2025年春节前，笔者将从事机器绣花业务的萧总和从事AI研究的广州易玖信息科技有限公司的方总拉了一个微信群，探讨AI设计与绣花的结合。但因节前匆忙，双方没能见面深聊。大年初九，笔者与萧总一起去到方总办公室，交流探讨AI如何赋能绣花业务。
方总详细向萧总了解绣花行业的情况和需求，调用大模型的图像处理能力，不断生成服装、服饰的绣花设计，制作出令人惊叹的绣花作品，欧洲风、印度风、阿拉伯风、日本风、中国风等各种风格层出不穷。最后，他还生成了一组基于绣花作品的时装，精美绝伦。
萧总十分感慨，认为AI与制造业深度融合已不是设想，而是现实。30年前，萧总创办了广东海帝隽绣东方实业股份有限公司，从事机绣绣花业务，产品常用于时装、床上用品、家居服的装饰等。如今，企业已成为行业的隐形冠军。
萧总认为，传统中国工艺美术偏重工艺，缺乏对于艺术审美的提炼，缺少艺术作品的想象力与时代表现力。同时，传统工艺也面临受工业化挤压和传承的问题。他一直希望将传统绣花工艺与现代数字化生产技术相结合，创作出更显立体、均匀、生动、具有艺术表现力的当代绣画作品。
这几年，他一直思考企业的转型，本来计划将机绣与艺术创作结合，实现从制造到艺术创造的跃升。接触AI设计后，他的整个思路都被打开了。他觉得，对企业而言，AI可以助力数字化转型与全面升级，促成企业商业模式转变，促成企业形成新的战略并解决企业传承等问题。
1. AI与制造业场景的真实融合
过去2年，围绕ChatGPT及其对人类未来影响的探讨层出不穷，产业界也在思考AI与产业融合的未来。广东省中小企业发展促进会（下称“促进会”）组织过多场研讨会与培训班，希望联合专业队伍打造AI与制造业的融合场景。但总体上，效果还是差强人意，大家感觉还是雾里看花、图个新鲜。
国人之所以对DeepSeek的横空出世兴奋不已，就在于迅速崛起的中国大模型基本解决了AI从可用到好用的问题，接下来将解决如何实用的问题，这也是产业界翘首以盼的真实需求。
在参加促进会组织的几场AI研磨会后，方总感觉广东虽然错失了DeepSeek，但广东真正的机会是DeepSeek与制造业的深度融合，或者说，广东要实现大模型在制造业场景的广泛应用。
促进会首席顾问郝聚民推算，DeepSeek若在广东制造业渗透率达30%，2027年前可带来3000亿元—4500亿元的价值增量。郝聚民认为，广东若错失DeepSeek在制造业的广泛应用，不但会流失经济增量，还会导致制造业的技术主权旁落：算力—算法—数据链断裂。
一是算力基建空心化，而浙江省和上海的智算中心可能垄断模型训练节点。
二是数据资产外流，工业数据经由外部平台处理，将削弱本地的数据主权。
三是制造业效率差距扩大风险。郝聚民分析，虽然广东制造业规模现居全国首位（2024年增加值为4.2万亿元），但全要素生产率（TFP）仅为美国的68%。若未能规模化应用DeepSeek，江浙地区通过AI赋能的制造企业将快速拉开效率差距。
四是人才虹吸效应逆转。当前深圳的AI人才密度为每万人12.7人，低于杭州的15.3人。若DeepSeek应用滞后，广深的人才可能向长三角迁移，形成“创新者迁徙”。
笔者认为，广东作为制造业大省，中小企业数量超过700万家，覆盖电子、家电、服装等30余个细分领域。这种高度分散的产业格局使AI技术的应用场景呈现“长尾分布”——每个细分领域的需求看似微小，但总量叠加后能够形成巨大的价值洼地。
中小企业的生产场景往往兼具“碎片化”与“高复杂度”，如佛山陶瓷企业的窑炉温控、东莞的电子厂、中山灯具厂的柔性装配线等。这些场景的AI化改造需要技术供应商深入理解工业细节，倒逼算法模型从“通用型”向“专用型”进化，实现数字工程与工业工程的真实融合。
2. 中小企业是产业AI化的关键
AI将引发新一轮颠覆性的产业革命，中小企业的AI布局正是核心战场。
首先，中小企业是产业生态的重要构成。在AI技术重构制造业的进程中，中小企业的竞争力看似取决于单点的技术突破，实则高度依赖产业生态的系统性优化。这种优化通过成本控制能力与效率提升机制的双轮驱动，重塑区域乃至国家产业的全球地位。
