AI革命正推动数字经济从依赖软件复制、平台网络效应和流量变现的轻资产模式，，迈向以认知能力规；；；卣鞯墓ひ祷Ｊ。。。。 。其焦点转变在于，，原本依附于人的履历、明确、判断和相一律隐性认知能力，，最先由模子、算力和软件辖档同续生产，，并转化为可执行、可验收、可付费的智能供应。。。。 。围绕智能供应，，工业化数字经济逐步形成“物质底座—智能供应—组织中介—场景兑现”的四层工业结构。。。。 。由于智能供应的生产和交付一连消耗算力、电力等资源，，并依赖基础设施一连投入，，数字经济最先受到更多物理条件约束，，泛起出重资产化特征。。。。 。与此同时，，全球竞争名堂也在重塑：美国优势集中在前端智能供应，，挑战在于商业兑现；；；中国优势在于工业工程化和规；；；┥ⅲ，挑战在于前沿供应能力缺乏，，由此形成两条差别的生长路径。。。。 。随着智能供应进入市。。。。 。，市场生意工具逐步扩展至详细使命，，各经济体运行的本钱结构、资产形态和较量优势也将随之重构。。。。 。工业化数字经济的增添，，源于智能供应一连进入工业并一直创立新需求，，在降低使命本钱、催生新使命和新市场的历程中，，形成供应扩张与需求吸收相互强化的价值循环。。。。 。
要害词 | 工业化数字经济 智能供应 组织中介层 四层结构 全球价值链
研究员 | 周子彭 彭文生 熊督闻 黎芝源 苏思雨 李娜 陆趣 张锞暄
内容提要
? AI革命正在推动数字经济从轻资产的平台模式，，转向以认知能力规；；；沟愕墓ひ祷Ｊ剑，即工业化数字经济。。。。 。AI让原本依附于人的履历、明确、判断和相一律隐性认知能力，，最先由模子、算力和软件辖档同续生产，，具备可拆解、可计量、可编排和可交付的特征。。。。 。已往三十年，，数字经济依托软件低本钱复制、平台网络效应和流量数据变现。。。。 。但现在，，每一次模子推理、工具挪用和智能体执行都消耗算力、能源、存储和网络资源，，数字经济泛起出重资产特征。。。。 。
? 工业化数字经济的焦点机制，，是将认知能力转化为可以进入市场和企业流程的智能供应。。。。 。企业愿意一连付费的，，是能够进入真实使命并形成可验收、可追踪、可复用效果的能力。。。。 。围绕这一历程，，工业化数字经济逐步形成“物质底座—智能供应—组织中介—场景兑现”的四层结构。。。。 。物质底座层提供算力和能源；；；智能供应层提供模子与推理服务；；；组织中介层通过智能体、知识库、毗连器和系统集成，，将模子能力转化为可执行事情流；；；场景兑现层则决议智能供应能否进入详细营业。。。。 。随着智能体逐步从展示信息转向取代用户执行使命，，数字经济的入口形态由争取用户注重力，，进一步扩展到争取使命执行权，，推动“注重力经济”向“署理经济”演进。。。。 。
? 智能供应进入工业，，离不开供应端与需求端的协同演进。。。。 。供应端要降低本钱、提高质量。。。。 。需求端要刷新数据、系统、流程、权责和验收机制。。。。 。两者的相对速率决议AI投资体现为产能建设、阶段性过剩、供应缺口或缩短型过剩。。。。 。目今全球泛起智能供应前端快速扩张、下游吸收分化的特征。。。。 。AI投资集中于数据中心、芯片、模子和云平台，，电力接入与装备交付成为硬约束。。。。 。企业应用虽快速增添，，但大都仍处于试点阶段，，瓶颈逐渐由模子性能转向辖档同接、流程刷新等环节。。。。 。
? 工业化数字经济由此形成两条路径。。。。 。美国依托资源、超大规模算力、前沿模子、云平台和全球客户，，集中建设与全球分发，，但挑战在于资源接纳压力和模子商品化。。。。 。中国虽受先进芯片、超大规模算力和前沿模子供应约束，，但拥有完整工业系统、富厚场景和较强工程交付能力。。。。 。中国路径的要害，，是提高有限算力效率，，将项目履历沉淀为可复制的方案和标准，，同时补足前沿供应能力。。。。 。中美两条路径正在配合塑造全球AI的工业名堂。。。。 。
? 随着认知能力成为新的中心投入，，数字经济的市场生意工具将会从岗位、完整服务和软件工具进一步拆分为使命与能力单位。。。。 。商业价值创立既来自降本，，也来自需求扩张。。。。 。智能供应降低认知能力本钱，，使原本难以生意的需求进入市。。。。 。，并通过供应扩张、使命降本、新需求形成、收入增添、使用反馈和能力刷新形成循环。。。。 。企业需要识别哪些通用能力可以外部挪用，，哪些与流程、数据和责任相关的能力必需内部沉淀。。。。 。市场的竞争优势将向基础设施平台与贴近场景和交付的专业主体两头集中。。。。 。
? 沿重资产化逻辑，，仍有三个开放问题。。。。 。首先，，若是现有AI手艺架构趋于稳固，，智能供应的增添是否会越来越由算力、电力、数据和工程投资驱动。。。。 。相反，，一旦架构泛起跃迁，，那么现有的牢靠资产是否会快速贬值？？？其次，，前沿模子的性能领先事实具有多大的商业价值？？？大都场景需求是否次前沿模子即可知足，，地缘经济竞争是否又会制度性放大差别区域的AI能力差别。。。。 。最后，，面临中美资源开支差别，，中国应怎样在填补立异投资缺乏与防止重复建设之间取得平衡，，使投入沉淀为恒久资产而非无效产能。。。。 。
? 这三个问题配合指向一个基本判断，，当认知能力的生产最先依托牢靠资源和系统化组织，，AI就不再只是一项伶仃的数字手艺，，而成为一套深度嵌入能源、资源、工程、企业组织和工业场景的新生产方式。。。。 。工业化数字经济的恒久增添潜力，，最终取决于智能供应能否一连进入市场和企业流程，，毗连真实需求，，并在使用反馈中形成可支付、可验收、可复制和可扩张的价值闭环。。。。 。
每一次重大的手艺革命，，都会改变经济增添的供应基础。。。。 。工业革命之以是主要，，是由于体力、动力和生产组织方式爆发了系统性转变。。。。 。蒸汽机、电力、内燃机和盘算机都曾在差别时期突破旧有生产约束，，使更多资源能够被重新组织，，更多需求能够被一连创立。。。。 。手艺自己并不会自动带来增添，，只有当一种新能力能够被稳固生产、普遍设置，，并进入工业系统，，手艺革命才会真正改变经济运行方式。。。。 。
本轮人工智能革命也应放在这一脉络中明确。。。。 。已往三十年，，数字经济主要建设在软件复制、互联网平台和数据流通之上。。。。 。软件一旦完成开发，，复制和分发的边际本钱较低。。。。 。平台企业依赖用户规模、网络效应和流量入口扩大商业价值。。。。 。围绕这一阶段形成的剖析框架，，通常强调轻资产、低边际本钱、高毛利清静台生态。。。。 。这一框架诠释了互联网时代的许多征象，，也组成了市场对数字经济的基本明确。。。。 。
但人工智能正在改变数字经济的生产方式。。。。 。从用户前端看，，大模子仍然输出文字、图片、代码、方案和对话，，似乎仍属于数字产品和软件服务。。。。 。但从后端看，，每一次模子推理、每一次工具挪用、每一次智能体执行，，都需要一连消耗算力、能源、芯片、存储、网络和数据中心资源。。。。 。更主要的是，，一部分已往依赖人的履历、明确、判断和相同能力，，最先能够由模子、算力和软件辖档同续提供。。。。 。数字经济的焦点产出，，正在从信息和软件进一步扩展到认知能力。。。。 。
这意味着，，数字经济正在进入一个具有工业化特征的新阶段。。。。 。原本主要依附于人的能力，，最先转向由牢靠资源、基础设施和系统化组织一连生产。。。。 。制造业工业化一经使体力劳动和生产手艺逐步挣脱手工业者个人履历的限制，，今天的人工智能则正在推动部分认知能力挣脱对个体履历的简单依赖。。。。 。认知能力由此最先具备可生产、可计量、可挪用和可交付的特征。。。。 。
这一转变正在重构数字经济的基本问题。。。。 ；；；チ贝，需要回覆的焦点问题是软件怎样复制、平台怎样扩张、流量怎样变现。。。。 。进入人工智能时代以后，，问题酿成了，，认知能力怎样被生产，，怎样定价，，怎样进入企业流程，，又怎样被工业系统吸收。。。。 。只管模子能力一直提升，，但生产率改善并不会自动泛起。。。。 。数据中心、电力、芯片和资源开支重新成为数字经济的主要约束。。。。 。？？茨Ｗ咏档土酥悄芄┯γ偶鳎，行业软件、系统集成和智能体又成为毗连手艺与工业的新环节。。。。 。这些征象批注，，继续沿用轻资产互联网框架，，已经缺乏以诠释人工智能带来的经济转变。。。。 。
本报告将这一新阶段称为工业化数字经济。。。。 。AI革命的深层影响，，在于最先让认知能力成为一种可以一连生产的新供应。。。。 。围绕这一供应，，新的工业结构、组织方式和全球分工正在形成。。。。 。数字经济也由此从以信息分发清静台毗连为主，，逐步转向以智能供应和工业融合为主。。。。 。
本报告围绕四个问题睁开。。。。 。
第一，，人工智能为什么会推动数字经济工业化。。。。 。报告从隐性认知与人的关系切入，，说明AI怎样使一部分履历、明确、判断和相同能力转向由模子、算力和软件系统肩负。。。。 。认知能力一旦能够被一连生产，，数字经济的本钱结构和资产形态就会爆发转变，，重资产投入、能源约束和基础设施能力的主要性随之上升。。。。 。
第二，，认知能力怎样转化为智能供应。。。。 。模子可以被挪用，，并不料味着它已经进入经济运行。。。。 。企业真正需要的是能够进入使命、流程和组织的可执行能力。。。。 。工业化数字经济正在形成由物质底座、智能供应、组织中介和场景兑现组成的四层结构。。。。 。智能体、事情流、毗连器、行业软件和系统集成，，将成为通用模子能力进入工业系统的主要中介，，并蕴含较大的商业潜力。。。。 。
第三，，全球智能供应系统怎样睁开。。。。 。前端模子、算力和云平台具有较强规模经济，，容易向少数企业和经济体集中。。。。 。要害硬件、能源设施、工业软件和外地服务又依赖差别地区的工业基础。。。。 。越靠近场景兑现，，越需要外地数据、客户关系、羁系规则和工程交付能力。。。。 。中国、美国的路径正在形成差别，，面临着差别的优势和挑战。。。。 。
第四，，工业化数字经济怎样改变增添范式。。。。 。随着部分认知环节可以被计量、定价、挪用和交付，，市场生意工具将从完整岗位、完整服务和软件工具，，进一步扩展到详细使命和能力单位。。。。 。企业分工也会从岗位和部分，，进一步下沉到使命、责任和反馈环节。。。。 。智能供应既可能降低现有使命本钱，，也可能释放原本因本钱过高而无法形成生意的新需求。。。。 。新的价值创立在提升效率的同时，，更构建起供应扩张、需求形成和工业吸收之间的循环。。。。 。
因此，，明确工业化数字经济，，需要跳出对简单模子性能或特定岗位存废的探讨。。。。 。更主要的问题是，，认知能力怎样像其他主要生产要素一样实现一连供应，，进而深度嵌入企业和工业流程，，最终形成可支付、可验收、可扩张的需求。。。。 。只有当这一循环逐步闭合，，人工智能才会从手艺突破转化为真正的经济增添。。。。 。
工业化数字经济的意义正在于此。。。。 。它逾越了古板数字经济的简朴延续与古板工业化在数字领域的重复，，标记着数字经济在人工智能条件下迈入新阶段。。。。 。认知能力进入生产、市场和组织之后，，商品形态、企业分工、全球价值链和增添泉源都将随之转变。。。。 。这一转变已经最先，，但其经济影响仍在睁开。。。。 。怎样明确这一历程，，将决议我们怎样看待未来的工业竞争、投资偏向和增添空间。。。。 。
一、工业化数字经济：解绑认知能力
AI之以是改变数字经济，，是由于生产活动第一次获得了新的认知能力供应。。。。 。随着认知能力能够被一连生产，，数字经济的生产方式也最先爆发转变，，并逐步泛起出工业化特征。。。。 。古板的数字经济生产信息和软件，，但其最焦点的隐性认知能力始终依赖于人。。。。 。现在，，模子、算力和软件系统最先肩负一部分原本只能由人完成的认知事情，，已往保存于人脑中的履历、明确和判断，，现在可以由机械辖档同续提供，，实现规；；；桓。。。。 。AI对企业的资源开支和本钱结构会爆发深层的影响，，隐性认知能力第一次可以像其他生产要素一样由牢靠资源一连生产，，数字经济的生产方式也因此从依赖个人逐步转向依赖工业化系统。。。。 。
（一）古板数字经济的轻资产模式
已往三十年的数字经济建设在三大支柱之上，，即软件复制本钱趋零、平台网络效应与流量数据变现。。。。 。软件一旦完成开发，，复制和分发的边际成内情对有限，，因而互联网平台新增用户的边际本钱通常低于古板工业部分。。。。 。平台企业的竞争优势主要来自用户流量入口、数据沉淀、算法分发、生态锁定和广告或生意变现。。。。 。在这一模式下，，数字企业泛起典范轻资产特征，，研发、人力、品牌和用户运营是主要投入，，其规模约束来自网络效应与用户注重力，，而非物理产能（图表1）。。。。 。
图表1：古板数字经济的轻资产模式约束主要来自流量入口、用户规模和注重力
资料泉源：中金研究院
轻资产模式塑造了一种较为盛行的看法，，数字经济似乎挣脱了“物质约束”。。。。 。信息可以近乎零本钱复制与传输，，代码可以跨地区分发，，平台可以在网络效应下快速扩张，，价值创立似乎逐渐与资源、能源、产能等物质要素脱钩。。。。 。因此，，关于数字经济的剖析大多围绕平台经济、反垄断、内容分发清静台生态睁开，，对工业生产链、资源开支、能源约束和中心品系统的讨论则相对缺乏。。。。 。
