随着第四次工业革命不断突破人类认知边界，人工智能正在改变几乎所有行业，数字化转型已成为成熟企业培育竞争优势的战略必然性和关键方式。据估计，2024 年全球约有 74% 的组织将数字化转型视为首要任务，到 2027 年全球数字化转型支出将达到 3.9 万亿美元，年均增长率为 23.9%。尽管数字化转型深刻重塑制造业的生产模式和经济形态，但与服务业的轻资产特征不同，制造业的资源配置植根于实体经济，对有形资产具有高度依赖性，一旦形成特定资产，企业就会被锁定在特定的生产或交易模式中，导致转型过程中的高额切换成本。由资产专用性衍生的锁定效应及机会主义风险，提升了生产端数字化的门槛，更因生产数据与供应链信息在主体间的非对称配置，使得复杂数据集成从技术问题转化为组织协调与制度适配的双重挑战。研究表明，将新的数字平台整合进组织实践可能是一个漫长且结果不确定的过程，至少有 30% 的生成式人工智能项目将在概念验证后被放弃，原因涵盖数据质量差、风险控制不足、成本上升、业务价值不明确等。

制造企业在资源与能力上的异质性分布，内在地塑造了其各自归属的技术轨道与组织惯例，这种生产体系的半标准化特征，决定了数字化转型不是单纯的技术采纳问题，而是一个情境嵌入式的战略演化过程，其成功关键在于实现技术可能性、组织惯习与市场需求之间的协同调适，使数字技术经由企业特定的吸收与重构，转化为内部专属能力，进而实现从离散技术创新到体系化解决方案的跃迁。国家也不断强调人工智能的情境嵌入属性，《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》中对未来产业做出重要战略部署，提出推动科技创新和产业创新深度融合，应 "加大应用场景建设和开放力度"。2025 年 11 月，国务院办公厅进一步公布《关于加快场景培育和开放推动新场景大规模应用的实施意见》指出，场景对促进新技术新产品规模化商业化应用具有重要牵引作用，"支持建设一批综合性重大场景、行业领域集成式场景、高价值小切口场景"，在国家层面对场景应用的培育和开放进行系统部署。

基于以上理论与现实的双重考量，本文直面中国制造业高度异质性与半标准化生产模式的现实约束，以数字化转型悖论为研究起点，剖析根植中国制造业人工智能应用的场景驱动创新需要，基于技术可供性构建分析制造业特定场景需求与专用性小模型技术适配之间的耦合机制框架，并最终以场景创新为坐标，探寻中国制造业实现数字化转型纵深发展与能力跃迁的进阶路径。当前中国正处在由制造大国向制造强国跃迁的关键阶段，对于克服数字化转型壁垒、优化技术供给体系，进而充分释放数字技术的潜在红利，具有重要意义。

1 中国制造业的数字化转型悖论

企业研究表明，数字应被理解为对数字领域中用户与对象连接的可理解性映射，数字技术的固有优势，如高效处理、实时连接及数据驱动决策等，并不必然转化为企业的数字竞争优势，并非所有公司都能从数字技术中获得竞争优势，技术问题并非数字化效果的主要决定性因素，还涉及构建新能力、调整现有资源、重塑组织结构等。数字技术到数字竞争优势的转化，依赖于一系列中介路径与调节机制，包括组织能力的系统性构建以及生态协同的有效实现。作为战略性重构的数字化转型，要求企业在突破既有范式的探索性创新与优化现有流程的利用性学习之间寻求动态平衡。这种平衡的维持本身就孕育着 "数字化转型悖论"，即企业在转型过程中不得不应对一系列相互交织且彼此强化的张力。

1.1 企业投入成本与收益之间的不对称悖论

成本与收益之间的不对称，是企业数字化转型最直接面对的财务冲突。一方面，数字化转型需要显著且持续的资源承诺，在成本方面需要特别支持。数字技术的交互性属性与模块化架构，导致企业面临的成本并非一次性投资支出，而是一种兼具沉没性与累积性的长期成本结构。另一方面，数字化转型的价值实现机制通常不是立竿见影的，具有显著的时滞性、路径依赖性与非线性特征。企业经济效益与组织效能的提升需要通过业务模式落地、数据资产积累、组织惯例调适等一系列中间过程才能逐步释放，难以在短期内被准确度量。数字化成本支出的先行性、相对确定性，与收益回报的滞后性、高度不确定性之间，构成了不对称悖论，往往导致企业在相当长的周期内面临财务绩效的下行压力。