西门子成都数字化工厂的案例印证了这一逻辑：其全球竞争力和“灯塔工厂”的地位，不仅源于自身的技术实力，更深植于中国供应链网络的创新迭代与成本管控能力，很大程度上是与中国本土供应链深度协同的结果。
该工厂日生产2300种产品，背后依赖的是由长三角的精密零部件、珠三角的电子元器件、成渝地区的物流网络所构成的供应链体系。这种生态使西门子能够快速响应订单变化，将交付周期压缩至行业平均水平的60%。
东莞一家为西门子供应连接器的中小企业，通过AI驱动的动态排产系统，将产能波动容忍度从±15%提升至±35%，成为西门子供应链弹性的关键支点。
西门子成都工厂的单位人工成本是德国安贝格工厂的1/4，但产品缺陷率反而更低。这个反差的根源在于供应链的响应速度与技术的扩散效率。西门子成都工厂供应商的平均交货周期为48小时，德国为120小时。中国中小企业3个月内可完成AI工艺的适配，德国需12个月以上。中国制造业的竞争力，已从“低成本制造”转向“高弹性生态”。
与此同时，技术协同的共生效应也在陆续显现。在广东企业数字化链式改造的模式中，龙头企业（如美的）向中小企业开放AI质检算法、能耗优化模型等技术模块，中小企业则反馈产线数据反哺算法迭代。这种双向赋能使美的供应链整体缺陷率下降40%，中小企业的平均获客成本能降低28%。广东省工信厅数据显示，参与链式改造的中小企业，其AI技术应用效率比孤立改造的企业高3—5倍。
中小企业汇聚成的产业生态也是产业竞争力的重要构成。中小企业的效率在很大程度上决定了产业的效率。
其次，中国制造的成本控制开始从“规模红利”转向“智能红利”。中国供应链的成本优势已从“劳动力价差”转向“智能化协同降本”。例如，某地区产业集群通过AI物料调度平台，将区域级库存周转率从8次/年提升至14次/年，相当于释放流动资金120亿元。
这种成本优化无法由单一企业实现，必须依赖生态级的数据共享与算法协同。在中山灯具产业带，30家中小企业共用AI设计平台，使模具开发成本从单品12万元降至3万元，产品迭代周期也从6个月缩短至45天。
AI技术的独特之处在于其边际成本趋近于零。佛山陶瓷产业带AI窑炉控温模型的初期研发投入为200万元。一旦在100家企业铺开，单家企业的分摊成本仅为2万元，却能够降低能15%—20%的耗费。这种越用越便宜的特性，使中小企业集群成为AI红利的最 大受益者。
再次，制造业效率提升机制也从“经验驱动”转向“数据驱动”。温州一家从事纸杯智能制造的企业实现数字化管理后，精准提升了物料的库存管理，缩短20%的交付周期，消除非增值作业超50%，实现管理减员增效10%，主要是中层管理干部。
浙江义乌小商品市场通过AI设计平台，日均上新的SKU（库存单位）超10万种，其背后是3000家中小企业的协同创新。每家企业的设计数据实时进入共享池，通过AI进行趋势预测与组合优化，整个生态的爆款产出率提升了3倍。这种创新效率是任何单体企业无法企及的。
在长三角与珠三角的竞争中，江苏的化工、浙江的轻工与广东的电子制造形成差异化生态。一旦哪个地区的中小企业建立了对AI技术的快速消化能力，就能形成快速响应的速度优势，进而形成区域竞争力。例如，东莞手机产业链通过500家中型EMS企业（电子制造服务商）的AI化改造，将新品试产周期从45天压缩至7天，这是深圳华为、OPPO等品牌商敢与苹果比拼发布节奏的底气。
中小企业的生态优化将是AI时代的终 极战场。中国产业的竞争力，本质上取决于中国制造业的生态，中小企业不是巨头身后的追随者，而是生态活力的源泉。未来，区域竞争还将是“AI技术深度×生态协同密度”的复合函数，技术深度决定单点高度（如算法精度、算力规模），而生态密度决定应用广度（如数据流动性、技术扩散速度）。
广东乃至中国的制造业若想保持优势，必须将中小企业的AI布局视为生态优化的核心工程：通过链式改造降低技术门槛，更要构建数据共享、标准互通、利益共生的新型产业关系。唯有如此，中国供应链才能进化为中国智能生态，在全球竞争中掌握定义权而非适配权。