轻资产模式是互联网时代的主要特征，，它的隐含条件是数字经济的焦点产品主要是已经开发完成的软件或平台服务。。。。 。AI之前，，数字经济的竞争焦点往往在于争取流量入口，，企业的战略目的是把用户规模转化为生态锁定，，把生态锁定转化为流量变现，，最终把流量变现转化为利润率。。。。 。
AI正在改变这一模式。。。。 。虽然用户在前端看到的仍然是文字、图片、代码、方案、判断和对话，，但后端运行机制已经从一段可以无限复制的静态代码转向一套一连消耗算力、能源、存储和网络资源的认知生产系统。。。。 。每一次模子挪用、每一次推理盘算、每一次Agent执行，，都是一次认知能力的天生历程。。。。 。AI逾越了功效牢靠的软件，，提供可按使命需求动态天生、凭证上下文一直调解、连系外部工具完成事情的认知能力。。。。 。
（二）隐性认知解绑与工业化数字经济
AI使数字经济具有工业化特征，，基础原因在于它解绑了隐性认知能力1与人的关系。。。。 。已往，，数字经济主要处理信息和软件，，但真正需要履历、明确、判断和重大相同的环节仍然依附于人。。。。 。软件和信息可以低本钱复制和分发，，但生产活动中难以规则化表达、却能够稳固完成的隐性认知能力，，却很难脱离详细的人被一连生产。。。。 。AI带来的转变，，是使一部分原本依赖人的隐性认知最先由模子、算力和软件系统肩负。。。。 。由此，，数字经济在生产信息和软件之外，，也最先生产认知能力，，生产方式也朝着工业化系统演进。。。。 。所谓“工业化”或者“工业生产”，，只管有差别的界说，，但焦点指的都是让原本依附于个人履历和手艺的生产活动，，最先转向依赖牢靠资源和成系统的生产组织。。。。 。制造业工业化，，是体力和手艺从手工业者身上部分解绑，，转向机械、厂房、能源和流水线。。。。 。AI推动的数字经济工业化，，则是隐性认知从专业职员身上部分解绑，，转向模子、算力和软件系统。。。。 。已往，，人是认知能力的主要载体。。。。 。现在，，牢靠资源最先成为认知能力的主要生产载体。。。。 。
恒久以来，，由于隐性认知很难被写陋习则，，解绑隐性认知一直被以为是不可能的事情。。。。 。古板软件能够处理的是规则清晰、路径牢靠、输入输出结构明确的使命，，例如盘算、检索、录入、审批流转等。。。。 。一旦规则被写成代码，，机械就可以重复执行。。。。 。但大宗生产活动中的认知事情运行方式并非云云。。。。 。方案设计、风险研判、客户相同、谋划决议等使命，，往往是人类依赖履历积累，，凭证情境明确和综合判断完成的，，很难被提前写成完整规则。。。。 。20世纪80年月的专家系统曾试图突破这一约束。。。。 。它把差别领域的专家的履历和判断整理陋习则库，，让机械按规则处理问题。。。。 。但实践很快袒露出“知识获取瓶颈”，，许多专家能够做出判断，，却很难还原出判断背后的所有逻辑规则。。。。 。
而大语言模子没有沿用这一思绪，，神经网络可以直接从大宗样本中学习输入和输出之间的关系，，形成靠近人类判断的效果漫衍，，并把这种能力沉淀到模子参数中。。。。 。参数并非一条条规则，，即便训练模子的人也很难从中还原出清晰的判断历程。。。。 。大模子的泛起并未让隐性认知变得可以“说得清晰”，，却能够被机械系统复现2。。。。 。
陪同着“解绑”，，隐性认知能力具备了可拆解、可计量、可编排的三个属性。。。。 。？？刹鸾庵傅氖侨现方诳梢源诱迨虑橹胁鸪隼矗，形成界线清晰的使命单位。。。。 。？？杉屏恐傅氖侨现芰Φ牟龊捅厩梢员涣炕，即每一次模子挪用都会消耗算力、时间和能源，，其投入和产出都能够被核算。。。。 。而可编排指的是差别认知使命能够像生产工序一样，，被组织进统一个事情流程，，与数据、工具和软件系统协同完成更重大的使命。。。。 。
当这三个条件建设时，，认知能力的生产方式就基本知足了工业生产的典范要求。。。。 。首先，，是规；；；囊。。。。 。已往，，认知能力主要依赖人的履历积累和恒久作育，，增添供应意味着增添职员。。。。 。现在，，认知能力越来越依赖模子、算力和软件系统，，扩大供应更多依赖增添算力和基础设施投入，，而非招聘和培训更多专业职员。。。。 。其次，，是一连生产的要求。。。。 。已经写陋习则的软件可以重复复制，，新增本钱主要来自挪用次数，，与使命自己的庞洪水平关系不大。。。。 。可是隐性认知差别，，每一次使命都需要连系新的输入重新完成推理和天生。。。。 。最后，，是标准化生产的要求。。。。 。以往认知事情的质量很洪流平取决于人的履历和能力，，差别人之间很难坚持一致。。。。 。现在，，模子的能力可以通过数据、训练和一连优化一直刷新，，使得认知产出的稳固性越来越高，，而人与人之间的能力差别，，则更多体现在模子训练和工程优化上。。。。 。
这就是“工业化数字经济”的内在所在。。。。 。数字经济最先以工业化方式组织认知能力的生产，，使认知能力供应逐步挣脱对个人履历的简单依赖，，转向由模子、算力等牢靠资源与系统化生产系统一连提供（图表2）。。。。 。
图表2：从隐性认知到工业化生产
资料泉源：中金研究院
虽然，，现在并非所有认知活动都所有进入工业化生产。。。。 。如前沿科学研究、重大责任决媾和重大价值判断等，，仍然主要依赖人。。。。 。不过，，AI的应用规模会随着手艺前进一直扩大，，逐步推进到更多使命与场景。。。。 。但这并非特例，，工业革命也履历了从纺织业逐步扩展到钢铁、化工等部分的历程，，并未同步刷新所有行业。。。。 。
（三）数字经济的重资产化
当认知能力最先实现工业化生产，，数字经济的运行逻辑也会随之爆发转变。。。。 。古板数字经济的焦点特征，，是软件和内容可以在一次开发后重复复制，，并通过互联网渠道低整天职发；；；而大模子所提供的认知能力，，则不但是一次性开发完成的软件产品。。。。 。无论是模子训练、推理，，照旧工具挪用和Agent使命执行，，都需要算力、能源、网络、存储等基础设施一连加入。。。。 。因此，，数字经济正在从已往以轻资产复制为主，，逐步转向越发依赖牢靠资源和物理资源投入的重资爆发产。。。。 。
这里所说的重资产化，，并不料味着AI企业已经酿成古板制造企业，，也不料味着数字经济的轻资产属性完全消逝。。。。 。AI产品仍然是数字化的，，服务交付仍然在线完成，，算法、数据和工程能力仍然是价值创立的主要泉源。。。。 。但在认知能力生产这一要害环节，，数字经济越来越依赖真实的资源投入、能源消耗和装备更新。。。。 ；；；谎灾，数字经济的重资产化，，实质上是认知能力生产方式转变之后，，在资产结构、本钱结构和投入结构上的集中体现。。。。 。
数字经济的重资产化，，首先体现在牢靠资源投入显著上升。。。。 。古板数字企业的主要投入集中在研发、人力、软件开发、内容生产清静台运营等环节。。。。 。软件一旦完成开发，，后续复制和分发的边际成内情对较低，，企业可以依赖规模扩张摊薄前期研发本钱。。。。 。大模子泛起后，，这一模式爆发了转变。。。。 。企业不但需要投入资金举行模子研发，，还需要前置投入巨额资源购置芯片、建设数据中心、安排训练集群和推理集群，，并一连投入存储系统、电力包管、模子清静和运维能力。。。。 。AI相关基础设施不再只是数字服务的后台支持系统，，而逐渐成为认知能力的焦点生产资料。。。。 。
这一点可以从AI模子和基础设施企业的资源投入强度上获得印证。。。。 。与古板互联网平台相比，，AI相关企业对训练集群、推理集群、AI芯片、数据中心、网络互联和存储系统的依赖更强，，资源开支压力也更高（图表3）。。。。 。这是由认知能力生产方式自己决议的。。。。 。当认知能力需要依托算力基础设施天生时，，仅靠代码、流量和网络平台是不敷的，，数字经济的价值创立越来越依赖芯片、机房、电力和散热装备等牢靠资源。。。。 。
图表3：AI模子企业的资源投入强度更高
注：接纳各企业2025财年数据，，图中OpenAI和Anthropic的资笔僻出并未宣布，，仅凭证其宣布的未来投资妄想估算。。。。 。
资料泉源：各公司官网和财报，，中金研究院
更主要的是，，这些牢靠资产在每一次认知能力天生历程中一连加入生产。。。。 。模子越强、上下文越长、使命越重大、多模态处理能力越强，，单次服务背后所需要的算力和能耗就越高。。。。 。因此，，数字经济的本钱结构也随之转变。。。。 。已往的主要本钱更多集中在前期研发、内容生产和用户获。。。。 。，后续依赖低本钱复制实现规；；；。。。。 。而AI时代的认知能力供应，，则需要在每一次挪用中一连投入盘算资源，，其本钱会随着挪用规模、使命重漂后和推理长度上升而一直增添。。。。 。
这一转变使AI服务的经济属性差别于古板软件复制。。。。 。模子权重可以被安排和复用，，但详细的认知能力需要在挪用历程中被实时生产出来。。。。 。随着使命重漂后提高，，模子需要处理的信息更多，，推理历程更长，，所消耗的Token数目和盘算资源也会随之增添。。。。 。有研究显示，，当使命完成时间增添10倍时，，所需Token消耗约增添15倍（图表4）。。。。 。这批注，，认知能力的供应是一个一连消耗盘算资源的生产历程。。。。 。由此，，数字经济的本钱不再只是开发完成后的摊销问题，，而越来越成为一连生产历程中的资源消耗问题。。。。 。
图表4：使命重漂后提高会带来更多的Token消耗增添
注：纵轴为时间跨度，，体现人类完成响应使命通常需要的时间；；；横轴为Token跨度，，体现以o3-mini作为统一参照模子，，解决响应使命通常需要消耗的推理token数。。。。 。每个点代表一个模子在不输出思索链（no-CoT）条件下的50%能力界线，，即该模子对响应难度使命的平均乐成率约为50%。。。。 。二者在对数坐标下高度相关，，但推理token消耗随使命难度上升得更快。。。。 。
资料泉源：Gould et al. (2026)3，，中金研究院
从更深层看，，牢靠资源投入和一连推理本钱的上升，，最终改变的是数字经济价值创立所依赖的投入结构。。。。 。古板互联网服务的价值创立，，更多来自软件复制、流量组织、平台毗连和网络效应。。。。 。而AI模子服务的价值创立，，则越来越依赖芯片、电力、装备折旧和数据中心运维等真实盘算投入。。。。 。图表5显示，，AI模子服务收入背后的盘算相关投入占较量高，，其中包括硬件折旧和能耗等本钱。。。。 。这使得认知能力生产在经济属性上更靠近工业制造，，它交付的是数字化服务，，但生产历程越来越依赖物理装备、能源消耗和资源品更新。。。。 。
图表5：AI的价值创立在投入结构上更靠近工业生产
注：AI模子栏展示的是实测盘算本钱与API价钱之比，，实测盘算本钱数据来自Zhuang et al. (2025)，，其中主要是硬件折旧本钱和能耗，，GPT-OSS的价钱接纳OpenRouter、AIMLAPI、Together AI、Fireworks AI、Groq五家供应商的中位数价钱，，Qwen和Mistral接纳官方API价钱；；；工业和服务业栏展示的是2024年美国各行业物质消耗与总产出之比，，其中物质消耗包括装备与修建折旧、能源和物资消耗。。。。 。
资料泉源：Zhuang et al. (2025)4，，各公司官网，，BEA行业生产账户数据，，中金研究院
因此，，数字经济重资产化，，外貌上体现为装备和数据中心投入增添，，其背后是生产方式转变后的自然效果。。。。 。当认知能力需要一连生产，，资源投入就不会只集中于软件开发清静台运营，，而将更多转向算力、能源、芯片、网络和数据中心等牢靠资源。。。。 。明确这一点，，有助于更好地看待目今AI相关投资、资源开支和能源需求的上升。。。。 。其中虽包括短期热度，，但更反映了认知能力工业化生产之后，，数字经济本钱结构和资产形态的转变。。。。 。
（四）重构工业化数字经济下的经济剖析
AI解绑了生产活动中隐性认知依附于人的约束，，使一部分履历、明确、判断和相同能力最先可以一连生产和规；；；┯。。。。 。已往受制于人力储备、履历积累和组织能力的许多生产环节，，第一次获得了新的供应泉源。。。。 。关于经济剖析而言，，这一转变的主要性在于AI可能改变了人类生产活动中的一个要害约束条件。。。。 。
从历史履历看，，重大手艺革命之以是会改变经济运行方式，，往往是由于它们释放了某种基础能力，，并使其进入工业化生产系统。。。。 。第一次工业革命通过机械化突破了体力劳动的极限，，第二次工业革命通过电力和内燃机拓展了能源使用和空间设置的界线，，第三次工业革命则通过盘算机提高了信息处理效率。。。。 。每一次基础能力被释放，，都会改变生产函数中的要害投入、瓶颈约束和组织方式，，并最终反映在恒久经济增添体现上（图表6）。。。。 。因此，，目今AI对隐性认知能力的解绑，，不应只被明确为新一轮手艺应用扩散，，更应被明确为对经济剖析框架提出的新要求。。。。 。当认知能力自己成为可以被生产、设置和生意的工具，，数字经济的本钱结构、价钱机制、要素禀赋和工业组织都需要重新审阅。。。。 。
