工业化数字经济——智能供给的经济分析

一、工业化数字经济：解绑认知能力

AI 改变数字经济的核心在于生产活动获得了新的认知能力供给。模型、算力和软件系统开始承担原本只能由人完成的认知工作，实现规模化交付。隐性认知能力首次像其他生产要素一样由固定资本持续生产，数字经济生产方式从依赖个人转向依赖工业化体系。

（一）传统数字经济的轻资产模式

过去三十年数字经济建立在软件复制成本趋零、平台网络效应与流量数据变现三大支柱之上。数字企业呈现典型轻资产特征，规模约束来自网络效应与用户注意力，而非物理产能。

图表 1：传统数字经济的轻资产模式约束主要来自流量入口、用户规模和注意力

资料来源：中金研究院

轻资产模式隐含前提是核心产品为已开发完成的软件。AI 正在改变这一模式：后端运行机制从静态代码转向持续消耗资源的认知生产体系。每一次模型调用都是一次认知能力的生成过程，提供可按任务需求动态生成的能力。

（二）隐性认知解绑与工业化数字经济

AI 使数字经济具有工业化特征，根本原因在于解绑了隐性认知能力与人的关系。制造业工业化是体力和技能从手工业者身上解绑，AI 推动的数字经济工业化则是隐性认知从专业人员身上解绑，转向模型、算力和软件系统。

大语言模型直接从样本中学习输入输出关系，使隐性认知虽不可“说得清楚”却能被机器复现。伴随解绑，隐性认知具备可拆解、可计量、可编排属性，满足工业生产规模化、持续化和标准化要求。

图表 2：从隐性认知到工业化生产

资料来源：中金研究院

目前并非所有认知活动均进入工业化生产，前沿科研与重大决策仍依赖人，但 AI 应用范围将随技术进步不断扩大。

（三）数字经济的重资产化

认知能力工业化生产使数字经济运行逻辑发生变化。大模型提供的认知能力需算力、能源等基础设施持续参与，数字经济从轻资产复制转向依赖固定资本的重资产生产。

重资产化体现为固定资本投入显著上升。企业需前置投入巨额资本购买芯片、建设数据中心。AI 相关企业对训练集群、推理集群依赖更强，资本开支压力更高。

图表 3：AI 模型企业的资本投入强度更高

注：采用各企业 2025 财年数据，图中 OpenAI 和 Anthropic 的资本支出并未公布，仅根据其发布的未来投资计划估算。
资料来源：各公司官网和财报，中金研究院

此外，固定资产在每一次认知能力生成中持续参与。任务越复杂，单次服务背后所需算力和能耗越高。数字经济成本不再只是开发后的摊销，而成为持续生产过程中的资源消耗。

图表 4：任务复杂度提高会带来更多的 Token 消耗增长

注：纵轴为时间跨度，横轴为 Token 跨度。每个点代表模型在不输出思考链条件下的 50% 能力边界。
资料来源：Gould et al. (2026)，中金研究院

AI 模型服务收入背后的计算相关投入占比较高，包括硬件折旧和能耗。这使得认知能力生产在经济属性上更接近工业制造。

图表 5：AI 的价值创造在投入结构上更接近工业生产

注：AI 模型栏展示实测计算成本与 API 价格之比；工业和服务业栏展示 2024 年美国各行业物质消耗与总产出之比。
资料来源：Zhuang et al. (2025)，各公司官网，BEA 行业生产账户数据，中金研究院

（四）重构工业化数字经济下的经济分析

AI 解绑了隐性认知依附于人的约束，改变了人类生产活动的关键约束条件。重大技术革命往往因释放某种基础能力并使其进入工业化生产体系而改变经济运行方式。当前 AI 对隐性认知能力的解绑，要求重新审视数字经济的成本结构、价格机制和产业组织。

