人工智能赋能制造业转型升级的实证研究

Artificial Intelligence Driving Manufacturing Transformation and Upgrading: An Empirical Study

摘要: 本文基于2014~2023年省级面板数据，构建人工智能与制造业转型升级评价指标体系，运用熵值法测度发展水平，结合通用目的技术(GPT)理论，通过固定效应模型、Bootstrap中介效应模型探究人工智能对制造业转型升级的直接影响与间接传导路径。研究发现：人工智能作为典型的通用目的技术，不仅直接促进制造业转型升级，还通过提升技术创新水平和优化人力资本结构产生间接推动作用。据此，提出差异化区域战略、全链条融合、构建“技术–创新–人才”生态及跨区域协同机制等建议。

Abstract: Based on provincial panel data from 2014 to 2023, this study constructs evaluation index systems for artificial intelligence and manufacturing transformation and upgrading. Using the entropy method to measure development levels and drawing on the General-Purpose Technology (GPT) theory, it employs fixed-effects models and Bootstrap mediation effect models to investigate the direct impact and indirect transmission paths of artificial intelligence on manufacturing transformation and upgrading. The findings reveal that artificial intelligence, as a typical GPT, not only directly promotes manufacturing transformation and upgrading but also exerts an indirect driving effect by enhancing the level of technological innovation and optimizing the structure of human capital. Accordingly, this paper proposes recommendations such as differentiated regional strategies, full-chain integration, building a “technology-innovation-talent” ecosystem, and establishing cross-regional coordination mechanisms.

1. 引言

制造业是国民经济的核心组成部分，我国自2010年起制造业产值连续15年位居全球第一，2024年总产值达4.67万亿美元，占全球比重约30%，制造业规模持续处于全球领先地位。但长期以来，我国制造业过度依赖人口红利与资源消耗，存在产出效率低、产品附加值不高、核心技术对外依存度高的发展特征——国内面临劳动力成本上升、资源约束趋紧的压力，国外遭遇高端技术封锁与中低端市场竞争挤压，传统粗放型增长模式难以为继。

人工智能作为新一轮工业革命的核心技术，被认为是应对制造业转型挑战的重要驱动因素。国家层面先后将人工智能纳入《中国制造2025》《“十四五”规划》等战略文件，2025年《政府工作报告》更明确提出“持续推进‘人工智能+’行动”，推动其与制造业深度融合。在此背景下，系统探究人工智能对制造业转型升级的影响机制，不仅能丰富产业升级理论体系，更能为我国制造业从规模领先向高质量发展转型提供实践指引，具有重要的理论与现实意义。

2. 文献综述

通过对现有文献分析发现，与本文相关的研究主要集中在三个领域。

一是探讨人工智能的内涵与测度。人工智能的核心是“赋予机器类人智能以解决复杂问题”，Marvin Minsky首次提出该概念后，学界共识逐步形成：Acemoglu和Restrepo [1]将其定义为“可转化为商业技术的平台型技术”，钟义信[2]则强调其“模拟人脑功能的研发方向”。测度方法分两类：一是单一指标法，如朱巧玲和李敏[3]用工业机器人销售量、杨仁发等用工业机器人安装密度衡量；二是多指标体系法，如Shoham [4]从技术、政策、应用三维度构建指标，但目前尚未形成统一标准。

二是探讨制造业转型升级的内涵、测度与影响因素。制造业转型升级的核心是“从传统模式向高端化、智能化、绿色化转型”：Humphrey和Schmitz [5]从企业视角提出“技术提升与新产品开发”，赵玉林和裴承晨[6]则强调“从高消耗向创新驱动转变”。测度方法包括：公式测算、单一指标、综合评价法。影响因素方面，Banister [7]强调人力资本，Nahm和Steinfeld [8]证实技术创新的关键作用。

三是关于人工智能与制造业转型升级的关联研究。现有研究已证实人工智能对制造业升级的正向作用：Restrepo [9]指出AI可提升生产效率优化产业结构，邓洲[10]认为AI能推动制造业向服务型转型，耿子恒等[11]通过省际面板数据验证其显著促进作用。但不足明显：一是测度体系不统一，部分研究用单一指标难以全面反映现实；二是间接影响机制分析不足，对技术创新、人力资本等中介路径的实证较少，且未结合通用目的技术(GPT)等理论构建系统性分析框架。

