“钟睒睒炮轰拼多多”背后, 是中国产业数字化的“道路之争” | 文化纵横

✪ 孙喜

首都经济贸易大学工商管理学院

✪ 王彦敏

新场智库

✪ 蔡锦江

中国到底应该如何发展数字经济？

中国到底应该如何推进产业、政府与社会的数字化转型？

尤其是如何确保中国庞大的工业体系与工业能力向数字时代平稳过渡，而不至于引发动荡甚至衰退？

准确回答上述问题，找出一条发展数字经济的根本出路，于国内外两方面都意义重大。从国内来看，这有助于破解当前大批企业对数字化转型“看不懂”“不想转”甚至“不敢转”的困境，有助于让那些在严峻形势下“躺平”的企业家重新站起来，杀回经济发展第一线。在国际层面，中国只有率先蹚出一条数字经济发展道路，才能充分调动信息与通信技术（ICT）革命以来的全球技术资源与产业基础，将它们转变为有效的经济回报和更高的生活品质；才能吸引和团结有志于发展数字经济的广大国家和地区，协力打造人类命运共同体的数字经济底座，为世界和平提供有力保障。

鉴于此，本文旨在澄清中国发展数字经济的若干战略问题，并尝试界定与阐述部分具体思路。我们希望以一种更具象和实用主义的方式，描绘和想象数字经济与数字中国的可能形态；在此基础上，跳出长期以来诸多惯性思维和政策文本的狭隘界定，反思当前数字经济发展方式的若干流行论调，进而理解和审视数字经济的发展潜力与核心逻辑。下面我们从两个极简场景入手，想象一下数字中国的样子。

▍数字中国可以是什么样子？

场景一：居家养老。基于社区的居家养老服务，应该如何随时掌握社区各处老人的健康信息、生活状况与服务需求？这是老龄化对公共服务（机构）数字化提出的重要挑战。如果引入泛在物联网和智能技术，技术工具能否在监控死角准确识别重心下沉的老人是跌倒，还是系鞋带？又能否及时准确推送服务方案（呼叫120）、应急救险？甚至，能否依托这一泛在物联网，瞄准老年人生活痛点，在衣食住行、剃头修脚、康养复健等环节提供更加便利精准的服务，以降低子女照护成本，提升老人生活质量，同时创造大量社区就业？

场景二：全聚德烤鸭。全聚德烤鸭等经典中餐能否在更大范围内更好地满足个性化需求，甚至“用数字化的方式重做一遍”？如何以工业化研发将世代传承的工艺诀窍转变成作业标准，以惠及更多消费者？直至以一套全场景算法（综合考虑鸭坯重量、食客口味、配餐菜品来确定烤制方案）“武装”一台全聚德烤箱？更进一步，能否将烤箱联入智能家居系统，一旦生成烤鸭任务，就通知系统中的冰箱、酒柜、饭煲，甚至灯具“准备一场家宴”？

在未来的数字中国，类似的场景还有很多。与居家养老相似，很多生活服务场景和公共服务场景（如路面交通、城市建设）的数字化转型，都有赖于泛在物联网与人工智能的共同驱动。而“用数字化的方式重做一遍”的方法论不仅适用于中餐，也适用于中国的农业和绝大多数服务业，包括中医。这些行业的知识结构还处于前工业化时代，这从源头上限制了其有效供给规模，使其难以满足人口规模巨大的中国式现代化之所需。

▍产品数字化：产业数字化的“前沿阵地”

以产业数字化促进数字经济与实体经济深度融合，是“十四五”规划打造数字经济新优势的重要内容：实施“上云用数赋智”行动，深化研发设计、生产制造、经营管理、市场服务等环节的数字化应用，培育发展个性定制、柔性制造等新模式，甚至加快发展智慧农业。政策指向之多，已经看不出谁是牵动产业数字化的“牛鼻子”。