图表 6：基础能力释放与长期 GDP 增速中枢变化

注：图表展示不同历史阶段的 GDP 年均复合增长率。
资料来源：DeLong（1998），中金研究院

讨论工业化数字经济，意味着分析出发点发生变化。需重新理解认知能力生产的成本结构（关注资本开支、折旧周期）、价格机制（单位智能成本、价格传导）以及禀赋优势（能源、算力基础设施和工程化能力成为新比较优势来源）。

二、智能供给与产业融合

工业化数字经济的核心特征是认知能力转化为可由系统持续生产的能力。这一过程需跨越四个环节：认知能力转化为智能供给、通过组织中介层进入工作流、企业完成吸收与改造、供需形成动态匹配。

（一）认知能力转化为智能供给：从可调用到可执行

只有当认知能力能够被计量、定价、调用、交付并嵌入工作流，才成为智能供给。Token 把模型推理与资源消耗连接起来，使认知能力具备商品化计价基础。大模型推理成本呈现显著下降趋势，同等能力的认知输出变得更便宜、更易调用。

图表 7：从认知能力生产到智能供给

资料来源：中金研究院

图表 8：大模型推理成本呈现下降趋势

注：智能评分由 Artificial Analysis Intelligence Index v4.0 综合得出。
资料来源：Artificial Analysis，中金研究院

智能供给的标志是模型能力进入真实工作流。从“可调用”到“可执行”，要求模型能力被嵌入连续任务链，能够读取数据、调用工具、检查中间结果。这对应着卡尼曼双系统中快思考与慢思考的协同，工程化架构在外部重塑系统二，确保智能供给有效覆盖从直觉响应到严密推演的全部环节。

图表 9：单次模型调用与工作流交付的经济差异

资料来源：中金研究院

（二）工业化数字经济的四层结构：组织中介层与代理经济

通用模型难以天然适配企业流程，需构建负责连接、编排、验证和交付的组织中介。传统三层结构演化为包含组织中介层的四层结构：物质底座（算力能源）、智能供给（模型服务）、组织中介（Agent、工作流、系统集成）、场景兑现（产业吸收）。

图表 10：工业化数字经济的四层运行结构

资料来源：中金研究院

以 AI Agent 为代表的组织中介层迅速发展。通用编排处理跨场景重复问题，具备规模化复用可能。组织中介层的崛起推动数字经济入口形态从“展示信息”转向“完成目标”，从“注意力经济”迈向“代理经济”。

图表 11：主流 AI Agent 的 Skill 数量快速增加

资料来源：SkillsMP，中金研究院

图表 12：组织中介层的出现有可能冲击互联网的“注意力经济”

资料来源：中金研究院

（三）产业融合：智能供给与产业需求的共同演进

产业融合涉及行业数据、业务流程等多维度重组，需供需两端共同演进。供给端降低门槛、提高经济性；需求端调整业务流程、打通数据系统、建立验收机制。高度数字化、结果易验证的场景（如软件开发）最容易率先融合。

产业融合面临技术、组织和商业壁垒。任务边界、数据可用性及系统连通性决定模型能否进入流程；结果验证与责任界定决定能否进入高责任场景；收益计量决定企业持续投入意愿。

图表 13：产业融合的主要壁垒与应对机制

资料来源：中金研究院

AI 采用率与生产率改善之间不存在一一对应关系。充分兑现经济价值需要企业在数据、流程、组织上进行再设计。产业融合是智能供给转化为有效需求的核心机制。

（四）过剩还是不足：供给扩张与需求吸收的动态平衡

工业化数字经济是供给扩张与需求吸收的动态循环。供给和需求相对速度决定 AI 投资表现为产能建设、阶段性过剩、供给缺口或收缩型过剩，构成“工业化数字经济时钟”。

图表 14：工业化数字经济的周期波动

资料来源：中金研究院

三、现实进展：全球智能供给体系与中美路径的差异

当前最突出特征是物质底座和智能供给率先扩张，组织中介加快形成，场景兑现仍处于规模落地早期。全球智能供给体系呈现路径分化：美国在前端供给体系保持优势，中国在工程扩散与场景融合方面具备特色。

