一场隐秘却深刻的转向：平台型AI退潮，底层算法AI崛起

中国制造业企业的AI战略正悄然发生结构性变革。如图1所示，2016年以来，AI平台型技术的热潮已趋于平稳，取而代之的是底层算法技术的持续上扬。这不仅意味着企业从“用工具”转向“建引擎”，更预示着AI嵌入制造体系的方式，正在从系统集成走向自主算法演进。这种变化最先体现在一组数据上：底层算法的技术得分在各行业稳步上升，特别是在专用设备与汽车制造领域，已逐步掌握主动权。这一趋势打破了“AI即应用”的思维惯性，表明企业不仅在用AI，更在造AI。这是一种从消费向生产的能力跃迁，亦是产业链从“接收终端”走向“认知内核”的战略逆袭。

AI不仅是“要素”，更是“嵌套知识系统”：破解AI知识黑箱

人工智能不应再被简单视为一种通用投入要素。它的本质是嵌套结构的知识系统，高度模块化、层级分明、嵌套互动。我们看到的每一个“AI功能”背后，实则是大量算法框架、感知模型、数据优化结构的深度协同。

传统测度方法往往将AI当作技术强度或资本投入来估计，这在认知层面是简化的、在政策层面是误导的。为了破解这一认知偏差，安同良、吴致冶在应用经济学顶刊《中国工业经济》2025年第6期发文：《企业人工智能技术水平的分层测度及其创新效应——基于全球知识网络视角》，构建了基于全球专利共现网络的AI知识分层图谱，并据此提出一种企业AI技术水平的原始创新的结构测度框架。

这种方法具备三大技术突破，一是层级识别：将AI划分为四大聚类：底层算法、感知技术、平台技术与行业应用；二是结构量化：采用节点加权算法，捕捉企业AI专利在全球网络中的嵌入度；三是动态追踪：可实现企业AI演进路径的跨时间、跨行业测度。该方法既破解了AI技术知识构成的黑箱，同时也破解了AI创新效应的黑箱，为AI技术分类与测度做出了突破性贡献。

看得见的结构：知识网络如何打开AI“黑箱”

如图2所示，以PageRank得分为基础的分层布局方式构图，使得核心知识模块在图中自然沉降于底部。节点的大小即为其加权PageRank值大小的直观表示。其中，底层为加权 PageRank值前10% 的知识节点，包含AI知识领域中最重要的五个枢纽节点：机器学习方法（G06N20/00）、神经网络学习方法（G06N3/08）、神经网络结构（G06N3/04）、图像识别（G06K9/00）和图像聚类方法（G06K9/62）；中间层为加权PageRank 值排名前20% 的知识节点；上层为其余节点。在AI知识网络中，底层节点簇与其他知识模块之间形成放射状连接结构，尤其是五个枢纽节点构成了AI 知识网络底层的源头性核心放射源，这表明AI知识系统不仅具备中心辐射能力，也具有较强的知识扩散性与兼容性。

解码AI的知识引擎：底层结构如何运行

对AI知识网络的K核分解可视化，如图3所示：提取出最深核心（K=23核）知识网络并以Kamada-Kawai力学布局方式可视化，呈现出以机器学习（G06N20/00）为核心枢纽，神经网络、图像聚类等技术强耦合的“底层算法集群”。图谱清晰显示AI知识不是孤立存在，而是嵌套关联的高度集成系统，底层算法正是连接通用智能各模块的关键引擎。

AI的“技术谱系”：四大类群、层级分明

进一步引入更具针对性的聚类算法，对底层枢纽节点集进行系统性的归类与结构分析，揭示AI知识网络底层结构的细粒度特征：文章采用基于网络拓扑结构的Jaccard 相似度算法，对知识节点进行更精确的聚类分析，计算知识节点之间的相似性。结果如图4所示，底层AI枢纽知识节点被分为两大社区：通用AI技术和应用AI技术；具体又可细分为四大聚类：底层算法、感知类技术、平台型技术、行业应用型技术。其中，通用AI技术涵盖了现代AI的核心技术：机器学习、自然语言处理技术等，该部分技术通常构成知识网络源头性的枢纽节点，决定了整个 AI 技术体系的发展方向。