“上云用数赋智”显然不够格：现阶段它的主要功能是改进运营效益、降本增效，其本质是对信息化、自动化的延续。但是，如果不能把蛋糕做大，存量市场中的降本增效“最终结果只能是停滞、劳动者被‘褫夺’和技术性失业”；为此，很多企业不得不一再突破底线，希冀在内卷中“剩者为王”。正因如此，很多企业对数字化转型投入巨大，经济回报却很有限。这严重动摇了企业“上云用数赋智”的信心，甚至滋生了“为上云而上云”的现象（“不想转”）。很多中小企业还担心，一旦自家底层数据“上云”，就会在竞争对手等外部力量面前毫无秘密（“不敢转”）。

“个性定制、柔性制造等新模式”又能否成为“牛鼻子”？大规模定制在家具等行业的成功，能否复制到其他部门？似乎也有问题，成本是其中的要害。产品可以分解为高度标准化的拼装模块，是大规模定制具备成本优势的必要条件。这决定了，在定制化上“吃螃蟹”往往会大幅增加企业研发成本，甚至倒逼企业重构运营流程。

但大规模定制绝非产品创新的“华山一条路”。信息技术与百业千行深度融合之日，就是“生产者交付标准化产品，用户自行深度定制”的理论猜想成真之时。越来越多曾经只有机械和电气零件的传统产品，如今具备了通信和计算功能，吸纳了越来越多的软件成分，甚至逐渐被“软件定义”。此时，产品数字化渐露端倪。1.0形态以航空发动机为代表，以一套控制程序应对运行过程中所有可能的工况场景。乔布斯以iPhone开辟了产品数字化2.0时代：智能手机、电动汽车，甚至服装都开始各显神通，把传统机电组件、智能组件（传感器、微处理器、内存、软件甚至操作系统）和连接组件（端口、天线、通信协议和网络）联结为一个复杂系统，并因此能够进行实时数据交互（与用户）和远程数据反馈。通过融合“常青树式的硬件设计与不断更新迭代的软件设计”，这个复杂系统让生产者能以标准化硬件生产实现规模经济；用户则可以通过软件更新，而非物理组件更替，满足个性化需求。

产品数字化是工业经济向数字经济传承与转变的纽带。产品在技术进步和经济发展中的核心地位是这种传承性的突出表现：“最优质的智能互联产品仍须以出色的硬件工程为载体”；如果产品本身不过关，甚至卖不动，就不能基于此提供各种衍生服务。因此，规模经济性和工业竞争力在数字时代仍然重要。“转变”则反映为产品数字化过程中“软件”的极端重要性：正是由于“软件定义产品”，智能互联产品才成为产业互联网的数据节点。它们反馈的远程数据，不仅构成生产者“上云用数赋智”（智能制造、数字化研发）的源头活水，也让它们感知到用户的个性化服务需求；而“服务化”的落地、变现，才是通过数字化转型“做大蛋糕”的关键。这意味着，软硬结合的产品数字化不仅是传统产品形态转变的核心，更是促使产品与服务相融合、工业与服务业相融合、推动产业互联网变成现实的技术起点，它也因此成为产业数字化的“前沿阵地”和“牛鼻子”。

强大的软件产业则是从社会经济体系层面把产品数字化做深做实的关键。正是基于这样的逻辑，西方工业巨头开始疯狂并购各类软件企业，软件行业内部也在持续整合。但如此重要的软件在中国的发展却不尽人意：软件行业常年被“卡脖子”，严重阻碍了更多产业智能互联产品的创新进程。这种局面是在一系列历史与现实因素的叠加影响下形成的。

首先是“重硬轻软”“重物轻人”的制度和思维惯性。“机械占大头，电气（控制机构）做配套”的传统产品结构，塑造了长期以来工业创新的投入结构和工业产品的定价机制。科技领域的“跟随模式”也习惯看重设备投资，忽视智力投入，但软件开发偏偏是一个高度依赖智力投入的行当。这也削弱了国家科技项目对软件产业的有效支持。两者共同构成中国软件开发投入少、软件“不值钱”、软件企业不赚钱的历史根源。但在控制自动化、软件化的时代，这就变成了机电一体化、软硬件融合的障碍。