（一）四层结构初露雏形：供给先行，吸收分化

全球私人 AI 投资集中于物质底座层和智能供给层。数据中心空置率下降、租金上升，显示底层投资有现实需求支撑。但能源和设备供给滞后成为硬约束，电力接入和关键设备交付周期延长。

图表 15：全球私人 AI 投资集中于物质底座层和智能供给层

资料来源：Stanford HAI《2026 AI Index Report》，中金研究院

图表 16：数据中心空置率下降、租金持续提升

资料来源：CBRE，中金研究院

图表 17：Google Cloud 待履约订单同步上升

资料来源：公司财报，中金研究院

图表 18：电力接入和关键设备交付周期成为 AI 基础设施扩张的硬约束

资料来源：Lawrence Berkeley National Laboratory，美国能源部，Stream Data Centers，JLL，中金研究院

智能供给层表现为模型能力加快分发和分层。闭源模型集中于高性能区间，开源模型在中低价格区间具备竞争力。组织中介层处于从工具试用向流程重构过渡的早期阶段，AI 智能体部署率稳步提升，但完全自主智能体距离稳定应用仍有距离。

图表 19：开闭源 AI 主导不同的性能 - 成本区间

资料来源：OpenRouter，Artificial Analysis，中金研究院

图表 20：全球企业 AI 智能体部署率提升

资料来源：Gartner，中金研究院

图表 21：智能体已经进入企业流程，但还没有成为普遍的组织运行方式

资料来源：Stanford HAI《2026 AI Index Report》，中金研究院

场景兑现层使用量快速增长但价值兑现相对滞后。多数项目尚未形成可计量的损益改善。应用面扩大但兑现深度分化，软件工程等领域领先，复杂场景落地周期更长。

图表 22：Token 使用量激增

资料来源：Google，中金研究院

图表 23：AI 对企业损益的改善还较为有限

资料来源：MIT Project NANDA 2025，中金研究院

（二）美国：资本、算力与平台构建前端供给优势

美国优势体现为资本、算力、云平台、基础模型和全球客户构成的前端供给体系。资本市场分担早期风险，平台企业提前建设基础设施。2025 年美国私人 AI 投资规模显著领先。

图表 24：美国私人 AI 投资规模显著领先其他经济体

资料来源：Stanford HAI《2026 AI Index Report》，中金研究院

大型平台企业是投资核心主体，资本开支持续上升。资本优势转化为物理供给能力，美国在计算芯片集群算力及 IT 基础设施投资上大幅领先。

图表 25：美国五大云平台企业资本开支持续上升

资料来源：FactSet，中金研究院

图表 26：美国计算芯片集群算力领先

资料来源：Epoch AI，中金研究院

美国形成将算力转化为标准化服务的平台型组织中介，构建前端供给的自我强化循环。但也面临资本回收压力和模型商品化风险。

图表 27：美国前端供给的自我强化循环

资料来源：中金研究院

（三）中国：算力约束下的工程扩散与场景融合

中国在上游资本开支和先进芯片供给上存在约束，但在中游模型供给和下游产业扩散具备较强承接能力。中美前五大 AI 相关企业资本开支差距明显。

图表 28：中美前五大 AI 相关企业资本开支对比

资料来源：各公司财报，中金研究院

图表 29：全球 AI 计算芯片供给高度集中于美国厂商

资料来源：Epoch AI，中金研究院

中国模型供给保持较快提升，头部模型与国际前沿差距缩小。更突出的优势在下游工程扩散，依托完整产业体系和丰富场景，推动智能供给嵌入实体经济。开源模型成为智能供给进入更多行业场景的工程基础。

图表 30：中美大模型数量与质量差距减小

资料来源：Epoch AI，中金研究院

图表 31：相对美国，中国的比较优势更偏中下游

资料来源：Counterpoint Research，Stanford HAI《2026 AI Index Report》，IFR World Robotics 2025，TrendForce，公司公告，中金研究院