1.2 企业结构稳定性与灵活性之间的不对称悖论

在企业的数字化转型中，企业不得不同时应对结构惯性与环境颠覆之间持续存在的结构性张力。一方面，企业的行为与决策受制于历史积淀的路径依赖与组织内生的结构惯性。依托历史积淀所形成的核心能力、成熟流程与稳定的关系网络，构成其短期效率的基础，却也往往将企业锁定于既定的资源位势与认知框架中。另一方面，数字技术本质上是一种解构与重组的力量，数字化催生了去中心化和生成性的新型动态，允许地理分散的受众相互协调，从而摆脱组织结构的边界惯性。通过交互性的内在驱动，数字平台与工具使得跨组织、跨地域的协调成为可能，削弱了传统物理与结构边界的重要性。这样，企业为追求效率、可靠性而固化的结构稳定性，与数字生态为催生适应性、创新而要求的动态灵活性之间，形成一对难以调和的矛盾。

1.3 企业战略平台标准化与单元定制化之间的不对称悖论

就战略层面而言，平台标准化与单元定制化之间的不对称，是企业数字化转型的战略性困境。一方面，企业的平台标准化旨在通过构建统一的技术基座、数据规范与集成流程，实现规模效应与网络协同，其战略逻辑是降低交易成本、提升全局可见性与控制力。另一方面，企业的单元定制化则聚焦于响应特定业务单元、客户群体或区域市场的差异化需求，其战略逻辑在于获取范围经济与本地化响应优势，通过适应性创新捕捉分散价值机会。定制化单元倾向于推动架构解耦或松散耦合，允许各单元自主开发适配自身情境的技术组件和模型。平台标准化与单元定制化之间的悖论，需要企业在追求静态效率与动态能力之间进行权衡。

2 基于技术可供性的制造业场景驱动创新与小模型适配

关于数字化转型悖论，学者们分别从组织文化、员工认同、高管认知等方面进行了探索，也有学者分别针对不同类型的组织，例如，专门聚焦高可靠性组织或者中小企业的运营和战略来展开剖析，这些研究为审视数字化转型悖论提供了丰富的思路。与这些研究不同，本文认为，解决这些悖论的关键是理解技术可供性（Technological Affordance），技术可供性从根本上捕捉了数字技术在组织中发挥作用的潜力，并为数字技术使组织能够实现不同目标提供了解释。基于技术可供性基础上的场景驱动创新及其与之适配的小模型，为协调数字技术 "为何" 以及 "如何" 帮助制造企业获得差异化的数字竞争优势提供了有效的理论分析框架，如图1所示。

图 1 数字化转型分析的理论框架

2.1 技术可供性的理论内蕴

数字化转型并非人工智能技术的直接植入，需要更多地考察技术的多维特征及其与组织之间的动态演化关系。技术本身没有内在价值，而是源自其特性、使用者及其特定目的之间的互动，强调技术作为一组关系的动态和演变，可供性是解释这种动态演化关系的有力工具。"可供性" 这一概念最初在生态心理学中被应用，旨在解释个体如何感知其环境中物体或资源的潜在用途，以及如何与其行为和目标相互作用。后来从强调环境变化逐步扩展到技术领域，用来理解人们在实际使用技术中社会结构的方式如何影响了实际观察到的结果，表示技术对象为特定用户提供目标导向行动的可能性。技术可供性不是技术能力本身，可供性超越了能力，实际上是能力的封装。在数字技术的使用中，同一技术能力在不同情境下被不同方式应用，从而在不同情境下产生不同的可供性，不同目标的参与者从同一技术中获得的可用性是不同的。因此，技术可供性是不同情境下行为主体能动地和技术持续互动，所产生的各种结果的可能性，其实现本身依赖于组织的能动性、意图性以及对目标的理解，这决定了技术可供性是一个 "关系 — 过程" 导向的分析框架，技术不再是外在于行为者的中立手段，而是嵌入并具身化于持续进行的社会物质实践网络之中。

