zero-Shot Learning，ZSL）成熟前，基础数据库、大数据平台、数据中心等基础性建设仍是AIGC产业中海量数据的重要来源。算力基础是AIGC能否将集成数据的价值顺利转换为有效输出的关键，诸如智能芯片、智能传感器、云计算平台等基础硬件的配置是产业链中不可缺失的一环，决定了人工智能的“智商”。
操作层是驱动AIGC的核心力量，算法模型为推动AIGC与各产业的跨界融合提供技术支持。一是通用技术。在AIGC中，通用技术指一种构建具有通用任务解决能力、持续自主学习能力，同时具备感知、认知、决策和规划的智能体，并使其具备人脑智能特征及水平的一系列系统性技术的统称。例如，机器学习、知识图谱等技术是技术层的重要支撑。二是关键技术，主要包括深度变分自编码（Variational Auto Encode，VAE）、生成对抗网络（Generative Adversarial Network，GAN）、Transformer模型、Diffusion模型等技术。在算据与算力的基础上，通过关键算法技术的不断优化与创新，AIGC能够生成与人类创作相似甚至超越人类创作水平的文本、图像、音频、视频等内容，为经济社会发展带来新的变革与突破。三是预训练大模型。预训练大模型是人工智能发展过程中一种特殊的辅助技术，能够在大量无标签数据上进行训练，学习数据中的潜在规律与特征。此前，各类生成模型的内容与质量难以满足不同场景的需求，计算机视觉预训练大模型（Computer Vision，CV）、自然语言处理预训练大模型（Natural Language Processing，NLP）、多模态预训练大模型有效提高了AIGC的泛化能力，使其在面对新的数据时能够作出相对准确的预测。因此，在操作层各类技术的驱动下，AIGC能够极大程度优化产业链各环节的处理效率，成为驱动产业跨界融合的关键助力。应用层注重算法模型与用户需求的场景衔接，是AIGC实现智能产业落地的关键。在基础层与操作层的推动下，应用层将面向C端用户的各类文字、图片、音视频等生成内容应用到其他产业链的生产、流通、销售、管理等各环节，使AIGC催生新型智能产业的转型成为可能。在此过程中，根据不同的价值创造逻辑，AIGC的生成内容可分为生产可直接消费内容、结合底层系统生产高附加值内容、提供内容生产辅助工具和用于提供体系化解决方案四类。从生产环节看，AIGC通过直接参与产品生产、辅助产品生产、赋予产品附加值等途径完成产品重塑，诱发高质量、高效率的生产范式形成。从流通环节看，AIGC的应用主要在于流通设备的智能化与自动化，推动智能运输与自动配送的推广进而加速数字化运输体系的建立。从销售环节看，基于多种预训练大模型基础上的集成数据在应对不同消费者的需求与偏好时能够作出更为精准的预测与判断，定向销售与用户挖掘的操作性和现实意义更为深远。从管理环节看，AIGC参与的方案设计与决策制定在一定程度上能够避免人力规划的失误，系统化的生成式决断可以为企业的发展导向提供可行的参考规范。
综合而言，算据、算力、算法模型与场景应用是AIGC产业链的关键元素，由下至上逐渐形成以算据和算力为核心的基础层、以算法模型为核心的操作层和以场景应用为核心的应用层三层结构。因此，夯实基础层产业基础、优化操作层算法模型、完善应用层场景匹配成为驱动AIGC产业高质量发展的主要路径。
（三）AIGC的技术—经济特征
作为新一代人工智能，AIGC具备一般人工智能的基本特征，即产业渗透性（Pervasiveness）、要素替代性（Substition）、生产协同性（Synergy/Cooperativeness）和内容创造性（Creativeness）。上述四点是通用目的技术（General Purpose Techmology，GPT）普遍具备的技术—经济特征，也是继上一轮工业技术革命后引发新的技术—经济范式转换的技术基础。自适应性（Self-adaptation）、运转性（Operability）、并行性（Parallelism）是AIGC与GPT领域其他技术的根本区别，也是人工智能时代从1.0步入2.0的重要标志。