（四）两种路径：前端供给与工程扩散的差异

美国路径接近前端供给驱动，依托资本市场和云平台率先形成大规模智能供给能力，挑战在于下游吸收。中国路径接近工程扩散驱动，依托可用模型和产业场景推动智能供给嵌入流程，挑战在于上游约束和项目制向标准化沉淀。

图表 32：中美在全球智能供给体系中的两种路径

资料来源：中金研究院

四、经济增长新范式：商品、分工与价值创造

全球智能供给体系形成新分工格局。认知能力成为新的中间投入，市场交易对象、企业边界和价值实现方式随之调整。

（一）商品形态的变化

工业化数字经济改变市场交易对象。部分过去嵌入岗位的认知环节被单独计量、定价和交付。企业可按任务购买翻译、代码辅助等能力。这类新的交易对象生产过程具备工业化特征，服务活动呈现更强的商品化特征。

交易对象变化扩大了市场规模，原本支付能力不足的需求转化为新市场。数字交付服务贸易快于传统服务贸易扩张，AI 进一步推动这一趋势。但服务可贸易化仍有边界，需现场操作或物理接触的岗位占比偏低。

图表 33：数字交付服务快于传统服务贸易扩张

资料来源：WTO，中金研究院

图表 34：部分任务仍需由人类执行，服务可贸易化具有边界

资料来源：Anthropic，中金研究院

（二）企业边界与产业分工变化：从内部配置到外部调用

当交易对象扩展到可调用的认知能力，企业需重新判断哪些能力自建、哪些外购。企业竞争力的关键是把外部智能能力转化为自身的流程资产。行业竞争格局重塑，竞争优势向两端集中：一端是贴近客户和场景的小团队，另一端是掌握公共能力的大平台。

传统供应链之外叠加一条智能供给链，连接能源芯片、模型软件与行业部署。比较优势开始重新定义，不同经济体可在自身优势环节参与全球智能供给体系。

图表 35：全球供应链叠加智能供给链

资料来源：中金研究院

（三）价值创造的变化：从效率提升到需求扩张

智能供给价值创造来自认知活动成本下降和需求扩张。价值首先体现在企业经营结果上（降本增收），也体现为用户福利。收益分配可能更加分散，长期看更稳定的收益流向能嵌入具体场景并承担交付责任的主体。

图表 36：AI 商业价值同时来自降本与增收

资料来源：McKinsey Global Survey on the State of AI，中金研究院

最终，商品形态、分工方式和价值创造构成新的价值创造链。核心在于智能供给能否持续嵌入市场交易和组织运行。

图表 37：从智能供给到价值创造的需求循环

资料来源：中金研究院

五、问题与启示

认知能力供给从依附个体转向依托固定资本，数字经济从轻资产转向重资产。这引出企业和政策层面的新挑战，以及重资产逻辑下的开放问题。

（一）企业的挑战：生产要素将如何配置

企业需重新划分哪些能力要素可外部调用，哪些必须内部沉淀。通用化能力可按需调用，但基于自身业务跑通的流程需自建。竞争优势向两端集中，中间以简单实施为主的企业受双重挤压。

（二）政策的挑战：工业化数字经济之后，应当培育什么

国家竞争焦点在于谁更快把智能供给变成生产力。首先需重新认识物质底座（电力、数据中心等）的战略意义。其次，政策重点应从扩大供给转向提高全社会吸收能力，缩短智能供给进入产业的传导时滞。最后，教育和社会保障需同步调整，适应工作任务化和收入来源多元化趋势。

（三）重资产逻辑延伸出的三个开放问题

第一，投资是否已成为智能供给增长的主要驱动力？若技术架构定型，理解 AI 产业框架需从技术竞赛转向资本形成。
第二，模型性能领先的商业价值有多大？多数场景可能存在“够用”门槛，性能差距商业价值递减，但地缘竞争可能放大差距。
第三，面对中美资本开支差异，中国政策如何应对？关键在于让产业政策引导下的投资尽可能沉淀为长期资产，避免无效产能。