技术可供性的特征可从 3 个维度加以阐释。其一，情境敏感性。这一特征是指技术可供性的价值并非内在于技术本身，而是存在于特定社会情境中，在响应新数据或环境变化的潜能中实现。人工智能模型通过对训练数据中潜在模式与统计结构的深度表征学习，能够生成具有原创性与情境适应性的解决方案，体现为新颖设计与创造性方案的自动生成，以及供应链优化、运营管理等复杂场景下的战略决策支持。其二，交互参与性。交互性是指人工智能与人类、其他机器及环境之间，进行深度、实时的上下文感知沟通。这一特征表明，在人机交互实践中，技术的功能与意义并非预先给定，而是在多轮双向交互参与中被持续协商、激活与重塑的一种关系属性。其三，流程协同性。从流程视角来看，人工智能可供性通过数据驱动、自适应和预测性能力，深度融入人类实践活动序列，加速探索性创新和利用性创新，将分散的任务单元转化为一个智能增强的、持续优化的协同系统。未来工业 5.0 预计将进一步增强人工智能所实现的人机协作，打造更加个性化、高效和适应性的系统。

由此，在分析制造业的数字化转型中，技术可供性构成了一种有效的理论工具。技术可供性很好地融合了技术决定论和社会建构论，更加强调参与者和技术的互动，通过互动实现各种不一样的可能性。根据技术可供性理论，技术客体提供的可能性与组织的目标、能力及情境之间存在着互动关系，人机协同不是外在于技术的预设流程，而是人与智能机器在同一制造情境中共同感知、激活与兑现技术可能性的关系性实践。从数字化转型到数字竞争优势，需要突破工具性辅助的局限，构建人、智能系统与生产场景三者之间的动态适配与互促机制，最终形成以场景为中枢的分布式智能协作网络。数字技术的潜在可供性仅为竞争优势的形成提供了必要的可能性空间，其能否被充分感知、赋义并实际化，高度依赖于组织的内在属性与能动性。

2.2 中国制造业数字化转型的场景驱动创新

既然数字技术的优势（即其丰富的潜在可供性）是获取数字竞争优势的必要非充分条件，那么，只有组织与技术间的特定互动实践，才能决定潜在价值能否转化为可持续的、难以模仿的竞争优势。或者说，技术可供性只有在与具体使用者及其情境的互动中才能实现，而组织与技术间的特定互动实践需要通过场景驱动创新（Context-Driven Innovation）来完成。场景驱动创新以具体情境化的问题系统为原点，强调在特定环境约束中，通过数字技术重构 "人 — 物 — 事" 的关系结构，以实现情境适配的价值创造。场景驱动创新是数字经济时代涌现出的全新创新范式。与技术驱动创新、需求驱动创新、商业模式驱动创新等不同，场景驱动创新的核心特征是以特定业务场景中的痛点、需求或价值缺口为创新起点，强调技术、数据、流程等要素在具体情境中的适配性集成与解决方案构建。场景驱动创新的逻辑，是从隐性需求到显性价值的知识螺旋过程，遵循 "场景定义问题→集成技术解决问题→价值在场景中验证" 的演化。

场景驱动创新作为可供性调适机制，尤其契合中国制造业的现实基础与发展需求。在中国制造业语境中，场景驱动创新具有显著的实践性特征。一是多层次性。不仅有国家战略需求的宏观场景、产业集群与产业链协同需求的中观场景，更有广泛的具体生产环节、用户使用情境和多元运维痛点的微观场景。二是强交互性。场景中汇聚了用户、设备、数据、流程、制度等多重要素，形成高频率、多模态的交互网络。制造业场景的物理 — 信息融合特性，使得数据流与物质流、能量流深度交织，为认知延伸提供了丰富载体。三是动态适应性。场景需求随市场、技术、政策演化而持续变化，形成对创新方向的持续 "选择压力"。成功的场景解决方案会反过来重塑场景自身，形成协同进化循环。