自适应性是AIGC最基本和突出的技术－经济特征，是AIGC能够根据对环境和系统自身的感知，自主调整自身的生成规划与决策倾向，以此适应各种动态环境和不确定场景需求，进而使系统具有更好的灵活性、可靠性的能力。以ChatGPT为例，该应用的生成内容并非模板化固定，AIGC可根据不同的用户与实际场景需求，作出更具针对性的选择与变通。这主要得益于AIGC背后庞大的数据集成与预训练大模型，模型从大规模无监督的数据中学习各领域知识，再依据实际情况将知识转移到特定任务中，不仅可以省略重复训练与数据标注流程，而且极大提升了泛化应用的能力。近年来，AIGC领域关于数据集成的能力得到飞速发展，2018年，谷歌提出BERT，模型参数量达3亿；2019年2月，OpenAI推出具有15亿参数量的GPT-2；2020年6月，OpenAI研发的GPT-3参数量超过1750亿；2023年3月，OpenAI发布的GPT-4参数量达1.8万亿。巨量化的数据意味着更宽泛的匹配空间与更全面的生成区间，数据要素的价值在AIGC的运作下得到充分体现。“数据赋值—场景自适”成为AIGC的典型特征之一。
运转性指系统智能运作的特性，是AIGC第二项突出的技术－经济特征。AIGC基础层的算据与算力是发挥运转性的前提，操作层的算法模型与关键技术是实现智能运转的关键。2021年，OpenAI发布多模态模型（Contrastive Language-Image PreTraining，CLIP），该模型在使用超大规模图文训练的同时可以完成不同文本和图片的特征提取与对比，并通过相似度计算二者的匹配关系，实现跨模态的相互理解，标志着AIGC的发展进入多模态模型的新阶段。以算据、算力为基础，在核心算法模型的驱动下，机器逐渐产生具备“独立协调系统内可调度的资源额度的分配”的“智慧”，即AIGC运转性的由来。具体而言，AIGC的运转性体现在两方面，一是要素配置方面的智能运转。AIGC运作的实质是不同要素的配置过程，区别在于“人工智能”代替了传统的普遍劳动，以数据要素为核心的算法模型在运转中占据主要地位。AIGC通过在不同阶段的作业场景中同步调节资源的分配，土地、劳动、资本、技术、数据等要素在特定环节或将成为驱动生产的关键，这种“发现”并协调配置的过程就是运转性的核心。二是产业应用方面的智能运转。在产业渗透性的作用下，AIGC智能运转的特性会潜移默化地融入其他产业各环节，加快智能化产业链的形成。例如，AIGC驱动下的智能教育业，人工智能技术能够快捷、简便地将传统教育模式难以表述的抽象知识具象化、可视化，为学生提供实时、精确的学习反馈。AIGC的冲击将赋能教学关系与教育模式的转变，进一步催生新型教育范式创新。简言之，“模型赋智—智能运转”就是运转性的主要表现。并行性是AIGC第三项重要的技术—经济特征，指计算机系统具有可同时进行运算或操作的特性以及在同一时间完成两种或多种工作的能力。2017年，优步公司（Uber）发布Horovod数据并行训练框架，通过借鉴高性能计算中的Ring AllReduce技术，尝试解决传统参数服务器（Parameter Server）分布式训练架构中参数聚合通信的可扩展性问题，标志着人工智能和高性能计算技术融合发展的开端。随后，人工智能技术在数据并行、模型并行等领域取得关键性进展，AIGC的并行性优势愈发显著。一方面，AIGC不受时间、地点、语言等限制，能够在不同环境和场景中运行，可同时处理多个任务或数据流。这意味着AIGC在相同的时间内可以发挥数倍于单项处理流程的超高效率，提高经济系统的运行效率。另一方面，以AIGC为核心的并行工程的推广与应用更为便利，将推动以制造业为代表的传统生产行业的生产方式和组织形式的进一步变革与演进。“时空赋能—多项并行”成为未来AIGC产业的基本特征。
三
AIGC影响制造业发展的作用机制
2023年6月，工业和信息化部等五部门联合印发《制造业可靠性提升实施意见》（以下简称《意见》），明确提出制造业的发展要“深化数字技术在可靠性提升中的应用”。《意见》提出，应推动数字技术在产品需求分析、设计研发、生产制造、检验检测、维修保障等全过程应用，运用基于模型的系统工程、数字孪生、可靠性仿真等技术提高产品可靠性设计水平，推动生产制造装备数字化改造，促进传感、机器视觉、自动化控制、先进测量等技术在生产制造环节深度应用。现阶段，数字技术在制造业的高质量发展中占据重要地位，AIGC已成为数字时代影响传统制造业发展与转型的关键因素。笔者将结合微观经济学、福利经济学等相关原理，围绕上述特性和技术—经济特征，分析AIGC提升经济运行效率、促进全要素生产率增长、加快释放经济潜力、产生的社会福利及损失等相关问题，探究其影响制造业发展的深层作用机制与传导路径。