现有研究提供了理论基础与实证参考，但存在两大局限：其一，人工智能与制造业转型升级的测度维度未达成共识，缺乏稳定统一的评价框架；其二，对二者间影响机制的探究不够深入，尤其忽略关键变量的中介作用与区域异质性。基于此，本文将构建多维度测度体系，剖析人工智能对制造业升级的直接与间接影响，并采用Bootstrap方法增强中介效应检验的稳健性。

3. 理论分析与研究假设

通用目的技术(General Purpose Technology, GPT)理论指出，具有广泛适用性、技术互补性与创新倍增效应的技术，能够跨部门渗透并重塑生产函数，成为推动产业转型升级的核心力量。人工智能凭借其在算法优化、数据处理与自主决策上的核心优势，完全契合GPT的三大特征：其一，广泛适用性使其能够覆盖制造业研发设计、生产制造、供应链管理、售后服务等全链条环节；其二，技术互补性使其能与数字技术、智能制造装备等深度融合，形成协同创新效应；其三，创新倍增效应通过激发次级创新，推动产业技术迭代与模式重构。基于GPT理论，本文从直接影响与间接传导两个维度，构建人工智能影响制造业转型升级的理论分析框架，并提出研究假设。

3.1. 直接影响

作为典型的GPT，人工智能的直接赋能效应源于其对制造业生产范式的重构：首先，智能机器人与自动化系统的应用，实现了高风险、高强度劳动的替代，通过流程标准化与精准控制优化生产效率，这体现了GPT的广泛适用性——技术可跨生产环节渗透，降低边际成本；其次，基于大数据与机器学习的智能决策系统，能够精准匹配供需关系、优化库存管理与动态调整生产计划，增强供应链的灵活性与韧性，这是GPT通过数据要素整合实现的资源配置效率提升；最后，人工智能的创新倍增效应催生了智能家居、自动驾驶等新产品，以及预测性维护、远程运维等新服务，推动制造业从单一产品供给向“产品 + 服务”的复合型模式转型，提升产业附加值。据此，本文提出假设1：

H1：人工智能对制造业转型升级具有显著正向促进作用。

3.2. 间接影响

GPT的核心特征之一是技术互补性，即需与互补性要素协同作用，才能充分释放其赋能潜力。人工智能作为GPT，无法单独完成产业转型升级的全流程，需通过激活技术创新与优化人力资本结构两大互补性要素，形成间接传导路径。

3.2.1. 基于技术创新水平的中介作用

人工智能的GPT属性使其与技术创新形成双向赋能：一方面，人工智能的算力优势与算法优化，能够加速研发过程中的数据处理、模拟仿真与迭代测试，降低创新成本并提升研发效率，直接推动技术创新水平提升；另一方面，技术创新为人工智能的场景化应用提供了载体，二者的互补性形成“AI赋能创新–创新支撑AI落地”的闭环。这种协同效应推动制造业从劳动密集型向技术密集型转型，实现产业能级跃升。据此，本文提出假设2：

H2：人工智能通过提升技术创新水平产生中介效应，间接促进制造业转型升级。

3.2.2. 基于人力资本水平的中介作用

GPT的赋能效果高度依赖于互补性人力资本的积累。人工智能的应用改变了制造业的技能需求结构：一方面，低技能劳动力的替代效应倒逼劳动者向高技能、知识型转型；另一方面，AI运维、数据分析师等新职业的出现，催生了对数字技能人才的需求。这种技能适配性使得人力资本结构向知识型、技能型优化，而高质量人力资本不仅能直接提升生产效率，更能通过理解、应用与再创新AI技术，放大其赋能效应，形成“AI优化人力资本–人力资本适配AI”的良性循环，间接推动制造业转型升级。据此，本文提出假设3：

H3：人工智能通过优化人力资本结构产生中介效应，间接促进制造业转型升级。

4. 模型设计与数据说明

4.1. 模型设计

4.1.1. 基准回归模型

为验证假设1，构建固定效应模型：

${\text{MITU}}_{it}={\beta }_0+{\beta }_1{\text{AI}}_{it}+{\displaystyle \sum }_{i=1}^n{\alpha }_{i+1}{X}_{it}+{\mu }_i+{\epsilon }_{it}$ (1)

