近年来，AI被越来越多的制造企业应用到设计研发、生产制造、质量检测等环节，帮助企业不断提高运营效率，但当AI变成了“标配”，它所带来的技术优势很快就会被复制。浙江大学管理学院教授邬爱其团队通过对浙江、江西、广西等地近300家传统中小制造企业的调查分析发现，AI确实能让企业进行快速模仿，却很难帮它们打造出独特和持续的竞争优势。
不过，团队也发现，“新制造企业”与传统制造企业的情况大为不同：传统制造企业大多将AI视作附加工具，而新制造企业则从创立开始就深度利用数智技术来设计研发和生产制造产品、把生产全流程的数据变成AI算法的训练素材、不断优化算法帮助自身实现软硬件有效匹配和协同发展。也就是说，新制造企业将AI当做驱动产品创新、生态共创和企业盈利的核心引擎。
那么，对于新制造企业来说，当AI“标配化”之后，它们应如何有效构建“护城河”，建立起新的竞争优势？针对这一问题，邬爱其教授携手北京大学光华管理学院助理教授张鹏翔，浙江大学公共管理学院科教战略研究中心特聘副研究员、学科与教学主任杨洋，美国南卡罗莱纳大学摩尔商学院教授李卅立在《哈佛商业评论》（中文版）2025年第10-11期发表文章。本期【浙里洞见】，且看邬爱其研究团队层层剖析问题背后的深层原因以及解决之道。
AI标配后，四大要素构建新制造企业护城河
作者简介
邬爱其，浙江大学管理学院创新创业与战略学系教授、博士生导师
*北京大学光华管理学院助理教授张鹏翔，浙江大学公共管理学院科教战略研究中心特聘副研究员、学科与教学主任杨洋，美国南卡罗莱纳大学摩尔商学院教授李卅立同为文章合著者
最近几年，杭州及周边地区快速崛起为中国AI 创新创业热土，政策扶持、资本活跃与产业集聚等叠加优势，推动算法应用、智能制造等领域持续突破，涌现出一批“AI+ 制造”的新制造企业，比如做四足机器人的云深处科技、专注三维扫描的思看科技、深耕智慧安防的宇视科技、主攻人形机器人的原力无限，以及发力虚实链接的 VR企业易现。我们在调研中发现一个共性问题：几乎所有企业都已引入AI，不少企业却坦言产品很难真正“出圈”。那么，当 AI 成了新制造企业的标配后，它们该怎么筑起自己的护城河？
通过调研，我们发现：新制造企业真正的核心竞争力，不在于是否采用AI，而在于如何用AI重新设计组织和业务，将算力（Computing power）、架构（Architecture）、场景（Scenario）和生态（Ecosystem）四个关键要素打造成有机协同的强大系统。这四个要素一起构成了AI时代新制造企业竞争力来源的CASE模型。
图片来源：文章原文
首先，算力（C）意味着新制造企业用更聪明的计算替代昂贵的硬件。其次，架构（A）强调企业要把 AI 融入组织的整体设计，而不是外挂一个功能。场景（S）要求企业洞察和深耕关键应用场景，用真实需求驱动算法迭代。生态（E）则意味着新制造企业的竞争不再是单打独斗，而需要与客户、伙伴共建开放生态网络。这四大要素须通过相互作用形成一个动态飞轮，让新制造企业在AI普及时代依然能够建立起属于自己的独特护城河。
算力
用“聪明计算”代替“堆砌硬件”
传统制造企业习惯于用昂贵的设备和材料产出高性能的产品，高端装备、精密工艺、优质材料等成为企业的关键竞争力。到了AI时代，新制造企业则通过算法优化和算力整合，让普通硬件也能发挥超常能力。
01善用算力挖潜硬件功能
算力成为AI 时代影响企业竞争力的重要因素，但是，算力的关键不在于新制造企业买了多少服务器和显卡，而在于能否用计算去解决企业运营中最核心的问题。传统制造企业总觉得“性能全靠硬件品质”，但多家新制造企业的做法却反过来证明：AI 能让适用的零件“变聪明”。
图片来源：云深处科技公司官网
以云深处科技公司为例，其四足机器人采用“黑箱式”控制策略，在训练过程中并不给机器人设定明确动作，而是设定一个“不摔倒”的目标，通过仿真平台进行千万次强化学习训练，实现了机器人在复杂地形下的自适应能力。思看科技在研发三维扫描仪时，也没有一味追求高端定制的硬件材质，而是利用 AI 来解决不同材质表面带来的测量难题。在我们调研中，不少工程师都提到，比起一味追求硬件的极致，他们更在意让模型去适应现有硬件的功能，让看似不够完美的普通硬件也能够形成强大的性能。