（一）宏观高质量发展促进机制
AIGC的自适应性、运转性和并行性三项关键的技术—经济特征，使微观层面制造业运行效率的提升在宏观层面被充分放大，运转效应与飞轮效应为制造业的高质量发展奠定了基础。在宏观层面，AIGC的规模效应与创新驱动成为提高宏观全要素生产率、加速释放经济潜力、促进智能制造转型的重要路径。
推动规模效应，加速经济潜力释放
一般而言，制造业产业链中各环节的规模扩张通常伴随各类成本阻碍，规避规模不经济是企业扩张的关键问题。AIGC具有自适应性、运转性、并行性等特性，巨量、大规模的数据集成是其高效率运作的基础，AIGC的发展演变天然具有“规模经济”倾向。首先，AIGC的应用使传统产业的部分业务数字化和虚拟化，部分业务量和产品可在不受时空限制时发挥规模效应，进而扩大产业自身的生产规模。其次，AIGC的应用挖掘了原有市场以外的潜在需求，能够进一步促使生产规模的扩大。
一方面，AIGC对制造业发展的创新产生相应的市场需求；另一方面，AIGC带来生产效率的大幅提高刺激了市场的潜在需求，在AIGC融入制造业的过程中潜移默化地产生规模效应。最后，适当的政策引导能够促进规模经济的形成，例如，政府可通过对符合可持续发展的AIGC项目提供支持，使企业实现生产规模的适应性扩大。
基于此，基础层数据集的扩充与算力基础设施的规模化建设可直接提升AIGC的运算容度与广度，操作层算法技术与模型的规模化应用能够全面提升AIGC在不同场景个性化应答的可实施性，应用层产业链各阶段与AIGC的融入和规模化推广能够有效提升全要素生产率。换言之，AIGC的技术—经济特征使其能在更大范围与更多场景实现规模经济，进而放大微观层面的各种正向影响，进一步释放经济潜力。
2.阐扬创新驱动，推进智能产业转型
AIGC的飞轮效应通过微观应用场景的不断拓展，有望在较长时间内推动价值创造的飞轮持续运转。从长期看，在这一飞轮中，创新将催生更多、更快、更广泛的创新，驱动智能产业转型与宏观高质量增长。具体可分为四个阶段：第一阶段，AIGC初步与制造业产业链的各流程融合，衍生一系列智能化转变，大幅提高运行效率与生产效率。第二阶段，由融入AIGC的制造业产生的新兴产品、生产方式、运营模式、组织结构等创新产出向世界范围辐射，有助于捕获AIGC带来的契机。第三阶段，上述契机会促使个人、企业和政府重新审视AIGC的作用，促使其适用、挖掘AIGC的价值。第四阶段，越来越多的人力、物力投入AIGC推动产生新的创新，新兴的创新产物将掀起新一轮的创新飞轮，形成良性循环并实现智能制造的高质量发展。
AIGC的飞轮转动后，每个阶段都可能产生各种产品、方式、组织、技术的新兴组合。创新驱动成为AIGC的核心能力，应用场景从过去“蓝领+重复劳动（质检、客服等）”转向“白领+知识创新”的应用领域，将带来更大的价值空间与更多的飞轮效应。但创新飞轮的每一层都存在潜在的限制，可能会减缓智能化转型的进展。例如，技术层面的预训练大模型在扩展完善过程中，新产出的数据合成结果可能无法满足预期。但AIGC极大地扩展了技术创新的发展路线，使预测、规避与克服上述障碍成为可能，进而实现宏观高质量发展。
从宏观角度看，由于AIGC的自适应性、运转性和并行性等特性，“数据+算力+算法”驱动的“模型预测”成为各种新模式、新业态、新服务的关键，可以显著提高全要素生产率，在一定程度上缓解了由信息不对称带来的市场失灵，使供需双方实现更精准的匹配。从微观角度看，融入AIGC的智能化产业链有助于在研发设计、生产管控、客户运营、经营销售等流程实现更高的期望目标。在需求侧，智能化、个性化的产品与服务有助于提升消费品质、改善消费环境、调整消费结构；在供给侧，高效、适配的运转机制有助于调整产业结构、优化要素配置、提升产品质量。基于此，在供给侧与需求侧的双向作用下，有助于进一步释放经济潜力。麦肯锡报告预测AIGC每年可为全球经济带来4.4万亿美元收益——约为世界第四大经济体德国的GDP。未来，新的飞轮将驱动制造业持续高质量发展。
（二）微观运行效率提升机制
