工信部原副部长杨学山：人工智能在制造业落地的几点思考
人工智能在制造业的应用已取得显著成效（一）“索洛悖论”在AI时代再度凸显
1988年诺贝尔经济学奖得主Robert Solow发布了一个著名的论断“We see the computer age everywhere except in the Productivity Statistics”。随后人们对IT投资的实际收益和期望收益不一致的现象称为“生产率悖论”。其实质是指为什么信息技术革命的出现与统计上的劳动生产率、全要素生产力增长水平下降相伴随的问题。而我们似乎正目睹这一悖论在AI时代重演，甚至以更复杂的形式出现，有经济学家称之为“现代索洛悖论”或“AI索洛悖论”。
根据麻省理工学院2025年研究报告，全球企业在生成式人工智能领域累计投入300–400亿美元，但高达95%的企业尚未获得实质性回报。这表明人工智能技术尚未充分转化为生产力提升，存在“技术渗透率高而经济效益低”的现象。
（二）需警惕人工智能领域泡沫化倾向
瑞银证券等机构指出，国内外部分AI企业存在“循环融资”（过去几个月OpenAI先后与甲骨文、英伟达、AMD签下1.4万亿美元的基建大单）、重基建轻应用等现象，可能掩盖真实商业逻辑，形成局部泡沫。必须引导人工智能发展与实体经济需求紧密结合，避免脱离实际、盲目投入。
（三）全要素生产率增长乏力
相比劳动生产率或资本效率，全要素生产率更能反映一个经济体的综合竞争力，它代表了除资本和劳动之外，制度、技术、管理、资源配置等因素的贡献。根据国家统计局数据，2000–2021年间我国全要素生产率年均增长率仅为3.6%，反映出在资本与劳动之外，技术、管理、制度等要素对经济增长的贡献仍有较大提升空间。人工智能作为关键赋能技术，其成效最终应体现在全要素生产率的持续提升上。
（一）制造业具有不可替代的基础作用
没有现代化的制造业，农业、服务业、数字经济等都将失去赖以发展的物质基础与技术支撑。制造业是人工智能、数字经济等新兴技术发展的土壤与载体。
（二）制造业智能化演进路径清晰
从机械化、电气化到自动化、数字化、信息化，再到如今的智能化，制造业技术发展具有明显的阶段性与连续性。必须遵循产业规律，扎实打好各阶段基础，不能盲目跨越。
（三）国家政策明确指向制造强国建设
党的二十大及二十届四中全会多次强调“构建以先进制造业为骨干的现代化产业体系”，明确提出“坚持智能化、绿色化、融合化方向”，为人工智能在制造业的应用指明了方向。
新质生产力由技术革命性突破、要素创新性配置、产业深度转型升级催生，必须立足本地禀赋与企业实际，科学理性推进，防止一哄而上、脱离实际。
（二）践行“一把钥匙开一把锁”的工作方法
不同行业、企业、车间乃至工序，其问题属性、数据基础、工艺特征均不相同。必须深入具体场景，厘清“什么数据、什么算法、什么模型”，实现精准施策。
（三）重视内源性数据积累与模型构建
制造业90%以上数据源于内部生产、管理与运营过程。宝钢、东方电气等企业的成功实践表明，只有基于长期积累的工艺数据与行业知识，构建自主、持续的模型优化能力，才能实现真正意义上的智能制造。
（四）典型案例提供有益借鉴
1.云南白药：通过“雷公大模型”贯穿“种好药、开好药、讲好药、供好药”全链条，体现数据驱动业务增值。
（一）数据从哪来？制造业90%以上的有效数据来自内部：设备日志、工艺参数、质量检测、供应链流转……外部数据虽重要，但内部数据才是智能系统的“血脉”。
（二）算法如何选？不必盲目追求“大模型”。很多场景下，一个回归分析、一个图像识别小模型、一个工艺优化算法，就能解决真实问题。关键是匹配度，而非复杂度。
（三）价值怎么算？投入必须能在企业财务报表上体现为成本下降、效率提升、质量改进、收入增长。只有进入财务系统、影响全要素生产率的AI，才是真正的“生产力”。
（四）如何可持续？系统应具备迭代能力：能随着工艺改进、产品升级、市场变化而持续优化。避免“项目制”交付后即成“孤岛”。