图表6：基础能力释放与恒久GDP增速中枢转变
注：图表展示差别历史阶段的GDP年均复合增添率，，用于说明重大手艺革命通；；；岣谋渚迷诵兄械慕沟阍际秃憔迷鎏硖跫。。。。 。资料泉源：DeLong（1998）5，，中金研究院
也正因云云，，讨论工业化数字经济，，并不是为了给AI增添一个新的看法，，而是为了说明数字经济剖析的出发点已经爆发转变。。。。 ；；；チ贝钠饰隹蚣埽，主要建设在软件复制、平台网络效应和流量变现之上。。。。 。其焦点问题是软件怎样低本钱复制，，平台怎样扩大用户规模，，以及流量怎样转化为收入。。。。 。而AI时代的焦点问题，，进一步转向认知能力怎样生产、怎样定价、怎样设置，，并最终怎样被工业吸收。。。。 。若是继续沿用轻资产、低边际本钱、高毛利、网络效应和流量入口等旧剖析框架，，就可能误判AI企业的本钱结构、资源回报、工业结构和恒久扩张界线。。。。 。因此，，在讨论AI能够创立多大经济价值之前，，更需要先明确工业化数字经济下的经济运行逻辑。。。。 。
首先，，需要重新明确认知能力生产的本钱结构。。。。 。已往三十年，，软件和互联网平台塑造了一套财务直觉，，数字经济自然轻资产、低边际本钱、高毛利、快扩张。。。。 。但认知能力的生产和一次开发、无限复制的软件代码差别，，关于AI模子企业和智能基础设施企业而言，，仅视察用户增添、收入增速和毛利率已经缺乏，，还需要同时关注资源开支、折旧周期、单位经济性和产能使用率。。。。 。沿用轻资产时代形成的剖析框架，，已经难以准确诠释认知能力生产企业的本钱、产能和周期。。。。 。
其次，，需要重新明确认知能力的价钱机制。。。。 ；；；チ贝纬闪艘恢稚钊肴诵牡脑て冢，即数字内容最终会变得很自制，，甚至趋于免费。。。。 。其背后的逻辑依旧是信息复制的边际本钱趋近于零。。。。 。而认知能力的每一次挪用都会爆发真实的物理消耗。。。。 。随着模子能力提升和推理效率改善，，其价钱可以一连下降、应用规模一直扩大，，但本钱不会消逝。。。。 。未来，，企业可能像治理电费、云服务一样治理智能账单，，认知能力支出也可能成为损益表上的一项恒久本钱。。。。 。因此，，剖析AI服务的经济价值，，除了要关注价钱，，还要看单位智能本钱、价钱传导机制和企业对智能支出的遭受能力。。。。 。
再次，，需要重新界说AI时代的禀赋优势。。。。 。已往十年，，数字经济最盛行的叙事之一是“数据是新的石油”。。。。 。数据仍然主要，，但更多体现在模子训练和产品优化阶段。。。。 。AI大规模应用以后，，推理阶段一连消耗的是算力、电力、芯片、数据中心和网络基础设施。。。。 。恒久一连消耗的生产要素，，往往决议工业结构。。。。 。正如电解铝工业倾向于结构在低本钱电力地区，，认知能力的生产同样会向能源充分、电价稳固、基础设施完善、工程能力较强的地区集聚。。。。 。能源禀赋、算力基础设施和工程化能力，，也将成为AI时代新的较量优势泉源。。。。 。
由此，，对AI经济影响的判断，，也不可只停留在“能够替换几多劳动”“能够创立几多应用”或“能够带来几多增添”这些效果性问题上。。。。 。更基础的问题是：认知能力自己怎样被生产，，以什么本钱被供应，，通过什么价钱机制被设置，，又在哪些工业场景中能够被有用吸收。。。。 。增添取决于智能供应能否进入企业流程、改变生产组织，，并与现实工业系统形成有用连系。。。。 。同样，，价值最终沉淀于那里，，也取决于模子、算力、数据、应用、场景和渠道等差别环节在本钱肩负和收益分配中的位置。。。。 。
因此，，AI对经济的影响，，不但是提高某些环节的效率，，也不但是创立新的应用形态，，而是使认知能力自己成为可以被生产、设置和生意的经济工具。。。。 。响应地，，经济剖析也应建设以认知能力生产、智能价钱机制、算力能源约束、基础设施投入、工业吸收能力和价值分配结构为焦点的新框架。。。。 。只有在这一框架下，，才华更准确地明确AI资源开支上升、智能服务定价转变、能源和算力基础设施主要性提升，，以及数字经济由轻资产扩张转向重资爆发产的深层逻辑。。。。 。
二、智能供应与工业融合
工业化数字经济的焦点特征在于认知能力挣脱了人类个体供应的局限，，转化为可以由模子、算力和软件辖档同续生产的能力。。。。 。认知能力可以被生产，，并不即是它就自动可以转化为经济增添，，这个历程至少需要跨越四个环节。。。。 。首先，，认知能力需要酿成可以计量、定价和挪用的智能供应。。。。 。其次，，智能供应需要通过组织中介层进入企业事情流。。。。 。同时，，企业需要在数据、流程、系统和组织上完成吸收与刷新。。。。 。最后，，供应侧扩张和需求侧吸收需要形成动态匹配。。。。 。只有这些环节逐步闭合，，认知能力的工业化生产才可能从手艺供应转化为现实经济活动。。。。 。
（一）认知能力转化为智能供应：从可挪用到可执行
认知能力指完成明确、判断、天生、相同和妄想等使命的能力自己。。。。 。它可以保存于个人和组织，，也可以部分保存于模子和软件系统中。。。。 。但从经济剖析角度看，，仅仅说明认知能力可以被生产还不敷，，只有当认知能力能够被计量、定价、挪用、交付，，并嵌入详细事情流，，它才真正进入经济运行历程，，成为可以一连生产、设置和生意的能力供应。。。。 。我们将这种认知能力进入市场和企业流程后的供应形态，，界说为智能供应6（图表7）。。。。 。
图表7：从认知能力生产到智能供应
资料泉源：中金研究院
要使认知能力成为经济供应，，首先需要解决计量问题。。。。 。只有能够被计量，，才华进一步被定价、生意和设置，，Token正是在这个意义上成为智能供应形成的起点。。。。 。Token把模子推理与算力、电力、芯片折旧和模子服务价钱毗连起来，，使认知能力最先具备商品化计价基础。。。。 。Artificial Analysis的数据显示，，抵达OpenAI o1水平模子的综合推理本钱从2024年12月约14.25美元/百万tokens下降至2026年3月约0.042美元/百万tokens，，降幅凌驾99%（图表8）。。。。 。一律能力的认知输出正在变得更自制、更容易被挪用，，也因此更靠近一种可规；；；┯Φ闹行耐度。。。。 。
图表8：大模子推理本钱泛起下降趋势
注：智能评分由Artificial Analysis Intelligence Index v4.0凭证多项测试的评分综合得出，，评分和模子信息数据抽取日期为2026年7月5日。。。。 。资料泉源：Artificial Analysis7，，中金研究院
本钱的下降和接口的可挪用性，，不料味着在现实营业中可直接执行。。。。 。企业付费是由于某项事情能够更快、更自制、更稳固地完成，，或者已往难以完成的使命变得可行。。。。 。因此，，智能供应的标记是模子能力可以进入真实的事情流中。。。。 。单次挪用可以天生文本、代码或建议，，但若是缺少对现实营业的明确、底层工具的毗连和最终效果的验证，，它仍然只能在少数细分的场景完成使命。。。。 。只有进入事情流，，认知能力才可能肩负详细使命，，并形成可验收的交付效果。。。。 。
从这个角度看，，智能供应的形成是一个从可挪用到可执行的历程。。。。 。？？膳灿媚芰κ侵赶低吃谖沼没У牡ゴ吻肭蠛螅，举行单回合推理并直接输出效果，，可执行能力则要求模子能力被嵌入一连使命链，，能够读取数据、挪用工具、维持上下文、检查中心效果、处理异常，，并在需要时引入人工复核（图表9）。。。。 。智能供应并不是认知能力的简朴规；；；，而是认知能力从只能天生内容，，生长到能够真正完成使命的经济形态。。。。 。
图表9：单次模子挪用与事情流交付的经济差别
资料泉源：中金研究院
这种从单次模子挪用向事情流交付的跨越，，恰恰对应着卡尼曼双系统中慢思索与快思索的认知分工8。。。。 。AI大模子在吸收到特定指令输入后，，基于神经网络，，连忙返回输出效果，，体现出高速率、低延迟等特征，，可类比人类认知中依赖直觉与模式识别的系统一。。。。 。然而，，工业岗位所要求的交付效果，，通常容错率较低、逻辑约束强，，纯粹依赖系统一可能会泛起幻觉或因缺乏知识效果泛起误差。。。。 。事情流通过引入显式的多步妄想、界线校验与自我纠错等，，使用工程化架构与算法机制在外部重塑系统二。。。。 。这种双系统的协同机制，，不但在手艺层面上缓解了模子原生的随机性与幻觉风险，，也在经济层面确保了智能供应能够有用笼罩从直觉响应到严密推演的所有环节。。。。 。
由此看，，智能供应的要害在于模子能力怎样被外部流程组织起来。。。。 。单次模子挪用提供的是离散能力，，事情流交付需要的是毗连、编排、校验和交付机制。。。。 。正是在这一环节上，，一个介于通用模子和详细场景之间的组织中介层最先变得主要，，并推动工业化数字经济从划分主要关注基础设施、通用模子和应用场景三方面的层级架构，，演化为包括组织编排认知能力的组织中介在内的四层结构。。。。 。
（二）工业化数字经济的四层结构：组织中介层与署理经济
通用模子可以天生单次效果，，却难以自然适配企业流程中的权限、系统工具和效果验证等。。。。 。智能供应要真正进入工业，，须解决通用模子能力与企业事情流之间的衔接问题。。。。 。模子的主要功效在于天生单次效果，，而企业流程则需要组织编排认知能力来完成一连串使命。。。。 。在企业通常需要面临的法务、财务、客服等场景中，，智能系统不但要明确指令，，还要接入企业私有数据、挪用内部系统和工具、遵守企业权限治理、校验效果，，并留下可追踪的执行纪录。。。。 。
早期，，市场和工程界一度倾向于以为，，只要一连提高峻模子能力，，模子就可以自觉完成大宗组织事情。。。。 。但随着代码智能体、通用Agent终端和企业事情流编排工具快速生长，，人们逐渐发明，，在模子之外构建一个认真毗连、编排、验证和交付的组织中介，，往往能够更好地肩负慢思索和流程执行功效。。。。 。由此，，古板意义上的三层结构，，最先演化为包括组织中介层在内的工业化数字经济四层结构（图表10）。。。。 。
图表10：工业化数字经济的四层运行结构
资料泉源：中金研究院
四层结构中，，物质底座为算力和能源基。。。。 。，认真提供芯片、服务器、数据中心、电力、冷却、网络和终端算力。。。。 。第二层智能供应层提供模子和推理服务，，包括基础模子、推理服务、模子权重、API和云端模子服务。。。。 。第三层组织中介认真毗连、编排、验证和交付，，提供Agent、RAG、MCP、毗连器、事情流、行业软件、系统集成和私有化安排。。。。 。第四层场景兑现则完成工业吸收和价值实现，，使智能供应最终进入各个行业的详细营业。。。。 。
以AI Agent为代表的组织中介层自推出后便迅速生长，，其积累的手艺数目（图表11）和用户规模均实现了大幅增添9。。。。 。作为OpenAI推出的AI Agent产品，，Codex自宣布以来快速普及，，阻止2026年6月，，其非开发者个人用户较2025年8月增添137倍，，企业用户增添189倍10。。。。 。Hermes Agent的周度挪用量也从2026年3月的约191亿Token增添至6月的5.63万亿Token11，，三个多月增添约295倍，，反映出AI Agent用户接纳规模和现实使用需求的快速提升。。。。 。组织中介层崛起的底层原因在于通用编排具有规模优势。。。。 。专用编排可以针对某个行业或企业深度适配，，但复用规模有限。。。。 。通用编排处理的是跨场景重复泛起的问题，，包括使命拆解、工具挪用、上下文维护、权限控制、效果验证等。。。。 。只要这些问题在多个行业和多个营业流程中重复泛起，，通用编排就具备了规；；；从玫目赡。。。。 。因此，，组织中介不止简朴地组合手艺工具，，更将通用认知能力转化为可执行事情流的规；；；行牟。。。。 。
图表11：主流AI Agent的Skill数目快速增添
资料泉源：SkillsMP12，，中金研究院
若是说四层结构说明的是智能供应怎样进入工业，，那么组织中介层进一步改变的，，则是数字经济的入口形态。。。。 ；；；チ贝，数字入口主要服务于人的信息获取、内容浏览和生意选择。。。。 。可是，，当Agent能够取代用户执行使命时，，入口的焦点功效就可能从“展示信息”转向“完成目的”，，推动数字经济从“注重力经济”迈向“署理经济”（图表12）。。。。 。在互联网时代，，平台企业主要争取人的注重力，，通过搜索、内容、社交和生意入口实现流量变现13。。。。 。智能供应进入事情流以后，，新的入口可能逐渐转向使命执行。。。。 。用户的行为不再局限于点击、浏览和较量，，而是给系统下达目的，，由系统完成检索、天生、相同、购置、开发和治理。。。。 。由此，，数字经济可能从以注重力分发为焦点，，逐步增添以署理执行为焦点的商业结构。。。。 。这种转变并纷歧定意味着古板平台会连忙失效，，更多是体现在平台营业功效的拓展，，即在原有的信息展收流量指导基础上，，进一步延伸至详细使命的最终交付。。。。 。