AIGC融入制造业发挥的核心作用，即借助算力基础与算法模型的支持，充分运用承载特殊价值的数据要素，通过大规模的运算处理与预测匹配，实现在不同场景中自动化、智能化地产生一种或多种可衡量结果的方式，并将其用于应对特定的业务挑战之中。在此过程中，由于自适应性与运转性的存在，AIGC能够借助基础层大规模的数据分析与挖掘修正产业链各环节的信息不完全，逐步促进操作层算法模型与场景的适配，进而在应用层提高产业运行效率，实现生产要素配置的优化并改进社会整体福利。AIGC的并行性与创造性推动了AIGC与制造业的智能化融合，有助于培育高端生产要素，革新各产业生产模式，提升生产力和生产质量，最终促进全要素生产率的提升。目前，制造业的人工智能应用范式已初具雏形，AIGC的探索逐渐覆盖制造业的研发设计、生产管控、客户运营、经营销售等产业链各环节。从需求与供给两个角度结合AIGC的技术—经济特征，可将微观部分AIGC的作用机制分为两大途径（见图2）。
发挥运转效应，优化资源配置效率
AIGC的运转效应（Leveraging Operational Effects）指AIGC充分发挥其“智能运转”特性，提高制造业产业链各流程的要素衔接契合度与应用的匹配效率，通过对数据的学习与灵活应用逐步实现特定的目标和任务，大幅降低经济运行的摩擦成本与组织成本，最终通过优化资源配置实现微观运行效率的提升。
在研发设计环节，AIGC能够加强早期研究分析中关于市场报告、构思以及产品或解决方案的起草，利用“虚拟设计”“虚拟仿真”等技术加快研发环节的智能化运转。AIGC可直接增强产品设计，帮助产品设计师更有效地选择和使用材料，同时，能够优化制造设计，降低各类物流和生产成本。此外，AIGC可改进产品测试流程和产品质量，缩短复杂系统的测试时间，通过其草拟场景和描述测试候选者的能力，加快客户测试的试验阶段，进而生产出更高质量的产品，提高产品的吸引力和市场号召力。
在生产管控环节，AIGC将促进软件工程与传统生产的融合，促使制造业生产管控趋向智能化转型。首先，AIGC能够协助软件工程师和产品经理分析、清理和标注大量数据，例如，用户反馈、市场趋势和现有的系统日志，及时关注、引导客户需求，以此完成生产规划的优化。其次，工程师利用AIGC可创建多个IT架构设计，并对潜在配置进行迭代，进而加速系统设计，缩短产品上市时间。再次，AIGC能够帮助工程师完善编码工作，通过协助起草、快速查找提示以及充当易于浏览的知识库，减少开发时间。最后，基于对系统生产日志、用户反馈和性能数据的洞察力，AIGC能够帮助诊断问题并提出修正建议。
在客户运营环节，以数字自助为核心的智能服务能够改善客户体验与运营压力，融入AIGC的新型客户服务将彻底推动传统客户运营职能发生变革。一是AIGC的客户自助服务能够即时、个性化地作出应答，通过提高自动化渠道互动的质量和效率自动回复更多的客户咨询。二是AIGC高效的“智能运转”特性使其在初次接触客户反映的问题时就能及时检索企业掌握的特定数据，根据实际场景作出响应，进而有效提高初见问题的解决率。三是AIGC可实时为客户提供行之有效的建议与帮助，大幅缩短客户运营的响应时间。
在经营销售环节，AIGC的主要驱动力是基于文本的通信和大规模的个性化能力，不仅可以根据客户的个人兴趣、偏好和行为创建个性化信息，而且能够完成品牌广告初稿、标题、口号、社交媒体回帖和产品说明等任务。一方面，AIGC可大幅减少营销文本的创作时间，促进不同内容的一致性，确保统一的写作风格与形式，维持高效的内容创作。另一方面，AIGC能够加强数据的有效利用，通过解释文本、图像和不同结构等抽象数据源，帮助营销部门克服非结构化、不一致和互不关联的数据带来的挑战。同时，利用AIGC可通过文本、图像和语音等多模态输入以及对客户资料的深入了解，实现产品发现和搜索的个性化，更好满足消费者需求。
2.激发飞轮效应，提升全要素生产率
在飞轮效应描述的场景中：为使静止的飞轮转动，必须消耗足够的初动能推动飞轮旋转，当飞轮达到一定的额定速度后，飞轮自身具有的动量和动能可使其克服较大的阻力维持原有运动。此时，花费较小的动力就可推动飞轮的高速旋转。AIGC的飞轮效应（Flywheel Effect）指AIGC凭借“数据+算力+算法”三要素的驱动，利用集成基础大模型的问答、代码生成与模拟预测等通用能力可逐步实现不断优化资源配置与创新技术形成的良性循环，进而在生产力提升与技术进步的推动过程中促进全要素生产率的提升。根据AIGC的作用路径，飞轮效应可分为“生产飞轮”与“创新飞轮”。