3. 中小企业实现AI赋能制造的障碍
在与方总交流后，萧总首先考虑到的是成本问题。尽管方总讲，DeepSeek出现后，企业本地化部署的成本将大大降低。但萧总仍有很多担心，如AI发展迭代快速，DeepSeek能否一直领 先，企业如何跟进？导入AI后，企业内部管理出现变化，如何基于AI调整组织，如何建立基于AI的新战略？
事实上，在笔者组织的一次座谈会中，众多企业也表现出希望拥抱AI，却陷入不知如何入手的焦虑状态。
虽然，企业的数字化和智能化是大势所趋，但中小制造业大多来自传统业态，企业有因原有结构、文化或行为模式难以适应技术变革的阻力。这种阻力并非源于技术本身，而是根植于组织的深层运行逻辑。
一是组织问题。实现数字化与智能化是老板动员的，但落地执行的都是团队。很多企业管理层都认为这是伤筋动骨、上下折腾的麻烦事。很多高管会觉得就领一份工资，多一事不如少一事。
促进会推动企业研发降本项目就遇到了类似情况。很多企业高管的第 一反应是觉得不可能，一方面这是惯性认知使然，另一方面还有一亩三分地容不得别人进来的考量。推动企业数字化，企业效率高了；用数据做决策，中间传递信息做决策人的作用就没了；将管理知识封装在系统，管理人员的重要性就会降低。这些都会挫伤管理团队参与企业数字化及智能化改造的积极性。而一线员工对AI系统操作存在畏难情绪，普遍缺乏基础的数字技能，如数据录入、参数调整等，导致设备利用率低下甚至弃用。
有位企业老板回忆10年前进行的信息化改造，当时觉得天都塌下来了，至今仍心有余悸。但他仍说信息化是他当时的信念，如果没有坚定信念，企业打不赢信息战，也打不赢数字战与智能战。
组织惯性问题的本质是“人脑的操作系统”与AI的算法逻辑不兼容。企业若想突破，需同步推进认知升级、技能再造、流程重构与文化重塑，将AI从“外来技术”转化为“组织基因”。唯有如此，才能避免“用工业时代的组织，驾驶智能时代的战车”。
二是观念认知问题。很多人认为企业AI是“成本中心”而非“战略投资”，倾向于维持传统生产模式，认为“机器换人”或“数据驱动”是虚概念，不如购置设备或扩大产能实在。有的企业拒绝引入AI工艺优化系统，认为老师傅的经验比算法靠谱。结果，竞争对手通过AI动态调参将良品率提升了12%，该厂订单份额在2年内流失35%。
企业管理层缺乏对AI技术长期价值的理解，过度依赖历史的成功路径，如规模扩张、低成本竞争等，导致战略决策与技术创新脱节。
三是企业传统的管理体系遏制创新。企业管理传统的流程设计以控制风险为核心，而AI应用需要快速试错、敏捷响应的组织机制，两者存在根本冲突。
在传统科层制的组织架构下，各部门的绩效指标割裂，如生产部考核产能、采购部考核成本，缺乏数据共享激励机制。此外，绩效考核仍以产量、成本等传统指标为主，员工使用AI优化流程将无法获得实质奖励，缺乏参与动力。传统的管理模式容易扼杀新技术的灵活性，线性的管理流程也无法适应AI驱动的实时决策需求。
企业内部的生产、采购、销售等部门各自为政，数据标准不统一，AI模型因无法获取跨部门数据而失效。某企业研发AI排产系统时，生产部拒绝共享实时状态数据，采购部的Excel表格与MES系统数据格式冲突，最终系统预测准确率不足50%。
四是企业AI服务赋能供给与企业的人才问题。一般而言，新技术的扩散依赖于专业团队提供的专业服务，而专业团队会将主要精力放在各个行业的龙头企业上，等待他们为中小企业提供方案，往往已错失先机。
由于脱离业务场景和实际，小创业团队提供的垂直解决方案和应用，很难真正适配实际的工作场景，这同样是低效的模式。企业自建AI团队突围，又面临AI人才匮乏与成本问题。
五是技术适配性问题。多数AI解决方案是基于大企业场景开发的，难以匹配中小企业的碎片化需求。广东省工信厅调研显示，72%的中小企业认为市面上的AI产品“功能冗余”，仅18%的功能被实际使用。