图表12：组织中介层的泛起有可能攻击互联网的“注重力经济”
资料泉源：中金研究院
不过，，组织中介层的泛起只是降低了智能供应进入营业流程的门槛，，并不料味着工业融合自动完成。。。。 。只管Agent能够协助模子实现工具挪用与使命执行，，企业对智能供应的现实接纳水平仍受到数据连通的机制、底层系统的协同、流程重组等多重因素的制约。。。。 。由此，，问题从“智能供应怎样进入事情流”，，进一步转向“工业系统怎样吸收智能供应”。。。。 。
（三）工业融合：智能供应与工业需求的配合演进
工业融合意味着通用认知能力与行业既有要素的重新组合，，涉及行业数据、营业流程、手艺系统等多个维度，，逾越了纯粹的AI工具叠加。。。。 。智能供应具备执行详细细分使命的潜力，，但仍未完全融入生产流程。。。。 。只有当它被嵌入企业真实使命，，能够与数据、系统和流程协同，，并形成可验收效果，，才算完成从手艺供应到工业需求的转换。。。。 。
这一转换需要供应端和需求端配合演进。。。。 。供应端的使命是降低智能供应的使用门槛，，提高其经济性、稳固性、可毗连性和可验证性。。。。 。一方面，，推理本钱的下降突破了规；；；褂玫谋厩诶荩，模子能力的提升则筑牢了质量底线。。。。 。另一方面，，标准化的工具挪用与接口协议大幅削减了辖档同接本钱，，私有化安排及行业知识库进一步深化了场景适配能力。。。。 。最终，，通过AI Agent事情流，，离散的天生能力被更细密地转化为可控的生产要素。。。。 。
需求端的使命则是提高工业场景的吸收能力。。。。 。企业需要对营业举行周全的调解，，包括对营业流程的重新梳理、数据系统和内部系统的买通、调解流程并划分人类员工与智能系统的协作界线，，同时建设效果验收和责任确认机制。。。。 。关于许多企业而言，，模子自己的获取较为容易，，焦点难点在于怎样将模子能力有用嵌入自身的营业流程。。。。 。这也是为什么企业AI接纳率上升，，并不直接等同于生产率的提升。。。。 。
从场景看，，高度数字化、效果较易验证、责任界线相对清晰的场景最容易率先融合。。。。 。软件开发是典范场景之一，，Microsoft Research关于GitHub Copilot的实验显示，，在特定编程使命中，，使用AI辅助编程工具的开发者完成使命速率比比照组快55.8%14。。。。 。虽然这一效果并不可简朴外推到所有编程使命，，但这也批注，，当使命目的清晰、工具链数字化、效果可测试时，，智能供应更容易嵌入事情流并带来效率改善。。。。 。
工业融合仍然面临多重壁垒，，同时受到手艺、组织和商业三个层面的约束（图表13）。。。。 。其一，，使命界线是否清晰、数据是否可用以及系统是否连通，，决议了模子能否真正进入企业流程。。。。 。其二，，效果是否能够验证、责任是否能够界定，，决议了人工智能能否进入金融、医疗等高责任场景。。。。 。其三，，收益能否一连计量和兑现，，则决议了企业是否愿意一连投入，，并推动工业融合一直深化。。。。 。
图表13：工业融合的主要壁垒与应对机制
资料泉源：中金研究院
这些壁垒意味着，，AI接纳率和生产率改善之间并不保存逐一对应关系。。。。 。企业可以较快采购模子服务、安排插件或开展试点，，但要让智能供应真正改变生产模式，，还需要更慢的组织调解和流程重构。。。。 。重大通用手艺在生长早期普遍保存手艺前进快于经济回报的索洛生产率悖论15征象。。。。 。AI具有其经济价值，，但充分兑现需要企业在数据、流程、组织、岗位和责任界线上举行再设计。。。。 。目今，，从智能供应扩张到生产率提升，，中心保存组织吸收和流程重构的传导阻隔。。。。 。这种阻隔导致手艺无法直接转化为生产力，，消解的历程越慢，，宏观生产率体现越滞后。。。。 。因此，，工业融合不但是一个应用推广的问题，，更应把它看成是智能供应能否转化为有用需求的焦点机制。。。。 。
一旦把工业融合明确为需求吸收机制，，下一步判断的重点就由AI供应扩张的速率转向了下游需求吸收的进度。。。。 。供应和需求的相对速率，，将决议AI投资事实体现为未来产能建设，，照旧阶段性过剩压力。。。。 。
（四）过；；Ｕ站扇狈Γ汗┯┱庞胄枨笪盏亩胶
工业化数字经济的四层结构是一个供应扩张与需求吸收之间的动态循环。。。。 。物质底座扩张提高智能供应能力，，智能供应本钱下降扩大可应用使命规模，，组织中介降低工业接入门槛，，场景兑现形成收入、反馈和再投资。。。。 。只有这条循环闭合，，认知能力的工业化生产才会从手艺供应转化为经济增添。。。。 。
这一循环的要害在于供应和需求的相对速率。。。。 。供应侧可以通过资源开支、模子迭代和基础设施建设快速扩张，，需求侧则需要企业逐步完成智能供应和企业自身流程的融合。。。。 。前者可以集中推进，，后者往往疏散爆发。。。。 。正由于云云，，AI投资的经济性子除了需关注资源开支规模，，更要关注下游场景是否形成一连挪用、付费和反馈。。。。 。
若是智能供应扩张较快，，而场景需求吸收同样较快，，资源开支就更可能体现为产能建设。。。。 。而供应扩张快、需求吸收慢，，则可能泛起低使用率资产、价钱竞争和投资回报压力。。。。 。同样的，，一旦供应扩张慢而需求吸收快，，则会形成供应瓶颈。。。。 。而两头都慢，，则手艺应用可能陷入低频试点和缩短型过剩。。。。 。上述由供需扩张与吸收节奏差别所驱动的差别经济体现，，配合组成了工业化数字经济的周期波动（工业化数字经济时钟）（图表14）。。。。 。由此看，，工业化数字经济的焦点问题在于智能供应和工业需求能否实现同步匹配，，进而形成正反馈机制。。。。 。
图表14：工业化数字经济的周期波动
资料泉源：中金研究院
三、现实希望：全球智能供应系统与中美路径的差别
随着AI投资和应用一连升温，，工业化数字经济的四层结构正进入现实运行阶段。。。。 。目今最突出的特征是：物质底座和智能供应率先扩张，，组织中介加速形成，，场景兑现仍处于规模落地早期。。。。 。由于各层所依赖的禀赋能力和市场条件差别，，全球智能供应系统也最先泛起路径分化。。。。 。美国在资源、算力、前沿模子清静台生态上坚持优势，，商业回报仍待进一步验证。。。。 。中国在前沿算力受限的情形下，，依托富厚应用场景和工程交付能力，，推动智能供应向实体经济扩散，，同时也面临前沿模子能力差别扩大的风险。。。。 。
（一）四层结构初露雏形：供应先行，，吸收分化
智能供应进入经济系统，，模子挪用只是能力释放的起点。。。。 。认知能力要形成稳固供应，，需要物质底座、智能供应、组织中介和场景兑现四个层级配合睁开，，并在工业链和营业流程中形成顺畅的传导链路。。。。 。目今，，全球智能供应系统已具备雏形，，但差别层级推进节奏并不平衡。。。。 。物质底座和智能供应扩张较快，，组织流程刷新和场景兑现相对滞后，，前端投入与下游吸收之间已经泛起节奏差。。。。 。
这种分化首先体现在资源投向上。。。。 。AI虽然以软件和算法形式泛起，，但其规；；；┯θ丛嚼丛揭览敌酒⒎务器、高速网络、数据中心、电力和冷却系统等物理基础设施。。。。 。前沿模子训练需要集中投入GPU、存储、网络和工程能力，，模子微协调推理也会随着挪用规模扩大，，一连消耗算力、内存、网络和能源。。。。 。因此，，AI能力的形成和交付，，已经逐渐脱离互联网时代一次性研发、低本钱复制的扩张逻辑，，转向一连投入装备和运营资源的生产历程。。。。 。全球私人AI投资结构也显示，，2025年资源投向主要集中于AI基础设施、模子、研究与治理等前端环节，，物质底座和智能供应是投入重点。。。。 。数据治理与处理、AI Agent等组织中介工具投资同步上升，，说明智能供应正向企业内部流程渗透（图表15）。。。。 。
图表15：全球私人AI投资集中于物质底座层和智能供应层
资料泉源：Stanford HAI《2026 AI Index Report》，，中金研究院
物质底座层投资快速扩张，，已有一定现实需求支持。。。。 。数据中心空置率下降、租金上升，，以及头部云厂商条约积压与资源开支同步增添（图表16、图表17），，显示底层投资在一定水平上对应客户需求和订单兑现。。。。 。随着数据中心规模扩大、机柜功率密度上升，，算力需求进一步向电力、要害装备和工程建设环节传导，，智能供应瓶颈也从芯片和模子延伸至电力电网等资源接入，，以及工程建设、装备交付和冷却系统等环节的建设周期约束。。。。 。物质底座层因此成为扩张最快、最先展现重资产约束的环节。。。。 。
图表16：数据中心空置率下降、租金一连提升
资料泉源：CBRE16，，中金研究院
图表17：Google Cloud待履约订单同步上升
资料泉源：公司财报，，中金研究院
能源和装备供应的滞后，，进一步强化了这一约束。。。。 。国际能源署预计，，全球数据中心用电量将由2024年的约415太瓦时增至2030年的约945太瓦时，，年均复合增速约15%，，增速为其他用电部分平均水平的4倍以上，，其中AI将成为最主要的增量泉源17。。。。 。与需求增添相比，，电力和装备供应扩张保存显着滞后。。。。 。2025年在美国实现商业运营的发电项目，，从并网申请到正式投运的中位时间已凌驾5年；；；大型变电装备、备用发电机等要害装备交付周期同步延伸，，美国数据中心相关装备平均交付期待时间由2019年的约23周增至2025年的42周（图表18）。。。。 。目今AI基础设施需求增添已最先凌驾部分上游环节的建设和交付能力。。。。 。
图表18：电力接入和要害装备交付周期成为AI基础设施扩张的硬约束
资料泉源：Lawrence Berkeley National Laboratory18，，美国能源部19，，Stream Data Centers20，，JLL21，，中金研究院
物质底座扩张的同时，，智能供应层则体现为模子能力加速分发和分层。。。。 。模子API、云上模子服务、开源模子和企业私有化安排，，正在将大模子从少数机构的研发资产，，转化为更普遍企业和开发者可挪用的智能能力。。。。 。对企业而言，，挪用模子API或使用云上模子服务，，降低了直接建设训练集群和自研基础模子的门槛。。。。 。对开发者而言，，开源模子和开发工具使其能够在外地语言、行业数据和详细使命上举行二次开发。。。。 。从模子API平台的使用情形看，，模子能力已经最先凭证性能、价钱和使用场景形因素层。。。。 。闭源模子多集中于高性能、高溢价区间，，依托手艺领先性在追求高性能和高可靠性的重大使命中赚取手艺租金；；；开源模子则更多漫衍在中低价钱区间，，部分模子在能力体现和挪用规模上已具备较强竞争力（图表19）。。。。 。这批注模子竞争正在从简单能力比拼，，延伸至API接口稳固性、挪用本钱、响应速率、安排无邪性和场景适配能力等多维度的综合较量。。。。 。企业和开发者的模子选择，，越来越取决于单位使命本钱、可控性以及嵌入营业流程的难易水平。。。。 。
图表19：开闭源AI主导差别的性能-本钱区间
注：OpenRouter使用量数据时间节点为2026年3月，，图中展示了使用量排名前20的模子，，智能能力评分由Artificial Analysis Intelligence Index v4.0凭证多项测试的评分综合得出。。。。 。资料泉源：OpenRouter，，Artificial Analysis，，中金研究院
组织中介层正在形成，，现在仍处于从工具试用向流程重构过渡的早期阶段。。。。 。模子API和云上模子服务加速分发后，，AI进入企业运营的深度，，越来越取决于组织中介层的成熟水平。。。。 。AI智能体正在成为毗连模子能力和营业流程的主要工具形态，，现在仍处于早期扩散阶段。。。。 。凭证Gartner视察，，全球企业的AI智能体安排率正在稳步提升，，由2025年9月的缺乏5%上升至2026年4月的17%，，凌驾60%组织预计将在未来两年内举行安排（图表20）22。。。。 。从落地形态看，，目今许多智能体应用仍集中于离散使命自动化，，主要漫衍在软件工程、客户支持和运营等领域，，安排规模普遍较窄，，完全自主智能体距离大大都企业场景的稳固应用仍有一定距离23。。。。 。
图表20：全球企业AI智能体安排率提升
资料泉源：Gartner，，中金研究院
从安排结构看，，智能体接纳率提升较快的领域，，通常具备数字化基础较好、使命界线清晰、反馈链路较短等特征，，主要包括IT、知识治理、营销销售、服务运营、产品开发和软件工程等职能。。。。 。制造、供应链、风险治理和人力资源等流程更长、责任约束更强的场景推进相对较慢（图表21）。。。。 。这说明，，智能供应系统的瓶颈正在从模子挪用，，转向工具链、数据接口、权限治理和营业流程的深度嵌入，，并最终体现为可计量的营业效果。。。。 。
图表21：智能体已经进入企业流程，，但还没有成为普遍的组织运行方式
注：该数据来自麦肯锡于2025年6月25日至7月29日对105个国家的1993名加入者的视察。。。。 。资料泉源：Stanford HAI《2026 AI Index Report》，，中金研究院