场景驱动创新精准匹配了中国在技术选择上的结构性特征，并将这些特征转化为推动智能化升级的协同演化优势。首先，场景驱动创新能够降低可供性感知门槛。场景驱动创新将宏观转型目标解构为具体可感知的生产场景，如质量检测、能耗优化、柔性换产等，使企业能够基于自身痛点识别技术价值的 "最适发展区"，在有限边界内开展技术试验，减少认知负荷与决策风险，激发主体对技术潜能的探索性感知。其次，场景驱动创新能够有效实现技术与情境的协同演化。在场景实践中，企业通过微创新将通用技术适配于本地工艺，如将算法与老师傅经验结合，逐步形成情境化的技术 — 组织共生体；同时初始的自动化功能可能演化出数据析取、决策优化等新可供性，推动场景从 "点状应用" 向 "链式拓展" 演进。最后，场景驱动创新能够扩展可供性网络效应。中国制造业的产业集群特征为场景复用与扩散提供了社会技术网络，领军企业的场景方案通过产业链协作形成示范可供性，降低跟随者的试错成本。因此，场景驱动创新并非中国智能制造的 "权宜之计"，而是基于自身禀赋的战略选择，是一场以中国制造业全场景为 "培养皿" 的、大规模的技术与产业协同进化实验。

2.3 与场景驱动创新适配的小模型

在场景驱动创新引领的中国制造业数字化转型进阶实践中，采用适配技术工具非常重要，需要精准反映中国制造业数字化转型的外部约束与内在需求。从外部约束来看，中美人工智能竞争博弈愈发激烈，两国人工智能之间的较量，越来越不在于纯粹的技术进步，而在于将技术转化为生产力的速度和规模。因此，决定制造业全球价值链整体高度的是模型训练、优化与应用开发环节，该环节对技术适配能力要求高，附加值极高，约占 40%～50%。从现实需要来看，中国制造业门类极广，拥有全世界最完整、最庞大也最碎片化的工业体系，同一行业的不同工厂、不同产线都可能构成独特场景，海量的长尾、异构、低利润场景是主体。在场景驱动创新中，大模型（Large Language Models）难以兼顾全部，应用场景有限、效果参差不齐、高质量训练数据缺乏等问题阻碍着大模型的落地，相当一部分企业陷入了对技术使用的焦虑当中，这背后的根源并不在于大模型本身，而是要回归企业自身需求，找到适配人工智能技术的工具。不同于大模型的参数量大、成本高、部署复杂，以 "小而美" 著称的小模型（Small Language Models），成为场景驱动创新的适配选择。

小模型是指参数量较少、计算需求较低，但通过高质量数据、创新架构与精细化训练策略的协同优化，能够在特定任务或通用基准测试中实现优异性能的语言模型。小模型的紧凑性和高效性相比大模型能够实现更快的推断、更低的能耗和更低的延迟。研究人员能够深入参与训练过程，收集适当数据，进行细致的特征工程，并微调模型的灵敏度，以确保其能够应对现实文本的复杂性。这些专用模型也可以在设备间重复使用和共享，防止模型因功能重叠而出现重复。小模型的训练数据规模虽小，但绝非技术降级的替代品，小模型是将一个具体工业场景的 "认知" 封装成一个可执行、可部署、可维护的 "数字零件" 的最佳形式。小模型的数据来源于质量极高、经过严格筛选的工业数据，架构更为精巧，结构和决策逻辑更清晰，便于工程师理解和信任，这对于需要厘清责任、持续优化的工业流程至关重要。因此，模型之价值不在于技术层面数据、算力、算法的 "大小"，而在于能否真正为人创造价值。