产业链上下游互动不畅，也阻碍了软件产业发展。只有通过用户与开发者的有效互动，才能把用户的产业经验和场景知识编码化、自动化，形成软件。因此，好的软件产品一定是用出来的，而不是单纯的研发成果。尤其是那些本土化场景（如烤鸭）的软件开发，既无国外成品提供参考，也无国外软件支持验证，就更需要“应用牵引”。但产业链互信不是我国社会经济建设的重点，良性供需互动也不是经济生活常态。在我们的产业链上，能够推动协同创新的信任要素并不多，对西方技术的迷信则加剧了这一问题。

此外，软件产业还一度遭遇跨行业的“人才虹吸”困境。人才流动的受益者是那些待遇畸高的互联网大厂和游戏公司：与绝大多数软件企业和硬件厂商的软件业务相比，它们可以在资源投入、薪资体制等方面利用更多金融工具。这种更加金融化的要素定价机制使互联网大厂成为软件与数字化人才“抽水机”，也迫使人员流出方——实体经济部门抬高软件工程师待遇，以保障自身软件开发与维护业务的长期稳定运行。这与行业发展水平并不相称，也不利于提升行业竞争力。

在今天中国数字经济和软件产业高质量发展的实践中，还遭遇了一个全新的干扰项：算力。官方称之为数字经济“底座”，企业奉之为“数字经济的核心生产力”，还有人以“要想富，先修路”的历史经验说明算力超前建设的合理性。但“先修路”之所以有效，首先是因为当时的中国可以大面积借用西方成熟技术。今天，虽然西方软件产业相对领先，但与彻底的社会经济数字化转型对软件的需求相比，中国能够借用的成熟软件还是太少。如果软件无法就位，算力建设就会缺乏内生动力和经济合理性，超前建设还可能会为他人（软件实力更强的西方企业）作嫁衣裳。

更重要的是，以软硬结合的产品数字化满足个性化需求，从来不是只有一条路径。同样是为自动驾驶提供导航服务，特斯拉选择“纯视觉+大算力”的解决方案；但国内车企更希望降低导航服务对算力的占用，这才有了四维图新公司“地图+视觉+低算力”的技术路径。这提示我们，“头痛医头，脚痛医脚”或许不是破解中国人工智能芯片“卡脖子”的唯一办法：我们应当更加全面地理解软件开发能力与算力体系结构（云边端算力的分布结构）之间的复杂互动关系，只要找准激活这种互动的切入点，全力支持本土软件开发和产品数字化，也可以成为化解“算力焦虑”的一手妙棋。

▍“人工智能+”：产品数字化的“压舱石”

但是，数字经济中的智能互联产品绝不是一个个孤立的存在。以有自动驾驶功能的汽车为例：与传统汽车相比，它们日益成为一个庞大泛在物联网上的数据节点；在运行过程中，它们时时刻刻产生数据，把关键数据回传云端，并接收云端推送（智驾系统升级、车载娱乐服务包等配套软件的下载）。在这个数据流动过程中，“车”只是前台的终端，真正的后台是主机厂搭建的“人工智能工厂”：数以百万计的前台终端持续回传海量驾驶数据，作为机器学习、算法开发的训练素材；机器学习的核心成果则是更加精确、能够适应更复杂路况的智驾系统。

今天，类似的人工智能工厂广泛存在于众多行业。拼多多、B站、今日头条的人工智能工厂主攻自动推荐方向：动辄上亿的月活用户的使用数据，使机器学习的用户画像分析日益精准；有相同购物或浏览记录的用户，共同为彼此打造了一个推荐准确度越来越高的“信息茧房”。徐工信息等产业互联网企业的信息触角，是数以十万计的在用设备。依靠这些触角的回传数据，它们不仅可以向用户推送润滑维保服务，持续完善设备的自动作业、自动驾驶功能，还能对零部件进行质量分级和差别化定价。有些产品天生不具备通信功能，但可以以间接方式进入泛在互联网。比如欣凯医药的慢病管理系统：它在手机端收集出院病人用药记录、检查报告和疾病评估数据，不仅方便了慢病患者全周期随访，也为医生优化用药方案、发现不良反应创造了机会；这种机会还会随着数据积累和系统升级而不断增多。病人的随诊效果与体验以及医生的诊后管理体验与收入，都因此大为改观。