场景兑现层已经最先扩散，，总体仍处于从点状应用向规；；；涞毓傻慕锥。。。。 。目今最突出的特征，，是使用量快速增添与价值兑现相对滞后并存。。。。 。以Google为例，，其模子月度token用量由2025年5月的约480万亿升至2026年5月的约3200万亿24，，显示智能能力的挪用规模正在快速扩大（图表22）。。。。 。与此同时，，挪用规模尚未同步转化为现实谋划效益。。。。 。对企业天生式AI试点项目的调研显示，，约95%的项目尚未形成可计量的损益改善（图表23）25。。。。 。使用扩张与价值兑现之间的差别，，主要源于认知能力的组织编排和相关配套条件尚未充分成熟。。。。 。
图表22：Token使用量激增
资料泉源：Google，，中金研究院
图表23：AI对企业损益的改善还较为有限
资料泉源：MIT Project NANDA 2025，，中金研究院
从行业漫衍看，，AI扩散并不平衡。。。。 。软件工程和科技行业应用相对领先，，主要得益于数据基础较好、流程标准化水平较高、效果反馈更容易量化，，因而能够较快实现局部效率改善。。。。 。制造、能源、交通、金融风控、供应链治理和企业焦点运营等重大场景，，通常涉及更高清静要求、责任约束和系统集成难度，，落地周期相对更长。。。。 。AI要在这些领域真正释放生产力，，还需要行业数据治理、流程刷新和一连运维等配套条件。。。。 。因此，，场景兑现层泛起应用面扩大、兑现深度分化的特征。。。。 。随着AI逐步嵌入现实营业的生产流程和组织决议，，场景需求才会稳固转化为一连的算力消耗、模子挪用和商业收入。。。。 。
四层结构的阶段特征由此越发清晰：物质底座和智能供应扩张较快，，企业使用显着增添，，价值兑现仍受组织中介、流程刷新和场景适配约束。。。。 。这一现实希望也为明确中美差别路径提供了基础。。。。 。美国的优势更多集中在前端供应系统，，中国的优势则更多体现为工业场景和工程扩散能力。。。。 。两种路径的差别正在塑造全球智能供应系统的现实名堂。。。。 。
（二）美国：资源、算力与平台构建前端供应优势
美国的优势并不局限于简单模子能力，，而是体现为资源、算力、云平台、基础模子、企业软件和全球客户配合组成的前端供应系统。。。。 。资源市场为模子、芯片和应用企业分管早期风险，，平台企业依托现金流和客户基础提前建设AI基础设施，，云平台和企业软件进一步将模子能力转化为可销售、可分发、可集成的服务。。。。 。这一系统强化了美国在智能供应前端的领先职位，，也带来响应约束：高资源开支需要一连收入接纳，，模子溢价可能受到价钱竞争和开源扩散压缩，，最终回报仍取决于工业场景的吸收能力。。。。 。
美国前端供应系统的基。。。。 。，首先体现为资源发动能力。。。。 。2025年，，美国私人AI投资规模是中国同期的23倍以上（图表24）。。。。 。只管这一口径未完全笼罩公共资源和政府指导基金，，但仍能反映美国在风险资源、上市融资清静台企业现金流方面的综合优势。。。。 。外部资笔器要支持模子、芯片和应用企业肩负早期研发与商业化风险，，规模更大的基础设施投资则主要由收入稳固、现金流富足的平台型企业肩负。。。。 。
图表24：美国私人AI投资规模显著领先其他经济体
资料泉源：Stanford HAI《2026 AI Index Report》，，中金研究院
大型平台企业是本轮AI基础设施投资的焦点主体。。。。 。Amazon、Alphabet、Microsoft、Meta和Oracle划分依托云盘算、企业软件、广告、电商和订阅等成熟营业形成的自由现金流和融资能力，，在AI收入尚未充分释放前，，提前投入服务器和数据中心建设。。。。 。五家企业资源开支由2022年的约1580亿美元增至2025年的约4120亿美元。。。。 。凭证FactSet统计的市场预期，，到2027年将进一步升至约9130亿美元（图表25）。。。。 。虽然这些支出并非所有投向AI，，但服务器、数据中心、网络和其他手艺基础设施已成为主要增量偏向。。。。 。
图表25：美国五大云平台企业资源开支一连上升
资料泉源：FactSet，，中金研究院
资源优势进一步转化为物理供应能力。。。。 。高性能GPU需要与CPU、存储、高速互联、服务器架构、集群调理软件、电力和冷却系统协同运行，，才华形成可用于训练和推理的有用算力。。。。 。美国头部企业不但能够大规模采购先进GPU，，也在自研加速器、服务器设计、网络互联和集群架构设计上一连投入，，并通过恒久条约锁定芯片、机房、电力等要害装备供应。。。。 。2025年，，美国AI盘算芯片集群算力约为中国的11倍（图表26），，IT基础设施与托管设施投资额约为中国的21倍，，显示其在物质底座层已形成较深积累。。。。 。
图表26：美国盘算芯片集群算力领先
注：数据泉源为Epoch AI “GPU Clusters” 数据库，，其基于论文、新闻、企业披露、Top500、MLPerf等果真资料统计全球部分大型AI算力集群，，并按理论峰值性能折算为H100等效数目。。。。 。资料泉源：Epoch AI，，中金研究院
物理算力需要进入市场并形成收入回流，，才华支持一连投资。。。。 。美国的另一项要害优势，，是已经形成将算力转化为标准化服务的平台型组织中介。。。。 。Amazon、Microsoft、Google和Oracle等科技企业不但运营数据中心，，也提供盘算、存储、数据库、模子接口、开发工具、清静服务和企业软件。。。。 。企业客户无需自行采购芯片、建设机房和维护集群，，即可通过云平台按需获得训练和推理资源，，并在统一系统内完成数据治理、模子开发、应用安排和清静治理。。。。 。
这一平台系统进一步毗连前沿模子、API分发和企业软件入口。。。。 。OpenAI、Anthropic、Google、Meta等主体推动模子能力一连迭代，，云平台将模子能力转化为全球企业可挪用的服务；；；Microsoft 365、GitHub、Google Workspace、Salesforce等办公、开发和企业软件入口，，则进一步把智能能力嵌入企业日常流程。。。。 。美国的组织中介优势由此体现为云平台、企业软件、开发工具和清静系统配合组成的企业入口，，而非简单Agent工具的突破。。。。 。
美国前端供应系统的焦点优势，，是资源投入、基础设施建设、模子能力、平台分发和收入接纳之间的强化循环（图表27）。。。。 。成熟营业提供现金流和融资信用，，资源开支形成数据中心和算力，，算力支持模子训练和推理，，模子通过API、云平台和企业软件触达客户，，客户使用再转化为云收入、软件订阅、广告变现和内部效率提升。。。。 。这一循环使美国能够在AI收入尚未充分释放前，，提前建设大规模智能供应能力。。。。 。
图表27：美国前端供应的自我强化循环
资料泉源：中金研究院
可是，，这一系统也面临资源接纳和模子商品化等风险。。。。 。首先，，AI资源开支高度集中于折旧周期仅3至5年的盘算装备，，要求投资在较短时间内转化为收入。。。。 。若模子挪用和企业应用增添缺乏以消化新增产能，，高资源开支将形成折旧和回报压力。。。。 。其次，，模子能力也面临商品化风险。。。。 。随着开源模子能力提升、推理本钱下降，，以及企业在差别模子服务之间切换本钱降低，，前沿模子的手艺溢价可能被压缩，，基础认知能力价钱也将继续下行。。。。 。美国企业能够创立大宗价值，，并不料味着价值都能沉淀在模子或云平台环节。。。。 。
美国路径的要害，，在于前端供应能力能否被工业侧一连吸收，，并进一步转化为现实应用。。。。 。云平台和模子公司可以集中建设算力和模子服务，，企业侧仍需在详细场景中完成流程调解和能力适配。。。。 。若智能供应恒久停留在局部试点或辅助性应用，，商业化空间将受到限制。。。。 。随着AI逐步进入更焦点的营业环节，，模子挪用和云服务收入才有望获得更稳固的工业基础。。。。 。相较于美国的前端供应模式，，中国路径更强调在有限算力约束下提高工程扩散能力，，推动智能供应更快进入工业流程。。。。 。
（三）中国：算力约束下的工程扩散与场景融合
中国在全球智能供应系统中的位置，，具有差别于美国前端供应模式的现实基础。。。。 。美国的优势集中于资源、算力、模子和全球平台相互衔接的前端环节，，中国的现实基础则更多体现在模子快速跟进、工业场景富厚和工程高效落地。。。。 。上游约束客观保存，，中游模子供应和下游工业扩散则具备较强承接能力。。。。 。
上游约束首先来自资源开支和商业接纳能力差别。。。。 。美国大型平台企业面向全球市场提供云服务和数字平台产品，，能够一连多年肩负高强度基础设施投入，，并在更大客户基础上分摊牢靠本钱。。。。 。相比之下，，中国云服务和企业软件收入仍更多集中于海内市。。。。 。，模子API、行业软件和云服务付费系统尚在生长。。。。 。按2025年资源开支规模测算，，美国五大科技企业合计约4158亿美元，，中国相关企业前五名合计约604亿美元，，美国约为中国的6.9倍（图表28）。。。。 。这一差别并不源于资源或基建能力的缺乏，，而是反映出中国能够以市场收入一连支持AI资源开支的平台型企业数目相对有限。。。。 。
图表28：中美前五大AI相关企业资源开支比照
资料泉源：各公司财报，，中金研究院
先进芯片和超大规模算力供应也保存一定限制。。。。 。全球新增AI算力仍主要由美国企业及其生态提供（图表29），，高端AI芯片及其配套的高带宽存储、先进封装等环节，，仍然对中国智能供应系统形成约束。。。。 。先进芯片出口限制一定水平上可能影响中国建设超大规模训练集群和获取高性能推理算力的速率。。。。 。受此影响，，中国较难纯粹依赖前端资源开支扩张加入竞争，，有限算力的使用效率因此越发要害，，也需要更注重模子压缩、推理优化和模子外地安排。。。。 。
图表29：全球AI盘算芯片供应高度集中于美国厂商
资料泉源：Epoch AI，，中金研究院
在上游约束保存的情形下，，中国模子供应仍坚持较快提升。。。。 。2024年以来，，中国主要大模子宣布数目显着增添，，头部模子在多个评测中的体现与国际前沿模子的差别逐步缩。。。。 。ㄍ急30）。。。。 。DeepSeek、Qwen、智谱GLM、MiniMax、Kimi等模子富厚了海内基础模子生态，，部分开源或开放权重战略也降低了企业和系统集成商开展私有化安排、行业微协调二次开发的门槛。。。。 。随着中游模子能力趋于靠近，，中国的竞争重点有条件从简单模子排名，，进一步延伸至推理本钱、安排效率、行业适配和工业价值。。。。 。
图表30：中美大模子数目与质量差别减小
资料泉源：Epoch AI，，中金研究院
中国更突出的优势在下游工程扩散。。。。 。通用模子进入制造、能源、交通、金融和公共服务等领域，，通常需要在标准接口之外，，完成企业数据、装备协议、营业规则、清静权限、责任界线和恒久运维等多方面适配，，进而真正进入营业流程。。。。 。中国拥有完整工业系统、普遍应用场景和重大的工程交付步队，，装备制造商、工业软件企业、自动化厂商、系统集成商和现场服务团队，，配合组成毗连模子能力与工业系统的组织中介（图表31）。。。。 。
这一工程能力建设在较完整的工业基础之上。。。。 。中国工业门类齐全，，制造、物流、交通、金融、零售、医疗和公共服务等领域提供了富厚应用场景，，较高的自动化和数字化水平也降低了AI进入实体工业的门槛。。。。 。国际机械人联合会数据显示，，2024年中国占全球工业机械人新增装置量的54%，，运行存量凌驾200万台，，本土厂商在海内市场份额升至57%26。。。。 ；；；等恕⒐ひ悼刂葡低场⑵笠等砑和工业互联网平台，，已经形成毗连数字系统与物理装备的基础。。。。 。AI进入工厂、产线和供应链，，是在既有自动化系统上进一步增强感知、剖析、决媾和协同能力。。。。 。
开源模子在这一历程中主要施展降低安排门槛和提升适配效率的作用。。。。 。企业可以连系自身行业数据、装备协媾和营业流程举行模子适配，，同时降低敏感数据外流风险，，镌汰对简单模子服务商的依赖。。。。 。关于制造、金融、政务、汽车、机械人和企业软件等场景，，安排本钱、数据清静、可控性和场景适配，，与模子能力同样主要。。。。 。？？茨Ｗ右虼顺晌悄芄┯敫嘈幸党【暗墓こ袒。。。。 。
图表31：相对美国，，中国的较量优势更偏中下游
注：图中蓝色标注为美国相关数据与特征，，红色标注为中国相关数据与特征。。。。 。图中各节点的位置基于多维度数据支持，，示意性展示目今工业链各环节的竞争名堂与相对优势。。。。 。
资料泉源：Counterpoint Research，，Stanford HAI《2026 AI Index Report》，，IFR World Robotics 2025，，TrendForce，，公司通告，，中金研究院