一方面，AIGC能够直接作用于产品的生产，智能化运转产品的设计、生产、质检、成品等各阶段，驱动“生产飞轮”，提高生产效率以促进全要素生产率的提升。以目前AIGC应用最广泛的软件工程为例，AIGC可减少大量工作必须花费的时间，诸如生成初始代码草案、代码修正和重构、根本原因分析以及生成新的系统设计，等等。AIGC通过加速编码过程可将软件工程所需的技能组合和能力推向代码和架构设计，大幅提高工作效率。有数据显示，使用微软GitHub Copilot的软件开发人员完成任务的速度较不使用该工具的开发人员快56%。另一方面，AIGC能够推动技术自动化的发展潜力，加速知识的积累与形成，促进“创新飞轮”，刺激技术的发展与进步，为后续创新铺平道路，进而实现生产前沿面的扩张。2021年7月，DeepMind发布首个通过氨基酸序列预测蛋白质结构的人工智能模型AlphaFold，一年之内，在AIGC的运作下该模型实现了几乎所有科学已知的已编目蛋白质结构的完整预测。数月后，第一种完全由人工智能发现和设计的新型药物展开二期临床试验。AIGC正高速驱动创新内容的生成，有望在未来实现生产力的跃迁，将全要素生产率提升至新境界。
（三）AIGC对制造业发展的负面影响
AIGC在提高资源配置效率、促进全要素生产率以及释放经济潜力的同时，还将产生数据偏见、监管危机等问题，对制造业个体企业甚至宏观制造业的发展带来负面影响。
数据偏见与数据偏误
AIGC的数据偏见与数据偏误影响模型预测的有效性与准确性，不利于保障和提高微观企业个体权益及运转效率。一方面，AIGC运行过程中可能会吸收训练数据资源中包含的偏见，呼应、自动并延续社会偏见、成见和歧视，进而在模型中排斥特定类别的群体。另一方面，数据偏误造成的负面影响被放大，AIGC会加剧虚假信息的无意传播或恶意者蓄意造谣的风险。例如，利用AIGC将特定场景中的文本、图像、视频甚至声音等结合使无意的错误信息或有意的欺骗在个人层面造成实质性伤害，在更大范围内削弱社会对信息生态系统的信任，进而影响经济系统的运行机制与效率。
2.市场监督的结构性错位
AIGC在制造业领域应用过程中可能出现发展与监督的结构性错位，加剧AIGC创作内容的知识版权、所有权等权益监管危机，不利于制造业的宏观高质量发展。首先，关于AIGC训练模型中涉及的数据版权问题，通常包括大量受版权保护、但未经权利人授权的数据。未经授权使用受版权保护的数据是否构成侵权？如果构成侵权，是否应有允许训练机器学习模型的例外情况？2020年5月，世界知识产权组织秘书处对该问题进行明确探讨，但未得出权威一致的监管处理方式。此外，人工智能产生的新成果是否可以申请版权或专利，如果可以，由谁申请？有观点认为，人工智能自主生成的作品不享有版权。但欧洲法院（ECJ）规定，如果作品反映了“作者自己的智力创造”，可将著作权归属于为机器创作奠定基础的人。整体而言，AIGC的监管仍存在诸多不足与缺陷，一定程度影响制造业全面化、系统化的趋向智能化转型。
四
AIGC推动智能制造转型的制约因素
前文界定了AIGC的概念涵盖，将AIGC的产业结构分为基础层、操作层与应用层，梳理了AIGC的自适应性、运转性与并行性三大主要技术—经济特征。在此基础上，笔者厘清了AIGC融入制造业的深层机制，从宏观和微观角度探讨了宏观高质量发展的逻辑路径和AIGC促进制造业微观运行效率提升，分析了AIGC对制造业产业发展的负面影响。笔者将结合AIGC的发展现状与典型事例，从基础层、操作层、应用层进一步探究AIGC推动制造业智能化转型的制约因素。
（一）基础层：基础设施建设不完善制约
基础层的数据集成与算力基础设施建设是AIGC推动制造业智能化转型的前提。自2020年5月，工业和信息化部发布《关于工业大数据发展的指导意见》明确提出“建设国家工业互联网大数据中心，支持优势产业上下游企业开放数据”以来，我国数据资源的集成与供给能力显著提升。据IDC统计，我国数据规模将从2021年的18.51ZB增长至2026年的56.16ZB，复合年均增长率为24.9%，增速位居全球第一。同时，我国算力规模实现高速增长，2021年，我国智能算力规模达155.2每秒百亿亿次浮点运算（EFLOPS），算力基础得到相应补充。但AIGC产业的发展、AI场景多样化和数据的井喷式增长，使算力消耗成倍增加，对数据集成与算力基础提出新的挑战。整体而言，我国AIGC产业发展在基础层的基础设施建设仍不完备，不利于智能化产业的高效运转。