这就是真实世界中的“人工智能+”。我们将各行业“人工智能+”的核心“玩家”——那些着力建设人工智能工厂，并由此形成一套基于算法的认知计算系统的企业——统称为“（数字）平台”。这些平台的核心逻辑链条非常相似（图1）。

首先，在信息化环节，利用泛在物联网，尤其是智能互联产品采集用户场景信息，并将它们全部处理为二进制数据，回传人工智能工厂。

其次，在决策自动化环节，人工智能工厂（芯片+算法）处理回传数据，自动预测用户需求，据此决定下一步做什么。

再次，在服务自动化环节，基于前述决定，平台及其互补性服务（平台企业无法独立提供的服务，如汽车的娱乐服务包）开发商向用户交付服务，满足个性化需求。这又激发了用户的新需求，产生了新场景、新数据，算法也将随之改进，从而形成一个人工智能改进闭环。

在这个闭环中，两个“自动化”环节共同完成对“信息化”的反馈。这些反馈可以是为可能跌倒（预测）的老人自动呼叫120（服务），也可以是为吃烤鸭的家宴自动推荐，甚至配送佐餐酒。总之，是在持续减少人员参与的情况下，提供自动化、智能化服务。这是数字化的本质和“人工智能+”的关键。今天很多讨论习惯把“数字化”描绘成一种充满神秘色彩却又同义反复的高级信息化，根本原因就是忽视了这个“自动”反馈过程。

最后，在跑通上述“场景—数据—算法—服务”人工智能改进闭环的基础上，平台企业基于数据形成收益分配决策和新的价格策略，以此引导供应商和生态企业（互补性服务的开发商）的标准化（包括服务标准化）与创新发展，提高平台治理效率。

这一人工智能改进闭环可以帮助我们清晰回答中国发展数字经济的诸多方向性问题。比如，到底应该如何促进平台经济健康发展？现实生活中，人们容易将“平台”狭隘地理解为淘宝、滴滴、闲鱼等“交易型平台”。它们提供的服务，归根结底是利用信息技术重组现成供需关系，并因此与实体流通业构成实质性竞争。在这场竞争中，线上交易得以胜出的关键是大幅降低消费者综合成本，但这也吸干了行业总收入和利润池，甚至最终变成行业“价值吸血鬼”。相比之下，特斯拉、苹果、徐工信息、欣凯医药则是“创新型平台”。它们的服务超越了存量市场：通过推动智能互联产品升级，更好地理解场景演进和需求升级，开发和引入更多服务创新，为用户创造更好的体验和更高的效用，也为自己带来更高的用户黏性和回报。这种增量特征使创新型平台更有资格扛起“平台经济健康发展”的大旗。

再如，我们需要什么样的算法，或“新一代人工智能”？面对近年来国内外人工智能通用大模型发展的滚滚热浪，虽然中央政府尚未表态，一些地方政府已把通用大模型等同于“新一代人工智能”。但通用大模型的应用之路并非想象的那么“通用”：目前其产业应用集中在汽车、手机、电脑等行业，但由于并不掌握很多行业深度数据，也就很难走入更多领域和场景。这些行业深度数据构成了在这些行业应用人工智能的“解码器”（图2上方等式中的“领域结构”）：它可以帮助企业将真实场景中的复杂决策分解为一组简单决策，简单到计算机能理解的“如果（某一场景因素达到临界值），那么（触发相应反馈）”的形式。换言之，汽车、手机之所以能够引入通用大模型，就是因为我们可以轻松列出影响其使用的关键因素及其临界值。但是，在那些场景因素众多、经验知识丰富的行业里（如酿酒、烤鸭、医疗），将复杂决策分解为简单决策的难度就变大了。此时，相较于基于公开文本训练的通用大模型，领域结构的“解码器”功能就变得重要起来，面向具体行业的专用人工智能将会更有优势（图2下方谱线）。从这个角度来看，美国之所以押注通用大模型，更像是去工业化导致行业深度知识流失的后果。这提醒我们，要更加多元地理解不同行业中的“新一代人工智能”，避免一刀切。