AI模型训练需要深度的工艺知识，但中小企业缺乏数据标注与模型调优能力。而目前市场上的服务产品以AI与人力资源、市场营销、广告设计结合的模块为主。很难有数字化团队能够通晓企业管理的所有模块，并将其全部贯通。召开经营分析会议时，企业还是需要人工对数字进行再分析，数字化的效率大打折扣。如果企业内部的数据不齐全或者数字不连贯，又影响企业的AI化。
最后是成本问题。AI改造单项目成本通常在50万元—200万元，加上数据清洗、系统维护、员工培训、转型探索等各种隐性成本，这些都会限制中小企业使用AI的积极性。
4. 构建中小企业的AI赋能生态
纵然障碍重重，但笔者认为还是可以从多个方面入手，打好产业AI化的核心战。
一是开展专项培育。如企业CEO的数字化培训，用同行业案例改变决策者认知；基于AI知识的人力资源、研发降本、企业营销培训；推行“数字工匠”认证体系，将AI技能纳入技工职称评定标准。
二是企业内部建设。企业要将数字化与AI建设视作发展的战略方向：需要建立适合AI发展的组织与文化，推动企业从“管控型组织”转向“敏捷型生态”；可以在企业设立“数字化决策委员会”，赋予一线员工基于AI建议的微决策权；推行“AI技能认证+绩效奖金”绑定政策，将AI操作熟练度与工资等级挂钩；设立“知识工程师”岗位，负责AI模型与工艺经验的对接；重建商业协作文化，通过“数据共享积分制”，奖励跨部门数据调用行为；推行“知识贡献积分制”，将员工经验上传量纳入绩效考核；鼓励员工共同建设企业智能体。
三是培育AI产业服务中间体，特别是培育垂直领域的AI集成商，如专注家具行业、服装行业、家电行业、灯饰行业、环保行业等的数智化服务商，或是基于具有专业服务能力的平台服务商，如工业设计、创新研发、数字化工厂等，建立具有产业特色的AI平台与智能体。
推动行业龙头企业开放数据接口，制定产业级API标准，如零部件数据与标准，推动企业间的交互规范标准。
此外，特别需要发挥行业协会与产业垂直媒体的作用。如促进会就正筹划联合各方生态伙伴，打造20个AI研发降本赋能制造共创中心，旨在整合资源形成合力，推动AI技术在广东制造业的首发大规模落地。
共创中心将作为AI技术与制造业深度融合的桥梁，为企业提供技术支持、人才培养、项目孵化等全方位服务，助力广东制造业转型升级。通过建设共创中心，实现AI技术在制造业的大规模应用，打造一批具有示范效应的AI赋能制造项目，形成众多的企业AI智能体。
四是推广低代码AI平台，如华为的ModelArtsLite。允许工程师通过拖拽方式定制模型，部署边缘知识节点，实现本地化实时推理；建立工业知识库，将细分领域工艺参数标准化，封装工业知识，降低算法开发门槛。
选择高价值场景，构建细分知识库。建立行业级知识共享平台，将分散的工艺经验、设备参数、故障案例等隐性知识，转化为可存储、可复用、可迭代的数字化资产，让AI技术扮演“知识挖掘者”“结构化工程师”“智能应用者”三重角色。
工业知识库的构建不仅是技术工程，更是生产关系的重构。通过AI将“老师傅大脑中的火花”转化为“可复制的数字火种”，中小企业可突破经验传承的时空限制，实现从“人口红利”到“智能红利”的跃迁。
广东若能率先完成这一转化，将奠定其“全球智造知识枢纽”的地位。未来，这里生产的不仅是商品，更是定义未来制造的规则与标准。
中小企业的AI转型绝非单纯的技术问题，而是涉及全要素的系统工程。广东若能以“场景化技术供给+阶梯式成本分摊+生态级数据治理”组合拳破解障碍，将激活百万中小企业成为AI落地的“毛细血管”。
当每个车间都能以最 低成本调用AI能力时，区域制造业竞争力将从“单体强”迈向“系统强”，最终实现“蚂蚁雄兵”式的智能跃迁。这场变革没有退路：要么用AI重构产业根基，要么被重构。大模型是将AI应用推上高空的推进剂，全AI驱动才是那绚丽无比的烟花。
在制造业的AI时代，广东在制造业时代积累的工程化基因，将变成数字时代的数据与场景红利。当美国在技术理想主义的道路上一骑绝尘时，中国正通过技术实用主义开辟新战场：不是追求绝 对技术领 先，而是用成本重构、场景深耕和生态协同，重新定义全球的创新规则。
（作者系广东省中小企业发展促进会会长）