02优化算法破解成本瓶颈
日趋激烈的竞争使算力成为稀缺资源，但通过优化算法可以有效降低算力成本，宇视科技印证了这一趋势在视频监控领域的实践。过去，做大规模视频分析动辄需要购入几十万元级别的服务器，现在，宇视科技基于其“梧桐大模型”，将强大的AI能力封装在仅有路由器大小的机身中，售价降至千元级，具备了将高端AI应用普惠化的能力。这款设备集成了目标识别、行为分析等 8大类41种智能算法，是“以算力换性能”的体现。
图片来源：宇树科技官网
所以，新制造企业热衷于吸引大批优秀的算法工程师，立足场景、技术和产品特点来持续优化算法和降低算力成本。就如传统制造企业需要在车间里配置大量熟练技工那样，新制造企业把更多的熟练技工搬到了计算机房和数字平台中，它们的技术层次很大程度上决定了企业的竞争力水平，因为出色的算法和算力不仅改变了企业的要素配置结构和成本，还影响着产品的性能和性价比。
架构
AI不是外挂辅助，而是重新设计“发动机”
传统制造企业往往把AI当作外挂，希望AI辅助企业降本增效。新制造企业在应用AI时注重从底层重新设计流程和系统架构。就像当年工厂引入电力，并不是把蒸汽机换成电机，而是要重新规划车间布局，否则难以真正提升效率和激发创新。AI也是一样，新制造企业若仍沿用原有的组织运营逻辑，往往只能产生有限的效应。
01整体优化组织运营流程
企业是专业化分工的经济组织，高效地分工和协作是盈利发展的关键。原力无限公司的人形机器人并不是在局部插入AI，而是让AI 直接参与整个运作流程，从接收信息到做出动作都由 AI 驱动，这让系统反应更快，也更像人类的条件反射。这种流程系统的重构减少了人工设计的中间处理环节，使信息流转更高效，能够在复杂任务和突发情况中快速响应。原力无限负责人说，“我们只需要提供足够庞大的、特定场景下的数据量级，并且进行长期、持续的训练，系统自己就会不断优化路径，‘真理’就会逐渐浮现。”
图片来源：原力无限公司官网
在这个过程中，人类工程师负责定义好任务目标和场景约束，机器人则可以依据算法模型不断适应真实世界的各种不确定和复杂任务。组织运营流程的优化，让AI 可以自主地探索和迭代出最优的工作路径。
02“云端+本地”协同架构
组织流程设计涉及协同架构的合理性和有效性，直接关系到算力和算法资源能否高效转化为现实生产力。回顾宇视科技在AI 应用初期的实践，内部研发人员坦言，当时的架构确实存在“AI外挂化”问题。2017年前后，为了尽快将AI能力引入产品，团队将图像识别模型嵌入在摄像头中作为感知层的附加模块，而控制与决策仍主要依赖后端平台。这种“并联式”结构使得AI与原有视频采集、传输、存储系统缺乏深度协同，导致在复杂应用场景下反应滞后、误识率高。
宇视科技发现，光靠云端处理太慢，于是把一部分AI能力放在设备本身来处理，这样很多计算工作能在本地完成，系统反应变得更快、更稳定。在这种“云端 + 本地”高效协同的架构下，AI不再仅仅位于云端中心，而是被深度注入到边缘和前端设备中，可以解决集中式云计算带来的网络带宽压力和延迟问题，更好地支撑本地业务的快速响应，提升了用户体验感。
03架构优化改变成本结构
组织架构意味着人、财、物、技术等要素的配置逻辑，影响着企业的成本收益结构。对新制造企业而言，通过AI 优化架构，比单纯升级硬件更有效率，产品性价比也更高。思看科技在研制三维扫描仪时，没有一味追求更贵的相机，而是用AI优化系统，让普通相机也能拍出足够精细的效果。思看科技还与InnovMetric合作，共同打造完整的工作流，强调算法与系统架构协同优化，从而超越单纯硬件升级的思维。思看科技的研发人员表示：“我们不再一门心思追求定制高端工业相机，而是训练模型并与智能识别及图像处理算法进行拓展性融合，来适应低成本镜头的数据分布特点，兼顾高精度的同时实现低成本优化。”