一方面，数据基础建设不完备，数据的质与量成为基础层制约AIGC推动制造业智能化转型的首要因素。首先，随着数据量的高速增长，数据特征高维、模态格式多样的趋势逐渐明朗，相应地使数据的AI建模更加复杂，涉及研究对象的多变量维度，例如，时间、空间维度，计算复杂度随之呈指数变化，数据标注难度与管理成本有所增加。其次，海量的数据将不可避免地带来更大的数据噪声问题、数据偏见风险，数据质量的优化成为难点，为模型如何有效利用好数据、发挥数据要素的价值带来更大挑战。当前，我国关于数据集成及处理等相关基础性建设仍处于初级阶段，对数据“量”的把控与“质”的跟进存在较大提升空间。一是“重体量轻质量”现象突出，我国数据中心建设规模迅速扩大的同时，忽视了建设质量的跟进，数据存储和处理能力等方面存在效能不高、安全风险高、能耗高等不足，导致数据中心有效利用率不高。二是“重建设轻保护”问题显著，我国数据基础设施的灾备覆盖率和灾备投资为34%和2%，低于发达国家水平，表明我国的数据基础设施数据保护能力有待进一步提升，数据安全灾备体系建设仍需健全和完善，离“保质增量，稳固安全”的数据基础建设标准存在差距，不利于AIGC产业的智能化运转。
另一方面，算力基础建设不完备，算力的不均衡发展成为基础层阻碍AIGC推动制造业智能转型的关键因素。狭义上的算力基础设施指提供算力资源的基础设施，主要以算力资源为主体，包括底层设施、算力资源、管理平台和应用服务等，涵盖超算中心、数据中心和智算中心等能够提供多样性服务的算力体系。广义上的算力基础设施指融合算力生产、算力传输和IT能力服务为一体的ICT服务。近年来，我国算力基础发展迅速，但整体建设水平尚不完备，发展不均衡限制了AIGC产业的进一步发展。具体而言，一是算力基础建设的发展内容不均衡，“重硬件轻软件”情况初显。据统计，我国大型数据中心呈现快速增长趋势，占数据中心比重超过80%。硬件建设布局稳步推进，政府数据开放平台数量从2012年的3个增加至2021年的193个，增长了63倍。但软件建设有所欠缺，急需打造完整的开发软件栈，满足企业针对不同训练推理数据格式和量级进行底层编译以及融合调度和统一运营管理的需求。二是算力基础建设的发展分布不均衡，不同区域的算力发展水平参差不齐。我国算力基础设施主要包括超算中心、智算中心、数据中心和城市大脑四类形态，目前处于同步建设中。截至2022年末，我国有11个城市具备超算中心与智算中心，多数地区仍处于规划建设中，算力基础建设存在较大的提升空间。
（二）操作层：算法模型适配不具体制约
操作层的算法模型及技术运用是AIGC推动制造业智能化转型的核心驱动力。随着数字经济的发展与技术的进步，人工智能算法模型呈现多样化、巨量化、专业化等特征，算法基建化发展对实现制造业的智能化转型具有重要作用，绿色高效、可应用性强等成为主要诉求。截至2023年10月，中国和美国研发的大模型数量占全球总数的80%以上，参数规模在10亿以上的大模型中国有79个，仅次于美国。现阶段，如何将操作层的算法模型与制造业产业实际运用相适配成为推动制造业智能化转型的主要问题。
一方面，通用算法模型与实际应用场景不适配，应用场景多元化与复杂化增进了模型操作难度。制造业中工业任务和场景复杂多变，不同行业的工业机理、生产流程、产品工艺等存在较大差异，虽然AIGC能够大幅提高经济运行效率与全要素生产率，但现阶段AIGC的算法模型无法满足制造业产业各阶段的场景适配。例如，西门子与行业AI巨头展开合作，借助AIGC赋能产品质检，通过部署微软Azure机器学习和西门子Industrial Edge工业边缘解决方案，以期通过简单便捷的方式扩大质量、控制规模。但高度碎片化的工业场景在短时间内无法与算法模型逐一适配，解决一个场景问题，通常需要多个任务的深度融合，涉及多任务统一建模等问题，因此，对算法提出更高挑战。工业数字化是万亿级市场，也是万亿级市场的组合。对细分领域而言，较难有足够多可用的数据从预训练阶段开始训练大模型，通用大模型无法适配聚焦细分领域的场景需求，这种天然的矛盾会阻碍大模型的发展。因此，操作层需针对不同场景、不同任务生产大量的算法或模型，不仅加剧了重复性工作量与研发的投入，而且使AI开发门槛和研发效率问题日益显著。