其中，i为地区，t为年份，${\text{MITU}}_{it}$ 代表i地区t年制造业转型升级水平，${\text{AI}}_{it}$ 代表i地区t年人工智能水平，n为控制变量个数，$X_{it}$ 为i地区t年控制变量的对数值，${\mu }_i$ 代表地区不随时间变化的因素以控制地区的固定效应，${\epsilon }_{it}$ 为误差扰动项。

4.1.2. 中介效应模型

为验证假设2、3，参考Baron&Kenny [12]构建中介效应检验框架，并采用Bootstrap方法进行稳健性检验，构建中介效应模型如下：

${\text{MITU}}_{it}={\alpha }_0+{\alpha }_1{\text{AI}}_{it}+{\displaystyle \sum }_{i=1}^n{\alpha }_{i+1}{\text{X}}_{it}+{\mu }_i+{\epsilon }_{it}$ (2)

${\text{W}}_{it}={\beta }_0+{\beta }_1{\text{AI}}_{it}+{\displaystyle \sum }_{i=1}^n{\alpha }_{i+1}{\text{X}}_{it}+{\mu }_i+{\epsilon }_{it}$ (3)

${\text{MITU}}_{it}={\gamma }_0+{\gamma }_1{\text{AI}}_{it}+{\gamma }_2{\text{W}}_{it}+{\displaystyle \sum }_{i=1}^n{\alpha }_{i+1}{\text{X}}_{it}+{\mu }_i+{\epsilon }_{it}$ (4)

其中，${\text{W}}_{it}$ 为中介变量；Bootstrap检验通过重复抽样计算间接效应(${\beta }_1\times {\gamma }_2$ )、直接效应(${\gamma }_1$ )的标准误与95%置信区间，若置信区间不包含0，则中介效应显著。

4.2. 变量说明

4.2.1. 变量选取

(1) 被解释变量：制造业转型升级水平(MITU)

借鉴潘为华等[13]学者的研究思路，参考《中国制造2025》等政策文件对转型升级的内涵界定，从创新能力、质量效益、两化融合、绿色发展四个维度构建综合评价指标体系，并采用熵值法计算综合指数，具体指标见表1。

Table 1. Indicator system for evaluating manufacturing transformation and upgrading

表1. 制造业转型升级指标评价体系

一级指标	二级指标	指标说明
创新能力	R&D经费支出比重	制造业R&D经费内部支出/制造业主营业务收入
	R&D人员比重	制造业R&D人员数量/制造业从业人数
	单位产出专利数量	高技术产业有效发明专利数/高技术产业主营业务收入
	新产品销售收入比重	高技术产业新产品销售收入/高技术产业主营业务收入
质量效益	制造业占国民经济比重	制造业主营业务收入/地区生产总值
	制造业劳动生产率	制造业主营业务收入/制造业平均从业人数
	制造业利润率	制造业利润总额/制造业主营业务收入
	技术密集型产业比重	技术密集型产业产值/制造业总产值
两化融合	宽带普及率	固定宽带家庭用户数/家庭户数
	智能生产从业情况	计算机、通信和其他电子设备制造业从业数/制造业从业人员数
	数字化人才储备	软件和信息服务业从业人数
	计算机普及率	企业每百人使用计算机数
绿色发展	单位工业增加值能源消耗	工业煤炭实物消耗量/工业增加值
	单位工业增加值二氧化硫排放量	工业二氧化硫排放量/工业增加值
	单位工业增加值工业固体废物产生量	工业固体废物综合利用量/工业增加值
	单位工业增加值废水化学含氧量	工业废水化学含氧量/工业增加值

(2) 核心解释变量：人工智能水平(AI)

借鉴顾国达[14]、黄辉[15]等的研究思路，参考《国家创新指数报告2023》的指标评价思想，从创新支撑、技术成果、创新实践三个维度构建综合评价指标体系，采用熵值法计算综合指数，具体指标见表2。