因此，，中国可能形成一条差别于美国的价值转化路径：可用模子先进入工业场景，，工程实验完成数据和系统适配，，现实运行爆发流程反。。。。 。，项目履历再沉淀为软件模？？楹托幸捣桨福，并以较低本钱推广到更多企业。。。。 。在这一循环中，，模子和算力仍是基。。。。 。，但扩散速率更多取决于系统集成、工程交付和场景吸收能力。。。。 。美国主要依托平台和标准接口扩大智能供应，，中国则更有条件通过装备、流程和行业系统，，将智能供应嵌入实体经济。。。。 。
这一结构也意味着中国路径面临自身约束。。。。 。上游芯片和超大规模算力受限，，会影响前沿模子迭代和高强度推理服务供应。。。。 。企业软件、云服务和模子API的商业付费系统尚在生长，，会影响智能供应转化为一连收入的速率。。。。 。大宗行业项目仍具有定制化特征，，能否从项目制交付沉淀为可复制的软件模？？楹托幸当曜迹，是工程优势转化为规模效应的要害。。。。 。总体看，，中国的时机在于把可用模子、工业场景和工程实验连系起来，，提高有限算力的使用效率，，推动智能供应更快进入实体工业流程。。。。 。
（四）两种路径：前端供应与工程扩散的差别
从现实希望看，，全球智能供应系统的结构，，主要由四层结构中差别环节的经济属性配合塑造。。。。 。物质底座和前沿模子具有高牢靠本钱、强规模经济清静台锁定特征，，更容易向具备资源、算力和全球客户基础的企业集中。。。。 。组织中介和场景兑现则更依赖行业数据、营业流程、客户关系、现场服务和恒久运维能力，，需要在外地工业系统中完成适配和扩散。。。。 。在这样的分工名堂下，，美国和中国的竞争路径在四层结构中泛起差别着重（图表32）。。。。 。
美国路径更靠近前端供应驱动。。。。 。其焦点是依托资源市场、云平台、前沿模子和全球客户基。。。。 。，率先形成大规模智能供应能力。。。。 。美国的优势在于集中投入和全球分发能力较强，，能够通过云服务、软件订阅清静台生态接纳收入。。。。 。响应约束主要来自资源开支强度、装备折旧压力、模子能力商品化风险，，以及下游工业吸收速率的不确定性。。。。 。美国能否一连扩大领先优势，，取决于前端供应能否进入更多企业焦点流程，，并转化为稳固的商业收入。。。。 。
中国路径更靠近工程扩散驱动。。。。 。其焦点是在有限算力约束下，，依托可用模子、开源生态、工业场景和工程交付能力，，推动智能供应嵌入制造、能源、交通、金融和公共服务等工业流程。。。。 。中国的优势在于工业系统完整、应用场景麋集，，系统集成和现场实验能力较强。。。。 。响应约束主要来自高端芯片和超大规模算力限制，，企业软件和模子API付费系统仍在生长，，项目制交付向可复制产品和行业标准沉淀仍需时间。。。。 。中国路径的要害，，在于提高有限算力使用效率，，加速智能供应在工业侧的吸收、复用和扩散。。。。 。
图表32：中美在全球智能供应系统中的两种路径
资料泉源：中金研究院
这种分化仍会一连演化，，也会在差别环节相互交织。。。。 。美国仍将一连向应用层和行业场景延伸，，中国也将一直推进模子能力提升和算力基础设施建设。。。。 。就现阶段而言，，美国更有可能率先形成集中化、平台化的智能供应系统，，中国则更具条件推动智能供应在工业流程中的扩散与落地。。。。 。前者主要影响智能供应的前沿能力与规；；；址ⅲ，后者则关系到智能供应在实体经济中的渗透深度与应用广度。。。。 。
评估全球智能供应系统的形成，，需要从四层结构能否实现有用闭环的角度加以考察。。。。 。物质底座需要支持一连供应，，智能供应需要以合理本钱完因素发，，组织中介需要降低企业接入和刷新门槛，，场景兑现需要形成稳固收入和反馈。。。。 。美国和中国的差别路径，，正是在这一闭环中形成各自优势，，也配合组成目今全球智能供应系统的主要现实希望。。。。 。
四、经济增添新范式：商品、分工与价值创立
全球智能供应系统正在形成新的分工名堂，，前端供应趋于集中，，要害环节越发专业化，，工业融合越发依赖外地场景。。。。 。这一转变的影响凌驾新增AI工业自己，，认知能力最先进入市场设置，，并逐步成为类似软件、能源和专业服务的中心投入。。。。 。企业购置的工具从工具和职员时间，，扩展到围绕详细使命形成的剖析、天生、判断、执行等能力。。。。 。随着认知能力成为新的中心投入，，市场生意工具、企业界线和价值实现方式都会随之调解。。。。 。这组成了工业化数字经济相关于古板数字经济更深层的转变。。。。 。
（一）商品形态的转变
工业化数字经济首先改变市场生意工具。。。。 。市场可生意内容会随着生产能力、计量方式和交付条件扩展。。。。 。工业化时代，，标准化的实物产品成为大规模生意的焦点工具。。。。 。软件和互联网兴起以后，，代码、数字内容清静台服务成为新的商品形态。。。。 。而在工业化数字经济下，，部分已往嵌入岗位、服务和组织流程中的认知环节，，最先具备被单独计量、定价、挪用和交付的条件。。。。 。企业已往主要购置软件工具、专业职员时间或完整外包项目。。。。 。随着智能供应成熟，，企业可以把部分认知环节拆出来，，按使命购置翻译、客服回应、代码辅助和文档处理等能力。。。。 。
要害转变在于，，被拆分出来的认知环节可以不再只能由人类完成。。。。 。呼叫中心、财务共享和软件外包早已把岗位拆成标准流程，，但这些流程仍主要消耗人的事情时间。。。。 。AI进一步降低了使命外部化的门槛。。。。 。关于界线清晰、输入输出明确、效果可验证、责任可划分的环节，，企业可以把原本嵌在岗位内部的事情转化为可单独采购的中心投入。。。。 。企业由此可以在内部劳动、外部专业服务和智能供应之间一连较量本钱、质量、速率和责任安排，，市场生意的颗粒度也会随之变细。。。。 。
这类新的生意工具，，在统计分类上大多仍会被计入服务，，但其经济属性已经差别于古板服务。。。。 。古板服务依赖于详细的人类个体，，生产与消耗同时爆发，，难以贮存、难以质检、难以跨地区交付。。。。 。由智能供应完成的认知使命则由牢靠资源一连生产，，按挪用计量、按效果验收、可以远程交付，，单位本钱随手艺前进一连下降，，其生产历程已经部分具备工业化特征。。。。 。工业化数字经济推动部分服务环节转向由资源和标准化辖档同续供应，，服务活动由此泛起出更强的商品化和工业化特征。。。。 。电力革命时期的历史提供了参照：动力接入电网、按度计价之后，，便在商业统计中被作为商品处理。。。。 。？？梢栽て冢，随着认知使命的规；；；猓，货物与服务之间的传一切计界线将进一步模糊，，现有统计对这部分经济活动的计量也可能滞后于着实际规模。。。。 。
生意工具转变以后，，规；；；敫鲂曰涞墓叵狄不崴嬷鹘。。。。 。一方面，，古板软件具备规模复制优势，，但功效和操作路径通常预先设定；；；另一方面，，专业服务能够无邪响应客户需求，，却受制于专业职员数目和事情时间。。。。 。智能供应在这两类约束之间提供了新的组合方式。。。。 。模子、算力和软件系统可以作为统一底座服务大宗客户，，再连系企业数据、行业知识和营业规则天生差别效果，，使供应端共享规模经济，，交付端仍保存较强的场景适配能力。。。。 。统一类基础能力可以进入执法、金融、教育和制造等差别场景，，但最终形成的现实效果则基于现实场景的重大需求而有所差别。。。。 。
虽然这种转变并不料味着所有服务都会被标准化商品替换。。。。 。界线清晰、效果可验、责任可分的环节，，更容易率先转向按使命、按挪用或按效果付费；；；涉及重大责任、重大判断、客户信任和外地制度约束的环节，，仍需要专业职员深度加入。。。。 。未来服务活动可能形成更一连的漫衍形态。。。。 。标准化水平高、责任界线较低的使命，，会更多转向自动化交付；；；高度依赖专业判断、关系维护和责任肩负的活动，，仍会保存较强的人类服务属性；；；大宗中心环节则会体现为人机协作、系统辅助和专业复核。。。。 。市场生意工具的扩展，，并不作废人的作用，，而是改变了人、软件和智能供应之间的组合方式。。。。 。
更主要的是，，生意工具转变会在重新分配现有市场的同时扩大市场规模。。。。 。许多活动，，如剖析、设计和咨询等已往并非没有价值，，而是本钱过高、供应缺乏或使用频率太低，，难以形成稳固生意。。。。 。中小企业通常无法恒久设置法务、研究、营销和数据剖析团队，，个人也难以一连获得定制化教育、康健治理和专业咨询。。。。 。智能供应降低使用门槛后，，原本支付能力缺乏或服务频次偏低的需求，，有可能转化为新的市场。。。。 。例如，，企业谋划剖析可以从年度项目转向一连更新，，一般条约也可以在正式审查前完成系统初筛，，更多通俗客户能够获得稳固的基础服务。。。。 。
而服务商业的转变已经为这种趋势提供了现实基础。。。。 。全球数字交付服务商业恒久快于运输和旅游等古板服务商业扩张，，说明越来越多服务活动正在脱离现场交付，，转向远程化、数字化和模？？榛桓27（图表33）。。。。 。AI会进一步推动这一趋势，，服务交付渠道和服务内部认知环节的生产方式都会随之改变。。。。 。翻译、基础编程、资料处理和文档天生等环节，，通常具备数字化传输条件，，使命界线相对清晰，，效果也较容易验证，，因此更可能率先形成跨地区生意。。。。 。
图表33：数字交付服务快于古板服务商业扩张
注：数据为商业量指数，，指数以2015年为100。。。。 。资料泉源：WTO，，中金研究院
不过，，服务可商业化仍有清晰界线。。。。 。Anthropic关于AI使用结构的研究显示，，AI挪用更多集中在盘算机与数学、艺术设计、媒体、教育、修建工程等知识麋集或数字化水平较高的职业领域，，而运输、餐饮、修建、维修、清洁维护和个人照护等需要现场操作、物理接触或外地履约的岗位，，占比显着偏低（图表34）28。。。。 。这说明，，智能供应会优先进入那些可以文本化、数据化、远程传输并通过效果验证的认知环节，，对种种服务的扩张速率并不匀称。。。。 。医疗、执法、金融和重大咨询纵然大宗使用智能供应，，最终签字、责任肩负和客户相同仍会更多保保存外地；；；护理、维修、施工和物流等服务则仍需要现场作用于物理情形。。。。 。
图表34：部分使命仍需由人类执行，，服务可商业化具有界线
注：2025年人工智能现实挪用使命的结构和人类使命结构的比照。。。。 。资料泉源：Anthropic，，中金研究院
因此，，生意工具的转变主要爆发在使命层面。。。。 。完整服务不会整体脱离所在、制度和责任约束，，职业也不会被所有拆成标准商品。。。。 。更可能泛起的名堂是，，后台认知环节跨地区设置，，前台关系维护、制度合规和物理执行继续外地化。。。。 。统一项服务内部，，可商业与不可商业、标准化与个性化、智能供应与人类责任将恒久共存。。。。 。
（二）企业界线与工业分工转变：从内部设置到外部挪用
当生意工具从产品、劳务进一步扩展到可挪用的认知能力时，，企业界线和工业分工也会爆发响应转变。。。。 。已往，，企业主要依赖内部岗位、部分和营业流程来组织能力；；；现在，，一部分认知能力可以作为外部中心投入被挪用，，企业必需重新判断哪些能力需要留在内部，，哪些可以通过市场采购，，哪些则需要借助系统集成和流程刷新，，转化为自身资产。。。。 。
最先受到影响的是企业“自建照旧外购”的决议。。。。 。标准化水平高、通用性强、本钱较透明的功效，，可以更多依赖外部供应；；；而与专有数据、焦点流程、客户关系和责任界线深度绑定的能力，，则仍需要在企业内部沉淀。。。。 。通用模子、云服务、行业软件和智能体工具会越来越容易获得，，但真正能在企业自身营业中稳固运行的流程难以直接购得。。。。 。数据接入规模、权限设置方式、效果验收标准、过失追溯机制和责任划分等，，都需要连系详细营业重新设计。。。。 。
因此，，企业竞争力的要害，，是把外部智能能力转化为自身的流程资产。。。。 。员工规模、软件采购量和模子挪用量，，更多反映能力投入的表层。。。。 。智能供应可以降低部分使命的执行本钱，，但若是缺少数据治理、事情流设计、效果验证和责任确认，，就很难真正进入稳固的谋划历程。。。。 。未来企业的主要资产，，将更多体现为围绕自身营业形成的使命拆解能力、数据治理系统、流程控制能力和效果验收机制。。。。 。
这一转变也会重塑行业竞争名堂。。。。 。处在标准化认知劳动转售环节的企业，，将面临更直接的本钱下行压力，，由于它们出售的正是越来越容易被工业化供应替换的能力。。。。 。相较之下，，越靠近客户需求、行业场景、效果交付和责任肩负的企业，，越可能保存较强议价能力；；；而越靠近底层算力、模子平台、云服务和标准接口的企业，，则可能依赖规模经济形成优势。。。。 。处于中心环节的企业，，若是仍停留在人力转包和简质朴施层面，，可能受到上下两头的挤压，，需要逐步向行业解决方案、系统集成、数据治理和恒久运维能力升级。。。。 。
企业界线变得更无邪，，也不料味着大企业的主要性下降。。。。 。小团队和轻组织可以把部分内部职能替换为外部模子、云服务、支付、流量和物流服务，，但这也会使它们越发依赖大型平台和基础设施。。。。 。未来，，场景兑现层可能泛起更多轻组织和专业化团队；；；而底层模子、云盘算、支付网络、市场入口和组织中介，，则可能因规模经济进一步集中。。。。 。企业结构由此可能泛起“两头强化”的特征：一端是更多贴近客户和场景的小团队，，另一端是掌握模子、算力、流量、支付和系统集成等公共能力的大平台。。。。 。