另一方面，算法模型开发与经济转换能力不适配，若不能在短时间内将技术层面的研发有效转换为经济层面的产出，成本压力将日益加剧。当操作层的算法模型与技术从实验室环境走向制造业企业生产环境，由于研发环境与开发目的存在差异，企业更多关注技术投入的高效能与低成本，经济转换能力成为衡量算法模型的决定性参照。但目前较为传统的单向任务模型的反复开发和训练导致成本增加，进而成为AIGC赋能制造业智能化转型的关键阻碍。我国是制造业大国，2021年，我国工业增加值达4.87万亿美元，占全球29.8%，但IT支出占比仅为14.64%，同产业规模不匹配问题严重。经济转换能力不足限制企业对新兴算法模型的研发与应用，致使我国工业智能的渗透率偏低。根据凯捷统计，欧洲顶级制造企业AI应用普及率超过30%，我国制造业企业AI普及率仅为11%。整体而言，我国制造业的智能化发展与国际前列水平相比仍存在一定差距，算法模型的适配制约成为制造业智能化转型必须克服的难题。
（三）应用层：产业运转衔接不充分制约
应用层产业的智能运转与衔接能力是AIGC推动制造业智能化转型的重要保障。对于制造业企业而言，智能化转型体系庞大、过程漫长，涉及范围较广，不同业务或部门之间的运转衔接尤为重要。智能制造评估评价公共服务平台公布的制造业企业数据综合分析显示，截至2022年，我国仅有4%的制造企业实现了各环节的衔接与智能运转，达到四级及以上高成熟度的深度智能化；12%的制造业企业正向三级成熟度水平迈进，处于网络化集成及单点智能状态；53%的制造企业仍处于一级、二级智能化成熟度，尚不具备系统化智能运转的能力。综合而言，产业运转衔接能力不足是制约制造业智能化转型的关键问题，主要有两方面原因。
一是产业内尚未形成系统化的AIGC管理与应用的配套框架，阻碍智能化转型步伐。首先，缺乏数据管理机制和保障。由于在基础层数据集成过程中缺乏统筹性规划，诸多制造企业未建立有效的数据管理机制和保障，数据来源复杂、数据质量参差不齐、数据口径不统一等问题广泛存在，致使数据不可识别、数据冗余重复、数据精度不够、数据时效逾期等现象频发，进而影响AIGC的生成内容，导致数据结果与实际情况出现偏误，难以支撑上层应用。其次，数据整合能力有限。制造企业本身的系统具有分散性，财务、经销、供应链等不同环节均存在各自的数据体系，多数企业并未建立有效的数据整合机制。相关人员运用AIGC进行数据分析及应用时需耗费大量时间对各系统、内外部的数据进行整合、清洗，不仅影响业务完成的进度，而且效率无法满足企业的运行需求。再次，算法模型的应用能力不足。目前，制造企业内真正实现AIGC有效应用的环节不多，算法模型的应用场景匮乏、分析维度单一、形式简单固化、应用深度不足等问题显著。如何充分匹配通用大模型与制造业领域的场景充分匹配成为推动制造业深度智能化转型的难点问题。
二是企业内部AIGC人力资源匮乏，人才储备不足限制制造业转型的运转与衔接。人才是AIGC与制造业融合的关键，也是提升智能制造国际竞争力最重要的资产。随着制造业转型升级的步伐逐渐加快，产业规模与用人需求日益增长，中国电子信息产业发展研究院联合智联招聘发布《2022年智能制造人才发展报告》数据显示，2022年智能制造领域招聘职位数同比增长53.8%，2020-2022年招聘职位数同比增幅均在50%以上。随着人工智能落地场景复杂度的增加，传统的单项性技术人才已无法满足制造企业的发展需求，亟须更多兼具业务能力和AI技术运用能力的复合型创新人才。人力资源和社会保障部预测，到2025年，智能制造领域人才需求将达900万人，人才缺口预计为450万人。因此，为克服应用层产业运转的衔接制约，未来还需更多综合性人才投入制造业智能化转型的建设之中。
五
AIGC融入制造业的现实路径
现阶段，我国制造业在吸收应用AIGC技术、数据要素和数字基础建设等方面存在一定门槛，需进一步完善基础设施建设、具化算法模型匹配、深化产业运转衔接，以培育优良的制造业产业转型生态，加快智能制造转型步伐。按照AIGC的产业结构层次，可具体探究AIGC在基础层、操作层、应用层融入制造业的实现路径。
（一）基础层：打造智能制造基础底座
AIGC作为新一代人工智能技术的代表，是颠覆与重构传统制造业生产方式、生产模式的关键性力量，其蕴含的巨大发展潜能和产业协同效应是培育新动能、推动新发展、拓展新空间的重要支撑。
在制造业中，智能制造的本质是应用最新工业工程及数字网络技术（移动互联网、边缘计算、大数据、人工智能、物联网等），重新审视企业现有流程与生产组织方式，实现企业在供应、营销、设计及制造等领域的经营创新，全面推动企业向生产智能化、管理智能化、运营智能化方向转型，进而满足客户敏捷性、个性化、服务化需求。AIGC已成为现阶段打造智能化制造的基础底座和驱动制造业智能化转型的关键驱动力。AIGC贯穿制造业产业链的设计、生产、物流、售后等环节，推动制造业数字化及智能化的演进可分为四个阶段：自动化生产线与生产设备、设备互联与数据采集、数据的打通与直接应用、数据智能决策与控制执行。在此过程中，各阶段的基础建设与推进并非相互独立，制造业智能化转型的过程可能同时跨越多个阶段。在AIGC技术—经济特征作用下，传统制造业工厂数字化、智能化水平达到一定程度就可以实现以智能决策为核心的执行控制与自适应，实现完整的智能制造转型。