由此可见，在场景驱动创新的技术工具选择中，"适配" 是一个辩证假设，形成组织环境与响应变量之间的一致性命题。大模型作为全局语义理解与认知中枢，提供制造业知识图谱的拓扑全局观；小模型作为局部实时响应与执行终端，构成工业物联网边缘节点的微观操作。大模型与小模型形成场景共同进化的动态过程，依据场景的不确定性与资源约束，进行大模型与小模型的自适应权衡、按需调度。大模型与小模型的辩证关系是长期存在的底层规律，在这一前提下，小模型是针对当前中国制造业数字化转型的阶段性 "适配" 策略。面对大量利润微薄、设备陈旧、人才匮乏的中小企业，小模型不仅被选择以适应场景，反过来也会重塑组织的流程、认知与能力。成功的适配意味着小模型成功嵌入并重塑组织中的人、流程、规则与目标，形成一个新的、稳定的行动者网络。当成千上万个小模型在生产线上安全稳定地运行时，其积累的数据质量和完备性，才能支撑训练出一个真正安全可用的行业大模型。

3 中国制造业数字化转型中场景驱动创新与小模型适配的耦合机制

中国制造业的数字化转型正步入深度攻坚期与战略窗口期，以人工智能为代表的颠覆性技术正重构制造业全链路范式。鉴于制造业在中国产业覆盖面广、产品种类多、产品结构复杂、产业链条长、大批量生产与小批量定制共存等特点突出，需要构建立足于业务场景异构性与专用小模型适配性之间交互耦合的微观机制。这种更具实证收敛性的适配效度与实践干预价值的耦合机制是以业务价值为核心的敏捷迭代循环，会显著提升智能制造系统的组织柔性与资源配置决策效率，实质是将宏大的 "数字化转型" 命题，分解为若干个可解决、可评估、可复用的 "微创新"，最终通过小模型的灵活适配，汇集成制造业整体竞争力的质变。场景驱动创新与小模型适配的耦合机制框架如图 2 所示。

图 2 场景驱动创新与小模型的适配

3.1 场景定义与模型生成：从 "问题域" 到 "解空间" 的精准映射

在数字化转型中，具体制造场景通过其固有的工艺流程、物理环境与业务逻辑，天然形成了人工智能技术介入的问题域边界。这种边界并非人为设定，而是由生产系统的客观运行规律所决定。问题域界定了算法模型必须适应的输入特征空间、决策变量维度以及输出结果的语义范畴，从而将通用人工智能技术的无限可能性收敛至有限、可解、可验证的具体问题集合中，这种边界约束的 "解空间" 机制有效规避了 "无界问题" 所引发的算法发散与资源浪费。制造场景定义下的专用小模型，已超越传统 "算法" 范畴，演变为场景物理约束、工艺知识与计算资源的三元镜像，其架构、数据与部署形态，无一不是场景约束在数字空间的特征投影。一般来说，越是定义清晰、边界明确的场景，越能生成高效、可靠的小模型，从而形成 "场景细分→模型专用化" 的正向耦合循环。在由精度、速度、鲁棒性构成的三维帕累托空间中，场景细分促使帕累托前沿向原点方向整体收缩 —— 即在不牺牲任何一项指标的前提下实现多维性能同步提升。这种非竞争性增益打破了通用模型中精度与效率的权衡铁律，形成专用化越深、综合效能越高的正反馈。尤其是，这种正反馈耦合循环的动力来源，是制造系统对不确定性的持续消解需求与专用模型提供的低成本感知能力之间的相互增强。耦合循环的终局形态是每一个不可再分的制造原子，均拥有专属的原生智能模型。

3.2 数据闭环与模型进化："学习 — 适应" 理论在真实物理世界中的应用

在离散制造与流程工业的复合场景下，每个工厂独立训练本地化模型，以适配工人的操作习惯与特定机器人任务。这些模型的参数更新并非各自孤立，而是汇总到中心云端，通过联邦学习生成一个兼具全局鲁棒性与工厂个性化配置的协同模型。由此，物理产线不再只是静态的数据来源，而转变为一个能与算法持续交互、自主产生高价值训练样本的 "活" 系统。产线边缘的计算节点构建了实时的数据回路，将偶发的关键工况作为高价值信号，通过增量学习注入轻量化的端侧推理模型，这种注入方式使模型参数在保证旧知识不被覆盖的前提下完成局部优化。这样一来，就形成了系统的 "具身智能" 的闭环：物理实体的实时输出直接决定了数字模型的后续进化路径。随着交互周期累积，模型的识别范围不再局限于历史数据，还能通过对抗性域适应或原型增量聚类等算法，将识别能力平滑扩展到未曾标注的新工况。本质上，这一过程是把产线的运行时长转化为模型认知空间的扩展，让沉积在历史数据里的工艺知识在持续的实时交互中被唤醒并结构化。对于边缘端的小模型而言，这种持续自适应机制是场景驱动创新与长期效能优化的基础，其性能的每一次提升，都是模型为适应环境变化而进行的内部认知结构重组。