Table 2. Indicator system for evaluating artificial intelligence

表2. 人工智能指标评价体系

一级指标	二级指标	测度指标
创新支撑	基础设施	光缆密度
		研究与实验(R&D)经费内部支出
		科技支出与地区生产总值比率
	人才基础	科研就业人员占比
		信息传输、软件和信息技术服务业就业占比
		高技术产业R&D人员全时当量
	载体建设	研究与试验发展(R&D)课题数
		科学研究和技术服务业法人单位数
		信息传输、软件和信息技术服务业法人单位数
技术成果	知识创造	人均发表科技论文数
		人均出版科技著作数
		人均发明专利数
	物质产出创造	工业机器人安装密度
		软件业务收入
		高技术产业新产品开发项目数
创新实践	企业规模	人工智能企业数
		人工智能机构数
	企业运营	高技术产业平均利润
		高技术产业新产品平均销售收入

(3) 控制变量

为控制其他因素的影响，引入以下变量：城市化水平(Urb)，选取地区城镇常住人口占地区常住人口的比重衡量；外商直接投资水平(Fdi)，选用各地区外商直接投资占国内生产总值的比重衡量；工业化水平(Ind)，选取工业增加值占国内生产总值的比重衡量；政府干预(Gov)，采用政府财政支出占国内生产总值的比重衡量。

(4) 中介变量

本文采用创新能力与人力资本作为中介变量。创新能力(ER)采用《中国区域科技创新评价报告》中的综合科技创新水平指数衡量；人力资本(HR)选取中央财经大学人力资本与劳动经济研究中心提供的名义劳动力人力资本衡量。

4.2.2. 数据来源

选取2014~2023年中国30个省(市、自治区，排除西藏、港澳台)的面板数据，来源于《中国统计年鉴》《中国科技统计年鉴》《中国工业统计年鉴》等，个别缺失数据用插值法补齐。变量的描述性统计结果见表3。

Table 3. Descriptive statistics of variables

表3. 变量描述性统计

变量	均值	标准差	最小值	最大值
MITU	0.385	0.073	0.246	0.663
AI	0.202	0.103	0.118	0.730
Urb	0.452	0.223	0	1
Fdi	0.014	0.076	0	1
Ind	0.540	0.183	0	1
Gov	0.236	0.167	0	1
ER	0.237	0.184	0	1
HR	0.265	0.217	0	1

5. 实证结果分析

5.1. 直接影响检验

5.1.1. 基准回归结果

首先通过Hausman检验和F检验选择模型形式，结果显示均拒绝个体效应与解释变量无关的原假设，故采用双向固定效应模型。

Table 4. Baseline regression results

表4. 基准回归结果

变量	(1)	(2)
AI	0.204***	0.225***
	(7.461)	(8.068)
Constant	0.299***	0.357***
	(49.857)	(15.707)
控制变量	YES	YES
个体/时间固定效应	YES	YES
N	300	300
R^2	0.853	0.889
Adj. R^2	0.831	0.847

注：*、**和***分别表示估计系数在10%、5%和1%的显著性水平下显著，括号内为标准误t值。下同。

基准回归结果如表4所示。无论是否加入控制变量，AI的系数均在1%的水平上显著为正。在以全部控制变量为准的第(2)列中，AI的系数为0.225，表明人工智能发展水平每提升1个单位，制造业转型升级水平将显著提升0.225个单位。这有力地验证了假设H1，即人工智能对制造业转型升级具有显著的直接促进作用。

5.1.2. 稳健性与内生性检验

为确保基准回归结果的可靠性，本文进行了稳健性与内生性检验，见表5。

(1) 稳健性检验

① 替换核心解释变量，采用CRITIC权重法重新测算人工智能发展水平，其回归系数依然在1%水平上显著为正。② 遗漏变量检验，在控制变量中额外加入消费水平和对外贸易程度，核心解释变量AI的系数保持显著。③ 缩尾处理，对所有连续变量进行上下1%的缩尾处理后，AI的系数依然显著。上述检验表明基准回归结果具有较好的稳健性。

(2) 内生性检验

考虑到人工智能与制造业转型升级可能存在的双向因果关系，将人工智能变量的滞后一期作为工具变量进行回归。结果显示，AI的系数仍在1%水平上显著为正，说明在控制内生性问题后，人工智能对制造业转型升级的促进作用依然成立。

Table 5. Robustness and endogeneity tests

表5. 稳健性与内生性检验

变量	稳健性检验			内生性检验
	(1)	(2)	(3)	(4)
	替换核心解释变量	遗漏变量	缩尾处理	核心解释变量滞后一期
AI	0.192***	0.220***	0.144***	0.209***
	(6.803)	(7.807)	(7.132)	(7.052)
Constant	0.308***	0.364***	0.317***	0.370***
	(50.529)	(15.093)	(15.189)	(14.573)
控制变量	YES	YES	YES	YES
个体/时间固定效应	YES	YES	YES	YES
N	300	300	300	270
R^2	0.851	0.870	0.836	0.861
Adj. R^2	0.826	0.847	0.808	0.835