AI到底是否真正促进了创新：AI与创新能力的非对称关系

研究结论提供了清晰的分层答案。控制内生性与企业固定效应后发现，企业AI水平每提升1%，其专利创新能力平均提升0.65%。然而，这一提升并非来自所有AI技术类型的均匀贡献。相反，各类AI能力的创新效应存在显著分化：其中平台型AI技术显著提升知识整合能力，是技术整合效率的“加速器”；感知类AI技术对企业创新表现出最强的直接正向效应，尤其适用于边缘智能与人机协作场景；底层算法技术虽不直接提升创新数量，但通过增强知识搜寻“深度”，在突破式创新中起核心支撑作用；除此之外，行业应用型技术在当前阶段尚未体现出显著创新推动力，更侧重于商业化场景的价值转化。换言之，平台与感知类AI推动“广度创新”，底层算法支撑“深度创新”，而应用型AI则仍在“价值捕捉”阶段徘徊。

这为企业提供了差异化的AI战略路径，也提醒政策制定者：鼓励AI部署的同时，不能忽视“AI质量”的结构性衡量。

从“硅幕”到“算法焦土”：中国必须构建自己的AI主权

放眼全球格局，AI不仅是一项技术竞争，更是国家之间的知识捕获与治理战争。美欧通过技术限制、出口管制与制度壁垒正在构建新一轮数字冷战体系，AI成为最核心的战略武器。而在这种“硅幕”加固的背景下，中国制造业能否突破AI核心算法限制、实现知识自主，是决定其未来全球地位的根本变量。

研究指出，底层算法技术是推动中国制造企业知识“深度搜寻”的关键力量，其权重正快速上升。这表明，底层算法不仅是结构性创新的主引擎，更是中国向“强AI”时代跨越的技术支点。与之相应的，是从“数据驱动的优化智能”迈向“具类人认知的泛化智能”的跃迁路径。

这一跃迁需要四个基础条件的支撑：①国家级算法基础设施：构建算法公共资源池，降低中小企业进入门槛；②强制开源模型机制：鼓励开源框架与平台模型的国产替代；③泛化智能激励机制：政策上从“用AI”向“造AI”倾斜；④多层知识产权结构：建立适配底层算法共创共享的IP治理体系。

因此，强AI不是幻想，而是制度设计下的目标引导。

从企业创新到系统跃迁：打造互联式AI创新生态

AI的力量不止在企业内部，更体现在网络式协同中的系统跃迁。未来的AI创新将从“企业为单元”走向“知识网络为单元”，需要构建一个由政府、科研机构、产业联盟与平台企业共同参与的互联式创新生态系统。

该生态系统的基本形态包括：①知识节点协同机制：打通高校、实验室与制造企业之间的数据与算法流动通道；②算法试验田政策：设立行业级“算法测试区”，鼓励先行先试；

③AI知识图谱工程：系统整理中国AI底层能力地图，服务国家战略；④产业平台共建共享机制：在智能制造、城市交通、医疗影像等领域建立跨企业AI平台。

最终目标是打造具有中国主导权的全球AI协作系统，不是对现有体系的被动适应，而是主动构建数字经济时代的“新规则”。

技术围剿下的突围路径：从“优化智能”迈向“泛化智能”

全球各国正把AI大模型推进为大国战略。面对西方国家对中国高端算法和硬件的封锁，中国制造业的AI发展路径不能再停留在“追随”阶段。唯有主动向强AI方向推进，构建具有认知能力的泛化智能体系，才能真正突破数字冷战下的技术围剿。

底层算法即为这场突围的核心支点。它不仅是当前制造企业创新深度提升的关键技术，也代表着从“优化智能”向“泛化智能”跃迁的通道。推动算法基础设施建设、模型共享与开源机制，将是引导制造业构建“强AI能力”的根本政策工具。

测度即治理，算法即主权

AI的本质是知识结构，测度AI能力的方式决定了我们如何理解技术、引导企业、设计政策。从平台走向算法、从使用走向创造，是中国制造业真正完成AI范式跃迁的关键一跃。这一跃迁，既是方法论的革命，更是技术主权的重建。我们必须敢于在全球知识网络中构建属于自己的“AI图谱”，在底层算法上实现真正意义的赶超，并以系统化制度设计为支撑，打造数智时代中国制造、中国创造的智能生态图景。

文章内容转载自“TOP大学来了”公众号