目前，AIGC在基础层面融入制造业的具体路径主要有两条：一是数据基础性建设的完善，通过提升算力、算据等方面的能力以稳固制造业智能化转型的基础。二是基于数据的初级智能化应用开发，通过直接集成基础大模型的问答、代码生成等通用能力提升传统制造业产业的运行效率。例如，Salesforce、微软、ABB、用友等在CRM、ERP、生产管理等软件接入大模型，有助于提升专业软件的数据分析、文档管理、知识问答等辅助能力。
（二）操作层：创新算法场景发展动能
在操作层，AIGC的飞轮效应与创新驱动提升了各类算法模型的创新性与适配能力，实现部分传统产业在某些环节难以满足的特定需求，为制造业的智能化转型提供有效助力。以ChatGPT、Llama等为代表的大模型技术拉开了迈向通用人工智能的序幕，AIGC成为全球经济增长的重要着力点，为制造业的智能化带来全新空间。基于Transformer、U-Net等架构的基础模型成为生成式人工智能进入制造领域的基础，向量数据库、MaaS等成为重要的数字基础设施。在算法模型驱动下，工业和制造业各场景的经济效益被充分挖掘，AIGC为智能制造的转型提供创新动能。
一是通过提高大模型在制造业场景中的通用性与泛化性匹配，在普遍场景中充分发挥AIGC的识别水平和模型迁移性，实现算法模型在基础任务和特定行业任务上的匹配落实。进言之，模型参数和模型结构在学习过程中不断丰富，将深度学习平台作为制造业智能化转型的核心载体，能够加快GPU、CPU、ASIC、FPGA等多类型芯片的软硬适配，进而在自定义优化、统一硬件接口、自动化编译等方面提升模型训练速度，以满足更多零碎化工业制造业场景需求。二是通过微调、外挂知识库等方式聚焦制造业特定领域，在细分场景中实现创新，增加新的功能与服务。例如，Authentise通过对12000篇科学增材制造论文的精调，推出3DGPT用于增材制造技术的问答库，使用户可以获得诸如“在使用粉末不锈钢时如何减少缺陷的可
能性”等专业问题的答案，大幅提高该领域工作人员处理相关问题的效率。
（三）应用层：催生产业运转新兴模式
AIGC是人工智能1.0时代进入2.0时代的重要标志，其不仅是代表性技术，而且是生态系统，代表传统产业革新演变的机遇。随着数字化程度的不断推进，AIGC将通过技术整合与数据渗透催生新的制造业产业运转模式，形成高度智能化的“数字化工厂”（Digital Factory），掀起新一轮制造业产业革命浪潮。数字化工厂是运用数字技术、大数据、人工智能、物联网等先进技术，连接生产线和生产设备，实现高效、自动化、智能化、自适应的先进制造模式。在AIGC的驱动下，这种制造模式在设计、生产、质量、物流、环保等领域可逐步实现数据的实时感知、存储、分析、决策和控制，有助于降本增效、提高产品质量、提升客户满意度和创造核心价值。
具体而言，AIGC在应用层融入制造业催生数字化工厂的路径有两条：一是大方向的专属大模型设定，从预训练开始构建制造业领域的专业大模型，为产业链各流程的智能化转型奠定基础。例如，创新奇智发布的制造业大模型AInno-15B，可在工业生产环节实现基于AIGC的自动化，包括ChatRobot生成式工业机器人任务编排应用、ChatBI生成式企业私域数据分析应用、ChatDoc生成式企业私域知识问答应用，等等。二是企业内的功能化子系统植入，包括产品生命周期管理系统（Product Lifecycle Management，PLM）、企业资源计划系统（Nterprise Resource Planning）、制造业管理系统（Manufacturing Operations Management，MOM）、仓库管理系统（Warehouse Management System，WMS）、布式控制系统（Distributed Control System，DCS），等等。上述子系统共同构成数字化工厂的核心，各系统全面集成、融合后能够形成新兴的智能制造创新平台，进而推动制造业智能化转型。