3.3 知识沉淀与能力模块化：从 "隐性知识" 到 "显性知识" 的实现

制造场景下最具价值的知识，通常依附于特定的物理环境和操作主体，例如，工匠的肌肉记忆或专家的诊断直觉，属于典型的隐性知识。制造知识创造的关键，在于对深植于个体经验中的隐性知识进行系统性挖掘，并完成向显性知识的结构化表达。当工匠与专家的身体技艺被传感阵列转译为标注数据，对小模型进行监督训练，便等同于将难以言传的隐性知识映射为可计算的显式变量。一个训练完成并部署验证的小模型，不仅是一个算法实例，更是一个面向特定制造任务的、已验证效能的认知计算单元，其内部参数空间封存了该场景下的最优实践。每一次成功的场景应用，都沉淀为一个可复用的 "知识胶囊"。企业可以通过建立自己的 "小模型仓库"，将不同场景下验证过的模型模块化、标准化。当遇到类似新场景时，可快速调用和微调，实现创新能力的杠杆化扩张。更进一步地，隐性知识和显性知识还能互相促进，"知识创造是在丰富隐性知识的同时将其显性化，然后对显性知识进行组合，并结合实践再次形成新的隐性知识，这是一个动态的螺旋运动过程"。企业通过构建标准化模型资产库，实现跨场景的快速迁移与组合创新。这样，隐性知识的单次萃取就升维为组织级认知资本的复利积累，驱动制造智能从项目式交付向平台化赋能的范式跃迁。

3.4 网络协同与系统涌现：从 "单点智能" 到 "生态智能" 的构建

复杂的生产现场是一种由多种不同作业情境按照工艺关联耦合而成的业务网络，每个子场景中的小模型均可视为一个负责特定任务的智能体。边缘侧小模型已从映射工具演变为具备感知、决策、协同能力的认知代理，通过标准协议实现互联与协作。在这种网络协同中，场景网络为智能体的分布式认知提供了场域与交互规则，而智能体的协同推理与自组织反馈则使网络从被动的信息管道升维为具备集体智能的类脑制造系统。生态系统的范围决定，需要审视客户焦点小组和竞争性生态系统格局。一个具有可持续性的智能生态系统并非以规模扩张为目标，而是基于核心价值锚点的深度嵌入与系统边界的清晰界定。其演化路径应遵循由内而外的扩展逻辑：以内核的技术可供性为基础，通过核心能力的结构复现与功能外溢，在更广阔的制度场域与价值空间中实现增量价值创造。龙头企业可将成熟的小模型及部署方案赋能给上下游供应商，提升全产业链的协同效率。最终，企业乃至行业竞争的不再是单一技术，而是基于海量场景耦合实践所构建的 "场景理解深度" 和 "模型网络协同效率"，这是一种深厚且难以模仿的新型核心竞争力。这种内核驱动的边界策略，既是系统维持统一性与开放性的制度保障，也是实现生态位分化和多主体共生的重要前提。

4 锚定场景驱动创新的中国制造业数字化转型进阶路径

当前中国仍未全面实现工业现代化，传统产业占比大、分布广，制造业数字化转型面临的现实挑战更为复杂，如何发挥治理体系和制度优势，建立有利于推动制造业数字化转型的制度体系尤为必要与迫切。场景界定是对制造业复杂系统进行系统分解与模块化重构的关键步骤，目的在于将复杂的数字化转型问题，转化为一组低维度、结构化、边界清晰、更易操作的场景转型 "子问题"，实现制造业数字化转型的复杂性约简。