从工业层面看，，古板供应链之外还会叠加一条智能供应链（图表35）。。。。 。古板供应链围绕原质料、零部件、制造、物流和销售睁开，，智能供应链则毗连能源与芯片、数据中心与云平台、模子与软件、行业安排、客户交付和使用反馈。。。。 。它不是替换古板供应链，，而是在实物流和数字服务流之外，，增添一条认知能力的设置链条。。。。 。一个产品的竞争力，，可能同时取决于制造本钱、软件能力和所挪用的智能供应。。。。 。
图表35：全球供应链叠加智能供应链
资料泉源：中金研究院
智能供应链的形成，，也意味着较量优势最先重新界说。。。。 。已往全球分工主要围绕完整岗位和完整流程睁开，，低人工本钱可以成为较量优势，，而当智能供应成为新的中心投入以后，，差别环节最先对应差别能力，，较量优势也由简单本钱优势转向多种能力的组合。。。。 。能源和数据中心条件影响物质底座，，模子和软件工程决议智能供应，，行业数据与制度知识影响组织中介，，客户关系和羁系能力决议场景兑现。。。。 。差别经济体纷歧定需要同时具备所有能力，，而是可以在自身具有优势的环节加入全球智能供应系统。。。。 。因此，，工业依赖标准化知识出口的地区可能面临更大的替换压力，，而能够把智能供应与外地工业、制度和场景连系起来的经济体，，则更容易在新的全球分工系统中形成优势环节。。。。 。
（三）价值创立的转变：从效率提升到需求扩张
智能供应的泛起并不自动带来经济增添。。。。 。模子天生和算力运转只是能力供应，，只有当这些能力融入企业营业流程，，进而通过降低本钱、提高收入或扩大服务可及性，，才华最终转化为现实的经济价值。。。。 。在工业化数字经济中，，认知能力成为新的供应泉源，，其价值能否实现，，取决于能否嵌入详细场景、形成可收费的产品和服务，，并发动新的高频需求。。。。 。
智能供应的价值创立，，首先来自认知活动本钱的下降。。。。 。许多需求已往受制于专业职员供应、响应速率和服务本钱，，难以形成稳固生意。。。。 。随着剖析、天生、比对、审查和相一律能力变得可挪用、可计量、可交付，，一些原本做不起、做不细、难以一连做的使命最先进入生产和生意。。。。 。由此，，智能供应的价值来自两条路径：提高既有事情的效率，，并把潜在需求转化为新的产品、收入和市场。。。。 。
这些被释放出来的智能供应需求，，还需要进一步酿成产品和服务。。。。 。企业能否获得收入，，取决于是否将智能供应嵌入营业流程，，并建设稳固的交付与收费机制。。。。 。例如，，智能客服可以降低人工坐席压力，，同时扩大客户响应笼罩面；；；条约初筛可以节约状师时间，，同时提升一般条约的基础审查能力。。。。 。只有当智能供应转化为明确的产品、服务和责任安排后，，供应侧能力才会进入企业收入和客户支付系统。。。。 。
当智能供应被产品化后，，价值首先体现在企业谋划效果上，，最直接的体现是降本和增收。。。。 。一部分企业通过镌汰重复性认知事情降低本钱，，另一部分企业通过研发提速、营销优化和客户服务改善带来收入增添。。。。 。McKinsey 2025年全球AI视察显示，，企业报告的AI收益同时来自本钱下降和收入提升（图表36）29。。。。 。企业财务收益之外，，尚有一部分价值会体现为用户福利。。。。 。用户获得了更自制、更实时或更个性化的服务，，但这些便当未必连忙反映在企业利润或GDP统计中。。。。 。因此，，视察智能供应的价值创立，，既要看企业是否降本增收，，也要看服务可及性是否提高，，新的使用场景是否扩大。。。。 。
图表36：AI商业价值同时来自降本与增收
注：图中所示为企业主观视察比例，，不等同于经审计的财务孝顺，，来自2025年对1993名企业受访者视察。。。。 。资料泉源：McKinsey Global Survey on the State of AI，，中金研究院
价值形成之后，，还需要视察收益在差别环节之间怎样分配。。。。 ；；；チ教ㄊ贝，流量入口和网络效应使部分平台能够获得较高收益。。。。 。到了大模子时代，，收益分配可能越发疏散。。。。 ；；；∧Ｗ雍椭悄芄┯梢源戳⑵毡橥獠渴找妫，但随着模子能力扩散、挪用本钱下降和开源生态生长，，价值未必所有留在模子企业自身。。。。 。行业数据、系统集成、客户关系、责任肩负和最终交付的主要性会响应上升。。。。 。恒久看，，更稳固的收益可能流向能够把智能供应嵌入详细场景，，并肩负交付与责任的主体。。。。 。
最终，，智能供应能否转化为增添，，取决于企业是否形成一连使用。。。。 。模子和数据中心可以由少数企业集中建设，，但AI要爆发经济价值，，需要进入各个企业的详细营业。。。。 。OECD数据显示，，使用AI的企业比例从2023年的8.7%升至2025年的20.2%30，，说明企业接纳正在加速。。。。 。但企业接纳AI并不即是焦点流程已经重构。。。。 。资源开支扩张、用户体验改善和宏观增添体现之间可能保存显着时间差。。。。 。因此可能会泛起部分应用已经带来体验改善，，但对应的收费机制仍在探索的征象；；；或者部分工具虽然能够节约时间，，但其经济效果还需要进一步通过收入增添或产出提升来确认的情形。。。。 。
总而言之，，商品形态、分工方式和价值创立配合组成一条新的价值创立链。。。。 。认知能力首先转化为可生意的投入品，，使原本依附于岗位和服务的能力能够被更详尽地设置。。。。 。企业再围绕这些能力调解分工，，让更多使命以更低本钱进入生产。。。。 。随后，，这些新增使命进一步转化为新的产品形态、收入泉源和需求空间。。。。 。工业化数字经济的新增添范式，，焦点在于智能供应能否一连嵌入市场生意、组织运行和现实需求，，并在循环中一直创立价值（图表37）。。。。 。
图表37：从智能供应到价值创立的需求循环
资料泉源：中金研究院
五、问题与启示
我们正履历一个主要的经济转型期，，认知能力的供应正在从依附个体劳动者转向依托牢靠资源和系统化的生产组织，，数字经济因此有可能从轻资产行业逐渐酿成重资产行业。。。。 。轻资产时代，，企业面临的问题是选用哪家软件，，政策面临的问题是培育几多家平台企业。。。。 。工业化数字经济时代，，企业要回覆的是生产要素将怎样设置，，国家要回覆的是当数字经济最先大宗消耗电力、土地和装备，，并影响就业与教育时，，应当培育什么。。。。 。在这两个问题之外，，工业化的逻辑还会延伸出几个更基础的问题，，本报告或许无法给出确定谜底，，但它们却是视察这一轮手艺厘革的恒久锚点。。。。 。
（一）企业的挑战：生产要素将怎样设置
企业引入AI的目的是提高盈利能力。。。。 。手艺投入能否转化为恒久回报，，取决于AI是否真正进入谋划历程，，资助企业以更低的本钱、更快的速率和更稳固的质量完成交付，，把一次性的效率提升沉淀为一连的利润改善。。。。 。实现这一点的条件，，是重新划分哪些能力要素可以外部挪用，，哪些能力要素必需内部沉淀。。。。 。
从市场角度看，，划分的标准在于能否买到。。。。 。通用模子、云服务、行业软件和智能体工具会越来越容易获得，，标准化、通用化、容易较量价钱的能力，，可以像云服务一样按需挪用、按本钱治理。。。。 。但模子买获得，，工具买获得，，基于企业自身营业跑通的流程买不到。。。。 。从使命划分、数据接入，，到效果验证和责任归属，，这些问题只能在企业自己的营业流程中解决，，这正是第二章所说的组织中介。。。。 。随着智能供应普及，，企业资产的形态也在转变，，已往积累的是职员规模和组织层级，，未来更主要的是流程、数据、规则和事情要领，，它们决议智能供应能否一连转化为谋划效果。。。。 ；；；剐枰⒅兀，外购与自建的界线自己是移动的，，今天必需自建的能力，，明天可能被标准化产品笼罩，，企业需要恒久保有的，，是识别这条界线、并一直把资源移向流程和责任一端的能力。。。。 。
这种划分会重塑行业竞争名堂。。。。 。依赖标准化认知劳动收费的企业，，出售的恰恰是越来越容易规；；；哪芰Γ，会直接面临智能供应带来的降价压力。。。。 。竞争优势会向两头集中，，越靠近客户需求、行业场景和最终交付，，越容易形成差别化，，越靠近算力、模子平台和基础设施，，越容易依赖规模经济形成壁垒。。。。 。处于中心、以简质朴施为主的企业，，会受到上下两头的双重挤压。。。。 。
（二）政策的挑战：工业化数字经济之后，，应当培育什么
工业化数字经济下，，国家之间竞争的焦点，，最终落在谁更快把智能供应酿成生产力。。。。 。模子能力、芯片水平和资源投入虽然主要，，但真正决议恒久竞争力的，，是一个经济体能否把智能供应一连转化为投资、就业、工业升级和生产率提升。。。。 。对大都经济体而言，，主要的是依据自身禀赋，，在全球智能供应系统中找到位置，，并一连提高吸收和转化智能供应的能力。。。。 。培育的工具因此不是某个简单工业，，而是承载这套生产系统的要素、制度和人。。。。 。
首先要重新熟悉物质底座的战略意义。。。。 。认知能力的规；；；畋鹩诠虐迦砑工业，，它需要芯片、服务器、电力、网络、土地和要害装备配合支持。。。。 。未来一个地区能否生长AI工业，，不但取决于模子企业的数目，，更取决于电力是否稳固、本钱是否可控、数据中心能否快速建设，，以及要害装备能否一连交付。。。。 。真正有竞争力的工业基。。。。 。，是支持模子一连运行的整个物质系统。。。。 。
其次，，要把政策重点从纯粹扩大供应转向提高全社会的吸收能力。。。。 。模子可以越来越强，，算力可以一连增添，，但若是企业缺乏接入、使用和验证的能力，，无法形成稳固需求，，手艺优势就难以转化为经济优势。。。。 。标准接口、数据制度、行业评测、责任规则和公共测试平台，，实质上都是降低企业接纳本钱的公共基础设施，，它们的作用是缩短智能供应进入工业的传导时滞。。。。 。中国重大的系统集成商、工业软件企业和装备制造商步队，，是完成外地化适配的自然实力，，政策的着力点在于促成模子能力与外地场景知识的连系，，让万万家企业不必各自重新探索工程环节。。。。 。
最后，，教育和社会包管需要同程序整。。。。 。教育要正视一个现实，，标准化知识教授和标准谜底训练，，恰恰是最容易被智能供应压低价值的部分，，未来教育和职业培训的重点，，应更多转向问题界说、效果验证和责任判断这类难以外购的能力。。。。 。同时，，初级使命的镌汰会削弱古板生长路径，，资料搜集和基础文书既是产出，，也是新人积累判断力的训练历程。。。。 。当这些环节由系统接受，，学校和企业需要设计新的实践机制，，让学习者更早接触真实案例、复核使命和责任场景。。。。 。社会包管则要顺应事情使命化和收入泉源多元化的趋势。。。。 。AI的攻击最先落在使命界线清晰、可拆解水平高的岗位上，，若是包管系统继续依附于稳固雇佣关系，，当事情被拆分为项目、使命和外部服务，，一部分劳动者可能会落在现有制度笼罩之外。。。。 。转型培训、就业支持和可携带的社会包管安排，，需要成为政策框架的一部分。。。。 。
（三）重资产逻辑延伸出的三个开放问题
沿着重资产化的逻辑继续推演，，会遇到三个更现实的问题。。。。 。它们现在纷歧定有确定谜底，，但正由于云云，，值得在报告的最后提出。。。。 。
第一个问题，，投资是否已经成为智能供应增添的主要驱动力。。。。 。工业化在历史上往往陪同手艺范式的相对定型，，内燃机定型之后，，汽车工业的增添主要来自产能扩张和本钱下降，，而不是动力原理的再次革命。。。。 。若是Transformer架构在可见的时间内饰演类似角色，，智能供应的增添就会越来越靠近古板重资产行业的投入产出关系，，决议产出的是算力、电力、数据和工程投入的规模，，而不是算法层面的突破。。。。 。这意味着明确AI工业的框架要从手艺竞赛转向资源形成，，投资规模、资源本钱和折旧周期将取代模子排名，，成为更主要的视察变量。。。。 。虽然，，范式是否真的定型，，自己仍是开放问题，，一旦泛起新的架构跃迁，，目今沉淀的巨额牢靠资产可能面临快速贬值。。。。 。对这一点的判断，，有助于明确目今全球资源开支竞赛的性子，，事实是一轮产能建设，，照旧一场“泡沫”。。。。 。
第二个问题，，模子性能的领先事实有多大的商业价值。。。。 。燃油车时代，，宝马与夏利的发念头性能差别真实保存，，但两者都能完成把人从一地送到另一地的基本使命。。。。 。这也诠释了，，为什么中国使用的发念头手艺与顶尖水平恒久保存差别，，却支持起了全球最大的汽车市场。。。。 。若是智能供应是一种标准化的中心投入品，，大都应用场景对性能就保存一个够用的门槛，，越过门槛之后，，性能差别的商业价值递减，，领先者获得的是高端场景的溢价，，而不是全市场的垄断，，开源模子的保存会进一步压缩这种溢价。。。。 。凭证这一逻辑，，大模子竞争未必泛起赢者通吃。。。。 。但地缘竞争可能改变结论。。。。 。历史上，，通用手艺依赖商业、投资和人才流动自然扩散，，现在算力出口管制和模子能力限制正在改变扩散路径，，性能差别会不会被制度性因素放大甚至固化，，是以往手艺扩散史中未曾泛起的新变量。。。。 。