图片来源：思看科技官网
此外，他们正在尝试探索基于神经网络算法的深度学习技术，来实现采用最小的数据空间以达到最优的细节特征采集的能力。这种“算法驱动结构设计”的工程理念，正让越来越多的新制造企业不断优化成本结构，探索并塑造出新的竞争优势。
场景
即时深度洞察需求，构筑定义标准能力
当硬件和算法都趋同时，新制造企业的真正差异化来自场景。谁能更早、更深地切入某个应用场景，谁就能积累最真实的数据，进而深度洞察数据背后的真实需求，从而形成“数据飞轮”效应，助力企业构筑起引领行业发展的标准。
01生成场景即时洞察需求
技术与市场深度融合和迭代发展是新制造企业创新发展的根本任务。因此，如何即时、精准地洞察和满足市场需求就成为AI能否发挥作用的核心，利用数智技术生成场景并从场景中把握真实需求是新制造企业的关键任务。宇视科技通过一句话即可生成检测模型的方式，让AI能快速适配各种冷门场景，解决了传统AI覆盖不到的问题。大模型应用将这种场景能力推向极致，允许用户直接用自然语言下达指令，系统便能即时生成定制化算法。如在湖北市场的应用中，工作人员仅输入“农用车载人”的文字指令，系统就在一分钟内自动生成了违规检测模型，解决了传统 AI难以覆盖消防堆物、漏油等冷门场景的痛点。
这种“模糊输入、高清输出”能力，解决了安防行业在海量非结构化数据中检索困难问题。所以，具备场景生成能力的AI可以助力新制造企业超越传统人工手段仔细理解和识别市场需求，场景让AI 有了施展本领的机会。
02数据累积加速 AI 迭代
率先落地场景让新制造企业可以掌握最真实的数据，随着数据增多就可以激活“数据飞轮”效应，即最大化数据和数智技术的价值创造能力。早期进入场景让新制造企业可以抢占数据源，数据积累和洞察使其掌握优化未来发展路径的先发优势。如云深处科技公司在工业园区和电网等场景部署机器人，不断收集真实的使用数据，并根据数据反馈来持续迭代改进产品，通过“边用边改”让产品更快、更好地满足客户的实际需求。
在消防救援领域，机器人必须能穿越积水、避让障碍、携带传感设备，云深处工程师并未一次性解决所有技术难题，而是基于场景一线反馈逐项优化算法与硬件配置。又如原力无限在应用场景中反馈和积累越来越大量级的数据，算法针对场景问题进行持续优化，推动产品不断迭代调优。这种“产品即实验”的逻辑，加速了 AI 与用户之间的价值闭环。
03场景需求定义行业标准
一旦某一场景的AI 解决方案被市场接受，新制造企业便掌握了对该场景的标准定义权，后来者必须适配其已部署的接口、软硬件环境，从而形成实质性的护城河。持续获得自然使用环境中的高频数据，让 AI 能力不断微调，并生成专属特定场景的新算法，这种具备场景适应力的产品更容易形成市场壁垒。如思看科技在与多个制造企业合作过程中，发现 3D 扫描技术落地的关键不仅在单一精度指标，客户真正需要的是对不同材质和条件的灵活适配能力，于是打造出能根据场景特点自动调整参数的数据平台，帮助客户更高效完成三维扫描。同样，在原力无限的 AI 机器人逻辑中，产品并非为技术而生，而是源自真实、复杂和高频应用场景反向驱动算法构建。
如其低空自动充电机器人，能自动识别车辆位置并完成充电，让用户不必再人工操作，即可完成“停车即走、充电无需等待”的流程。通过先创造场景，再在场景试点中持续收集反馈和洞察提炼需求，让新制造企业可以打通创意与落地之间的最后一公里，为场景解决方案建立起行业标准和共识。
生态
开源重构价值网络，持续推动生态进化
AI给新制造企业带来了多方面的机会和挑战，任何单一企业都无法单独完成。因此企业需要选择开放接口，构建起客户、合作伙伴、开发者等组成的生态系统，以生态系统来重构价值网络，赋能生态伙伴价值共创和共享发展。
01开源重构价值共创网络