4.1 以分类场景为切入点助推知识模型清单的精准编制

制造业数字化转型具有 "一米宽、百米深" 的特点，不同细分行业在物理机理、生产流程、质量标准乃至风险容忍度上均存在巨大差异。制造业每个场景都可被理解为复杂工业知识系统在特定任务边界内的情境化投影，需要对各种场景进行分类，通过 "场景化封装" 实现隐性知识的显性化与结构化转化，并通过工业互联网进行沉淀和复用，形成支撑行业转型升级的数字底座。知识模型清单是各类场景中应用标准建模方法、深度学习等技术手段，对数据进行规范表示、逻辑关系组织和数学规律呈现而形成的机器可处理模型资源集合。这一过程实现了工业知识从情境依赖向逻辑抽象的跃迁，为制造业的智能化决策提供了可计算、可演进的知识基座。开展知识模型清单应用，有助于构建行业高质量数据集，实现工业知识的沉淀复用，提高工具产品的标准化和通用化程度，提炼共性人才技能需求并开展培训等。

4.2 以重点场景为突破口优化小模型的深度定制

在制造业数字化转型中，需要着重在重点行业推动模型轻量化部署，加快工业场景的落地应用。重点场景通常是指那些能够充分发挥行业核心优势、解决行业关键痛点、并且具备高度示范效应的典型应用情境。当前，一些重点场景的智能化水平不断提升，中国宝武、中铝集团、国家电网、中国联通等推出钢铁、有色金属、电力、通信等行业专用模型，加速传统产业 "智" 变升级。同时，国家计划在原材料行业、装备制造行业、消费品行业、电子信息行业、软件和信息技术服务行业五大重点行业进行人工智能的赋能实施。中国智能制造正以 "人工智能 +" 为核心驱动力，通过明确的顶层设计、系统的梯度培育和全流程的场景知识深度融合，推动制造业向高端化、智能化、绿色化全面升级。

4.3 以跨场景协同为媒介实施模型生态的群落化建构

场景驱动创新的小模型适配，并非要求每家企业都自建一套复杂的智能系统，而是根据企业自身的规模特征、资源约束与运营痛点，选择差异化的路径，通过数据贯通与技术集成，将原本孤立的情境化场景单元重构为互联互通的系统化网络，从而实现跨场景协同的涌现效应。由于场景的任务复杂度、数据可得性与响应时效性不同，需要动态选择分层网络的塑造顺序与资源倾斜策略，形成能力分层、功能互补的技术体系。针对场景共性特征训练的大模型，将继续在通用智能、复杂任务处理、大规模数据理解等方面发挥重要作用，小模型则在大模型的通用表征基础上，针对行业异质性与用户个性化需求进行适应性调整，支撑更精准、更高效的解决方案。大模型和小模型在训练和优化过程中相互借鉴和适应性嵌套，在技术范式上协同进化。模型生态的群落化是产业演化的动态表征，模型群落与产业链数据空间的互联互通，不仅会促进要素的跨层流动，而且会构建更具开放性、智能化和协同性的产业基础设施与生态系统。

5 结论

在全球数字化转型的宏观背景下，场景驱动创新对中国制造业的意义之所以尤为重大，源于中国制造业独特的结构性特征、发展阶段约束和战略机遇窗口。这不仅是一种技术路径选择，更是一种根植于本土现实国情、激活内在禀赋的跨越式发展模式。虽然中国拥有全球规模最大、行业最全的制造业体系，但其中充斥着海量中小企业与高度差异化的生产场景。中国制造业可以凭借对复杂场景的深刻理解、快速模型开发和敏捷工程实施，将现有技术组合优化出最具性价比和可靠性的解决方案。作为场景驱动创新技术工具的小模型，从短期看是务实和高效的，解决了 "如何使用" 的问题；从长期看是具有战略纵深的，它可能在局部领域催生出全球最深厚的 "场景知识库" 和最活跃的 "微创新生态"，最终为未来可能诞生于中国制造业实践土壤的、真正具有产业级影响力的领域大模型或新型工业智能体系奠定独一无二的基础。