沿前述人工智能改进闭环进一步上溯，下一个问题是数据如何（更好地）发挥作用？当前对这一问题的主流认识是用市场机制加快数据要素流动，激活数据要素潜能，并为此推动数据要素市场化、数据确权和数据资产入表。但是，真的可以脱离人工智能改进闭环谈数据资产吗？毕竟在这个闭环中，有效数据积累得越早、越多，算法预测准确率就越高，服务创新空间越大。而且，闭环中的不同数据彼此互补：每一份数据与其他数据相结合，都会为算法效率和服务增值带来边际改善。所以，苹果、特斯拉等企业才会努力争取用户数据授权。这一逻辑对数据资产化的影响显而易见。第一，因为增量数据会同时改善算法与服务，所以在人工智能改进闭环进行到特定环节之前，数据价值很难（完整）评估。第二，过度碎片化的数据确权会增加数据归集的交易成本，进而导致“反公地悲剧”：宁让数据在自己手里睡觉，也不交给别人创造价值。现实中，这种现象既存在于许多组织，尤其是国企内部，因为它们可能会担心数据归集将引发各部门之间的调度扯皮；也见于不同组织之间，比如以“预防国有资产流失”为名，在不同医院诊疗数据归集上层层设障。归根结底，“场景—数据—算法—服务”闭环的贯通性与不可分割性决定了，服务才是平台的基本构成单位和基本交易单元；脱离了服务的数据既不是基本交易单元，也不具备可交易性。因此，激活数据要素潜能的关键，绝不是简单直观的数据交易和数据资产化，而是鼓励更多的互补性服务创新，让数据要素实现更大的范围经济性。

基于人工智能改进闭环看“场景”，还可以帮助我们重新认识“数字中国”的内涵，找准中国发展数字经济的系统优势和战略纵深。首先，中国有一个庞大的电子工业。这不仅可以支撑“数字中国”的绝大多数硬件需求，还能催生更加本土化的技术路线。电子工业因此构成数字经济时代现代化产业体系的物质技术基础，而非拖累转型的“旧动能”。其次，中国的数字经济仍有可观的后发优势。中国企业可以立足于更先进的技术条件和技术理念，搭建人工智能改进闭环，设计系统架构，而不必受限于沉重的历史包袱。最后，中国有一个庞大的、足以启动内循环的数字经济需求侧——巨大的人口规模和海量的服务需求，包括内生于工业体系的丰富的产业场景。在充分挖掘和重新定义本土场景的基础上，中国企业可以利用自己在服务场景、系统架构等环节的优势，将七十年工业化的经验积累转变为有效的领域结构和有商业价值的垂类模型，进而降低某些关键核心技术的重要性，甚至部分绕开“卡脖子”环节。这种本土场景资源比我们想象的丰富得多：中国还有很多部门处于前工业化时代，值得“用数字化的方式重做一遍”，并由此完成知识结构现代化、有效供给工业化，直至服务自动化、差异化的转型升级。也只有不断开发这类本土特色场景，中国工业软件才能获得内生性发展动力，避免在西方同行后面“重新发明轮子”。

▍我们能做什么？

关键的第一步，是发挥政府在“数字中国”建设过程中的引领性力量。

中国正处于创新公共服务、提升治理能力的重要阶段。这从根本上决定了政府作为数字经济“孵化器”的角色。但这需要政府审慎选择建设“数字政府”的基本方法论，不拘一格地团结和带领更多企业和企业家，激发他们的历史主动精神和历史责任感，全面、彻底地利用好中国产业体系蕴藏的磅礴伟力。在此基础上，紧扣“产品数字化”和“人工智能+”两个关键环节，构建数字经济总体战略，推进社会经济数字化转型。