5.1.3. 区域异质性分析

考虑到中国各地区发展不平衡，将样本分为东部、中部、西部、东北部，检验区域异质性，结果表6所示。人工智能的促进作用存在明显的区域异质性。其中，东北地区的促进效应最强，这可能源于其雄厚的工业基础与迫切的转型需求，人工智能的引入产生了显著的边际提升效应。东部地区的促进作用也非常显著，体现了其技术前沿与应用生态的成熟。中部地区也表现出显著的正向影响，显示出其在承接产业转移过程中的有效技术吸收。然而，西部地区的系数未通过显著性检验，可能由于当地基础设施、产业配套和人才储备相对薄弱，限制了人工智能技术的落地与效能发挥。

Table 6. Regional heterogeneity tests

表6. 分地区异质性检验

变量	(1)	(2)	(3)	(4)
	东部地区	中部地区	西部地区	东北部地区
AI	0.334***	0.402*	0.243	3.629***
	(10.266)	(1.765)	(1.326)	(3.081)
Constant	0.405***	0.361***	0.327***	−0.298
	(8.324)	(4.608)	(4.952)	(−1.013)
控制变量	YES	YES	YES	YES
个体/时间固定效应	YES	YES	YES	YES
N	100	60	110	30
R^2	0.938	0.964	0.815	0.949
Adj. R^2	0.919	0.947	0.763	0.886

5.2. 间接影响检验

5.2.1. 技术创新中介效应

表7为技术创新的逐步回归检验结果。回归结果显示，人工智能和技术创新在1%水平下均显著为正，说明技术创新具有部分中介效应，也就是说人工智能会通过技术创新进而推动制造业转型升级，假设H2得到验证。

Table 7. Technological innovation mediation effect test results

表7. 技术创新水平中介效应检验结果

变量	(1)	(2)	(3)
	MITU	ER	MITU
AI	0.225***	0.456***	0.163***
	(8.068)	(7.351)	(6.617)
ER			0.140***
			(5.913)
Constant	0.357***	0.295***	0.319***
	(15.707)	(5.519)	(15.730)
控制变量	YES	YES	YES
个体/时间固定效应	YES	YES	YES
N	300	270	270
R^2	0.869	0.486	0.910
Adj. R^2	0.847	0.391	0.893

为确保结果的稳健性，进一步进行Sobel检验和Bootstrap检验，结果如表8、表9所示。可以看出，无论是哪一种中介传导机制，Bootstrap检验中直接效应和间接效应95%置信区间均不包含0，且通过了1%的显著性检验，Sobel检验的结果同Bootstrap检验结果一致，表明中介效应回归结果的稳健性。

Table 8. Sobel test for technological innovation

表8. 技术创新水平Sobel检验

变量	Coef	标准误	z值
Sobel	0.094***	0.020	4.745
a	0.408***	0.083	4.924
b	0.230***	0.013	17.777
间接效应	0.094***	0.020	4.745
直接效应	0.113***	0.018	6.223
总效应	0.206***	0.026	8.029

Table 9. Bootstrap test for technological innovation

表9. 技术创新水平Bootstrap检验

	Coef	标准误	z值	95%置信区间
间接效应	0.094***	0.017	5.540	[0.060, 0.127]
直接效应	0.113***	0.021	5.390	[0.072, 0.154]

5.2.2. 人力资本中介效应

表10为人力资本的逐步回归检验结果。回归结果显示，人工智能和人力资本在1%水平下均显著为正，说明人力资本具有部分中介效应，也就是说人工智能会通过人力资本进而推动制造业转型升级，假设H3得到验证。

Table 10. Human capital mediation effect test results

表10. 人力资本中介效应检验结果

变量	(1)	(2)	(3)
	MITU	HR	MITU
AI	0.225***	0.471***	0.174***
	(8.068)	(6.280)	(6.058)
ER			0.108***
			(4.868)
Constant	0.357***	−0.041	0.361***
	(15.707)	(−0.673)	(16.579)
控制变量	YES	YES	YES
个体/时间固定效应	YES	YES	YES
N	300	300	300
R^2	0.869	0.321	0.880
Adj. R^2	0.847	0.207	0.859