第三个问题，，面临中美资源开支的差别，，中国的政接应当怎样应对。。。。 。立异投资具有正外部性，，回报的一部分会外溢给全社会，，个体理性的投资决议因此系统性地低于社会最优水平。。。。 。美国纠正这一外部性的机制，，很洪流平上是靠资源市场的投契情绪，，投资者的非理性乐观发动了凌驾个体理性水平的资金，，投向模子研发和算力基础设施。。。。 。中国的机制优势是工业政策，，由政府指导把社会资源导向战略领域。。。。 。两种机制都可能造成太过投资，，股市泡沫以金融动荡的方式出清，，工业政策可能带来重复建设和资源错配。。。。 。但从社会恒久生长的角度看，，太过投资沉淀下来的基础设施，，往往在泡沫消退后继续服务于经济，，西欧十九世纪的铁路热潮和2000年前后的光纤过剩都是先例。。。。 。对中国而言，，真正的问题或许不是要不要容忍一定水平的太过投资，，而是怎样让工业政策指导下的投资尽可能沉淀为电力、算力和工程能力这样的恒久资产，，阻止成为无效产能。。。。 。
这三个问题由统一个逻辑引出。。。。 。当认知能力的生产依托牢靠资源，，AI就不再只是一项手艺，，而成为一套需要一连投入并深度嵌入能源与工业系统的生产方式。。。。 。把AI放回由能源、资源、工程、组织和场景配合组成的生产系统中明确，，是本报告希望提供的基本视角。。。。 。
资料泉源
[1] 本文所称的“隐性认知能力”，，是指难以通过显性规则、标准流程或形式化知识完整表达，，但能够在实践中稳固完成的认知能力，，通常体现为履历、情境明确、综合判断、相同协作和直觉决议等。。。。 。显性认知能力则是指能够通过明确规则、标准流程或形式化知识举行表达和转达的认知能力。。。。 。为了轻盈，，后文中如无特殊说明，，认知能力都是指隐性认知能力。。。。 。
[2] 这一机制的适用规模不限于语言与符号。。。。 ；；；等搜Ш憔妹媪俚哪婢秤胱蚁低忱嗨疲，抓取、行走等运下手艺是隐性能力的极端形态，，熟练工人说不清自己怎样控制手上的力度，，因此为每个行动显式编写规则的古板路径希望缓慢。。。。 。近年具身智能的突破，，正是将从树模数据中习得的路径应用于运动控制，，与大模子共享架构和学习范式。。。。 。受制于行动数据缺乏互联网级语料、物理硬件不具备软件的复制本钱优势、物理失误的清静验收门槛远高于文本过失等，，具身智能的兑现节奏要稍慢于离身智能。。。。 。
[3] Gould Dewi, et al "Think Fast Estimating No-CoT Task-Completion Time Horizons of Frontier AI Models," arXiv preprint arXiv:2606.07157(2025).
[4] Zhuang, B., Qiao, J., Liu, M., Yu, M., Hong, P., Li, R., ... & Gao, Y. (2025). Beyond Benchmarks: The Economics of AI Inference. arXiv preprint arXiv:2510.26136.
[5] DeLong, J. Bradford. "Estimating world GDP, one million BC–present." Draft paper. Berkeley, California (1998).
[6] Dodig-Crnkovic, Gordana. "Cognition and Intelligence in Natural and Artificial Systems." Philosophies 11.3 (2026): 76.
该文对“认知”与“智能”举行了清晰的学术界说。。。。 。认知（Cognition）指有机体与情形一连交互、感知及意义构建（Sense-making）的历程，，是维持生命的基本机制，，而智能（Intelligence）则指该认知机制在面临新颖性、滋扰和不确定性时，，实现目的导向与解决问题的胜任水平（Degree of competence）。。。。 。该文指出，，认知着重于形貌与系统的交互历程，，而智能则评估其问题解决的效率与效能。。。。 。
[7] https://artificialanalysis.ai/trends-model-inference-price-by-intelligence-index-band-over-time
[8] Kahneman D. Thinking, fast and slow[J]. Farrar, Straus and Giroux, 2011.
[9] https://openai.com/zh-Hans-CN/index/how-agents-are-transforming-work/
https://eu.36kr.com/en/p/3885061350617350
[10] https://openai.com/zh-Hans-CN/index/how-agents-are-transforming-work/
[11] https://openrouter.ai/apps/category/coding?period=week
[12] https://skillsmp.com/zh/timeline
[13] https://www.un.org/sites/un2.un.org/files/attention_economy_feb.pdf
[14] Peng, Sida, et al. "The impact of ai on developer productivity: Evidence from github copilot." arXiv preprint arXiv:2302.06590 (2023).
[15] Brynjolfsson E. The productivity paradox of information technology[J]. Communications of the ACM, 1993, 36(12): 66-77.
[16] https://www.cbre.com/insights/books/north-america-data-center-trends-h2-2025
[17] https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
[18] https://emp.lbl.gov/queues
[19] https://www.gray.com/insights/why-the-explosive-growth-of-data-centers-matters/
[20] https://www.streamdatacenters.com/wp-content/uploads/2025/05/SDC-Brief-Supply-Chain-250429.pdf
[21] https://www.jll.com/content/dam/jllcom/en/global/documents/reports/research-reports/26-research-global-data-center-outlook-new.pdf
[22] https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025
[23] https://www.gartner.com/en/articles/hype-cycle-for-agentic-ai?__cf_chl_f_tk=oG2s8Be.QNZL7W1XlBG.UX0cHj9SXT0c1jl0_JTQ2h0-1783242667-1.0.1.1-.Q8fWSX.UzR1w2CQGLGm8REbY.rD.KiJg_hO1twOhDY
[24] https://blog.google/innovation-and-ai/sundar-pichai-io-2026/
[25] MIT NANDA, The GenAI Divide-State of AI in Business 2025, July 2025.
[26] https://ifr.org/ifr-press-releases/news/global-robot-demand-in-factories-doubles-over-10-years
[27] WTO(2026), Global Trade Outlook and Statistics; WTO Digitally Delivered Services Trade Dataset.
[28] https://www.anthropic.com/news/the-anthropic-economic-index
[29] McKinsey & Company(2025), The state of AI in 2025: Agents, innovation, and transformation, Global Survey, November 5, 2025.
[30] OECD(2026), AI Use by Individuals Surges across the OECD as Adoption by Firms Continues to Expand.
文章泉源
本文参考2026年7月15日中金研究院已宣布的《工业化数字经济——智能供应的经济剖析》。。。。 。
作者信息为：
周子彭 剖析员 SAC 执证编号：S0080520070004 SFC CE Ref：BRW302
彭文生 剖析员 SAC 执证编号：S0080520060001 SFC CE Ref：ARI892
熊督闻 剖析员 SAC 执证编号：S0080525070001黎芝源 剖析员 SAC 执证编号：S0080524020006苏思雨 剖析员 SAC 执证编号：S0080526060002
李娜 剖析员 SAC 执证编号：S0080525060004 SFC CE Ref：BVU557
陆趣 剖析员 SAC 执证编号：S0080523070003 SFC CE Ref：BXR423
张锞暄 联系人 SAC 执证编号：S0080123110030
执法声明
向上滑动拜见完整执法声明
本公众号不是中国国际金融股份有限公司（下称“中金公司”）研究报告的宣布平台。。。。 。本公众号仅是转发、摘编中金公司研究院或其他专业人士/机构撰写制作的相关研究效果的部分看法，，订阅者若使用本公众号所载资料，，有可能会因缺乏对完整报告的相识或缺乏相关的解读而对资料中的信息、看法、判断等内容爆发明确上的歧义。。。。 。订阅者如使用本资料，，须追求专业照料的指导及解读。。。。 。
订阅本公众号不组成任何条约或允许的基。。。。 。，中金公司不因任何纯粹订阅本公众号的行为而将订阅人视为中金公司的客户。。。。 。
本公众号所载信息、意见不组成对生意任何证券或其他金融工具的出价或征价或提供任何投资决议建议的服务。。。。 。该等信息、意见在任何时间均不组成对任何人的具有针对性的、指导详细投资的操作意见，，订阅者应当对本公众号中的信息和意见举行评估，，凭证自身情形自主做出决议并自行肩负风险。。。。 。
中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何昭示或体现的包管。。。。 。对依据或者使用本公众号所载资料所造成的任何效果，，中金公司及/或其关联机构、关联职员均不肩负任何形式的责任。。。。 。
本公众号相关资料所载意见、评估及展望仅为该资料出具日的看法和判断。。。。 。该等意见、评估及展望无需通知即可随时更改。。。。 。在差别时期，，中金公司研究部可能会发出与本资料所载意见、评估及展望纷歧致的研究报告。。。。 。中金公司的销售职员、生意职员以及其他专业人士可能会依据差别假设和标准、接纳差别的剖析要领而口头或书面揭晓与本资料意见纷歧致的市场谈论和/或看法。。。。 。本公众号可能会转发、摘编其他专业人士/或机构撰写制作的相关研究效果，，相关研究看法仅代表其自己/该机构的剖析判断，，不代表中金公司的看法，，中金公司对其中的信息及其看法不做任何形式简直认或包管。。。。 。
本订阅号是由中金研究院建设并维护的官方订阅号。。。。 。除非尚有说明，，本订阅号中所有资料的版权均为中金公司所有。。。。 。未经书面允许任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、揭晓、修改、仿制或引用本订阅号中的内容。。。。 。