这一战略的首要原则是坚持“场景驱动，应用牵引”。换言之，应当以场景为单位，鼓励最广泛的、多元共生的服务创新（应用）。这需要彻底摒弃歧视性的产业政策，摘除产业、企业的身份标签，树立更加包容的产业治理理念，以此促进场景开放、生态建设和跨界融通融合。要让各领域的领军企业和专精特新企业最大程度发挥自身特长，有场景的开放场景，有技术的贡献技术，以“1+1>2”的方式创造并共享创新收益；避免一刀切地推动所有龙头企业建设人工智能工厂“策源地”，最终让林立的“山头”和“烟囱”把产业生态瓦解成一地鸡毛。

要想从制度层面解决好数据资产“反公地悲剧”，则需要建立某种举国体制：以场景为单位，以问题为导向，统筹相关部门推动数据开放；同时优化数据确权和隐私保护的制度框架，以强力事后惩戒代替严密事前防范，以此鼓励数据开发，激励本土创新。

政府应全力支持面向社会经济体系各环节的自主软件开发。首先，以场景为单位，鼓励平台企业与生态企业抱团（包括组建协会与联盟），做好人工智能工厂和智能互联产品选型，让人工智能改进闭环尽快转起来。其次，着力降低企业软件开发成本，既要为有志于产品数字化和“人工智能+”的企业创造更多融资机会；也要规范交易型平台行为，以法律工具控制其“抽水机”和“吸血鬼”倾向。比如，对相关行业劳动力市场和薪资体制予以必要干预；以反不正当竞争法规范电商平台竞争秩序，避免经济整体走入“低价螺旋”。

此外，政府还应促进社会经济体系建设全面下沉，以支撑互补性服务的线下运维。这既包括切实保护中小企业权益，也包括建立以社区、街道和乡村为单位的商业体系。这是创造和确保就近就业、克服“大城市病”的根本出路。

在此基础上，微观层面的市场活动主体也要顺时而动，有所作为。首先，从组织层面解决数据资产“反公地悲剧”，需要企业从封闭的、一盘散沙式的单打独斗中走出来，告别小农经济思维，确立生态协作的思维方式、发展战略与组织结构。一方面，遵循数字化理念，打通组织内的“部门墙”，避免以“数据烟囱”为单位的升级改造。另一方面，围绕特定场景合作，开展服务创新。平台企业与生态企业合作深挖用户需求、改进用户效用，以此相互成就。平台企业因此需要把握一个关键尺度：既能与生态伙伴开放、共创，又能有效控制自有领域结构。其中的要害是平台的治理能力，尤其是有效设计和治理产品数字化过程中各参与者的权责边界。

其次，摆脱传统产品思维的束缚，找到服务化升级的方向。工业企业需要更好地理解软硬件融合的趋势与可能，及早发现产品数字化通向服务自动化的可能路径。对知识结构尚处于前工业化时代的行业来说，当务之急是摆脱以“一机械化/现代化就变味儿”为代表的宿命论和不可知论，明确树立全价值链“用数字化的方式重做一遍”的战略目标，利用现代技术手段和科学研究方法论，先易后难、由浅入深、久久为功，把价值链各环节的标准化、数字化、知识结构现代化做起来，在此基础上满足个性化需求。

最后，在平台共建、场景（用户）共有、盈利共享的生态关系中找到价值实现路径。这需要平台和生态企业找到各自从创新中获利的途径。作为生态塑造者，平台企业“大就要有大的样子”，做好“人工智能工厂”主责主业，并以数据为基础，找准合作伙伴，以开放生态构建闭环服务。生态企业要做好平台触达用户（包括养老等线下服务）、跟踪场景、理解需求的抓手；但也要形成自己对需求的综合理解，以摆脱“一个萝卜一个坑”的思维惯性，择机成为“多面手”式的综合服务提供商，实现数据要素的范围经济性。

所有工作的微观基础，是企业决策团队的思维方式。一言以蔽之，能够完成这些工作的只能是企业家，那些在机器并不擅长的价值判断、社会沟通和情感共鸣方面深谙人性的企业家，而绝不是官僚、套利寻租者或“价值吸血鬼”。