为确保结果的稳健性，进一步进行Sobel检验和Bootstrap检验，结果如表11、表12所示。可以看出，无论是哪一种中介传导机制，Bootstrap检验中直接效应和间接效应95%置信区间均不包含0，且通过了1%的显著性检验，Sobel检验的结果同Bootstrap检验结果一致，表明中介效应回归结果的稳健性。

Table 11. Sobel test for human capital

表11. 人力资本Sobel检验

变量	Coef	标准误	z值
Sobel	0.142***	0.019	9.495
a	0.797***	0.079	10.118
b	0.178***	0.016	11.156
间接效应	0.142***	0.019	7.495
直接效应	0.073***	0.025	2.933
总效应	0.215***	0.026	8.383

Table 12. Bootstrap test for human capital

表12. 人力资本Bootstrap检验

	Coef	标准误	z值	95%置信区间
间接效应	0.142***	0.025	5.590	[0.092, 0.192]
直接效应	0.073***	0.029	2.480	[0.016, 0.131]

6. 结论与建议

本文通过理论分析与实证研究，系统考察了人工智能对制造业转型升级的影响。主要结论如下：第一，人工智能对制造业转型升级具有显著的直接促进作用。该结论在经过一系列稳健性和内生性检验后依然成立，且效应在东北、东部和中部地区尤为突出。第二，人工智能通过提升技术创新水平对制造业转型升级产生间接促进作用。人工智能作为通用目的技术，能显著增强区域的科技创新能力，进而通过技术进步与产业融合推动制造业向技术密集型转变。第三，人工智能通过优化人力资本结构对制造业转型升级产生间接促进作用，人工智能的发展创造了新的技能需求，显著优化了人力资本结构，从而为制造业提供了高素质人才支撑，间接推动了产业升级进程。

同时，也应注意到人工智能在推动制造业转型升级过程中可能带来的挑战。例如，人工智能的广泛应用可能导致部分传统岗位减少，对低技能劳动力产生挤出效应，短期内加剧结构性失业风险。此外，人工智能技术的引入需要较高的初始投入和持续的维护成本，可能加大企业特别是中小企业的财务压力。还有，人工智能系统的数据安全和隐私保护问题也不容忽视。因此，在推进人工智能与制造业深度融合的过程中，需同步关注其潜在的社会经济影响，并采取相应措施予以应对。

基于以上结论，本文提出如下政策建议：

第一，实施区域协同与全链条融合并举的战略，强化人工智能的直接赋能效果。在区域层面，应因地制宜：东部地区可聚焦工业软件、智能算法等核心技术突破；中部地区建设人工智能创新应用先导区，承接技术转移；西部与东北地区则结合本地资源优势，发展“AI + 特色产业”模式。在产业层面，需推动人工智能向制造业“研产供销售后”全链条渗透，重点支持建设一批行业级工业互联网平台和智能示范工厂，并设立专项扶持基金，通过“上云用数赋智”等方式降低中小企业智能化改造的门槛与成本。

第二，构建“人工智能–创新–人才”良性循环生态，畅通间接影响的传导路径。在创新端，应加大研发费用加计扣除等政策激励力度，建立面向人工智能领域的知识产权快速审查与维权机制，并布局一批制造业领域的人工智能开源社区和共性技术研发平台。在人才端，要推动高校优化计算机、自动化、数据科学等专业设置，鼓励校企共建现代产业学院与实训基地；同时实施高端数字人才引进计划，并建立制造业在岗人员的数字技能常态化培训体系，形成“引进–培养–提升”的全链条人才支撑。

第三，建立跨区域协同治理与成果共享机制，引导并放大技术的正向溢出。为避免形成新的“数字鸿沟”，建议建立跨行政区的智能制造协同发展联盟，推动算力、工业数据等创新要素的跨区域开放共享。鼓励发达地区与欠发达地区通过“飞地经济”、共建产业园等模式，实现技术、管理和市场资源的精准对接。同时，探索建立跨区域项目的GDP分计、税收分享等利益分配机制，激发各地区参与协同的积极性，将人工智能的个体优势转化为制造业转型升级的整体优势。