传统制造企业的价值逻辑是分工协作和线性交付，如传统燃油车制造企业找一级供应商，一级供应商找二、三级供应商，但AI的高度不确定性和高频迭代需求，决定了新制造企业需要一个更为灵活的技术共同体。例如，云深处科技通过对外开放系统接口，吸引高校和开发者参与技术改进，把外部创新直接纳入产品升级过程。它们还允许用户进行二次开发，把企业变成高校科研和教学活动的重要平台。类似的策略在思看科技中也得到体现，企业邀请客户工程师参与系统改进，使其能够把一次性交易转变为持续的共创关系。
宇视科技通过合作政策，引导伙伴从卖设备转型为提供整体解决方案，通过技术培训、本地化仓储、项目协同等方式，为客户创造更多价值。这种用户共创式的生态关系，使新制造企业不仅售出产品，更构建了技术共同体，将合作伙伴紧密地融入其价值网络，从而把买卖关系变成了共同建设的合作关系，最终实现生态共赢。
02开放平台扩展应用场景
生态扩展能力很大程度上决定了新制造企业的成长空间。在调研中我们看到原力无限等新制造企业正尝试搭建开放式平台，让开发者在其机器人基础上添加新功能，以拓展更多的应用场景。这背后离不开企业所提供的开放式接口和工具，确保不同模块能够顺利兼容。该企业技术负责人说，“我们的目标不是做一个封闭产品，而是做一个身体开放、能力共享的平台型机器人。”这种生态逻辑使得原力无限可以通过吸纳教育、医疗、服务等多元场景下的模块化插件，快速扩展技术和产品的使用边界。
易现公司用AR还原南京小西湖历史风貌区 | 图片来源：易现官网
宇视科技不仅自身产品矩阵完备，还积极融入更大的生态，成为“中国移动爱家AI终端生态领先者”，与生态伙伴一起共同为家庭、商铺等场景激活 AI 价值。易现公司建立了一个AR平台，为开发者和创作者提供了从建图到设计再到体验的一站式服务，降低了开发者进入门槛，吸引更多人参与内容创作，通过平台汇聚各方力量不断丰富 AR 应用场景。所以，新制造企业的开放合作模式，极大地拓展了技术和产品的应用边界。
03推动共生系统自我进化
新制造企业构建生态系统的最终目标，不仅是连接更多生态伙伴，更是推动生态系统更快地自我进化，以实现技术和产品的迭代创新。一些新制造企业已经形成了“越用越好”的循环：企业提供工具和平台支持，外部伙伴带来真实需求和数据，多方共同推动产品并不断进化。
云深处科技的技术人员指出，他们的生态不是简单的“给别人用我们的平台”，而是“让别人一起造这个平台”。通过技术伙伴和开发者的共同投入，平台的能力被持续放大。原力无限和易现公司也通过这种“参与—反馈—优化—更多参与”的生态进化逻辑，不断增强自身产品和场景适配力。更重要的是，生态资源的聚合让人才和知识在生态成员之间高效流动和协同创新，共同构建出一个具备自我演化能力的生态系统，加速了从问题到产品的迭代，为新制造企业构建了中长期的竞争壁垒。
结语
在后AI红利时代，新制造企业的核心课题已从“如何使用AI”转向“如何通过AI重构价值创造方式”。CASE模型的四大维度刻画出新制造企业利用AI构筑护城河的核心要素。其中，算力降低了成本，架构提升了效率，场景创造了壁垒，生态带来了成长。更为关键的是，这四个维度需要形成相互赋能的动态闭环，不断促进新制造企业的不断演进：算力为重新设计系统提供基础支撑，架构优化让场景能力得以充分释放，场景落地则推动生态体系不断扩展，生态自我演化又反哺算力与架构的持续升级，最终构筑出新制造企业的护城河。
相关企业的实践探索印证了CASE模型的价值，它既能激活企业内生潜力，又能整合企业外部资源，让AI从通用技术工具升级为驱动能力持续演化的核心引擎。然而，未来的新挑战也不可忽视。随着算力门槛下降、数据合规要求趋严、生态合作博弈加剧，新制造企业在推动 CASE 模型落地过程中还将面临新的不确定性。比如，如何在追求模型训练性能的同时兼顾绿色低碳，避免因算力资源消耗过大而失去可持续性；如何在利用数据推动创新的同时，明确隐私保护、行业规范和知识产权的边界；如何在开放与管控之间找到平衡点，让生态真正成为各方共赢的平台。这些问题都提示我们：新制造企业的智能化之路，远不是一劳永逸，而是一个需要持续探索和迭代创新的进化过程。
信息来源：《哈佛商业评论》（中文版）
